Künstliche Intelligenz im Datenzentrum: Die KI schläft nie!

English version: Click!

Künstliche Intelligenz im Datenzentrum

In einem Datenzentrum sind typischerweise irgendwo zwischen 30-200 Menschen beschäftigt, je nach Größe und Art des Projektes.
Aber nur sehr wenige davon sind tatsächlich in der IT tätig.

Außerhalb des Ersetzens von Gear – die berüchtigten “remote hands” – gibt es nicht soviel zu tun, solange alles so läuft wie gedacht.
Gerüchteweise ist ein DZ ein schöner Platz zum Schlafen. Es ist dunkel, kühl, und das tiefe Brummen hat beruhigende Auswirkungen auf viele.

Tatsächlich sind die Personalkosten in einem DZ eher nebensächlich, verglichen mit anderen operativen Kosten wie Energie und Verbindungen.

Da man im DZ an kleine IT Teams gewöhnt ist, ist die Automationsstufe deutlich fortgeschritten. Und während viele traditionelle Unternehmen noch Optionen suchen, was man eigentlich automatisieren kann, ist es im DZ viel einfacher.

Dort gibt es klar definierte Metriken wie dem Verkürzen der Cycle-Time, die Frequenz bzw. Rate von neuen Deployments, und die Reduzierung der durchschnittlichen Dauer von individuellen, aber repetitiven Prozessen.

KI verspricht weitere Kosten-Reduzierung

Aber wie, und wo?
Die kurze Antwort ist vermutlich “im Senken und Optimieren von Ausgaben”, aber schauen wir uns mal ein paar Dinge an.

Für die offensichtlichen Aufgaben gibt es bereits Lösungen

Hier wird die Root Cause Analysis beschleunigt, aber derartige Systeme sind auch in der Lage Hardwarefehler vorherzusagen anhand Wahrscheinlichkeit und historischen Daten.
Genau genommen teilt das System den Benutzern mit, wann etwas auszutauschen ist, bevor die Wahrscheinlichkeit eines Fehlers einen Schwellwert überschreitet.

Infrastruktur-Auslastung freut sich sehr über KI, da eine Maschine Auslassungen deutlich schneller optimieren kann und viel mehr Datensätze in kürzerer Zeit verarbeiten kann. Das gleiche gilt auch für Features wie die Planung von zukünftigen Kapazitäten, also der Skalierung.

Service Management ist ein anderes Thema.
Manche Aufgaben, wie initiale Benutzerbereitstellung und anhaltende Orchestrierung sind bereits vollkommen automatisiert und können ohne Bedenken an eine KI abgegeben werden.
Aber andere Aufgaben klingen im ersten Moment einfach, sind aber im Detail recht speziell, wie die Verwaltung von Konfigurationen und Patches.
Viele Variablen erfordern eine Fall-zu-Fall Entscheidung wann und was zu Patschen ist, und das ist nicht unbedingt einfach für eine Maschine.

Mittelfristig wird die KI autonom Patches in einer Sandbox testen und Benutzerverhalten simulieren, um einzuschätzen, ob der Patch negative Auswirkungen auf die Produktivität haben könnte, aber wir sind noch nicht ganz an diesem Punkt angelangt.

Irgendwo dazwischen sitzen spezielle Fälle, wie z.B. die Überwachung von Gesundheit und Performance, wo ML bereits eingesetzt wird.
Wir können das Observability nennen, und korrekte KI oder auch AI, im Englischen, ist der nächste Schritt.
AIOps ist das Schlagwort dazu.

Wenn man sich die Größe des Markts anschaut, wird man nicht viele verschiedene Lösungen finden, aber es ist trotzdem komplex, die richtige zu finden.
Viele Unternehmen wollen einfach “das Beste” ohne einfach mal einen Schritt zurückzugehen und zu reflektieren, was man eigentlich erreichen möchte.
Eines der Probleme bei diesem Thema ist, dass allein die Evaluierungsphase einer solchen Lösung ein großes Projekt sein kann.

Daher ist ein KI basierendes System, das eine Form von Schwarmintelligenz nutzt, vermutlich besser als ein System selbst zu entwickeln, auch wenn es Frameworks gibt.

Es ist definitiv empfehlenswert vor einem solchen Schritt ein ordentliches IT Monitoring System im Betrieb zu haben, auch schon vor der Evaluierung von KI.

Wo es Licht gibt, ist auch Schatten.

Wie mit jeder neuen Technologie, oder neuen Nutzungs-Szenarien, gibt es angebrachte Bedenken aber auch unnötigen Widerstand, den man bekämpfen muss.

Bei der Automation ging es hauptsächlich um den Mangel an Zeit, Automationen zu Erstellen und Scripts zu testen, vor allem wenn keine ausreichende Expertise vorhanden war bzw. ist.

Vertrauen war ein weiteres Thema, und das ist geteilt mit dem Einsatz von KI. Die meisten von uns haben doch irgendwann mal gesagt “Wenn ich einen Job korrekt erledigt haben will, muss ich es selbst machen” und das trifft natürlich auch bei der Idee des Outsourcings von Aufgaben an eine KI zu.

Aber da kommt noch ein weiteres Thema: Die Angst, die Kontrolle zu verlieren.
Wir sind nicht in der Matrix oder beim Terminator, aber Probleme mit dem Vertrauen sind real.

Integrations-Probleme.

Häufig ist die Integration einer Lösung mit den bereits vorhandenen Ressourcen eine Herausforderung.
Es ist daher von Vorteil, wenn man auf Entwickler zurückgreifen kann, auch nach der Deployment-Phase.

Ein interessanter Ansatz hier ist der Einsatz von Low/No-Code.
Innovationen hier befähigen auch nicht-Entwickler, einfache Anwendungen zusammenzustellen, ohne tief in Code einzutauchen.

Manche Lösungen erlauben z.B. das Verbinden von Infrastruktur mit einem Service Management mit einem Interface, das nicht anders zu Benutzen ist als die Erstellung eines Flussdiagramms.
Das wird die Tür für weitere Automation öffnen, und nicht mehr weit bis wir ein Low-Code-KI-Interface sehen.
Das Schlagwort habe ich gerade erfunden.

Die Herausforderung für die DZ Verwaltung ist es, die gesamten Kosten einer low-code Plattform sowie die Zeit, die es die Netzwerk- oder Infrastruktur Admins kostet, einzuschätzen.

In manchen Fällen wird es trotzdem immer noch günstiger sein, einen Entwickler auf Vertragsbasis für ein halbes Jahr ins Haus zu holen.
Schliesslich gibt es noch post-apokalyptische Netzwerke.