Worawut - stock.adobe.com
Wie CIOs KI im IT-Servicemanagement einführen können
KI kann zur Verbesserung von ITSM-Prozessen eingesetzt werden. Allerdings müssen CIOs einige Fragen beantworten, bevor sie auf KI im IT-Servicemanagement setzen.
Die Erstellung und Verwaltung von KI-bezogenen Diensten bereitet CIOs eine ganze Reihe neuer Kopfschmerzen. Die größte Veränderung spiegelt eine Verlagerung der Infrastruktur wider, die für die Erstellung von KI-Anwendungen erforderlich ist, sowie unterschiedliche Entwicklungsabläufe und neue Datenanforderungen. CIOs sollten heute darüber nachdenken, ihre IT-Servicemanagement-Tools (ITSM) zu erweitern, um diese neuen Fähigkeiten zu unterstützen.
„Die Bereitstellung von KI-bezogener Infrastruktur und Prozessen ähnelt in vielerlei Hinsicht der Bereitstellung von unternehmensweiten Diensten“, sagt Craig Wright, Managing Director beim Beratungsunternehmen Pace Harmon. Sowohl bei der KI als auch bei der IT-Infrastruktur geht es darum, Daten zu korrelieren, um das Risiko weitreichender negativer Auswirkungen auf die breitere Gemeinschaft der Nicht-IT-Benutzer entweder zu verhindern oder zu minimieren. Zu den traditionellen ITSM-Funktionen gehören die Definition, Einführung, Bereitstellung und kontinuierliche Verbesserung von Services. Das KI-Servicemanagement muss auch neue Arbeitsabläufe, andere Arten von Infrastruktur und bessere Prozesse für die Versionierung von Daten und KI-Modellen berücksichtigen.
Gleiches Ziel, neue Technik
„Das Ziel einer guten KI-Infrastruktur ist ähnlich wie bei der traditionellen IT“, sagt Ken Zamkow, General Manager für Nordamerika bei Run:AI, einem Anbieter von KI-Virtualisierungs-Tools. Dazu gehört, dass die Benutzer im Unternehmen, zum Beispiel Datenwissenschaftler und Ingenieure, schneller und effizienter arbeiten können, während die Kosten unter Kontrolle gehalten werden und die Kontrolle, Transparenz und Sicherheit gewahrt bleiben.
Die zugrunde liegenden Technologien sind jedoch anders, denn KI basiert auf langen und sich wiederholenden Experimenten und nicht auf reiner Kodierung; die betroffenen Datensätze sind wesentlich größer und der Rechenbedarf ist viel höher und erfordert teurere Hardware. „Das alles richtig zu machen, ist der Schlüssel und die größte Herausforderung“, so Zamkow.
Ein Teil des Problems besteht darin, sich in der riesigen Vielfalt an Workflows, Tools, Frameworks und Plattformen zurechtzufinden, die für KI-Training und -Einsatz verfügbar sind. Es gibt zwar einige IT-Optionen, die schnell an Popularität gewinnen, aber es gibt keine gut entwickelten, durchgängigen Branchenstandards, auf die man sich verlassen kann. Das bedeutet, dass die IT- und Infrastrukturteams in jedem Unternehmen im Wesentlichen eine Sammlung von Angeboten zusammenstellen müssen, die ihren speziellen Anwendungsfällen gerecht werden.
Dies führt oft zu wachsender Komplexität, Kosten und mangelnder Transparenz bei der Nutzung von Ressourcen. Zamkow hat festgestellt, dass eine gute Strategie darin besteht, KI-Tools zu verwenden, die sich leicht in bestehende ITSM-Tools integrieren lassen, um eine reibungslosere und flexiblere Architektur zu ermöglichen.
Wie hoch ist Ihr KI-Quotient?
Wright ist der Meinung, dass IT-Führungskräfte neue Metriken in Betracht ziehen sollten, die er als KI-Quotient bezeichnet, um den Reifegrad von KI-bezogenen Prozessen zu bewerten. Dies kann der Integration des Reifegradmodells für Fähigkeiten ähneln, das zur Verbesserung traditioneller Softwareentwicklungsprozesse verwendet wird.
Zu den Aspekten können die Messung von Analysefähigkeiten, die Fähigkeit zur Verbesserung des Feedbacks von KI-Ergebnissen und die Fähigkeit zur Nutzung emotionaler Daten von Nutzern von KI-Tools gehören. Beispielsweise können neue Metriken wie das emotionale Bewusstsein quantifiziert werden, indem Umfragen zur Kunden- und Managementzufriedenheit ausgewertet und der emotionale Tonfall in Sprach- und Chatnachrichten analysiert wird. Es können Bandbreiten festgelegt und ein emotionaler Index berechnet werden, der mit den verschiedenen von der KI beeinflussten Rollen korreliert. Die Analysefähigkeiten können in Bezug auf die Zeit bis zur Freigabe und die Fähigkeit, verschiedenen Geschäftsgruppen einen Mehrwert zu bieten, quantifiziert werden. Eine Feedback-Metrik kann die Fähigkeit widerspiegeln, Verschlechterungen in der Genauigkeit der KI-Modelle zu messen und sie mit frischen Daten neu zu trainieren.
Neue Herausforderungen
Mike Leone, Senior Analyst bei der Enterprise Strategy Group (ESG), einem IT-Marktforschungsunternehmen, sieht drei Hauptkategorien von Herausforderungen für die Verwaltung von KI-Diensten: Infrastruktur, Menschen und Daten.
Unternehmen kämpfen mit neuen Arten von KI-Anwendungsentwicklungsumgebungen, Data Science Tools und integrierten Daten- oder Analyseplattformen, zusätzlich zu den Betriebskosten, die mit der Verwaltung und Wartung all dieser Dinge verbunden sind. Was die Mitarbeiter betrifft, so hat die ESG-Studie ergeben, dass über 20 Prozent der Unternehmen einen Mangel an erfahrenen oder geschulten Mitarbeitern als größte Herausforderung im Zusammenhang mit KI nennen.
„Jedes Unternehmen muss die passende Infrastruktur für die spezifischen KI-Anwendungsfälle innerhalb der Organisation entwickeln“, sagt Leone. Zum Beispiel spielt die Hardware eine geringere Rolle, wenn Sie Public-Cloud-Dienste nutzen. Wenn Sie als Datenwissenschaftler mit der Erstellung eines Modells beauftragt sind, werden Sie sich wahrscheinlich nur auf die Data Science Tools konzentrieren.
Auf der Datenseite kämpfen die Unternehmen mit einer unzureichenden Datenqualität für KI. „Datenqualität und das Management von Daten-Workflows sind insofern interessant, als dass sie oft übersehen werden, aber letztendlich die wichtigste Komponente bei all dem sind“, erklärt Leone. Ohne qualitativ hochwertige Daten kann all die Arbeit, die Kosten und die Zeit bis zu einem gewissen Grad verschwendet werden. Und ohne effiziente Arbeitsabläufe über die verschiedenen Phasen des KI-Lebenszyklus und die verschiedenen Tools und Komponenten hinweg, wird die Zeit bis zur Wertschöpfung sehr knapp.
Lücke im KI-Stack
Leone empfiehlt IT-Führungskräften, Wege zu finden, die heute verwendeten ITSM-Tools einfach zu erweitern, um neue Arten von Workloads zu verwalten. Zum Beispiel sind die Infrastrukturmetriken in Bezug auf Latenz, IOPS, Durchsatz und Auslastung die gleichen. Bei künstlicher Intelligenz geht es darum, diese Metriken über Infrastruktur- und Softwarekomponenten hinweg miteinander zu verbinden, um sicherzustellen, dass sie im Gleichschritt sind.
„Es ist unwahrscheinlich, dass Sie heute eine komplette KI-Lösung mit umfassendem Management finden, da sie aus mehreren Komponenten von verschiedenen Anbietern besteht“, sagt Leone. Daher sind Unternehmen fast gezwungen, sich für die Schnittstelle zu entscheiden, die möglichst viele der KI-Komponenten verwalten kann.
Leone sieht derzeit eine Marktlücke, was die Verwaltung und Orchestrierung des KI-Stacks in umfassender Weise angeht. Das liegt zum Teil daran, dass KI-Entwickler schnell neue Workflows entdecken, was zu einer explosionsartigen Zunahme neuer Komponenten und Anbieter im gesamten KI-Stack und in der Datenpipeline geführt hat. Eine Untersuchung von ESG ergab, dass ein durchschnittliches Unternehmen mit 37 verschiedenen Hardware- und Softwareanbietern für die gesamte KI- und Machine-Learning-Datenpipeline arbeitet.
„Die Notwendigkeit, Managementsilos über all diese Anbieter hinweg zu konsolidieren, ist eine große Chance für Anbieter und eine große Herausforderung für Unternehmen mit laufenden KI-Initiativen“, erläutert Leone.
Erweiterung der bestehenden ITSM-Tools
„ITSM-Self-Service- und Fulfillment-Prozesse sind wichtige Techniken, mit denen Data-Scientist-Teams die benötigte KI-Infrastruktur für ihre Projekte erhalten können“, sagt Vesna Soraic, Global Product Marketing Team Manager of Service Management and Fulfillment bei Micro Focus, einer IT-Operations-Managementplattform.
Weitere wichtige ITSM-Prinzipien für KI sind Änderungsmanagementprozesse. So sollten beispielsweise neu trainierte KI-Modelle mit der erforderlichen Geschwindigkeit und Agilität, aber auch mit angemessenen Governance-Prozessen in die Produktion überführt werden.
Asset-Management ist ein traditionelles ITSM-Tool, bei dem Hardware- und Software-Assets wie Lizenzen und Abonnements verwaltet werden. Laut Ramprakash Ramamoorthy, Produktmanager bei Zoho Labs, einer Abteilung der Zoho Corporation, der Muttergesellschaft der ITSM-Plattform ManageEngine, können ähnliche Techniken auch auf Daten für KI angewendet werden. In diesem Fall müssen die ITSM-Tools in der Lage sein, Datensätze zu versionieren und Zugriffskontrollen für sie zu verwalten.
Schnelleres Tempo der Veränderung
Sowohl die Hardware als auch die Software entwickeln sich schnell weiter, was zu komplexeren ITSM-Änderungsprozessen führen kann. Arvind Ganga, AI Lead bei TOPdesk, einem Anbieter von ITSM-Software und -Dienstleistungen, empfiehlt CIOs, ihren bestehenden Änderungsprozess neu zu bewerten oder einen anderen Änderungsprozess speziell für KI-Infrastruktur und -Prozesse zu schaffen.
Im Allgemeinen ist die Verwaltung von KI-bezogener Infrastruktur und Prozessen wie das traditionelle ITSM, in dem Sinne, dass das traditionelle ITSM sich bereits mit denselben Problemen befasst hat. „Allerdings wird alles komplexer, weil es mehr Tools, Infrastrukturkomponenten, Parteien, Datensätze, Integrationen und Vorschriften gibt und wegen der häufigen Updates“, sagt Ganga. Infolgedessen werden agile Prozesse im ITSM immer wichtiger, da sie die Möglichkeit bieten, mit schnellen Veränderungen umzugehen.
„Traditionelles ITSM war und ist gut für traditionelle Infrastrukturen, aber KI-Prozesse zielen darauf ab, agil zu sein, wie moderne Softwareentwicklungstechniken mit kontinuierlicher Integration und kontinuierlicher Bereitstellung“, sagt Soraic von Micro Focus. Sie erwartet, dass mehr Unternehmen containerbasierte KI-Infrastrukturen und -Prozesse einführen werden.
