Wie Plattformen für MLOps und AIOps Admins entlasten

KI-basierte Lösungen halten in immer mehr Branchen Einzug, um Geschäftsprozesse sinnvoll zu verbessern und echte Mehrwerte zu schaffen. Damit das gelingt, braucht es unter anderem leistungsstarke Plattformen für Machine Learning Ops (MLOps) und Artificial Intelligence for IT Operations (AIOps). Ein derartiger Ansatz entlastet nicht nur IT-Administratoren, er schafft zugleich eine solide Basis, auf der sich KI-Lösungen nachhaltig etablieren können.

Die Zeit des spielerischen Experimentierens mit Prototypen ist vorbei. KI-Initiativen müssen heute einen zufriedenstellenden Return on Investment (ROI) liefern. Gegenstand von Projekten ist nicht mehr die reine Innovation. Es gilt, Potenziale zu heben und langfristig auszuschöpfen. Zu diesem Zweck müssen KI-basierte Lösungen und Services zwingend mit den Kernprozessen von Unternehmen verknüpft sein: Sie sind in der IT-Systemlandschaft nachhaltig zu verankern und mit relevanten Geschäftsabläufen sowie Applikationen nahtlos zu integrieren.

Andernfalls besteht die Gefahr, dass ein Prototyp unter Produktivbedingungen nicht funktioniert und keinen Mehrwert stiftet. Natürlich verliert KI dadurch etwas vom Glanz früherer Tage: Sie wird von einer spannenden Innovation zu einer etablierten Technologie, die im Business zuverlässig funktioniert und substanzielle Abläufe unterstützt.

Damit das tatsächlich gelingt, braucht es eine optimale strategische, strukturelle und technologische Grundlage. Unternehmen müssen sich zunächst über drei Aspekte Klarheit verschaffen:

Denn den Bestandsdaten kommt eine zentrale Bedeutung zu. Firmen müssen in der Lage sein, aktuelle und konsistente Daten aus unterschiedlichen Quellen schnell und effizient bereitzustellen. Genau das ermöglicht eine MLOps-Plattform. Indem sie Daten systemübergreifend konsolidiert, entsteht eine verkettete Datengrundlage: eine optimale Grundlage, um Daten zu sichten und für den gewünschten Use Case zu verarbeiten.

Zugleich ist es möglich, KI-Modelle mit den eingespielten Daten zu trainieren und zielgerichtet zu optimieren. Idealerweise basiert eine solche Plattform auf den Lösungen der etablierten Hyperscaler Microsoft, Google oder Amazon Web Services. Diese bieten bereits im Standard eine Vielzahl integrierter und im Business bewährter Services. Die vorgefertigten Komponenten lassen sich für den jeweiligen Anwendungsfall flexibel kombinieren und bedarfsgerecht anpassen.

Was in der Theorie vielversprechend klingt, kann an der praktischen Umsetzung scheitern. Vielerorts hat die eigene IT-Abteilung keinerlei Ressourcen, um derartige Projekte zu stemmen. Einerseits ist sie mit dem Management der Bestandssysteme voll ausgelastet. Andererseits muss sie dafür sorgen, dass alle bereitgestellten IT-Lösungen sicher, skalierbar und hochverfügbar sind.

Darum ist es mehr als ein Kompromiss, für erfolgreiche KI-Initiativen mit einem spezialisierten Dienstleister zusammenzuarbeiten. Er richtet eine hochperformante und skalierbare Cloud-Umgebung als infrastrukturelle Basis für den Betrieb der MLOps-Plattform ein. Zudem implementiert er die Plattform, passt sie an den individuellen Zweck des Unternehmens an und verknüpft sie mit relevanten Quell- und Zielsystemen.

Idealerweise ist ein solcher Dienstleister nicht nur technisch versiert. Als erfahrener Berater ist er auch in der Lage, Unternehmen dabei zu unterstützen, sich einen Überblick über ihre IT-Systemlandschaft zu verschaffen, ihre Prozesse optimiert zu digitalisieren und ihre Datenqualität zu verbessern.

Zugleich schafft eine MLOps-Plattform eine optimale infrastrukturelle Grundlage, um Anwendungen mithilfe von AIOps umzusetzen. Dabei geht es darum, auf verschiedene Silos verteilte IT-Betriebslösungen durch eine zentrale, KI-gestützte Plattform abzulösen – eben die AIOps-Plattform.

Ein solcher Ansatz ist in Zeiten, in denen Unternehmen ihre Daten und Systeme verstärkt in die Cloud migrieren, ein entscheidender Erfolgsfaktor. Hybride oder Multi-Cloud-Umgebungen zu managen, ist äußerst kompliziert, weil die verwendeten Ressourcen jederzeit bedarfsgerecht zu skalieren sind. Vor diesem Hintergrund erlaubt AIOps, den Betrieb komplexer IT-Systemlandschaften KI-basiert zu automatisieren und damit dessen Effizienz zu erhöhen. Davon profitieren insbesondere IT-Administratoren und weiteres IT-Betriebspersonal. Dank AIOps können sie automatisiert

Damit AIOps die IT-Abteilung tatsächlich bei der Erledigung operativer Routineaufgaben unterstützt, ist eine Reihe an Voraussetzungen zu erfüllen. Es braucht

Auf einem derartigen technologischen Fundament lassen sich verschiedenste KI-Lösungen und -Services umsetzen. Bewährte Anwendungsfälle sind zum Beispiel:

In einer IT-Landschaft sind verschiedenste Komponenten voneinander abhängig. Man stelle sich eine zentrale Anwendung vor, die Userdaten für eine Vielzahl an Webanwendungen bereitstellt. Fällt in solch einem Konstrukt eine zentrale Komponente aus, löst das eine Kaskade von Störmeldungen aus, die allesamt dieselbe Ursache haben. Damit Administratoren gezielt reagieren können, ist es notwendig, das zentrale Problem zu erkennen und als solches hervorzuheben. Bei einer sich wandelnden und komplexer werdenden IT-Landschaft kann eine KI-gestützte Root Cause Analysis helfen, die zugrundeliegende Ursache in einer Flut von Störmeldungen zu identifizieren. Als Vorstufe dieses Modells ist eine KI in der Lage, die Störmeldungen zumindest zu gruppieren, ohne den Root Cause zu benennen.

Der Traum eines jeden Service Providers: Eine potenzielle Störung erkennen, bevor sie aufkommt. KI macht es möglich: Indem sie ein System überwacht, lassen sich Anomalien erkennen und Alarme präventiv auslösen. Dabei fließen Logs und Metriken des Systems, wie etwa Netzwerkauslastung oder Festplattenkapazität, in das KI-basierte System. Statt nach Anomalien jedweder Art Ausschau zu halten, ist es sinnvoll, eine KI gezielt so zu trainieren, dass sie die Wahrscheinlichkeit einer aufkommenden Störung einschätzen kann. Wenn diese Wahrscheinlichkeit dann einen bestimmten Schwellwert überschreitet, erhalten Administratoren eine entsprechende Warnung und können eine aufkommende Störung abwenden.

Die Anwendungsfälle für hilfreiche KI-basierte Produkte und Services sind so vielfältig wie die Geschäftsmodelle von Unternehmen. Mit dem technologischen Fortschritt geht ein strategischer Paradigmenwechsel einher: weg von der Entwicklung singulärer KI-Prototypen hin zur Umsetzung bedarfsgerechter Use Cases, die dank KI-Funktionalitäten grundlegende Prozesse und kundenfreundliche Services unterstützen. Sich dieses Wandels bewusst werdend, sind immer mehr Unternehmen bereit, in Cloud-basierte Plattformen für MLOps und AIOps zu investieren. Damit schaffen sie eine solide Basis, auf der sie ihr Geschäftsmodell nachhaltig und zukunftsgerichtet digitalisieren können – Use Case für Use Case.

Niels Pothmann, Head of AI von Arvato Systems (www.arvato-systems.de)

Thomas Löwen, AIOps Spezialist bei Arvato Systems (www.arvato-systems.de)