Vorbild für die digitale Transformation

Mit der Plattform strebt der Dynatrace-Gründer und CTO Bernd Greifeneder die autonome Cloud an, die selbstständig arbeitet oder sich selbst repariert – ähnlich wie ein autonomes Fahrzeug. «Sie eliminiert langweilige Aufgaben und mühsame Arbeit und macht die Teams schlussendlich produktiver, damit sie bessere Funktionen für die Kunden entwickeln können», sagte Greifeneder während seiner Keynote an der «Perform Europe». Dies erfordere bei den Anwendern jedoch eine vollständige digitale Transformation, die auch mit einem grossen kulturellen Wandel verbunden sei. Wie das funktionieren soll, will Dynatrace gleich am eigenen Beispiel demonstrieren. Denn gemäss dem CTO arbeitet ein siebenköpfiges Team des Unternehmens seit vier Jahren nach einem NoOps-Ansatz – will heissen, dass für die Mitglieder manuelle Routine-Arbeiten wegfallen. «Vielmehr sind sie ein Team von Product Managern, die alle agilen Entwicklungsteams ansteuern, damit diese die richtigen Prozesse zur Selbstheilung im Produkt implementieren können», erklärt der CTO. Dabei habe das Unternehmen die Qualität seiner Produkte verbessern können, weil Ingenieure mehr Verantwortung übernehmen mussten. Dank dem Feedback des Systems identifizieren sie nun gemäss Greifeneder 93 Prozent aller Produktionsprobleme selber, während nur noch sieben Prozent von den Kunden kommen. Kunden könnten folglich gleichermassen von der Dynatrace-Plattform profitieren und sich in Richtung autonome Cloud bewegen.

Während seiner Keynote sprach Greifeneder zudem über Künstliche Intelligenz – das Kernstück der neuen Dynatrace-Plattform. Auch andere Anbieter setzen beim Application Performance Management auf den Einsatz von KI. Der Gründer erklärte allerdings in seiner Keynote, dass sich die KI des Unternehmens von jener der Konkurrenz unterscheide. «Wir setzen bei Dynatrace bewusst nicht auf Deep Learning, sondern auf eine ‹deterministische KI›». Die Problematik bei Deep Learning illustrierte Greifeneder anhand eines amüsanten Beispiels: «Die besten Deep-Learning-Engines verfügen momentan etwa über die Intelligenz eines Frosches. Natürlich lernt der Frosch ständig dazu. Aber die Frage ist, wie schnell er lernt oder sich an wechselnde Umgebungen anpassen kann.» Problematisch werde es besonders dann, wenn der Frosch ein autonomes Fahrzeug steuere und crashe. «Denn stellt man den Frosch dann vor Gericht und fragt ihn, warum der Unfall passieren konnte, wird seine Antwort ‹Quack› sein.» Damit wollte er aufzeigen, dass der Weg zur Entscheidungsfindung bei solchen Systemen nicht nachvollziehbar ist. Bei einer «deterministischen KI» sei dieser Prozess hingegen durchsichtig, was schlussendlich eine höhere Präzision des Systems ergebe.