Der von Gartner geprägte Begriff AIOps – die Kurzform für „Artificial Intelligence for IT Operations“ (d. h. Künstliche Intelligenz für den IT-Betrieb) – bezeichnet die Anwendung von Funktionen der künstlichen Intelligenz (KI), wie z. B. die Verarbeitung natürlicher Sprache und Modelle für maschinelles Lernen, zur Automatisierung und Rationalisierung von betrieblichen Arbeitsabläufen.

Insbesondere nutzt AIOps Big Data, Analytik und maschinelles Lernen für folgende Aufgaben:

• Sammeln und Aggregieren der riesigen und ständig wachsenden Mengen an Daten, die von verschiedenen IT-Infrastrukturkomponenten, Anwendungsanforderungen und Performance-Monitoring-Tools sowie Service-Ticketing-Systemen generiert werden
• Intelligentes Herausfiltern von „Signalen“ aus dem „Rauschen“ des täglichen Betriebs, um signifikante Ereignisse und Muster in Bezug auf Probleme bei Anwendungsleistung und -verfügbarkeit zu identifizieren
• Diagnose von Fehlerursachen und deren Meldung an die IT-Abteilung und DevOps, damit diese schnell reagieren und Abhilfe schaffen können – oder in einigen Fällen die automatische Behebung dieser Probleme ohne menschliches Eingreifen 

Durch das Integrieren mehrerer separater manueller IT-Betriebstools in einer einzigen intelligenten und automatisierten IT-Betriebsplattform versetzt AIOps die für den IT-Betrieb verantwortlichen Teams in die Lage, zügiger – und sogar proaktiv – mit durchgängiger Transparenz und Kontext auf Verlangsamungen und Betriebsunterbrechungen zu reagieren.

AIOps schließt so die Lücke zwischen einer zunehmend vielfältigen, dynamischen und schwer zu überwachenden IT-Landschaft und voneinander isolierten Teams einerseits und den Erwartungen der Anwender hinsichtlich einer geringen oder gar keiner Unterbrechung der Anwendungsleistung und -verfügbarkeit andererseits. Die meisten Experten halten AIOps für die Zukunft des IT-Betriebsmanagements und die Nachfrage wird mit dem zunehmenden Fokus der Unternehmen auf Initiativen zur digitalen Transformation noch weiter steigen.

Der Weg zu AIOps verläuft in jedem Unternehmen anders. Sobald Sie einschätzen können, an welchem Punkt Sie sich auf Ihrem Weg zu AIOps befinden, können Sie damit beginnen, Tools zu integrieren, die den Teams dabei helfen, Probleme im Zusammenhang mit dem IT-Betrieb zu beobachten, vorherzusagen und rasch auf sie zu reagieren. Wenn Sie Tools zur Verbesserung von AIOps in Ihrem Unternehmen in Betracht ziehen, sollten Sie dabei darauf achten, dass diese Tools die folgenden Leistungsmerkmale aufweisen:

Beobachtbarkeit: Beobachtbarkeit bezieht sich auf Software-Tools und Verfahren für die Ingestion, Aggregation und Analyse eines stetigen Stroms von Leistungsdaten aus einer verteilten Anwendung und der Hardware, auf der sie ausgeführt wird. Ziel ist es, die Anwendung effektiver zu überwachen, auf Fehler zu überprüfen und diese zu beheben, um wiederum Erwartungen an das Kundenerlebnis, Service-Level-Agreements (SLAs) und andere Geschäftsanforderungen erfüllen zu können. Diese Lösungen können durch Datenaggregation und -konsolidierung einen ganzheitlichen Überblick über Ihre Anwendungen, Ihre Infrastruktur und Ihr Netzwerk liefern, aber sie ergreifen keine Korrekturmaßnahmen zur Behebung von IT-Problemen. Auch wenn diese Lösungen keine Korrekturmaßnahmen zur Behebung von IT-Problemen ergreifen, sammeln und aggregieren sie IT-Daten aus einer Vielzahl von Datenquellen über alle IT-Domänen hinweg, um Endbenutzer vor potenziellen Problemen zu warnen, und gehen davon aus, dass die IT-Serviceteams die notwendigen Korrekturen einleiten. Die von diesen Tools gelieferten Daten und ihre entsprechenden Visualisierungen sind zwar wertvoll, schaffen aber eine Abhängigkeit von IT-Organisationen, wenn es darum geht, Entscheidungen zu treffen und angemessen auf technische Probleme zu reagieren. Eine Ressourcenoptimierung, die eine manuelle Aktualisierung operativer Systeme erfordert, bringt in Situationen der dynamischen Nachfrage möglicherweise nicht den gewünschten Nutzen.

Prädiktive Analytik: AIOps-Lösungen können Daten analysieren und miteinander korrelieren, um bessere Einblicke zu ermöglichen und automatisierte Maßnahmen einzuleiten, so dass IT-Teams die Kontrolle über die immer komplexer werdenden IT-Umgebungen behalten und die Anwendungsleistung sicherstellen können.  Die Fähigkeit zur Korrelation und Isolierung von Problemen bedeutet für jedes mit dem IT-Betrieb betraute Team einen riesigen Schritt nach vorn. Sie verkürzt die Zeit bis zur Erkennung von Problemen, die andernfalls im Unternehmen vielleicht überhaupt nicht bemerkt worden wären. Unternehmen profitieren von der automatischen Erkennung von Anomalien, Warnungen und Lösungsempfehlungen, was wiederum die Gesamtausfallzeit sowie die Anzahl von Vorfällen und Tickets reduziert. Die dynamische Ressourcenoptimierung kann mithilfe prädiktiver Analytik automatisiert werden. Dies stellt die Anwendungsleistung sicher und reduziert Ressourcenkosten selbst bei stark schwankender Nachfrage.

Proaktive Intervention: Manche AIOps-Lösungen reagieren proaktiv auf unbeabsichtigte Ereignisse wie etwa Verlangsamungen und Ausfälle und bringen so Anwendungsleistung und Ressourcenmanagement in Echtzeit zusammen. Durch die Einspeisung von Metriken zur Anwendungsleistung in prädiktive Algorithmen können sie Muster und Trends erkennen, die mit verschiedenen IT-Problemen zusammenhängen. Mit der Fähigkeit, IT-Probleme vorherzusagen, noch bevor sie überhaupt auftreten, können AIOps-Tools relevante, automatisierte Prozesse einleiten und dadurch Probleme zügig beheben. Die Vorteile der intelligenten Automatisierung, wie z. B. die Verbesserung der MTTD (Mean Time To Detection, d. h. durchschnittliche Zeit bis zur Erkennung), liegen dabei für Unternehmen klar auf der Hand.

Diese Art von Technologie ist die Zukunft des IT-Betriebsmanagements, da sie Unternehmen dabei helfen kann, die Erfahrung sowohl der Mitarbeiter als auch der Kunden zu verbessern. AIOps-Systeme stellen nicht nur sicher, dass Probleme im IT-Service zeitnah gelöst werden, sondern sie stellen für Teams, die für den IT-Betrieb zuständig sind, auch eine Art von Sicherheitsnetz dar, da sie auf Probleme reagieren, die aufgrund menschlicher Versäumnisse, wie z. B. organisatorischer Silos, personell unterbesetzte Teams usw., ansonsten unbemerkt und ungelöst bleiben könnten. 

Der übergreifende Vorteil von AIOps besteht darin, dass der IT-Betrieb nun in der Lage ist, Verlangsamungen und Betriebsunterbrechungen schneller zu erkennen, anzugehen und zu beheben, als dies durch manuelles Durchsuchen von Warnmeldungen aus verschiedenen IT-Betriebstools möglich wäre. Daraus ergeben sich mehrere wichtige Vorteile:

• Schnellere MTTR (Mean Time To Resolution, d. h. durchschnittliche Zeit bis zur Auflösung): Durch das Herausfiltern von „Signalen“ aus dem „Rauschen“ des tagtäglichen IT-Betriebs und die Korrelation von Betriebsdaten aus mehreren verschiedenen IT-Umgebungen ist AIOps in der Lage, Grundursachen aufzudecken und Lösungen schneller und mit mehr Präzision vorzuschlagen, als dies durch menschliche Intervention möglich wäre. Dies ermöglicht es Unternehmen, bisher undenkbar ehrgeizige MTTR-Ziele festzulegen und zu erreichen. So konnte beispielsweise die IT-Infrastruktur von Vivy die mittlere MTTR für die App des Unternehmens um 66 % – von drei Tagen auf einen Tag oder sogar weniger – reduzieren.
• Niedrigere Betriebskosten: Die automatische Erkennung von operativen Problemen und neu programmierte Interventions- bzw. Reaktionsscripts senken die Betriebskosten und ermöglichen so eine bessere Ressourcenzuordnung. Dadurch werden auch Personalressourcen für innovativere und komplexere Aufgaben freigesetzt, was zu einer Verbesserung der Mitarbeitererfahrung führt. Durch Optimierung war Providence in der Lage, über 2 Millionen US-Dollar einzusparen und zugleich die Leistung der App selbst bei Lastspitzen sicherzustellen.
• Mehr Beobachtbarkeit und bessere Zusammenarbeit: In den AIOps-Überwachungstools verfügbare Integrationen ermöglichen eine effektivere teamübergreifende Zusammenarbeit zwischen DevOps, ITOps, Governance- und Sicherheitsfunktionen. Bessere Sichtbarkeit, Kommunikation und Transparenz ermöglichen diesen Teams eine bessere Entscheidungsfindung und eine schnellere Reaktion auf Probleme. Dealerware hat zum Beispiel die Beobachtbarkeit seiner auf Containern basierten Architektur gesteigert, die Performance seiner App während der Pandemie verbessert und die Bereitstellungslatenz um 98 % reduziert.

Machen Sie den Schritt von reaktivem über proaktives zu prädiktivem Management: Mit integrierten Funktionen für prädiktive Analytik lernt AIOps kontinuierlich, die dringendsten Alerts zu ermitteln und zu priorisieren, sodass IT-Teams potenzielle Probleme angehen können, noch bevor sie überhaupt zu Verlangsamungen oder Betriebsunterbrechungen führen. Electrolux beschleunigte die Lösung von IT-Problemen durch Verkürzung der MTTD (Mean Time To Detection, d. h. durchschnittliche Zeit bis zur Erkennung) von 3 Wochen auf eine Stunde und konnte durch die Automatisierung von Reparaturaufgaben mehr als 1.000 Stunden pro Jahr einsparen.

AIOps vereint Big Data mit fortgeschrittener Analytik und Funktionen für maschinelles Lernen, um die folgenden Anwendungsfälle zu bewältigen:

• Ursachenanalyse: Wie der Name bereits vermuten lässt, wird bei der Ursachenanalyse die eigentliche Ursache von Problemen ermittelt, um sie dann mit geeigneten Lösungen beseitigen zu können. Durch die Ermittlung der Grundursachen können Teams unnötige Arbeit vermeiden, d. h. die Behandlung der Symptome eines Problems anstatt der Lösung des Problems. So kann eine AIOps-Plattform beispielsweise die Quelle eines Netzwerkausfalls feststellen, diesen Ausfall unmittelbar beheben und Sicherheitsvorkehrungen treffen, um ähnliche Probleme in der Zukunft zu verhindern.
• Erkennung von Anomalien: AIOps-Tools sind in der Lage, umfangreiche Mengen historischer Daten zu durchforsten und atypische Datenpunkte innerhalb eines Datasets zu entdecken. Diese Ausreißer fungieren als „Signale“, die auf problematische Ereignisse, wie z. B. Datenschutzverletzungen, hinweisen und diese vorhersagen. Mithilfe dieser Funktionalität können Unternehmen kostspielige Konsequenzen wie etwa negative PR, Geldstrafen und Vertrauensverlust bei den Verbrauchern vermeiden.  
• Performance Monitoring: Moderne Anwendungen sind oft durch mehrere Abstraktionsebenen voneinander getrennt, so dass es schwierig ist, zu verstehen, welche physischen Server-, Speicher- und Netzwerkressourcen welche Anwendungen unterstützen. AIOps hilft, diese Lücke zu schließen. Es dient als Überwachungstool für Cloud-Infrastruktur-, Virtualisierungs- und Speichersysteme und liefert Berichte zu Metriken wie z. B. Nutzung, Verfügbarkeit und Antwortzeiten. Darüber hinaus nutzt es Funktionen zur Ereigniskorrelation, um Informationen zu konsolidieren und zu aggregieren, und ermöglicht den Endnutzern so eine bessere Informationsnutzung.  
• Cloud-Akzeptanz/Migration: In den meisten Unternehmen erfolgt die Cloud-Einführung schrittweise und nicht in vollem Umfang, was zu einer hybriden Multicloud-Umgebung (Private Cloud, Public Cloud, mehrere Anbieter) mit zahlreichen gegenseitigen Abhängigkeiten führt, die sich möglicherweise zu schnell und zu häufig ändern, um sie überhaupt dokumentieren zu können. AIOps schafft einen klaren Überblick über diese Abhängigkeiten und reduziert so die operativen Risiken der Cloud-Migration und eines Hybrid-Cloud-Ansatzes drastisch.
• DevOps-Einführung: DevOps beschleunigt die Entwicklung, indem es den Entwicklungsteams mehr Befugnisse bei der Bereitstellung und Neukonfiguration der Infrastruktur gibt – jedoch muss die IT-Abteilung diese Infrastruktur immer noch verwalten. AIOps bietet die Transparenz und Automatisierung, die die IT benötigt, um DevOps ohne großen zusätzlichen Verwaltungsaufwand zu unterstützen.

Am einfachsten lässt sich die Funktionsweise von AIOps verstehen, wenn man die Rolle betrachtet, die die Technologie jeder einzelnen AIOps-Komponente – Big Data, maschinelles Lernen und Automatisierung – in diesem Prozess spielt.

AIOps stützt sich auf eine Big-Data-Plattform, um in Silos isolierte IT-Betriebsdaten, -teams und -tools  an einem Ort zusammenzuführen. Diese Daten können Folgendes enthalten:

• Langzeit-Leistungs- und Ereignisdaten
• Streaming von Betriebsereignissen in Echtzeit
• Systemprotokolle und Kennzahlen
• Netzwerkdaten, einschließlich Paketdaten
• Vorfallsbezogene Daten und Ticketing
• Daten zur Anwendungsnachfrage
• Infrastrukturdaten

AIOps wendet dann gezielte Analysen und maschinelle Lernfunktionen auf diese Daten an:

• Trennen von Alerts für signifikante Ereignisse von einfachem „Rauschen“: AIOps  durchforstet die Daten Ihres IT-Betriebs und trennt Signale, d. h. Alerts für signifikante anormale Ereignisse, vom Rauschen (alles andere).
• Identifizieren von Grundursachen und Vorschlagen von Lösungen: AIOps kann anormale Ereignisse mit anderen Ereignisdaten in verschiedenen Umgebungen korrelieren, um die Ursache für eine Betriebsunterbrechung oder ein Leistungsproblem zu ermitteln und Abhilfemaßnahmen vorzuschlagen.
• Automatisieren von Reaktionen inklusive proaktiver Problemlösungen in Echtzeit: AIOps kann als Mindestfunktion Alerts und Lösungsvorschläge automatisch an die entsprechenden IT-Teams weiterleiten oder sogar – abhängig von der Art des Problems und der Lösung – Reaktionsteams bilden. In vielen Fällen können Ergebnisse aus dem maschinellen Lernen verarbeitet werden, um automatische Systemreaktionen auszulösen, die Probleme in Echtzeit beheben, noch bevor die Benutzer sie überhaupt wahrnehmen.
• Kontinuierliches Lernen zur besseren Bewältigung von Problemen in der Zukunft: KI-Modelle können dem System auch dabei helfen, von Änderungen in der Umgebung zu lernen und sich an diese anzupassen, wie z. B. an eine neue Infrastruktur, die von DevOps-Teams bereitgestellt oder neu konfiguriert wurde.