Mit dem Einsatz von Künstlicher Intelligenz (KI) für den IT-Betrieb suggeriert AIOps (”Artificial Intelligence for IT Operations”) einen vielversprechenden Ansatz zur Überwachung, Optimierung und Automatisierung komplexer betrieblicher Prozesse in IT-Organisationen. AIOps-Plattformen nutzen statistische Methoden, maschinelles Lernen (ML) und andere fortschrittliche Analysetechnologien, um sich abzeichnende Probleme zu erkennen und diese proaktiv und automatisiert zu beheben. Forschungsbeiträge zu AIOps sind verstreut und unorganisiert. Deshalb gestaltet sich die Entdeckung und der Vergleich von bereits entwickelten AIOps-Modellen als nicht praktikabel. Das Ziel der vorliegenden Arbeit liegt darin, Hauptmerkmale, Gemeinsamkeiten und Unterschiede verschiedener Modelle aufzuzeigen und einen Ansatz für die Validierung dieser Modelle aufzustellen. Zu diesem Zweck wird ein systematisches Literaturreview durchgeführt und die Möglichkeiten zur Validierung von AIOps-Modellen anhand einer Einzelfallstudie, insbesondere aus Gesichtspunkten des IT-Service-Managements (ITSM), näher beleuchtet. Somit verschat die vorliegende Arbeit einen Literaturüberblick zu implementierten AIOps-Modellen und stellt einen Ansatz zur Validierung, die auf drei Ebenen erfolgt, vor. Es stellt sich heraus, dass insbesondere Kennzahlen aus dem Problem-Management für die Validierung des proaktiven Vorgehens von AIOps geeignet sind.:1. Einleitung 2. Theoretische Grundlagen 2.1. Künstliche Intelligenz 2.2. Maschinelles Lernen 2.3. Datenaufbereitung 2.4. Zeitreihendaten 2.5. DevOps 2.6. Anomalien 2.7. IT-Service-Management 2.8. Automatisierung in der IT 3. Künstliche Intelligenz für den IT-Betrieb 3.1. Definition von AIOps 3.2. Relevanz von AIOps 3.3. Ziele von AIOps 3.4. Komponenten und Anwendungsfälle von AIOps 3.5. Verwandte Forschungsarbeiten 4. Methodik 4.1. Systematische Übersichtsarbeit 4.1.1. Planung 4.1.2. Formulierung 4.1.3. Suche und Auswahl 4.2. Fallstudie 5. Ergebnisse der Literaturübersicht 5.1. Statistische Auswertung der Ergebnisse 5.2. Verschiedene Ansätze von AIOps-Modellen 5.3. Interpretation und Zusammenfassung der Ergebnisse 6. Validierung und Bewertung von AIOps-Modellen 6.1. Hintergrund 6.2. Ein motivierendes Beispiel 6.3. Ein neuer Ansatz zur Validierung von AIOps-Modellen 6.4. Demonstratives Beispiel 6.5. Ausblick 7. Limitationen 8. Zusammenfassung und Fazit A. Anhang

This report examines Artificial Intelligence for IT Operations, commonly known as AIOps, delving deeper into the area of anomaly detection and also investigating the effects of the shift in working methods when a company starts using AI-driven tools. Two anomaly detection machine learning algorithms were explored, Isolation Forest(IF)and Local Outlier Factor(LOF), and compared by testing with a focuson throughput and resource efficiency, to mirror how they would operate in a real-time cloud environment. From a throughput and efficiency perspective, LOF outperforms IF when using default parameters, making it a more suitable choice for cloud environments where processing speed is critical. The higher throughput of LOF indicates that it can handle a larger volume of log data more quickly, which is essential for real-time anomaly detection in dynamic cloud settings. However,  LOF’s higher memory usage suggests that it may be less scalable in memory-constrained environments within the cloud. This could lead to increased costs due to the need for more memory resources. The tests show, however, that tuning the models’ parameters are essential to fit them to different types of data. Through a literature study, it is evident that the integration of AI and automation into routine tasks presents an opportunity for workforce development and operational improvement.Addressing cultural barriers and fostering collaboration across IT teamsare essential for successful adoption and implementation.