Gastbeitrag: Wie Unternehmen KI-Projekte erfolgreich und nachhaltig umsetzen, erklären Niels Pothmann und Thomas Löwen
Foto: Arvato
Niels Pothmann, Head of AI bei Arvato Systems
KI ist im Business angekommen. Damit sie echte Mehrwerte schafft, sind KI-Lösungen und -Services in der IT-Landschaft zu verankern und mit relevanten Prozessen sowie Applikationen zu integrieren. Das gelingt mit Plattformen für Machine Learning Ops (MLOps) und Artificial Intelligence for IT Operations (AIOps). Sie entlasten Administratoren und schaffen die Basis für nachhaltige KI-Lösungen.
Wer sich mit KI im Business-Kontext beschäftigt, kommt um das Thema Datenverfügbarkeit nicht herum. Idealerweise stellen Firmen aktuelle und konsistente Daten aus diversen Quellen auf einer MLOps-Plattform effizient bereit. Sie konsolidiert die Daten und schafft eine verkettete Datengrundlage – eine optimale Basis, um Daten zu sichten und zweckgebunden zu verarbeiten. Zudem ist es möglich, KI-Modelle datenbasiert zu trainieren und zielgerichtet zu optimieren.
Häufig hat die IT-Abteilung jedoch keine Ressourcen für derartige MLOps-Projekte, weil sie mit dem Management der Bestandssysteme bereits voll ausgelastet ist. Darum ist es ratsam, mit einem spezialisierten Dienstleister zusammenzuarbeiten.
Er richtet eine hochperformante, skalierbare Cloud-Umgebung als infrastrukturelle Basis für den Betrieb der MLOps-Plattform ein.
Er implementiert sie, passt sie individuell an und verknüpft sie mit relevanten Systemen.
Damit ist eine MLOps-Plattform eine ideale infrastrukturelle Grundlage, um Anwendungen mit AIOps umzusetzen. Dabei löst die zentrale AIOps-Plattform verteilte IT-Lösungen ab – ein wichtiger Erfolgsfaktor, wenn Daten und Systeme in die Cloud wandern. AIOps automatisiert den Betrieb Cloud-basierter IT-Landschaften und erhöht die Effizienz. So können Administratoren und IT-Betriebspersonal automatisiert
Root Causes für großflächige Störungen ermitteln,
Anomalien identifizieren und Störungen präventiv erkennen,
Vorschläge für die Fehlerbehebung erhalten sowie
Support-Tickets klassifizieren und zuteilen.
AIOps unterstützt die IT-Abteilung bei operativen Routineaufgaben. Voraussetzung sind
eine skalierbare Cloud-Umgebung, in der sich die hohen Daten-Update-Frequenzen gut managen lassen,
ein Data-Governance-konformes Datenberechtigungskonzept,
hochwertige IT-Betriebsdaten, die eine 360-Grad-Sicht auf Prozesse eröffnen und nahtlos bereitstehen,
eine zentrale Datenplattform, die Betriebsdaten systemübergreifend auswertbar und verfügbar macht,
bidirektionale Schnittstellen zwischen Plattform und Systemen,
digitalisierte Support-Prozesse samt Dokumentation von Anfragen und Lösungen sowie
erfahrene Experten für Machine Learning und Data Science, die AIOps-Anwendungsfälle auf der MLOps-Plattform umsetzen.
Gängige Anwendungsfälle von AIOps sind:
Root Cause Analysis: In IT-Landschaften gibt es viele Abhängigkeiten. So stellt etwa eine Anwendung Nutzerdaten für Web-Anwendungen bereit. Fällt eine zentrale Komponente aus, löst das eine Kaskade von Störmeldungen aus. In einer komplexen IT-Landschaften kann eine KI-gestützte Root Cause Analysis die Meldungen gruppieren und helfen, die Ursache in einer Flut von Störmeldungen zu identifizieren.
Anomaly Detection & Incident Prediction: Überwacht eine KI ein IT-System, lassen sich Anomalien erkennen und Alarme präventiv auslösen – vorausgesetzt, Logs und Metriken des Systems, wie etwa Netzwerkauslastung oder Festplattenkapazität, fließen in die KI-Lösung. Dabei sollte die KI so trainiert sein, dass sie die Wahrscheinlichkeit einer Störung berechnet. Ist ein Schwellwert überschritten, erhalten Administratoren eine Warnung und können proaktiv handeln.
Anwendungsfälle für KI-Lösungen gibt es viele. Mit dem technologischen Fortschritt geht ein strategischer Paradigmenwechsel einher: weg von singulären KI-Prototypen hin zu bedarfsgerechten Use Cases, die relevante Prozesse und Kundenservices unterstützen. Darum sind immer mehr Firmen bereit, in MLOps- und AIOps-Plattformen zu investieren.
