© Netways
Wenn es dieser Tage vor einem Thema kein Entrinnen gibt, dann ist das KI. Kein Wunder also, dass es auch auf der Open Source Monitoring Conference in diesem Jahr eine große Rolle spielte.
Der erste Vortrag mit direktem KI-Bezug stammte von Jochen Kressin von der Floragunn GmbH, der Firma hinter Search Guard. Sein Ansatz: Was hat man im Monitoring oft als Ausgabe vor sich? Unstrukturierten Text. Der aber ist die Leibspeise von Sprachmodellen, die sich demnach auch an dieser Stelle nutzen lassen müssten. Der erste Versuch galt der Umwandlung von unstrukturierten in strukturierte Daten, wobei die Daten und das Zielformat im Prompt übergeben wurden. Das funktioniert, wenn auch noch nicht perfekt. So ist das beschränkte Kontextwindow ein Hindernis und auch Echtzeitanforderungen können noch nicht eingehalten werden. Hätte man aber Modelle, die speziell für das Parsen von Logdateien trainiert wären, käme man sicher ein gutes Stück weiter.
Weitere Versuche galten der Daten-Exploration mit dem Ziel, dem Modell in natürlicher Sprache Fragen stellen zu können wie: Liste mir alle Indizes auf, sind irgendwo Weblogs enthalten oder erkennst du irgendwelche Anomalien? Das funktioniert ebenfalls. Seine Datenquellen erreichte das KI-Modell dabei über das Model Context Protocol (MCP). Auch eine Root Cause Analysis (RCA), bei der das KI-Modell eine Ursachenkette aus Logdaten ableiten und den Ausfall einzelner Komponenten analysieren sollte, kam in einer Demo vor.
Schließlich probierte der Referent auch noch die Anomaly Detection anhand von Logdaten, die das KI-Modell bewerkstelligen sollte. Gewählt wurde dafür TimeGPT, ein generatives Modell, das speziell für Zeitreihendaten entwickelt wurde. Am Ende ergaben sich aber so viele False Positives und Negatives, dass das Ergebnis nicht brauchbar war.
Kontextbezogen analysieren
Einen nach eigenen Angaben ebenfalls erfolgreichen Versuch einer Root Cause Analysis mit einem LLM unternahm Kamal Bisht (Discover Financial Services). Er untersuchte, wie generative KI zur Automatisierung der RCA eingesetzt werden kann, indem sie das Systemverhalten versteht, unterschiedliche Signale miteinander in Beziehung setzt und für Menschen lesbare Vorfallsberichte erstellt. Durch die Nutzung vortrainierter Sprachmodelle und RAG-Techniken können KI-Agenten Vorfälle kontextbezogen analysieren und Ingenieure bei der Ermittlung wahrscheinlicher Ursachen unterstützen, wodurch sich die Mean Time To Resolution (MTTR) merklich reduzieren lässt.
Und RCA mit KI zum Dritten: Birol Yldiz (Ilert GmbH) sprach über die Entwicklung von KI-Agenten, die selbstständig Logs, Metrik-Daten, Traces und Events analysieren, Ursachen diagnostizieren und Vorschläge zur Fehlerbehebung geben können. Zwar muss auch hier ein Mensch am Ende seine Zustimmung geben, der Agent ist aber bereits in der Lage, ihm im Stress einer Ausfallsituation viel Routinearbeit abzunehmen.
Im traditionellen Vortrag von Bernd Erk (Icinga GmbH) zum Stand der Dinge bei Icinga kam die Sprache auf eine KI-Komponente in Icings, die via MCP Monitoringdaten für LLMs verfügbar macht. Anschließend kann man das Sprachmodell dann fragen, ob irgendwelche Störungen vorliegen, welche Services ein bestimmter Host hat oder wie hoch die Verfügbarkeit gestern war? Eine Ursachenanalyse ist so aber noch nicht ohne Weiteres möglich und die Komponente gilt momentan auch noch als experimentell.
Alles in allem war auch diese Ausgabe der OSMC wieder eine erfolgreiche Konferenz, die neben spannenden Vorträgen auch viel Raum für den Erfahrungsaustausch bot.
