AIOps

Ein AIOps-System arbeitet in mehreren Stufen. Zuerst sammelt es Logs, Metriken, Traces, Alarme und Änderungsereignisse aus den vorhandenen Werkzeugen an einer Stelle. Dann lernt es für jede Zeitreihe, was normal ist, etwa die übliche Last am Montagmorgen, und meldet Abweichungen, ohne dass jemand einen festen Schwellwert gesetzt hat. Im nächsten Schritt fasst es Ereignisse, die zeitlich und über die Abhängigkeiten der Systeme zusammenhängen, zu einem Vorfall zusammen. Aus hundert Einzelalarmen wird so ein Ticket mit einer wahrscheinlichen Ursache, zum Beispiel dem Deployment, das zehn Minuten vorher lief.

Was davon ein Team nutzt, hängt vom Reifegrad ab. Die Bündelung von Alarmen und die Anomalie-Erkennung bringen am schnellsten etwas, weil sie das Alarmrauschen senken. Die Ursachenanalyse kommt danach, und automatisierte Gegenmaßnahmen wie ein Neustart oder ein Rollback stehen am Ende. AIOps setzt dabei auf Observability auf. Ohne strukturierte Logs, konsistente Labels und durchgängige Traces fehlt den Modellen das Material, und sie liefern Korrelationen, denen niemand traut.

Den Nutzen spüren vor allem Bereitschaften, die in Alarmen untergehen. Wer jede Nacht dreißig Meldungen bekommt, von denen zwei etwas bedeuten, lernt, Alarme wegzuklicken, und irgendwann ist der wichtige darunter. AIOps verkürzt in diesem Fall die Mean Time to Recovery vor allem über die Diagnose: Das Team sieht einen Vorfall statt einer Liste. In industriellen Umgebungen kommt die Möglichkeit dazu, IT- und Maschinen-Telemetrie gemeinsam auszuwerten und etwa eine Netzwerkstörung mit einem Anlagenstopp in Verbindung zu bringen.

Die Erwartung ist der häufigste Stolperstein. AIOps löst Vorfälle nicht selbstständig, und seine Vorschläge sind so gut wie die Daten, aus denen es lernt. Bewährt hat sich ein schrittweiser Einsatz: erst Alarme bündeln und die Treffer von Menschen prüfen lassen, dann Ursachenhinweise nutzen, zuletzt einzelne Gegenmaßnahmen mit klaren Grenzen automatisieren und jede automatische Aktion protokollieren. Von AIOps abzugrenzen ist Industrial DevOps mit KI, das KI in die gesamte Softwarelieferkette bringt statt allein in den Betrieb.