Mit IoT (Internet of Things), Industrie 4.0 und Data Analytics steigt die Relevanz der IT für das Unternehmen: Jedes IoT-Device ist zunächst einmal ein Client, der administriert und gewartet werden muss. Datengetriebene Geschäftsmodelle sind darauf angewiesen, dass die Analytics-Systeme performant funktionieren. Digitale Dienstleistungen und Produkte sind ohne funktionierende IT im Hintergrund zwecklos. Ungeplante Downtimes sind in dieser digitalen Welt nicht mehr akzeptabel; die Betriebsbereitschaft der IT-Services aus dem eigenen Rechenzentrum, von Cloud- und Edge-Computing und von externen Providern muss jederzeit gewährleistet sein. Ein Alarm, der erst dann eintrifft, wenn die Endanwender bereits den Help Desk belagern, ist nichts wert. Es geht darum, sich anbahnende Störungen zu bemerken, bevor sich das Netzwerk oder eine kritische Anwendung in die falsche Richtung bewegt. KI kann dazu im Monitoring neue Einblicke und Möglichkeiten bieten.
Für den Erfolg von KI im Monitoring ist zunächst die Datenqualität entscheidend. Denn beim maschinellen Lernen kommt es darauf an, ein mathematisches Modell mit Beispielen zu füttern, deren Output – auch Label genannt – bekannt ist. Dabei zeigt sich unweigerlich ein sehr grundsätzliches Problem des maschinellen Lernens: Welches sind die relevanten Merkmale und wie können diese hinreichend exakt beschrieben werden? Die Herausforderung ist, dem Algorithmus die richtigen Features als Input bereitzustellen – nicht zuletzt, um auch nach der initialen Trainingsphase eine fortlaufende Optimierung des Systems zu ermöglichen.
Diese Optimierung ist besonders im IT-Monitoring extrem wichtig. Denn IT-Infrastrukturen sind alles andere als homogen. Jede Geräteart und jedes Betriebs- system haben individuelle Charakteristiken, die sich nicht zuletzt in den Monitoring-Daten widerspiegeln und die bei der Auswertung
...Der komplette Artikel ist nur für Abonnenten des ADMIN Archiv-Abos verfügbar.