Leitfaden für AIOps-Tools im Jahr 2019 | Auswahl und Schlüsselkonzepte

Ist AIOps nur für IT-Betrieb?

Die kurze Antwort lautet: Nein! Andere Gruppen, die davon profitieren können, sind der Servicedesk, DevOps, InfoSec und Unternehmensleiter. Wie einige dieser Anwendungsfälle aussehen, behandeln wir in Kapitel drei.

KI-Einführung in Unternehmen

Unternehmen setzen KI abteilungsübergreifend ein, um die digitale Transformation zu unterstützen. Laut IDC wird erwartet, dass die weltweiten Ausgaben für KI-Systeme bis 2022 auf 77,6 Milliarden US-Dollar steigen werden - mehr als das Dreifache der Ausgabenprognose für 2018.

Ein "2018 State of AI in the Enterprise" Bericht von Deloitte ergab, dass 59 % der Führungskräfte in allen Geschäftsbereichen angeben, Software mit integrierter KI zu verwenden. Zu den gängigen Implementierungen gehören CRM- und ERP-Software.

Die Umfrage von Deloitte liefert auch einige Erkenntnisse darüber, wie Führungskräfte über KI im Unternehmen denken:

• 42 % der Befragten nannten die Optimierung interner Abläufe als wichtigsten Vorteil, den sie durch ihre KI-Implementierung erreicht haben.
• 39 % nannten Datenprobleme (z. B. Datenschutz, Zugang zu und Integration von Daten) als eine der drei größten KI-Herausforderungen
• 43 % nannten "falsche strategische Entscheidungen auf der Grundlage von KI" als eine ihrer Hauptsorgen

Einführung von KI in den IT-Betrieb

AIOps ist ein kleiner Teil des KI-Trends im Unternehmen. Obwohl die IT-Abteilung das technologische Rückgrat eines Unternehmens ist, hinkt sie anderen Abteilungen hinterher, die KI nicht nur implementiert haben, sondern auch deren Vorteile zu nutzen beginnen.

IT-Führungskräfte zeigen Interesse an KI, aber die Diskussionen befinden sich in einem frühen Stadium. Laut Gartner "befinden sich die meisten Infrastruktur- und Betriebsleiter heute in der Zone des Lernens und bewerten die Vorteile des Einsatzes von Technologien wie Chatbots, AIOps und virtuellen Support-Agenten in Bereichen wie IT-Service-Management (ITSM) und IT-Infrastruktur- und Anwendungsüberwachung..." (für Gartner-Abonnenten verfügbare Studie)[1].

In einer Umfrage unter IT-Führungskräften stellte Gartner fest, dass 18 % der Befragten angaben, derzeit KI/ML für die Analyse von Big Data zu nutzen. Weitere 42 % planen, dies bis Ende 2019 zu implementieren, während 41 % angaben, in den nächsten zwei Jahren keine Pläne für den Einsatz von KI/ML zu haben (siehe Grafik von Gartner unten).

Abbildung 4: (Quelle: Gartner, Innovation Insight for Artificial Intelligence for I&O Transformation, Januar 2019) (Abonnenten können diese Studie hier einsehen: https://www.gartner.com/en/documents/3897366)[2]

 

Die Auswirkungen von KI auf die Arbeitskräfte

Werden Roboter die IT-Jobs übernehmen? Es ist schwer vorherzusagen, wie sich AIOps-Tools auf bestehende IT-Arbeitsplätze und Einstellungen auswirken werden, aber es scheint wahrscheinlich, dass einige Rollen erweitert werden, einige Rollen auf niedrigerer Ebene neu ausgerichtet werden, einige Rollen zusätzliche Schulungen erfordern und einige Aufgaben die Einstellung von Mitarbeitern mit neuen Fähigkeiten erfordern.

Robuste Implementierungen für den Servicedesk können z. B. dazu führen, dass weniger Techniker der Stufe 1 eingestellt werden müssen, weil das Ticketaufkommen für einfache Vorfälle geringer ist. Anstatt dass ein Endbenutzer den IT-Support anruft, um ein Problem lösen zu lassen, und der Support-Mitarbeiter einen Neustart vorschlägt, könnte der Computer des Endbenutzers automatisch eine Reihe von Bedingungen erkennen, die einen Neustart erforderlich machen, und die Aktion veranlassen.

Doch nicht alle Probleme können oder sollten automatisch gelöst werden. Man denke an eine Situation, in der ein Problem auf einen Fehler in einer Anwendung zurückzuführen ist, der nicht durch eine Reihe von Neustarts oder voreingestellten Aktionen behoben werden kann. Diese Art von Problemen muss an die zuständige Support- oder Entwicklungsabteilung weitergeleitet werden.

Gleichzeitig müssen die Unternehmen möglicherweise Personal für anspruchsvollere AIOps-Implementierungen einstellen. Je mehr die IT entdecken und automatisieren möchte, desto mehr Personal wird benötigt, das qualifiziert ist, um die Datenqualität zu bewerten, Algorithmen zu trainieren, Ergebnisse zu interpretieren und automatisierungswürdige Szenarien zu identifizieren.

Eine kürzlich durchgeführte Ponemon-Umfrage unter IT-Sicherheitsexperten ergab gemischte Meinungen darüber, ob die Automatisierung die Zahl der Stellen in ihrem Bereich verringern wird (35 % glauben, dass die Zahl der Einstellungen zurückgehen wird, 40 % glauben, dass sie steigen wird). Die Mehrheit ist jedoch der Meinung, dass KI die Fähigkeit ihres Unternehmens, Bedrohungen zu überwachen, verbessern wird und es den Mitarbeitern ermöglicht, sich auf Aufgaben mit höherer Priorität zu konzentrieren.

Von reaktiver zu proaktiver IT

"Brandbekämpfung", "die Lichter am Leuchten halten", "Zombiehorden bekämpfen"... wie auch immer Sie es nennen, die traditionelle IT ist ein defensives Spiel, bei dem es darum geht, Vorfälle zu lösen , nachdem sie zu Problemen geworden sind.

Stellen Sie sich eine Fußballmannschaft vor, die sich ausschließlich auf die Verteidigung konzentriert. Das beste Ergebnis, auf das sie hoffen könnten, wäre ein Endstand von 0:0 oder dass der Gegner aus Versehen ein Eigentor schießt. Absurd, nicht wahr? Doch genau das ist es, was die IT-Abteilung tut, indem sie reaktiv agiert.

Reaktive IT ist nicht nur für diejenigen, die die Probleme lösen, anstrengend, sondern wirkt sich auch negativ auf die Erfahrung der Endbenutzer aus. Oft wird die Interaktion zwischen der IT-Abteilung und den Endanwendern Anwender als kontraproduktiv bezeichnet, ähnlich wie bei einer Heimmannschaft mit enttäuschten Fans.

Es ist an der Zeit, dass IT-Teams ihre Offensive verstärken. AIOps ermöglicht eine starke IT-Offensive, indem es relevante Erkenntnisse schneller zutage fördert und mehrere Schritte vorausdenkt. So schafft es die IT, schnell zu handeln, Probleme zu verhindern und die Ausbreitung bestehender Probleme zu stoppen.

Ein Bereich, in dem proaktive IT einen großen Einfluss haben kann, ist der IT-Support. Schon eine Stunde Ausfallzeit, die durch ein weit verbreitetes IT-Problem verursacht wird, kann ein Unternehmen über 100.000 US-Dollar kosten. Mit AIOps und automatisierten Lösungen können Unternehmen ihren Support-Zyklus nach links verlagern, um Probleme am Endpunkt zu lösen, was die Ausfallzeiten und die Beteiligung des IT-Personals erheblich reduziert.

Neben dem IT-Betrieb kann AIOps auch die Arbeit der Service-Desk-, InfoSec- und DevOps-Teams sowie der Geschäftsleitung unterstützen. Verschiedene AIOps-Tools sind auf diese Gruppen ausgerichtet, wobei der größte Unterschied darin besteht, welche Arten von Daten das Tool erfassen kann.

Die wichtigsten AIOps-Anwendungsfälle

1. Ereignis-Korrelation

Zu verstehen, wie ein Ereignis mit einem anderen zusammenhängt, ist der Schlüssel zur Problembehandlung. Wenn beispielsweise ein Benutzer ein Problem hat, zeigt die Korrelation der IT-Abteilung, ob ein Ereignis wie ein Software-Upgrade zur gleichen Zeit stattgefunden hat, das damit in Zusammenhang stehen könnte.

Gartner prognostiziert: "Bis 2020 werden 90 % der herkömmlichen, bereichsspezifischen Tools zur Ereigniskorrelation und -analyse keine genaue Überwachung und Ursachenanalyse bieten, was zu hohen Kosten und geringer Produktivität aufgrund von übermäßig vielen Fehlalarmen führt" (für Gartner-Abonnenten verfügbare Studie)[3].

AIOps baut auf den traditionellen ECA-Ansätzen in folgender Weise auf:

• Reduzierung des Rauschens in den Daten durch Beseitigung von Fehlalarmen und doppelten Ereignissen
• Einführung neuer Datenquellen für gründlichere Untersuchungen
• Ermöglichung von Echtzeit- und Vorhersagekorrelation

2. Erkennung von Anomalien

Ein Nachteil statischer Alarme ist, dass sie auf Standardleistungsschwellenwerten basieren, die für unterschiedliche Umgebungen zu empfindlich (oder nicht empfindlich genug) sein können. Angenommen, ein Alarm wurde so konfiguriert, dass er ausgelöst wird, wenn ein System länger als eine Minute braucht, um hochzufahren, aber eine Organisation, die ältere POS-Geräte unterstützt, wusste, dass die Boot-Zeit nur bei zwei Minuten ein Problem darstellt. Sie könnten das Zeitlimit für den Alarm ändern, um die Berichterstattung nützlicher zu machen und das Rauschen zu reduzieren.

Die Feinabstimmung von Alarmen kann die IT-Abteilung zwar näher an nützliche Erkenntnisse heranführen, ist aber ein langsamer Prozess, der ständige Anpassungen erfordert, um genau zu bleiben, und bei Hunderten von Alarmen nur schwer aufrechtzuerhalten ist. Bei der Anomalieerkennung werden aktuelle Daten mit historischen Trends verglichen und die IT-Abteilung nur dann benachrichtigt, wenn ein ungewöhnliches Verhalten beobachtet wird. So könnte ein AIOps-Tool beispielsweise melden, wenn eine Browsererweiterung auf einem bestimmten System eine deutlich höhere Ladezeit als normal aufweist. Dies könnte der IT-Abteilung Aufschluss darüber geben, ob ein Upgrade erforderlich ist oder ob die Erweiterung ein Sicherheitsrisiko darstellt.

3. Prädiktive Analytik

Wie bei der Erkennung von Anomalien werden bei der prädiktiven Analyse historische Daten verwendet, um die Wahrscheinlichkeit von Ereignissen vorherzusagen. Eine Anwendung der prädiktiven Analytik ist die Ressourcenplanung für virtuelle Desktops. Die Analyse des historischen Verbrauchs und der damit verbundenen Trends in der Endbenutzererfahrung kann genutzt werden, um den kommenden Ressourcenbedarf vorherzusehen.

4. Ursachenanalyse und reaktive Unterstützung

Herkömmliche Überwachungstools können nur einen Teil des Puzzles liefern, wenn es um die Analyse der Grundursache geht. Durch die Kombination von Daten aus verschiedenen Quellen bietet AIOps der IT eine bessere Chance, die wahre Ursache eines Problems zu ermitteln. Dies führt zu einer schnelleren Bearbeitung des Problems (d. h. das Problem wird an die entsprechende Supportstufe weitergeleitet) und zu einer Verkürzung der mittleren Reparaturzeit (MTTR). AIOps-Tools, die historische Daten speichern, ermöglichen es der IT-Abteilung auch, den Zeitpunkt des Auftretens des Problems zurückzuverfolgen.

5. Proaktive Unterstützung

Proaktiver Support bedeutet, dass ein Problem gelöst wird, bevor ein Benutzer davon betroffen ist. Die Analyse von Streaming-Daten beschleunigt nicht nur die Ursachenanalyse, sondern ermöglicht es der IT-Abteilung auch, auf Vorfälle aufmerksam zu werden, bevor sie sich zu Problemen entwickeln. Durch die proaktive Lösung von Problemen kann die IT-Abteilung eine bessere Servicequalität bieten, kostspielige Ausfallzeiten verhindern und die Erfahrung der Endbenutzer verbessern.

6. Helpdesk-Optimierung

Im Zusammenhang mit dem proaktiven Support bezieht sich die automatisierte oder unterstützte Heilung auf skriptgesteuerte Aktionen, die Probleme in der Umgebung automatisch beheben. Beispiele für die Automatisierung sind Festplattenbereinigung, System- und Anwendungsneustarts und die Behebung beschädigter WMI.

Für den Servicedesk stellt AIOps eine neue Möglichkeit dar, das Shift-Links-Modell auf Level 0 auszuweiten, bei dem Probleme gelöst werden, bevor sie in den traditionellen Supportzyklus eintreten. Dieser Ansatz lenkt Vorfälle ab, reduziert das Ticketvolumen, verbessert die MTTR und senkt die Supportkosten. Außerdem können sich die Service-Desk-Mitarbeiter auf höherwertige Projekte konzentrieren und müssen sich nicht mehr mit bestimmten häufigen, einfachen Vorfällen befassen.

Abbildung 5: AIOps hilft bei der Verlagerung von Vorfällen weg von Spezialisten

 

Vorteile von AIOps

1. Mehr Wert aus Big Data

Unternehmen haben schon lange erkannt, welch wertvolle Informationen in den Daten stecken, die sie tagtäglich generieren, und haben Tools eingeführt, um diese Daten zu aggregieren und zu analysieren. Die Suche nach verwertbaren Informationen aus Big Data war jedoch aufgrund der Vielfalt, des Umfangs und der Geschwindigkeit der Daten eine Herausforderung. Durch den Einsatz von ML können IT-Abteilungen mehr aus den von ihnen erzeugten Daten lernen. Der Bedarf an Tools zur Überwachung verschiedener Teile des Stacks wird zwar nicht verschwinden, aber AIOps kann das, was früher ein Rauschen war, in aussagekräftige Erkenntnisse für eine bessere Entscheidungsfindung verwandeln.

2. Reibungslosere Abläufe

AIOps kann Unternehmen dabei helfen, kostspielige Ausfallzeiten zu vermeiden und MTTD/MTTR durch schnellere Ursachenanalyse, proaktiven Support, automatisierte Maßnahmen und vorausschauende Analysen zu verbessern.

3. Kostenreduzierung

Durch die Umstellung auf die linke Seite sparen Unternehmen Zeit und Supportkosten, während sich die Mitarbeiter auf Aufgaben mit höherer Priorität konzentrieren können.

4. Gesteigerte IT-Effektivität

AIOps ermöglicht es IT-Mitarbeitern, sich mehr auf Aufgaben zu konzentrieren, die menschliche Problemlösung und Einfühlungsvermögen erfordern, wie z. B. Projekte mit vielen beweglichen Teilen und die Kommunikation mit den Endanwendern Anwender , um IT-Prozesse auf eine Weise zu verbessern, die sich Maschinen nicht vorstellen können. Diese Konzentration auf übergeordnete Aufgaben kann zwar eine Umschulung erfordern, aber die Mitarbeiter müssen sich nicht mehr mit großen Mengen von Routinevorfällen befassen, was ihre Arbeit interessanter machen dürfte.

Da AIOps eine schnellere und fundiertere Entscheidungsfindung ermöglicht, wird die IT-Abteilung von einer höheren Produktivität und strategischeren Geschäftsentscheidungen profitieren.

5. Verbesserte Endbenutzererfahrung

AIOps sollte die Zeit, die Anwender mit IT-Problemen verbringt, dank proaktiver Lösungen, schnellerem reaktivem Support und Automatisierung reduzieren. Bessere Endbenutzererfahrungen bedeuten, dass Mitarbeiter produktiver arbeiten können und Frustrationen, die durch die Technologie verursacht werden, seltener auftreten.

Eine bessere Benutzerfreundlichkeit ist zwar nur in der Branche gegeben, führt aber in der Regel zu besseren Produkten oder Dienstleistungen für den Endverbraucher. So kann ein Arzt beispielsweise mehr Zeit für die Pflege aufwenden, anstatt darauf zu warten, dass Diagramme geladen werden (oder schlimmer noch, aufgrund von Ausfällen auf Papiermethoden zurückzugreifen), Kundendienstmitarbeiter können mehr Tickets und Anfragen bearbeiten, anstatt darauf zu warten, dass ein Computer hochfährt, und so weiter.

Hindernisse für die Annahme

Um die transformativen Vorteile von AIOps zu erreichen, muss man die Grenzen von AIOps verstehen und planen. Erinnern Sie sich an unsere frühere Definition der Hauptkomponenten von AIOps: Big Data und ML. AIOps-Tools nehmen die Daten auf, die Sie ihnen schicken, und verarbeiten sie. Das heißt, wenn Sie sie mit minderwertigen Daten füttern, müssen Sie mit minderwertigen Erkenntnissen rechnen.

Aufgrund der Bedeutung von Daten für den Erfolg wurden zwei Haupthindernisse für AIOps-Implementierungen festgestellt: 1) ein Mangel an datenwissenschaftlichen Fähigkeiten und 2) unzureichende Datenquellen/Qualität.

1. Qualifikationsdefizit

Um mit maschinellem Lernen erfolgreich zu sein, sind datenwissenschaftliche Kenntnisse erforderlich. Die meisten Unternehmen müssen Personen mit solchen Fähigkeiten einstellen oder in die Ausbildung ihrer Mitarbeiter investieren.

Laut Gartner"verspricht maschinelles Lernen viel. Ohne datenwissenschaftliche Kenntnisse wird es für I&O-Führungskräfte jedoch schwierig sein, dieses Versprechen über die grundlegenden Anwendungsfälle der Ereigniskorrelation und der Erkennung von Anomalien hinaus zu verwirklichen" (für Gartner-Abonnenten verfügbare Studie)[4].

Darüber hinaus erfordert die Automatisierungskomponente von AIOps möglicherweise Personen, die über die Zeit und die Fähigkeit verfügen, Skripte für die Ausführung benutzerdefinierter Aktionen zu schreiben.

2. Datenquellen und Qualität

Überwachen Sie bereits alle Bereiche (Anwendung, Netzwerk, Infrastruktur, Endbenutzererfahrung)? Wenn nicht, sollten Sie dort beginnen, bevor Sie zu AIOps übergehen. Die End-to-End-Überwachung bietet eine umfassendere Sichtbarkeit, die zu besseren AIOps-Einblicken führt.

Die Überprüfung der Qualität Ihrer Daten ist ebenfalls von entscheidender Bedeutung, um die Genauigkeit des Tools zu gewährleisten.

AIOps-Plattform-Definition

AIOps-Plattformen sammeln und speichern Daten, die von Tools zur Überwachung der Anwendungsleistung (Application Performance Monitoring, APM), der Netzwerkleistung (Network Performance Monitoring and Diagnostics, NPMD), der digitalen Erfahrung (Digital Experience Monitoring, DEM) und der IT-Infrastruktur (IT Infrastructure Monitoring, ITIM) erfasst werden. Anschließend analysieren sie die Daten (sowohl historische als auch Echtzeitdaten) mithilfe fortschrittlicher Analysen und maschinellen Lernens, um Rauschen zu reduzieren, Anomalien zu erkennen, Muster zu entdecken und Ereignisse vorherzusagen. Diese Erkenntnisse werden in Form von Visualisierungen auf den Plattformen dargestellt und können mit Aktionen verknüpft werden, um Vorfälle zu verhindern oder zu beheben, entweder autonom oder indem ein Benutzer zum Handeln aufgefordert wird.

Der aktuelle Markt für AIOps-Tools ist nicht auf vollständige Plattformen beschränkt. Anbieter von Überwachungslösungen haben ebenfalls begonnen, AIOps-Funktionen in ihre bestehenden Tools zu integrieren. Vollständige Plattformen erfüllen in der Regel die Anforderungen eines breiteren Publikums, während mit Funktionen angereicherte Überwachungstools die Analyse für ihre Fachleute verbessern.

Schlüsselkomponenten einer AIOps-Plattform

1. Herstellerunabhängige Datenerfassung und -speicherung, die mehrere Datenquellen verarbeiten kann, z. B. Protokolldaten, Leitungsdaten, Textdaten, Metriken und APIs
2. ML und andere fortgeschrittene Analysen, Erkennung von Anomalien, Mustererkennung und prädiktive Analysen
3. Darstellung von Informationen in Echtzeit (Streaming) und in der Vergangenheit (Trending)

Abbildung 6: (Quelle: Gartner, Deliver Cross-Domain Analysis and Visibility With AIOps and Digital Experience Monitoring, Charley Rich und Padraig Byrne, 5. Juli 2018) (Abonnenten können die Studie hier aufrufen: https://www.gartner.com/en/documents/3881464)[5]

Integration von AIOps mit Digital Experience Monitoring

Der Ansatz von Lakeside integriert AIOps-Funktionen in unsere Digital Experience Monitoring (DEM)-Lösung, SysTrack. Durch die Kombination von AIOps und DEM erhält SysTrack Einblicke, die IT-Betriebs- und Service-Desk-Teams dabei helfen, Probleme am Endpunkt zu beheben und zu vermeiden.

Gartner geht von dieser Annahme aus (die Studie ist für Gartner-Abonnenten verfügbar):

"Im Jahr 2023 wird die ausschließliche Nutzung von künstlicher Intelligenz durch Großunternehmen für den IT-Betrieb und für die Überwachung moderner Anwendungen und Infrastrukturen von 5 % im Jahr 2018 auf 30 % steigen."[6]

Hier ist ein grundlegender Überblick über die Funktionsweise von SysTrack AIOps:

1. Datenerhebung

SysTrack sammelt kontinuierlich eine enorme Menge an Daten (mehr als 10.000 Datenpunkte alle 15 Sekunden) über alle physischen und virtuellen Endpunkte in der Umgebung. Diese Daten umfassen Protokolldaten, Metriken und APIs von Drittanbietern, die ein vollständiges Bild der Endbenutzererfahrung, Nutzung und Leistung ergeben. Unsere patentierte verteilte Datenbankarchitektur macht diese Sammlung nahezu unauffindbar, wobei der Agent weniger als 1 % der CPU eines Systems beansprucht.

2. Automatisierte Problemerkennung

Hochwertige Daten bilden die Grundlage von SysTrack AIOps. Von dort aus nutzen wir Sensoren, um die Daten am Endpunkt auszuwerten. Als Alarme der nächsten Generation sind Sensoren einzigartige Sprachausdrücke, die Bedingungen und KPIs für die Problemerkennung beschreiben. Die Sensoren wurden entwickelt, um bekannte, weit verbreitete und vermeidbare Probleme zu lösen, die sich auf Computerumgebungen von Endbenutzern auswirken. Sie basieren auf der mehr als 20-jährigen Erfahrung von Lakeside bei der Entwicklung von IT-Software für Unternehmen sowie auf den Anregungen von Partnern wie IBM und SysTrack Kunden. Jeder Sensor verfügt über eine eindeutige Beschreibung, einschließlich eines Schweregrads, der Ihnen sagt, warum etwas passiert und was Sie dagegen tun können.

3. Entdeckung von Mustern

SysTrack AIOps verwendet Musteralgorithmen, um Gruppen verwandter Sensoren zu erkennen. Diese intelligenten Gruppierungen beschleunigen die Ursachenanalyse, indem sie die Erkenntnisse bündeln, die die IT benötigt, um Schlussfolgerungen zu ziehen.

SysTrack umfasst auch die Verarbeitung natürlicher Sprache (NLP) und die KI-gestützte Bewertung von Stimmungen. Die Integration von NLP ermöglicht eine einfach zu bedienende Suchfunktion, mit der die IT-Abteilung SysTrack alles über ihre Umgebung fragen kann. SysTrack zeigt dann das relevanteste Dashboard für eine schnellere Untersuchung an. Mit dem NLP-Schulungstool von SysTrackkönnen Unternehmen diese Insight Engine sogar in andere Software integrieren.

Sentiment Scoring powered by IBM Watson unterstützt die IT-Abteilung bei der Verarbeitung des qualitativen Feedbacks von Endnutzern Anwender , das durch Umfragen gesammelt wurde SysTrack . Die Möglichkeit, sowohl objektive als auch subjektive Perspektiven zu untersuchen, ist wichtig, um einen ganzheitlichen Blick auf die Erfahrungen der Endbenutzer zu erhalten. Eine Anwendung dieser Technologie könnte die Befragung von Anwender sein, denen neue Laptops zur Verfügung gestellt wurden. Anstatt jedes einzelne Ergebnis zu analysieren, lässt sich mit Hilfe der Stimmungsbewertung schnell feststellen, ob die Antworten positiv, negativ, irgendwo dazwischen oder gemischt sind. IT-Teams können diese Daten mit dem Endbenutzer-Erfahrungswert von SysTrackvergleichen, der auf der Grundlage des Prozentsatzes der Zeit berechnet wird, in der Anwender arbeiten kann, ohne durch IT-Probleme beeinträchtigt zu werden. Vielleicht ist die Leistung der neuen Laptops gut, aber ihr Formfaktor macht sie für Reisen unpraktisch oder ihr Mangel an Anschlüssen macht die Dongle-Verwaltung mühsam. Die Überwachungssoftware kann Ihnen diese Dinge nicht sagen, aber sie sind dennoch wichtige Komponenten der Endbenutzererfahrung.

Möchten Sie mehr über SysTrack AIOps erfahren? Fordern Sie eine kostenlose Demo an.

Sind Sie bereit, bessere Erkenntnisse aus Ihren Daten zu gewinnen? Nutzen Sie diese Fragen als Leitfaden, um die Bereitschaft Ihres Unternehmens zu beurteilen und die Lösungen der Anbieter zu bewerten.

Intern zu stellende Fragen

1. Verfügen Sie über etablierte Implementierungen von Application Performance Monitoring (APM), Network Performance Monitoring and Diagnostics (NPMD), Digital Experience Monitoring (DEM) und IT Infrastructure Monitoring (ITIM)?
2. Verfügt Ihr Team über Datenwissenschaftler oder über die für eine Implementierung erforderlichen datenwissenschaftlichen Kenntnisse?
3. Haben Sie klar definiert, welche Anwendungsfälle Sie implementieren würden und welche Vorteile Sie erwarten?

Fragen an die AIOps-Anbieter

1. Handelt es sich bei dem Tool um eine eigenständige AIOps-Plattform, die separat erworben werden kann, oder ist es eine Überwachungsplattform mit zusätzlichen AIOps-Funktionen?
2. Welche Arten von Daten kann das AIOps-Tool aufnehmen? Werden die Daten für Ihre Implementierung eine angemessene Breite und Tiefe aufweisen?
3. Berechnet das Tool die Kosten nach der Menge der eingegebenen Daten? Wenn ja, wie können Sie die Dateneinspeisung optimieren, um Doppelarbeit oder unnötige Kosten zu vermeiden?
4. Wie nutzt das Tool maschinelles Lernen? Welche anderen fortgeschrittenen Analysen sind beteiligt? Welche Fähigkeiten werden zu ihrer Unterstützung benötigt?
5. Passen die Analysen und Visualisierungen zu den Anforderungen Ihrer Implementierung (d. h. sind sie für den Service Desk, die IT-Abteilung, eine bestimmte Branche usw. konzipiert)? Welche Anwendungsfälle ermöglicht das Tool?

Abschließende Überlegungen

Als AIOps gerade erst in das IT-Lexikon aufgenommen wurde, haben wir darüber geschrieben, was KI für die Zukunft der IT bedeuten könnte. Diese Vision nimmt immer noch Gestalt an, aber es gibt ein klares Potenzial für diese Technologie, um einige der schwierigsten Herausforderungen, die mit der digitalen Transformation einhergehen, zu bewältigen.

Mit Hilfe von maschinellem Lernen und Analysen kann die IT-Abteilung weniger Zeit mit Schuldzuweisungen verbringen und mehr Zeit damit verbringen, auf hochwertige Informationen zu reagieren, um kritische Geschäftsabläufe zu unterstützen und die Erfahrung der Endbenutzer zu verbessern.

Weitere Informationen zur Auswahl des besten AIOps-Tools für Sie finden Sie in unserer Kurzfassung dieses Leitfadens. Es ist eine großartige Ressource, die Ihnen bei der Entscheidungsfindung hilft.

Referenzen

[1 ] Gartner, Innovation Insight for Artificial Intelligence for I&O Transformation, Milind Govekar und Chirag Dekate, 4. Januar 2019

[2] Ebd.

[3 ] Gartner, Prognosen 2019: IT-Betrieb, Terrence Cosgrove, et al., 11. Februar 2019

[4] Ebd.

[5] Gartner, Deliver Cross-Domain Analysis and Visibility With AIOps and Digital Experience Monitoring, Charley Rich und Padraig Byrne, 5. Juli 2018