Article (Lesedauer: 6 Min.)

Neue Möglichkeiten für menschliche Arbeitskräfte dank AIOps

AIOps zeigt, dass die Technologie das Potenzial hat, die Rolle von Menschen am Arbeitsplatz zu verbessern, anstatt sie zu untergraben.

Jean "JP" Gonzalez / Rackspace, Andreas Möller / Rackspace

Echte technologische Disruption wird oft von einer komplexen Mischung aus Optimismus und Unsicherheit begleitet, und im Moment verspricht keine Technologie mehr Disruption als künstliche Intelligenz (KI) – zur Freude der einen, zur Sorge der anderen.

Für jeden Experten, der das transformative Potenzial sowohl für Unternehmen als auch die Gesellschaft allgemein hervorhebt, gibt es einen, der Alarm schlägt und betont, dass Arbeitsplätze in Gefahr sind, wenn Maschinen Entscheidungen treffen. Ganz zu schweigen von den moralischen Folgen, die sich ergeben, wenn solche Entscheidungen das Leben und den Lebensunterhalt der Menschen beeinträchtigen.

Diese Reaktionen sind verständlich und es gibt viel zu dieser technologischen Entwicklung zu sagen. KI-Anwendungen haben in vielen Unternehmen jedoch bereits einen Platz gefunden (hauptsächlich in der Form von maschinellem Lernen, einem Teilbereich von KI) und wir sehen schon jetzt eher Chancen für die Verbesserung menschlicher Arbeit als eine Untergrabung von Jobs.

Indem sie die unheimliche Datenmenge, die Unternehmen und Technologie heutzutage generieren, filtern, haben KI-Systeme das Potenzial, Teams höherwertige Informationen zu liefern, und zwar sehr schnell. Mithilfe der fundierten Einsichten, die aus diesen Informationen gewonnen werden können, sind Unternehmen in der Lage, bessere Entscheidungen zu treffen und Kunden besser abgestimmte Empfehlungen zu geben.

AIOps ebnet den Weg für maschinelles Lernen

Dank der Entwicklung von AIOps ist der IT-Betrieb einer der Bereiche, in denen wir Wertschaffung durch maschinelles Lernen beobachten können.

In IT-Umgebungen von heute, die insbesondere in Bezug auf die Cloud immer komplexer werden, machen es domänenzentriertes Monitoring und Management schwierig (oder unmöglich), die Erkenntnisse zu sammeln, die erforderlich sind, um nicht nur reaktiv Systemprobleme zu behandeln.

Was ist AIOps?

AIOps versucht, den Entdeckungsprozess in allen IT-Betriebsfunktionen zu automatisieren und maschinelles Lernen anzuwenden, um Muster zu entdecken und Empfehlungen zu geben. Das heißt, dass Teams nicht nur einen besseren Einblick in Verfügbarkeit, Leistung, Service-Management und Automatisierung erhalten, sondern durch Ereigniskorrelations- und Analysefunktionen auch ein Gefühl für zukünftige Entwicklungen bekommen.

Dank AIOps arbeiten IT-Support-Teams nicht mehr nur Tickets ab, sondern werden zu kooperativen und kreativen Problemlösern. Es ist unwahrscheinlich, dass Maschinen bald kooperieren und Probleme lösen können, aber die Analysen der KI können ein engagiertes IT-Team in ein Powerhouse für Problemlösungen verwandeln.

Was macht AIOps mit Mitarbeitern?

Es stimmt, dass AIOps mit einer gewissen Veränderung des Arbeitsalltags und einzigartigen Herausforderungen für Personalmanager einhergeht. Der Einsatz von AIOps bedeutet, dass Jobs bald ganz anders aussehen werden als heute. Der Vorteil ist, dass Mitarbeiter sich auf Kunden konzentrieren können, wenn Maschinen die Daten verarbeiten und tiefere Einblicke in die komplexen programmatischen und mechanischen Beziehungen liefern.

Wissensaustausch: Wie Rackspace AIOps verwendet

Diese Ansicht basiert auf unserer eigenen Erfahrung mit AIOps, das es unseren Support-Teams ermöglicht hat, weniger Triage zu betreiben und mehr Service zu leisten, indem einzelne Warnungs-Tickets durch gruppierte „Situations-Tickets” ersetzt wurden.

Früher konnte ein Problem mit einem einzigen System Warnungen in mehreren Funktionsbereichen auslösen und jedes der für den jeweiligen Bereich (wie Speicher, Netzwerk, Virtualisierung, Betriebssystem und Anwendungen) zuständigen Teams erhielt ein Ticket.

Mittlerweile haben wir jedoch die AIOps-Lösung von Moogsoft übernommen, die überwachte maschinelle Lernsysteme verwendet und die Topologie unserer Umgebung kennt. So kann sie Muster und Korrelationen in Support-Tickets identifizieren. Gleichzeitig eingehende Warnungen zum Web, der Verfügbarkeit von Servern und zum Betriebssystem kann das System beispielsweise einem bestimmten Netzwerkgerät zuordnen. Da das Netzwerkgerät wahrscheinlich die Grundursache ist, wird das Situations-Ticket zum Netzwerkteam weitergeleitet.

Anstatt jedes Ticket einzeln und in Silos zu untersuchen, erhält das Team nun einen ganzheitlichen Blick darauf, was in den Kundenumgebungen und der weiteren Umgebung von Rackspace vor sich geht. Alle betroffenen Teams sind informiert, aber die Problemlösung beginnt – und endet, in den meisten Fällen – bei einem einzigen Team.

Die Menschen in diesen Teams bleiben der bestimmende Faktor bei jeder Antwort, aber sie sind mit besseren Informationen ausgestattet, sodass sie schneller und klüger handeln können.

Was bedeutet AIOps für die Geschäftsleitung?

Unternehmen, die überlegen, diese Art von Automatisierung in ihrem Betrieb einzuführen, müssen sich vollständig im Klaren darüber sein, was dies für das Geschäft und seine Mitarbeiter bedeutet. Es ist eine Entscheidung mit tiefgreifenden Folgen für bestehende Prozesse und Strukturen.

Führungskräfte, die auf der Suche nach einem kurzfristigen ROI sind, werden in der Reduzierung des Arbeitsaufwands pro Ticket eine Chance für die Reduzierung des Personals sehen. Eine langfristigere und möglicherweise vorteilhaftere Sichtweise ist jedoch, dass Teams nun mehr Zeit für jedes Problem haben.

Hier bietet sich der Geschäftsleitung die optimale Gelegenheit, die Rolle der Menschen in einer Welt, in der KI zur Normalität gehört, zu verbessern. Indem das Personal weitergebildet wird, wird der Workload möglicherweise komplexer. Schließlich ist eine genauere Identifizierung von Problemen ohne eine entsprechende Verbesserung der Geschwindigkeit und Qualität der Lösungen bedeutungslos.

Durch die Verbindung von KI mit Automatisierung kann die Notwendigkeit menschlicher Interventionen bei sich wiederholenden Problemen reduziert werden. Die Geschäftsleitung sieht darin die Möglichkeit für eine Reduktion der Kosten für Vollzeitbeschäftigte. Eine solche Entwicklung erhöht jedoch gleichzeitig auch den Bedarf an qualifizierteren DevOps-Mitarbeitern, die ein fundiertes Verständnis von technischer Problemlösung besitzen und die automatisierten Diagnose- und Problembehebungsaufgaben programmieren können. Die begrenzte Fähigkeit von KI zum logischen Denken birgt zusätzliche Risiken, wenn Änderungen nicht überwacht werden. Die Überwachung von maschinellem Lernen und die Einbindung von Änderungskontrollen führen dazu, dass das Risiko reduziert wird. Jedoch ist dafür auch menschliche Intervention für die Validierung und den Lerninput erforderlich.  

Auch Manager sind nicht immun gegen Veränderung. Wenn es keine Queues für die Ticket-Verarbeitung mehr gibt, müssen sie von einem Transaktions- in einen Projektmodus übergehen. Und wenn das System Verantwortung zuweist, müssen auch Manager ihren Arbeitsstil anpassen.

Die Weiterentwicklung von Rollen und Erwartungen macht auch eine Neudefinition von Erfolgskennzahlen notwendig. Die Anzahl der geschlossenen Tickets ist weniger relevant, wenn der Wert in der Art der Lösung liegt. Um dem gerecht zu werden, ist die bestimmende Metrik die Rate der Tickets, die beim ersten Kontakt gelöst werden. Durch diese Kennzahl wird sowohl die Problemlösungsleistung als auch die Systemleistung gemessen. Mithilfe dieser Metrik werden folgende Fragen beantwortet: Senden wir Tickets sofort an die richtige Person? Bieten diese Tickets eine fundierte Lösung?

Auswirkungen auf das Kundenerlebnis müssen berücksichtigt werden. Menschen empfinden von Natur aus eine Abneigung gegenüber Veränderungen. Daher ist es entscheidend, ihnen diese Neuerungen durch gezielte Informationen näherzubringen, damit neue Betriebsprozesse im Unternehmen erfolgreich eingeführt werden können.

Fangen Sie klein an, um Großes zu erreichen

Jedes Unternehmen ist anders. Bei der Überlegung nach dem Wo und Wie des AIOps-Einsatzes, und um erste Zielbereiche zu identifizieren, ist also eine detaillierte Selbsteinschätzung nötig. Themen, die für das höchste Kontaktvolumen sorgen, sind Hauptkandidaten, da sie die größte Wirkung versprechen.

Für Rackspace hieß das, mit dem Computing-Stack und einem Teil des Network-Stack zu beginnen, sowie mit einer Roadmap, um den Storage-Stack, öffentliche Clouds und Anwendungs- und Sicherheitsebenen zu integrieren. Aber egal, wo Sie anfangen, der Schlüssel ist, eine Grundlage festzulegen, auf der Sie aufbauen können.

Was das Bereitsein für AIOps angeht, ist Datenintegrität der Schlüssel. Algorithmen für maschinelles Lernen müssen mit vertrauenswürdigen Daten gefüttert werden, aber gewisse Abweichungen können toleriert werden. Unternehmen mit Tausenden von Geräten verfügen meist nicht nur über genaue Daten, weshalb Sie möglicherweise einen Schwellenwert für zulässige Werte festlegen müssen. Meist können Datensätze, die eine gewisse Varianz aufweisen, aber bereits täglich verwendet werden, weiterhin verwendet werden; es ist jedoch zu empfehlen, einen Plan für die Minimierung weiterer Ungenauigkeiten zu entwerfen.

Das Paradox und Potenzial von AIOps in Bezug auf die Menschen

Wie wir gesehen haben, ist das Paradox von AIOps, dass es verspricht, Menschen bei der Beantwortung von Fragen zu helfen, gleichzeitig aber unheimlich viele und schwierige Fragen für Unternehmen aufwirft, beispielsweise wo und wie Menschen in ihre Prozesse und Workflows hineinpassen.

Was Unternehmen mit der zusätzlichen Verfügbarkeit menschlicher Arbeitskraft machen, die durch die arbeitssparenden Anwendungen des maschinellen Lernens im gesamten Unternehmen – nicht nur im IT-Betrieb – freigesetzt wird, ist entscheidend für den zukünftigen Erfolg.

Wir sind der Ansicht, dass eine langfristige Wertschöpfung meist nicht die Folge von Kosteneinsparungen ist, sondern eher aus der Maximierung der Talente resultiert, welche Menschen von Maschinen trennen. AIOps könnte die beste Gelegenheit einer Generation sein, genau das zu tun, und zwar indem sie die Schaffung einer neuen Art von kreativen Problemlösungsteams im IT-Betrieb beschleunigt.

Beteiligen Sie sich am Gespräch: Finden Sie Solve auf Twitter and LinkedIn, oder folgen Sie über RSS.

Über den Verfasser

Principal EngineerJean „JP“ Gonzalez

JP ist Principal Engineer bei Rackspace und ist federführend bei der AIOps-Vision und -Strategie für die Event- und Ticket-Verarbeitung von Rackspace. Er hat über 20 Jahre Erfahrung in der IT-Branche gesammelt und bringt unterschiedliche...

Erfahren Sie mehr

Principal EngineerAndreas Möller

Andreas ist eine talentierte technische Führungskraft und hat über 20 Jahre Arbeitserfahrung in den Bereichen Unternehmens-IT, Retail, Manufacturing, Telekommunikation, Schutz von Inhalten und digitale Rechteverwaltung sowie...

Erfahren Sie mehr


Solve Strategy Series

Registrieren Sie sich für eine oder alle dieser globalen Veranstaltungen, an denen Branchen-Influencer, Experten, Technologen und Führungskräfte teilnehmen.

Jetzt registrieren