KI im Datenmanagement nutzen

Bei Autos und Flugzeugen ist die vorausschauende Instandhaltung (proactive predictive maintenance) heutzutage gang und gäbe, wobei der Motorrennsport eine Testumgebung unter besonders extremen Bedingungen liefert. Riesige Datenmengen über den Zustand der Fahrzeuge, insbesondere der Triebwerke, werden in Sekundenbruchteilen am Piloten vorbei direkt in ein zentrales System eingespeist und unverzüglich analysiert.

Die Datenmanagementspezialistin NetApp bietet bereits seit 1995 einen vergleichbaren Service an, seit einer Zeit also, als der Begriff Big Data noch nicht verbreitet war. Telemetriesysteme überwachen die inzwischen über 300'000 Datenmanagementlösungen weltweit, wobei jedes System Logs und Informationen über die Konfiguration und Systemleistung generiert. Sowohl die Kunden wie auch der Hersteller werden laufend über den Zustand der Systeme unterrichtet. So kommen täglich 200 Milliarden Datenpunkte zusammen, was zurzeit etwa 200 TB pro Monat entspricht. Bis vor einigen Jahren hiess diese Anwendung «Auto Support» und war im Prinzip reaktiv. Wenn sich Speicherengpässe oder sogar mögliche Ausfälle abzeichneten, öffneten sich Support-Cases bzw. Tickets.

Der Multipetabyte-Datensee aus Telemetriedaten ist allerdings auch ideal für die Kalibrierung von Modellen des maschinellen Lernens (ML) geeignet. Seit gut zwei Jahren benutzt der Anbieter Methoden der künstlichen Intelligenz zur Analyse der Telemetriedaten, wodurch das System einen solchen Entwicklungssprung erlebt hat, dass es einen neuen Namen verdiente: «Active IQ» heisst es heute. Jetzt werden nicht mehr nur historische Daten ausgewertet und Systemkonfigurationen überwacht, sondern auch in Echtzeit miteinander verglichen. Zu den entscheidenden Ressourcen zählt dabei neben den grossen Datenmengen und den ML-Modellen auch die Datenmanagementerfahrung des Anbieters – 1500 Systemingenieure haben allein beim Hersteller Zugriff auf den Multipetabyte-Datensee.

«Der wichtigste Treiber für die KI- und ML-Modelle sind die riesigen Datenmengen über den Systemzustand», sagt Shankar Pasupathy, Technischer Direktor bei NetApp für Active IQ und Analytics. «Dank der Daten entsteht eine Art Schwarmintelligenz. Wir können unseren Kunden datengestützte und gleichzeitig massgeschneiderte Empfehlungen geben, wie sich noch mehr aus ihren Systemen herausholen liesse.»

Die Kunden erwarten – und bekommen – die Übersicht über ihre Systeme auf möglichst moderne Art und Weise. Ein Dashboard gewährt Einblick in den Systemzustand in Echtzeit, wobei der Zugriff auf die Analysen und Vorhersagen per Webbrowser oder Mobile-App jederzeit und von überall möglich ist. Schon der Hauptbildschirm zeigt die Systemumgebung und gibt proaktiv Empfehlungen für Eingriffe. Ein Widget «Health Trending» fasst die aktuellen Risiken der Speicherinfrastruktur zusammen. Der «Risk Advisor» ermittelt, ob bestehende Risiken behoben werden können, indem zum Beispiel das Betriebssystem auf eine neuere Version aktualisiert wird. Eine Tabelle zeigt an, wie gross der Prozentsatz der Systeme ist, bei denen das akute Risiko dank eines Betriebssystem-Updates beseitigt werden konnte. Hier fliessen also die Kenntnisse der Community, der umfangreichen Installationsbasis, direkt mit ein.

Ein weiteres Widget liefert Kapazitätsprognosen: Damit der Speicherplatz nicht ausgeht, werden Systeme mit einer Auslastung von 90 Prozent oder mehr angezeigt. Aufträge zur Bereitstellung von zusätzlichem Speicher können per Mausklick erteilt werden. Auch für die Supportverträge gibt es ein Widget: Es zeigt an, welche Verträge abgelaufen oder nahezu abgelaufen sind.

Das Widget «Speichereffizienz» vergleicht die Effizienz des eigenen Systems mit dem Durchschnitt aller Flash-FAS-Systeme in der Installationsbasis. Was sich bereits bei anderen Kunden in vergleichbaren Situationen bewährt hat (Best Practice), wird als Verbesserungsmöglichkeiten empfohlen. Wenn die Effizienz des beobachteten Systems unter dem Durchschnitt liegt, gibt das System Empfehlungen, wie sich die Speicher zum Beispiel durch ein Upgrade auf ein schnelles All-Flash-System steigern liesse. Die Auflösung des Überblicks im Dashboard kann per Drill-Down angepasst werden, wobei natürlich jeweils die Daten für die ausgewählte Site, Cluster oder Storage-Grid angezeigt werden.

Die kontinuierlichen Risikoabschätzungen ermöglichen Eingriffe, bevor sich Gefahren auf die Systemstabilität auswirken können. Unheil kann so schon im Vorfeld erkannt und vermieden werden. Bei Systemengpässen sorgt die Echtzeitüberwachung dafür, dass Leistungsprobleme behoben werden können, bevor es zu Ausfällen kommt. Die Sicherheit wird grösser und somit sind die Investitionen besser geschützt. Obwohl die Anforderungen an das Datenmanagement stetig zunehmen, sind die Anwender der Entwicklung immer einen Schritt voraus, denn während die Kapazitätsauslastung überwacht wird, wird auch bereits die zukünftige Auslastung prognostiziert. Wenn sich ein Problem abzeichnet, prüft Active IQ umgehend, ob es sich dabei um ein bereits bekanntes Phänomen handelt, oder ob es eine neue Form von Ereignis ist.

Die kontinuierliche Plattformüberwachung rund um die Uhr entlastet die IT-Mitarbeiter. Der Technische Support wird nur alarmiert, wenn ein Eingriff erforderlich ist, wobei den Mitarbeitern dann bereits automatisch konkrete Empfehlungen für die individuelle Konfiguration erteilt werden (guided problem solving). Möglich ist das, weil anonymisierte Log- und Konfigurationsdateien sowie die Telemetriedaten laufend mit Hilfe der ML-Algorithmen analysiert werden. Die Modelle vergleichen auch die Workloads zwischen ähnlichen Systemen und werden dabei mit der Zeit immer intelligenter.

Maschinelles Lernen hilft auch, die Schnittstelle zwischen Mensch und Maschine spürbar zu verbessern. Mit Hilfe von IBM Watson konnte ein Chatbot mit einem virtuellen Support-Agenten erstellt werden. Dieser sorgt für schnelle Antworten und verkürzt somit die Wartezeiten. In naher Zukunft werden auch Kurzfassungen von Best-Practice-Reports durch ML generiert und als Prosatext ausgeliefert.

Active IQ ist also ein datenbasierter Service, der künstliche Intelligenz, maschinelles Lernen und Community-Wisdom kombiniert. Die Kunden erhalten vorausschauende Analysen, proaktiven Support und praxisnahe, sofort umsetzbare Empfehlungen zur Optimierung ihres Datenmanagements. Active IQ lernt dabei laufend hinzu und ermöglicht es so, das volle Potenzial der Daten auszuschöpfen. Systemwarnungen können ohne herkömmliche Batch-Verarbeitung und somit verzögerungsfrei sofort verarbeitet werden. 98 Prozent der technischen Probleme werden automatisch gelöst. Falls sich ein Problem nicht automatisch beheben lässt, kann das Support-Team mithilfe der Telemetriedaten heute eine Fehlerbehebung 60 Prozent schneller durchführen. Das Gesamtvolumen vermiedener Ausfallkosten und der Wert der eingesparten Zeit entspricht 600 Mio. US-Dollar (durch IDC ermittelt). Der Entwicklungszyklus für neue Analytics-Dienste konnte von sechs auf einen Monat reduziert werden. Mittels Active IQ können somit branchenübergreifend die Vorteile geschützter und optimierter Infrastruktur genutzt werden.