Überprüft von 
Im September kündigte der Suchanbieter Elastic die Einführung des Elastic AI Assistant for Observability an.
Die Lösung nutzt generative KI und die Elasticsearch Relevance Engine (ESRE), um menschlichen Site Reliability Engineers (SREs) mehr Kontext zu Anwendungsfehlern, Protokollmeldungen und Warnungen zu liefern und gleichzeitig Vorschläge zur Code-Effizienz zu machen.
Es wurde mit dem Ziel entwickelt, dass SREs Daten nicht mehr manuell verfolgen und interpretieren müssen, während sie sich durch Silos bewegen.
Damit soll die Lösung von Performance-Problemen rationalisiert und automatisiert werden.
Ken Exner, Chief Product Officer bei Elastic, sagte in der Pressemitteilung zur Ankündigung:
„Mit dem Elastic AI Assistant können SREs schnell und einfach Probleme, die wie Kauderwelsch aussehen, in verständliche Probleme umwandeln, für die es umsetzbare Schritte zur Lösung gibt.“
Die umfassenderen Auswirkungen: generative KI in DevOps
Die Ankündigung kam nur wenige Monate nach der Veröffentlichung von Elastic AI Assistant für Security Operations Teams.
Cybersecurity-Profis, SREs und DevOps-Ingenieure sollen aus einer Vielzahl von Warnungen zu potenziellen Vorfällen die richtigen Schlüsse ziehen und entscheiden, welche davon weiter untersucht werden müssen und welche ignoriert werden können.
Laut einer Umfrage von Orca Security unter 800 IT-Sicherheitsexperten in fünf Ländern erhalten 59 % der Befragten täglich mehr als 500 Sicherheitswarnungen aus der öffentlichen Cloud.
Dieses hohe Aufkommen führt nicht nur dazu, dass kritische Meldungen übersehen werden, sondern erhöht auch die Fluktuation der Mitarbeiter.
62 % der IT-Profis gaben an, dass Alarmmüdigkeit zu ihrem Arbeitsplatzwechsel beigetragen hatte.
Die Einführung von Elastic AI Assistant for Observability zielt darauf ab, SREs einen Copiloten an die Hand zu geben, mit dem sie nicht nur die Bedeutung von Fehlern und Meldungen verstehen, sondern auch Empfehlungen für deren Behebung erhalten.
Mithilfe eines Augmented-Intelligence-Ansatzes können SREs ihr Arbeitspensum besser bewältigen und die Entscheidungsmüdigkeit reduzieren, während sie Leistungsprobleme abmildern, bevor sie zu Ausfallzeiten führen.
Im weiteren Sinne zeigt die Lösung, dass generative Verfahren in jedem möglichen Szenario eingesetzt werden können, in dem ein Ingenieur schnell viele Datensignale auswerten muss, sei es bei der Überwachung von Schlüsselsystemen, der Planung zukünftiger Kapazitäten oder bei der Reaktion auf einen Vorfall.
Der Kraftmultiplikator: proprietäre Daten
Die Komplexität der Erkenntnisse, die generative KI-Lösungen in Unternehmensumgebungen liefern, hängt nicht nur von der Qualität der zugrundeliegenden KI und der Trainingsdaten ab, sondern auch davon, ob sie Zugang zu den unternehmenseigenen Daten haben oder nicht.
Je spezieller die Daten sind, desto detaillierter werden die betrieblichen Erkenntnisse sein.
Exner sagte:
„Da der Elastic AI Assistant die Elasticsearch Relevance Engine auf der einzigartigen IT-Umgebung und den proprietären Datensätzen des Nutzers einsetzt, sind die von ihm generierten Rückmeldungen relevant und bieten reichhaltigere und kontextualisierte Einblicke, die dazu beitragen, die Expertise des gesamten SRE-Teams zu erhöhen, wenn es darum geht, die Problemlösung in IT-Umgebungen zu beschleunigen, die mit der Zeit immer komplexer werden.“
Anhand spezieller proprietärer Trainingsdaten können Lösungsempfehlungen für Probleme gegeben werden, die stärker auf das Unternehmen zugeschnitten sind.
Oder es können Erkenntnisse gewonnen werden, die die Effizienz bestimmter Vorgänge verbessern, die aus einem Datensatz auf höherer Ebene nicht verfügbar wären.
In diesem Zusammenhang können SREs durch die Bereitstellung von mehr Erkenntnissen und die Unterstützung bei der Kontextualisierung dieser Informationen Probleme viel schneller diagnostizieren und darauf reagieren.
Elastic vs. PaLM 2, Security Copilot
Elastic ist natürlich nicht das einzige Unternehmen, das versucht, generative KI zu nutzen, um menschlichen Usern bei der Bekämpfung von Alarmmüdigkeit zu helfen.
In diesem Jahr haben Google und Microsoft ihre eigenen virtuellen Copilot-Lösungen auf den Markt gebracht, die Sicherheitsexperten mit Hilfe von Chatbots bei der Analyse und Zusammenfassung von Bedrohungssignalen und bösartigen Aktivitäten unterstützen.
Das Hauptunterscheidungsmerkmal von Elastic AI Assistant for Observability ist, dass er in erster Linie für SREs konzipiert ist.
Da der globale Markt für generative KI von 43,87 $ Milliarden im Jahr 2023 auf 667,96 $ Milliarden im Jahr 2030 wachsen soll, ist zu erwarten, dass mehr Anbieter mit LLM-gesteuerten Lösungen experimentieren werden, um SREs und DevOps-Ingenieuren neue Funktionen zu bieten.
Fazit
Die größte Schlussfolgerung aus der Einführung von Elastic AI Assistant for Observability: Generative KI kann zur Unterstützung fast aller Fachleute eingesetzt werden, die versuchen, Datensignale aus unterschiedlichen Quellen schnell zu interpretieren.
Der entscheidende Faktor für die Erzielung von Ergebnissen ist jedoch die Bereitstellung dieser automatisierten Lösungen mit Zugang zu den eigenen Daten, die sie benötigen, um betriebliche Probleme, die spezifisch für die beobachtete Umgebung sind, genau zu identifizieren, zu rationalisieren oder zu beheben.
Schließlich führt die Erfassung allgemeiner Daten zu allgemeinen Erkenntnissen.
