AIOps-Lösungen benötigen sowohl traditionelle als auch generative KI
Generative KI hat AIOps neues Leben eingehaucht , doch der Glaube, dass dies die einzige Art von KI ist, die notwendig ist, um AIOps in Zukunft am Leben zu erhalten, ist keine gute Idee.
Im Jahr 2022 schien AIOps eine Technologie zu sein, die am Rande des Überlebens steht. Fast jede sogenannte AIOps-Lösung war nicht viel mehr als herkömmliches Monitoring auf Steroiden. Die Anwendungsfälle, für die AIOps zu diesem Zeitpunkt vorgesehen war, waren banal und trugen kaum dazu bei, den Fortschritt in Richtung einer Vision adaptiver Applications voranzutreiben. Das heißt, es geht darum, Intelligenz und die Fähigkeit zur Durchführung von Änderungen in Echtzeit in den Betrieb einzubringen.
Doch dann betrat die generative KI den Raum und plötzlich erhielt AIOps eine zweite Chance. Aber das war nicht der Fall. Nicht wirklich.
Um die Gründe dafür zu verstehen, müssen wir AIOps im Hinblick auf die Funktionen definieren, die es bereitstellen soll.
Was ist AIOps?
AIOps ist ein weit gefasster Begriff, der im Allgemeinen den Einsatz Künstliche Intelligenz für IT-Vorgänge bezeichnet. AIOps-Lösungen – üblicherweise als Plattformen bezeichnet – bieten typischerweise vier verschiedene Funktionen:
- Beobachten : Deckt die Aufnahme von Telemetriedaten und die Anomalieerkennung ab.
- Analysieren : Verwendet KI, um Muster aufzudecken, Ereignisse im Kontext zu korrelieren, Grundursachen zu identifizieren und Erkenntnisse zu gewinnen.
- Engagieren : Ermöglichen Sie Benutzern die Visualisierung und Interaktion mit Daten und Erkenntnissen.
- Akt : Setzt Erkenntnisse durch Automatisierung in die Tat um.
Bisher haben wir im Großen und Ganzen die Integration generativer KI in die Engage -Fähigkeit gesehen . Insbesondere hat die generative KI die Interaktionsfunktionen dieser Fähigkeit durch den Austausch von GUIs (Graphic User Interface) und APIs gegen NLIs (Natural Language Interfaces) erweitert. Dies rückt AIOps laut einem Bericht von ZK Research weitgehend in den Bereich des am häufigsten genannten Anwendungsfalls für AIOps:
- 64 % IT-Betriebseffizienz/Produktivität
- 54 % verbesserte Netzwerk- oder App-Leistung
- 54 % verbesserte Sicherheit oder Compliance
Es gibt einige Hinweise darauf, dass generative KI zum Einsatz kommt, indem Richtlinien und Konfigurationen zur Risikominimierung und Bewältigung von Vorfällen erstellt werden. Diese sind derzeit jedoch schwach und weitgehend auf ein einziges Ziel-Ökosystem beschränkt, d. h. das Portfolio eines einzigen Anbieters oder Anbieters.
Die generative KI hat sehr wenig dazu beigetragen, die Fähigkeit zur Analyse der durch die Beobachtungsfunktion gesammelten Daten zu verbessern. Dies ist kein Makel, sondern vielmehr ein Eingeständnis, dass das Produkt nicht für diesen Zweck konzipiert wurde . Dafür müssen wir uns auf die gute alte traditionelle KI verlassen.
Was ist traditionelle KI?
Seit der Einführung der generativen KI braucht das, was wir immer als KI bezeichnet haben, einen eigenen Namen. Der Markt hat sich darauf geeinigt, mit traditionellem KI-Begriff „jede KI außer generativer“ zu beschreiben.
Bei der herkömmlichen KI kommen viele der gleichen Trainingstechniken und zugrunde liegenden Prinzipien wie bei der generativen KI zum Einsatz, allerdings zielt sie darauf ab, Ergebnisse zu analysieren und sogar vorherzusagen, indem sie Muster und Beziehungen in einem Korpus weitgehend strukturierter Daten erkennt . Herkömmliche KI eignet sich hervorragend zur Klassifizierung und Erkennung.
Traditionelle KI wird seit Jahrzehnten für folgende Zwecke eingesetzt:
- Identifizieren Sie Bots, um Missbrauch und Betrug wie z. B. die Übernahme von Konten (ATO) zu verhindern.
- Erkennen Sie Angriffe anhand von Verhaltensmustern im Netzwerk- (DDoS) und Application (L7).
- Geben Sie Empfehlungen für Produkte und/oder Dienstleistungen auf der Grundlage von Konsummustern ab
- Handschrift- und Bilderkennung
Die Rolle der KI in AIOps
Die Fähigkeit der herkömmlichen KI, nicht nur Vorhersagen über bestehende Muster und Beziehungen zu treffen, sondern auch neue Muster und Beziehungen nahezu in Echtzeit aufzudecken, macht die Technologie für eine echte AIOps-Lösung von unschätzbarem Wert. Erforderlich ist ein Modell, das neue Daten analysieren und auf das Vorhandensein eines Angriffs schließen oder ein Problem vorhersagen kann, das die Verfügbarkeit beeinträchtigt oder die Leistung verschlechtert. Herkömmliche KI ist in beiden Bereichen besonders gut geeignet: Sie verleiht der Beobachtungsfunktion die Fähigkeit zum Erkennen von Anomalien und ermöglicht das Erkennen von Mustern und Beziehungen für die Analysefunktion .
Generative KI kann Code, Konfigurationen und Inhalte generieren. Es repliziert vorhandene Muster und wendet sie an, um neue Inhalte zu generieren. Dabei wird nichts erschaffen, sondern es werden Beziehungen zwischen Objekten aufgebaut, die durch Rückmeldungen entweder gestärkt oder geschwächt werden.
Tatsächlich ist es mit Risiken verbunden, generative KI mit der Analyse neuer Daten zu beauftragen. Es kann sein, dass Sie die richtige Antwort erhalten, es kann aber auch zu Halluzinationen kommen und Sie erhalten die falsche Antwort. Das liegt daran, dass generative KI letztendlich ein Zahlenspiel ist, und wenn die Beziehungen oder Muster nicht stark sind oder nicht ausreichend zwischen den Datenpunkten bestehen, füllt sie einfach die Lücken – ob richtig oder falsch.
Was uns die generative KI bietet, ist der Zugriff auf die Daten – denn wir müssen keine Experten für eine Abfragesprache sein oder uns auf Entwickler verlassen, die uns eine Schnittstelle bauen – und die Fähigkeit, automatisch Code oder Konfigurationen zu generieren, die zur Lösung eines Problems ausgeführt werden können. Auch das dient der Zugänglichkeit, da es die Notwendigkeit beseitigt, ein Experte im Schreiben von Code oder in der Nutzung mehrerer APIs zu sein.
Doch ohne herkömmliche KI zur Echtzeitanalyse von Telemetriedaten erfüllt ein solches System nur teilweise zwei der drei Funktionen, die für eine voll funktionsfähige AIOps-Lösung erforderlich sind. Daher müssen wir sowohl traditionelle als auch generative KI nutzen:
- Beobachten : traditionelle KI zur Anomalieerkennung.
- Analysieren: Traditionelle KI zum Aufdecken von Mustern und Zusammenhängen.
- Engage : generative KI, die es Benutzern ermöglicht, Daten und Erkenntnisse zu visualisieren und mit ihnen zu interagieren.
- Act : generative KI, um Erkenntnisse in die Tat umzusetzen.
Obwohl ich von generativer KI und ihrer Fähigkeit, Abläufe zu vereinfachen und sogar zu beschleunigen , überzeugt bin, bin ich mir auch darüber im Klaren, dass sowohl traditionelle als auch generative KI erforderlich sind, um das volle Potenzial der KI in AIOps auszuschöpfen.