Generative KI: Anwendungsfälle für DevOps- und IT-Workflows

Was ist generative KI und wie funktioniert sie?

Vor dem Aufkommen der generativen KI waren viele KI-Systeme für die Datenanalyse und datengesteuerte Entscheidungsfindung gedacht, zum Beispiel für prädiktive Analysen und Geschäftsprognosen. Generative KI-Modelle gehen einen Schritt weiter und produzieren auf der Grundlage ihrer Trainingsdaten als Reaktion auf Benutzeranfragen neue Inhalte wie Texte, Videos, Codes und Bilder.

Generative KI verwendet komplexe Konstrukte des maschinellen Lernens, die als neuronale Netze bekannt sind, um Muster und Strukturen in den Trainingsdaten zu erkennen, und wendet dann das Erlernte an, um seine Ausgabe zu erstellen. Ein generatives KI-System, das mit Bildern aller bekannten Picasso-Gemälde trainiert wurde, kann beispielsweise ein neues Bild im Stil Picassos erzeugen.

Ein KI-Modell ist der eigentliche Algorithmus, der die eingegebenen Daten verarbeitet und analysiert. Softwareanwendungen können dann das KI-Modell verwenden, um als Reaktion auf Benutzeranfragen Ausgaben zu erzeugen. Der Chatbot ChatGPT von OpenAI stützt sich beispielsweise auf ein als GPT bekanntes Modell.

Generative Adversarial Networks versus Transformatoren

Generative Adversarial Networks (GAN) sind das am häufigsten verwendete neuronale Netzwerk in der generativen KI. GANs haben zwei Komponentenmodelle: einen Generator und einen Diskriminator.

Der Generator erzeugt neue Daten auf der Grundlage der Eigenschaften, Muster und Strukturen der Trainingsdaten, die der Diskriminator dann auswertet. Dieser Prozess kann entweder automatisch erfolgen, indem ein Belohnungssystem eingesetzt wird, das das Verhalten des Generators automatisch verstärkt, wenn seine Ausgabe gut genug ist, um als echt durchzugehen, oder manuell, indem Feedback oder Bewertungen von menschlichen Nutzern verwendet werden, um der KI mitzuteilen, ob ihre Ausgabe angemessen und korrekt war.

Im Endeffekt gibt der Diskriminator dem Generator ein Feedback, das ihn unterstützt, in Zukunft bessere Ergebnisse zu erzielen – ein Prozess, der als Tuning bezeichnet wird. Es ist dieses konkurrierende oder gegnerische Verhalten, das der generativen KI die offensichtliche Fähigkeit verleiht, mit der Zeit zu lernen.

Zusätzlich zu GAN kann generative KI auch Transformatoren verwenden: Programme oder Algorithmen, die Datensequenzen anstelle einzelner Datenpunkte verarbeiten. Da Transformatoren Anfragen von Benutzern in natürlicher Sprache in umsetzbare computerbasierte Befehle übersetzen können, werden sie häufig für die Arbeit mit Text verwendet.

Generative KI-Anwendungsfälle im IT-Betrieb

Obwohl Anwendungen wie ChatGPT und Dall-E in Bereichen wie Unterhaltung, Finanzwesen, Gesundheitswesen und Produktion Aufmerksamkeit erregt haben, ist generative KI auch im IT-Betrieb auf dem Vormarsch.

Prozessautomatisierung. Generative KI kann lernen, was ein typischer Prozess oder Arbeitsablauf beinhaltet, und viele sich wiederholende Geschäftsaufgaben automatisieren, zum Beispiel die Sicherstellung der Compliance und Datenintegrität. In einigen Fällen ist generative KI sogar in der Lage, solche Probleme mit minimalem menschlichen Eingriff zu beheben.

Risikobewertung und -management. Wie andere Arten von KI kann auch die generative KI enorme Datenmengen aus der gesamten IT-Infrastruktur analysieren und Muster erkennen. Während sich prädiktive KI auf die Berichterstattung konzentriert, können generative KI-Systeme Lösungen für solche Probleme vorschlagen und sogar implementieren.

Optimierung der Infrastruktur. Der generativen KI kann beigebracht werden, eine ordnungsgemäß funktionierende Infrastruktur zu beobachten und potenzielle Verbesserungen an System- und Netzwerkkonfigurationen zu erkennen, zum Beispiel das Auffinden eines Engpasses aufgrund langer Systemlatenzen. Das KI-System kann das Problem beheben, Vorschläge für Abhilfemaßnahmen unterbreiten und die Änderungen automatisch umsetzen.

Berichterstattung und Schnittstellen. Generative KI kann Text synthetisieren und Beschreibungen auf der Grundlage von Daten formulieren, was sie zu einer natürlichen Ergänzung von IT-Berichtsplattformen macht. Mit Text- oder Sprachaufforderungen können IT-Administratoren gezielte Abfragen in natürlicher Sprache an ein generatives KI-System stellen. Anstatt beispielsweise eine Systemkonfigurationseinstellung manuell zu suchen und zu ändern, kann ein Administrator das KI-Tool bitten, diese Aufgabe auszuführen und die erforderlichen Aktualisierungen im Änderungsmanagementsystem des Unternehmens vorzunehmen.

Anwendungsfälle für generative KI in DevOps

Generative KI-Plattformen wie ChatGPT sind bereits für ihre Fähigkeit bekannt, Text, einschließlich Softwarecode, zu produzieren. Folglich ist zu erwarten, dass generative KI in verschiedenen Phasen des DevOps-Lebenszyklus eine wachsende Rolle spielen wird.

Codeerzeugung. Generative KI, die anhand von Codebeispielen trainiert wurde, kann eine enorme Menge an Programmiertechniken erlernen, um Teams bei der Softwareentwicklung zu unterstützen. Die KI-gestützte Softwareentwicklung kann Aufgaben umfassen, die von der einfachen Codevervollständigung, zum Beispiel durch Vorschläge zur Fertigstellung einer Zeile oder eines Codeblocks, bis hin zur Erstellung ganzer Routinen oder Programme auf der Grundlage detaillierter Benutzeranfragen reichen.

Testerstellung. Generative KI ist in der Lage, Daten zu synthetisieren und Text zu produzieren und eignet sich daher hervorragend für die Erstellung von Daten und Testfällen im Rahmen von Softwaretests. Darüber hinaus können KI-Systeme diese Tests ausführen und über die Testergebnisse berichten. Ein generatives KI-Tool kann eventuell sogar Fehler identifizieren und auf der Grundlage der Testergebnisse Vorschläge zur Korrektur und Optimierung des Codes machen.

Fehlerbehebung. Generative KI-Modelle können von Menschen und KI erstellten Code auf Fehler analysieren und Korrekturen vorschlagen. Dies kann die Softwarequalität verbessern, indem Fehler reduziert und die Einhaltung der Codierungsstandards des Unternehmens sichergestellt werden.

Automatisierte Bereitstellung. Wenn der Code die Tests besteht, können DevOps-Teams ihn mit generativer KI als Teil von Workflow- oder Prozessautomatisierungen automatisch bereitstellen. Generative KI-Tools können auch die Workload-Platzierung optimieren und Instrumente für die Workload-Überwachung und die Erfassung von KPI-Daten einbinden.

Nachteile von generativer KI in DevOps und IT

Trotz ihres Potenzials und ihrer vielversprechenden Einsatzmöglichkeiten weist generative KI für IT und DevOps derzeit erhebliche Einschränkungen auf, die für viele Unternehmen ein Hindernis für die Einführung darstellen.

Erhebliche zeitliche und finanzielle Investitionen

Generative KI-Modelle erfordern enorme Mengen an Trainingsdaten. Für die Einführung generativer KI in Unternehmen kann dies erhebliche Investitionen in Daten erfordern, sowohl in der anfänglichen Trainingsphase des Modells als auch in der laufenden – oft überwachten – Nachschulung und Verfeinerung.

Ein KI-System, das den Betrieb einer IT-Infrastruktur unterstützen soll, benötigt zum Beispiel gründliche Kenntnisse der Infrastruktur und ihrer Konfiguration. Dazu gehört, dass es weiß, wie die Systeme aussehen, wenn sie ordnungsgemäß funktionieren, und dass es potenzielle Probleme kennt und weiß, wie man sie beheben kann. In ähnlicher Weise erfordert ein KI-System, das bei der Erstellung von Code in einem Unternehmen helfen soll, eine umfassende Kenntnis des Codes, den die Organisation für ähnliche Zwecke geschrieben und validiert hat.

Begrenztes Wissen über KI-Systeme

Unabhängig davon, wie viele Eingaben eine KI während des Trainings erhält, weiß das System letztlich nur, was ihm beigebracht wurde. Modelle brauchen Zeit, um Änderungen zu verarbeiten, und in einer dynamischen IT-Umgebung kann sich die KI zu schnell bewegen, um rechtzeitig auf Konfigurationsänderungen oder unerwartete Situationen zu reagieren.

Für IT-Betriebsabläufe bedeutet dies, dass KI-Systeme Zugang zu genauen historischen und aktuellen Daten über die IT-Umgebung des Unternehmens haben müssen. Ähnlich verhält es sich bei der Softwareentwicklung und -bereitstellung: Ein nützliches KI-Modell benötigt Daten über aktuelle, gut getestete Codierungsprozesse und Arbeitsabläufe.

Ungewissheit über die Genauigkeit der KI-Ergebnisse

Ein generatives KI-System kann die Qualität seiner Trainingsdaten oder die Korrektheit seiner Antworten nicht aus dem Kontext heraus beurteilen. Dies kann zu Problemen in Bezug auf Leistung, Sicherheit und Ethik führen, die ein menschliches Eingreifen erfordern.

Ein KI-Tool, das auf ein Problem in der IT-Infrastruktur eines Unternehmens reagiert, kann beispielsweise zu dem Schluss kommen, dass seine Reaktion richtig ist, wenn das Problem verschwindet – die Reaktion des Systems ist zwar funktional, entspricht aber möglicherweise nicht den gesetzlichen Vorschriften. Ebenso ist KI-produzierter Code nicht immer effizient, interoperabel oder sogar funktional für den vorgesehenen Zweck.

Potenzielle Urheberrechtsverletzungen

Insbesondere bei generativen KI-Modellen, die auf massiven Datensätzen trainiert werden, kann es schwierig oder unmöglich sein festzustellen, inwieweit die Modellausgabe auf urheberrechtlich geschütztem oder anderweitig geschütztem geistigem Eigentum basiert. Unternehmen, die den Einsatz von generativer KI erwägen, riskieren daher rechtliche Probleme und damit verbundene Kosten.

Wenn ein Benutzer einen KI-Bildgenerator wie Midjourney oder Stable Diffusion bittet, eine Bergszene zu erzeugen, kann ein Teil der Ausgabe auf urheberrechtlich geschützten Bildern basieren, die zum Training der KI verwendet wurden. Selbst wenn dies für den internen Gebrauch oder als Proof-of-Concept akzeptabel ist, kann der kommerzielle Verkauf des von der KI erzeugten Bildes Lizenzprobleme aufwerfen.

Ein ähnliches Problem stellt sich bei der Codeerstellung. Wenn ein KI-Codegenerator auf großen Mengen von Open-Source- und kommerziellem Code trainiert wurde, kann die Verwendung seiner Ergebnisse Lizenzbeschränkungen und andere rechtliche Probleme mit sich bringen – ein Problem, mit dem die Unternehmen erst jetzt zu rechnen beginnen. Es ist nach wie vor unklar, welche Art von Lizenzierung erforderlich ist, um Code zum Trainieren eines KI-Modells zu verwenden, wenn man weiß, dass der Code später in die Modellausgabe einfließen könnte.