AI SRE: der neue agentenbasierte Teamkollege

In der modernen digitalen Landschaft hat sich die Rolle des Site Reliability Engineer (SRE) von einer spezialisierten Funktion zum Rückgrat der Geschäftskontinuität entwickelt. Mit zunehmender Komplexität der Systeme – von Multi-Cloud-Umgebungen und Microservices bis hin zu verteilten Architekturen – wächst die schiere Menge an generierten Daten schneller als eine Person sie verfolgen kann. Heutzutage verbringen SREs oft einen Großteil ihrer Zeit damit, Probleme zu bekämpfen, versinken in einer Flut von Benachrichtigungen, wechseln ständig den Kontext und müssen manuell Zusammenhänge zwischen unterschiedlichen Systemen herstellen, um sicherzustellen, dass alles läuft.

Und es ist wichtiger denn je, alles am Laufen zu halten. Laut dem Bericht „Die versteckten Kosten von Ausfallzeiten“ verlieren Unternehmen im Durchschnitt $ 300 Millionen pro Jahr durch ungeplante Ausfallzeiten und verzeichnen schon nach einem einzigen Incident einen Kursrückgang von durchschnittlich 3,4 % Wie wäre es, wenn ihr einen Teamkollegen hättet, der euch manuelle Arbeiten abnehmen und dafür sorgen könnte, dass ihr nicht Teil dieser Statistik werdet? Der automatisch Detektoren einrichtet, Warnmeldungen durchforstet, Erkenntnisse über verschiedene Observability-Datenquellen hinweg miteinander verknüpft und euch umsetzbare Kernursachenanalysen sowie einen Plan präsentiert, wie ihr alles wieder zum Laufen bringt?

Begrüßt euren neuen Teamkollegen: AI SRE.

Bevor wir darauf eingehen, wie dieser Teamkollege euch Arbeit abnehmen kann, sehen wir uns zunächst die gängigen Probleme genauer an, mit denen Engineering- und IT Operations-Teams konfrontiert sind:

• Over-Alerting: Da täglich Tausende von Benachrichtigungen ausgelöst werden, fällt es Teams schwer, zwischen kritischen Ereignissen mit Auswirkungen auf das Unternehmen und vorübergehendem „Rauschen“ zu unterscheiden. Die Folge ist Over-Alerting, bei dem kritische Signale unter Fehlalarmen begraben werden.
• Erschwerte Fehlerbehebung durch Silostrukturen: Wenn ein Problem auftritt, müssen Teams zwischen verschiedenen Registerkarten und Bildschirmen, zwischen Logs, Metriken, Traces, CI/CD und Kubernetes-Änderungsereignissen, anderen Tools und mehr hin- und herwechseln. Der Zeitaufwand für die manuelle Korrelation dieser Daten ist der Hauptgrund für eine hohe MTTR (Mean Time to Resolution).
• Aufwändige Behebung: Selbst wenn die Kernursache identifiziert wurde, ist der Weg zur Behebung oft manuell und nicht klar definiert.

All dies führt nicht nur zu Frust, sondern raubt auch wertvolle Zeit, die für Innovationen genutzt werden könnte.

Die Einführung von ChatGPT im November 2022 war der Beginn eines bahnbrechenden Wandels bei unserer Herangehensweise an viele Prozesse, von der Urlaubsplanung bis hin zur Zusammenfassung von Meetings. Observability ist da keine Ausnahme.

Der Trend zu generativer KI und großen Sprachmodellen (LLMs) hat den Observability-Ansatz grundlegend verändert. Wir warten nicht mehr, bis auf dem Dashboard das rote Licht angeht, sondern gehen von einem passiven Monitoring zu proaktiver, agentenbasierter Observability über. KI und Agenten sind jetzt aktive Teilnehmer im gesamten Observability-Bereich, von der Erkennung über die Fehlersuche bis hin zur Behebung. Agenten können in Echtzeit Zusammenhänge erkennen, Fehler beheben und Maßnahmen vorschlagen.

Der Nutzen von AI SRE in Splunk Observability Cloud

KI und Agenten, die im gesamten Incident Response-Lebenszyklus eingebettet sind, können nicht nur jeden Schritt im Workflow verkürzen, sondern in manchen Fällen sogar einige dieser Schritte komplett überflüssig machen. Das bedeutet, dass man seine Zeit auf übergeordnete Strategien und Innovationen verwenden kann, anstatt im Dauernotfallmodus Probleme zu beheben.

So kann euch dieser neue agentenbasierte Teamkollege helfen

Erkennung: Herausfiltern wichtiger Signale aus dem Rauschen

Da die Erkennung die erste Verteidigungslinie ist, muss sie präzise sein. Splunk Observability Cloud nutzt KI, um über statische Schwellenwerte hinauszugehen, und unterstützt euch dabei, Probleme automatisch zu erkennen, die Auswirkungen zu beurteilen, Abhängigkeiten zuzuordnen und Benachrichtigungen zu korrelieren.

AI SRE hilft euch, den Aufwand und das Rätselraten bei der Ermittlung relevanter Metriken sowie der manuellen Einrichtung von Performance-Basiswerten zu vermeiden. Dazu stellt es innerhalb weniger Minuten nach der Datenaufnahme automatisch eine Anomalieerkennung und vordefinierte Benachrichtigungen bereit. AI SRE versteht die vor- und nachgelagerten Abhängigkeiten und zeigt daher nicht nur, was nicht funktioniert, sondern gibt zudem den Wirkungsradius, die betroffenen Services und die wahrscheinlichen Ursachen an. Benachrichtigungen werden mit Geschäftskontext angereichert, wobei die technische Leistung mit Transaktionsdaten korreliert wird, sodass AI SRE Teams helfen kann, Vorfälle anhand der Auswirkungen auf Kunden und Business zu priorisieren.

Fehlerbehebung: Finden der Kernursache

Wird eine Benachrichtigung in Splunk Observability Cloud geöffnet, analysiert der KI-Fehlerbehebungsagent sofort die zugehörigen Telemetriedaten über Datentypen hinweg. Anstatt manuell Logs abzufragen oder Traces zu prüfen, untersucht die KI automatisch das Problem, nennt relevante Logs, identifiziert Muster in Traces und erklärt in natürlicher Sprache, warum sich ein Dienst möglicherweise anormal verhält. Für eine tiefere Analyse könnt ihr die Untersuchung im KI-Assistenten in Observability Cloud fortsetzen, und zwar in natürlicher Sprache. Zusammen reduzieren diese Funktionen den manuellen Aufwand erheblich und beschleunigen die Fehlerbehebung.

KI sollte keine Blackbox sein – daher ist Erklärbarkeit einer unserer Designgrundsätze. AI SRE generiert und validiert mehrere Hypothesen. Da es angibt, welche Hypothese ausgeschlossen wurde, und jede Schlussfolgerung mit Belegen untermauert, liefert es Kontext und schafft Vertrauen in seine Argumentation und Empfehlungen.

Behebung: Aus Erkenntnissen werden Maßnahmen

Die abschließende Phase ist die Behebung. AI SRE beschränkt sich nicht auf die Ermittlung der Kernursache, sondern liefert einen strukturierten Plan zur Behebung oder Eindämmung des Problems. Durch die Analyse historischer Vorfallsdaten und des aktuellen Systemzustands wird in diesem geführten Plan der effektivste Lösungsweg vorgeschlagen, wobei ihr für die Authentifizierung und Maßnahmen eingebunden bleibt. Ganz gleich, ob eine Konfigurationsänderung, ein Rollback oder die Ausführung eines bestimmten Runbooks empfohlen wird – AI SRE liefert die erforderliche Anleitung, um den Service schnell und zuverlässig wiederherzustellen.

KI-native Benutzererfahrung

Egal, ob ihr Splunk AI Assistant nutzt, um Daten in natürlicher Sprache abzufragen, oder eigene Agenten erstellt und die Observability-Tools im Splunk MCP-Server einsetzt – wir möchten euch genau dort abholen, wo ihr auf eurem Weg zu Observability und KI gerade steht. Mit einer KI-nativen Benutzererfahrung können wir euch helfen, tiefgreifende Einblicke in eure Daten zu gewinnen, wobei es keine Rolle spielt, ob ihr über fundiertes Fachwissen verfügt.

AI SRE hat das Ziel, euch mühsame Arbeiten abzunehmen, damit ihr nicht mehr eure gesamte Zeit damit zubringt zu verhindern, dass „die Lichter ausgehen“, sondern die nächste Generation digitaler Erlebnisse entwickeln könnt.

Die Zukunft von Observability ist agentenbasiert. Seid ihr bereit, euren neuen Teamkollegen einzubinden?

Geht den nächsten Schritt auf eurem Weg zu Observability. Seht euch AI SRE in Splunk Observability Cloud gleich heute noch an und überzeugt euch selbst davon, wie unser AI SRE eure MTTR verkürzen kann.