„Und jetzt bitte rückwärts einparken“. Welchem Autofahrer das Schweißperlen auf die Stirn treibt, der dürfte für diese Erfindung dankbar sein: automatische Einparkassistenten manövrieren das Fahrzeug selbsttändig in eine Parklücke – und bei Bedarf auch wieder heraus. Komplett selbstfahrende Autos waren lange eine Zukunftsvision, jetzt sind sie bald straßentauglich. Ende 2021 hat Mercedes-Benz als erster Fahrzeughersteller, der eine sogenannte „Systemgenehmigung“ für hochautomatisiertes Fahren (Level 3) erhalten. Das heißt, der Fahrer muss das Fahrzeug nicht mehr permanent überwachen. Schon länger unterstützen Funktionen wie der Lane Assistant, Abstandhalter oder eben das automatische Einparken den Autofahrer im Alltag. Wir profitieren damit maßgeblich von AIOps – Artificial Intelligence for IT Operations.

In welchen Bereichen kommen sie besonders zum Einsatz, wie können Unternehmen profitieren und wie funktionieren AIOps eigentlich?

1. Was ist AIOps?

Der Begriff AIOps kommt aus dem Jahr 2014 und wurde vom US-Marktforschungsunternehmen Gartner geprägt. Sie beschreiben AIOps als Tools, bei welchen künstliche Intelligenzen, maschinelle Lernprozesse und Big Data zur Optimierung von IT-Abläufen beitragen.

Künstliche Intelligenzen werten dafür Daten integrierter Systeme aus, beispielsweise einer Autokamera, und leiten daraus Handlungen ab. Außerdem lernen sie ständig dazu und reduzieren dadurch den Personalbedarf in der IT. Interne Abläufe können so maßgeblich geschmälert werden, was zu einer Entlastung der internen Strukturen beitragen kann. Durch AIOps kann also ressourcensparend mit großen Datenmengen gearbeitet werden.

Dabei ist AIOps nicht zu verwechseln mit MLOps. Obwohl die Bezeichnungen recht ähnlich klingen, gibt es doch recht große Unterschiede zwischen beiden Disziplinen. Bei MLOps handelt es sich – anders als bei AIOps – nicht per se um eine Machine-Learning-Funktionalität, bei der Daten durch Algorithmen verarbeitet werden. Vielmehr ist es eine Möglichkeit, die Entwicklung, Bereitstellung und Wartung dieser Algorithmen zu verwalten und zu optimieren.

2. Wie funktionieren AIOPs?

Maschinelles Lernen ist ein Teilaspekt, der der künstlichen Intelligenz zugrunde liegt, damit diese Muster aus Daten erkennen können, ohne dafür spezifische Programmierungen zu benötigen. AIOps ermöglichen es, Big Data und maschinelles Lernen auf IT-Systeme großflächig anzuwenden. Mögliche Anwendungsbereiche sind:

• Automatisierungen
• Monitoring
• Service Desk

Es gilt, zwischen zwei verschiedenen Arten von Algorithmen im Einsatz zu unterscheiden:

• Überwachte (supervised) Algorithmen arbeiten mit Rohdaten, die anhand von Beispielen klassifiziert werden. Daraus entstehen Vorhersagen und Kalkulationen für die Zukunft. So können Algorithmen beispielsweise Personen wiedererkennen, sollten Sie mit anderen Bildern von besagter Person gefüttert worden sein. Ein anderes Beispiel wäre das Erkennen geeigneter Bewerber auf eine ausgeschriebene Stelle
• Unbewachte (Unsupervised) Algorithmen arbeiten ausschließlich mit Rohdaten, welche von KI in Gruppen geclustert werden können. Dabei erkennt der Algorithmus verschiedene Muster, die anschließend sortiert und zugeordnet werden. Dem Algorithmus werden dafür zu Beginn keine Beispiele oder Labels zur Verfügung gestellt. Unbewachte Algorithmen treffen Entscheidungen, welche anschließend nicht vom Menschen nachvollzogen bzw. erklärt werden können. Das ist ein großes Problem, da Entscheidungen gegenüber Kunden oder Unternehmen erklärt werden müssen, um Transparenz und Kontrolle zu bewahren. Hier stellt sich die Frage der Verantwortung und rechtlicher Folgen.

3. Warum brauchen Unternehmen AIOps?

Die stetig diverser werdende IT-Welt braucht aufgrund steigender interner Komplexitäten übergreifende Ansätze wie AIOPs, die effiziente Lösungsansätze bieten. Sie sind essenziell für selbstständige und reaktive Funktionen basierend auf großen Mengen an bereitgestellten Daten. Sie filtern wichtige Informationen oder Probleme aus großen Datenmengen und lösen diese eigenständig durch Automatisierung. Dadurch entlastet AIOps einerseits IT-Abteilungen und sorgt gleichzeitig dafür, dass die große Datenflut nicht zu einer Lahmlegung bestehender Systeme führt.

AIOps unterstützt IT-Bereiche ohne zunehmende Aufwände und erleichtert die cloud-übergreifende Integration von Daten. Dafür gehen AIOPs folgendermaßen vor:

• Scannen von Umgebung: Es werden system- und strukturübergreifend große Mengen an Daten gesammelt. Dabei kann es sich um diverse Datenformen handeln, je nachdem auf welche Systeme die KI Zugriff hat. Ein anschauliches Beispiel sind visuelle Daten wie Videomaterial.
• Erkennung von Anomalien: Daten werden intelligent gefiltert und Probleme oder besondere Vorkommnisse erkannt. Die AI erkennt also auf dem Videomaterial Auffälligkeiten aufgrund von Farbveränderungen, Tempo oder Bewegung.
• Eigenständige Analyse und Reaktion: Es erfolgt eine Analyse möglicher Fehler und deren Ursache sowie einer angemessenen Reaktion beziehungsweise Schlussfolgerung. Aus den entstandenen Clustern resultieren Annahmen, die eine Handlungsreaktion erzeugen.
• Behebung von Anomalien und Fehlern: Wird eine Anomalie erkannt, geht die AIOp in die eigenständige Behebung von Problemen und deren Ursache über. Diese Funktionen basieren auf Algorithmen künstlicher Intelligenzen, welche eigenständige Muster erkennen und so ohne Administrator agieren. Dafür werden Daten ausgewertet und dementsprechende Schlüsse gezogen. Kommt es zu Problemen, ist die künstliche Intelligenz in der Lage, dementsprechende Lösungsvorgänge zu initiieren. Bleiben dennoch Fehler bestehen, werden Warnmeldungen und Alarme gesendet, auf welche manuell eingegangen werden muss.

In welchen Bereichen können Unternehmen, die AIOps in ihrem IT-Management einsetzen, am meisten profitieren? Die Vorteile sind facettenreich:

• Reaktion und Problemlösung in Echtzeit: Durch den Einsatz künstlicher Intelligenzen können Probleme und Anomalien frühzeitig und ohne menschliches Zutun erkannt werden. Hierbei kann es sich beispielsweise um Produktionsfehler handeln.
• Arbeitsreduktion für die IT-Abteilung: Da sich AIOps um große Datenmengen kümmern, kommt es zu einer starken Entlastung der jeweiligen IT-Abteilung. Der manuelle Aufwand, der an dieser Stelle entfällt, kann gewinnbringend an anderen Stellen eingebracht werden.
• Kostenreduktion: Die Entlastung der IT-Abteilung und die Vermeidung von Fehlern führt zu niedrigeren finanziellen Aufwänden.
• Selbstständige Optimierung: Mit dem Einsatz von AIOps sind Unternehmen gut für zukünftige Probleme gerüstet, da maschinelles Lernen und AI sich mit ihren Daten entwickeln und dazulernen.
• Überblick: AIOps führen Daten übergreifend zusammen und erleichtern so die Handhabung komplizierter IT-Landschaften.

6. Anwendungsbeispiele aus der Praxis

AIOps finden wir versteckt in unserem Alltag. Ein prominentes Beispiel nah am Menschen sind neuste Techniken in der Automobilbranche. Autos sind heute mit einer Vielzahl an Sensoren und Kameras ausgestattet, die stetig Informationen sammeln und edge to cloud arbeiten. Nur durch den Einsatz von AIOps ist es möglich, diese Daten in sinnvolle technische Tools zu verwandeln. So kann ein Auto von selbst die Spur einhalten, Abstände bemessen, eine Bremsfunktion einleiten, oder den toten Winkel im Blick halten.

Diese Funktionen basieren auf AIOps. Damit die Sicherheit auf der Straße garantiert werden kann, müssen diese die Situation zuverlässig in Echtzeit scannen, einschätzen und reagieren. So kann menschlichem Versagen vorgebeugt und mehr Sicherheit im Straßenverkehr gefördert werden. Aber auch in anderen Branchen wie beispielsweise dem Maschinenbau kommen AIOps zum Einsatz: Im Rahmen von Smart Factories werden Maschinen, Roboter und co. automatisiert überwacht und gesteuert. Auch in diesem Kontext können AIOps eingesetzt werden, um Funktionen von SAP-Systemen zu ergänzen.

7. Wir werfen einen Blick in die Zukunft

Im Gartner Market Guide for AIOps Platforms 2021 heißt es: „Es gibt keine Zukunft des IT-Betriebs, die nicht AIOps beinhaltet.“ Der Grund dafür ist das bereits erwähnte rasante Wachstum der Datenmengen und das Tempo der Veränderungen. Um mit diesen Daten effektiv umgehen zu können, werden in Zukunft immer mehr AIOps eingesetzt, denn in einer cloudbasierten Welt stellen sie einen umfassenden Katalysator dar. Durch die Datenfilterung und Datenanalyse sind die künstlichen Intelligenzen ein großer Teil zukünftiger Lösungsansätze. Gartner kommt ebenfalls zu dem Schluss, dass das schnelle Wachstum der Datenmengen bedeutet, dass Unternehmen nicht mehr darauf warten können, dass Menschen Erkenntnisse aus Daten ableiten.

In Zukunft wird es ausschlaggebend sein, dass Unternehmen sich eine gute Infrastruktur aufbauen, welche Informationen optimiert KIs zur Verfügung stellt, um mit ihnen wachsen zu können. Vor allem in Bereichen wie Infrastruktur oder Überwachungstechnologien können AIOps dabei helfen, ressourcensparend mit großen Datenmengen umzugehen. Es ist also davon auszugehen, dass smarte künstliche Intelligenzen auch in Zukunft ihren Mehrwert unter Beweis stellen und ITOps langfristig ersetzen werden.