Die moderne IT-Infrastruktur wird zunehmend komplex. Ohne zusätzliche Hilfsmittel erfordern Analysen spezielles Fachwissen und enormen Aufwand. Variable Messwerte wie z.B. Oracle System Metriken, die als Zeitreihendaten gespeichert werden, liefern zwar wichtige Hinweise auf mögliche Probleme, doch wenn Leistungseinbußen unerkannt bleiben, drohen nicht nur steigende Kosten, sondern im schlimmsten Fall ein Totalausfall.

Viele bestehende Lösungen beruhen auf einer begrenzten Anzahl von Metriken und binden aktuelle Technologien wie Large Language Models (LLMs, z.B. GPT) oder domänenspezifisches Wissen (RAG) kaum ein. Dadurch bleiben Analysen oft oberflächlich. Unsere durch ein HessenIdeen-Stipendium geförderte Idee löst dieses Problem: Sie ermöglicht eine universelle Anomalieerkennung in beliebigen Zeitreihendaten, anstatt sich auf bestimmte Kennzahlen oder Domänen zu beschränken.

Mit fortschrittlichen Deep-Learning-Algorithmen untersuchen wir beispielsweise Oracle-Datenbanken, um ungewöhnliche Abweichungen zu erkennen. Anschließend erlaubt eine fundierte Ursachenanalyse, unterstützt durch textbasierte KI-Interaktion, das tiefe Durchleuchten möglicher Problemquellen. So lassen sich auch zuvor vernachlässigte Metriken einbinden, was wertvolle Einblicke in die Hintergründe von Auffälligkeiten bietet. Auf diese Weise entwickeln wir das Monitoring nachhaltig weiter und sorgen dafür, dass potenzielle Risiken frühzeitig erkannt und wirksam behoben werden können.