Die Gründe, warum sich Industrieunternehmen für den Nutzen von Cloud-Ressourcen entscheiden, können vielfältig sein: Technologien, die sich hinter Begriffen wie Industrie-of-Things, Data Analytics oder Machine Learning verbergen, verursachen Unmengen an Daten, die erfasst, übertragen und verarbeitet werden wollen. In den seltensten Fällen lässt sich auch nur halbwegs genau vorhersagen, in welcher Dimension und zu welchem Zeitpunkt die Daten tatsächlich anfallen. In der Praxis geht es vielmehr um volatile Datenströme – mit zum Teil extremen Lastspitzen – bei gleichzeitig sehr hohen Anforderungen an die Verfügbarkeit und Sicherheit. Manchmal haben sich Unternehmen auch schlicht zu wenig um die dauernde Modernisierung ihrer IT gekümmert, notwendige Investitionen aus verschiedenen Gründen verschleppt. 

Als flexible Basis für diese Entwicklungen kommt die Cloud wie gerufen. Langwierige, interne Anschaffungsprozesse lassen sich ebenso vermeiden wie hohe Investitionen in Hardware, die später möglicherweise zeitweise ungenutzt bleibt. Prototypen können unkompliziert getestet und saisonale Lastspitzen flexibel abgedeckt werden – bezahlt wird nach Verbrauch!

Mal eben Cloud-Ressourcen buchen

So zumindest die Theorie. Denn das Versprechen der Cloud-Anbieter, schnell, unkompliziert und nach Bedarf IT-Ressourcen buchen zu können, lässt sich in der Praxis nicht ganz so einfach einlösen. Zum einen kommen auf Unternehmen, welche Cloud-Ressourcen nutzen wollen, Integrations- und Management-Aufgaben zu, um den Datenfluss zu steuern und die neue Infrastruktur in das bestehende Betriebsmodell zu integrieren. Dabei gelten die selbst auferlegten Sicherheits- und Compliance-Regeln weiterhin uneingeschränkt. Zum anderen aber beginnt die Herausforderung schon viel früher: beim Aufsetzen der Cloud.

Die Angebote der großen Cloud-Provider, wie Amazon Web Services (AWS), Google Cloud und Microsoft Azure, sind umfangreich und leistungsstark. Gleichzeitig ist es selbst für IT-erfahrene Experten nicht einfach, sich das passende Angebot zusammenzustellen. Denn AWS – um ein Beispiel herauszunehmen – bietet mehr als 150 verschiedene Lösungen an: von der am häufigsten gebuchten EC2 (Amazon Elastic Compute Cloud) über Integrations- und Steuerungs-Tools wie Amazon RDS (Relational Database Service) und Amazon CloudWatch bis hin zur Serverless-Plattform Lambda, mit der sich Programme direkt ausführen lassen. Zu allen Anwendungen stehen im Online-Ressourcencenter umfangreiche Beschreibungen, Tutorials und Handbücher bereit. Dem schnellen Start steht also zunächst die Notwendigkeit im Wege, sich eingehend mit dem Angebot zu beschäftigen, ohne zu wissen, ob die gewählten Optionen für die eigenen Ansprüche optimal sind oder wie sie dimensioniert werden sollten.

Was die Cloud-Ressourcen kosten werden, lässt sich dabei im Vorfeld kaum abschätzen. Beinahe jeder Dienst verfügt über eine eigene Kostenstruktur. Grundsätzlich berechnen sich die Kosten nach Verbrauch, die Höhe pro Volumen unterscheidet sich aber beispielsweise nach Region oder der Art der verwendeten Schnittstellen, es gibt bestimmte Staffelungen, Mindestabnahmemengen oder Rabatte. Je mehr Services involviert sind, umso komplizierter das Preisgefüge. Zwar stehen mehrere Tools zur Kalkulation zur Verfügung, preisoptimal austarieren lässt sich die gewünschte Lösung damit jedoch nicht.

Die Cloud skaliert selbst nach Bedarf

Es geht auch anders: Der Kölner Cloud-Provider Gridscale beispielsweise definiert die Cloud nicht von der Angebots-, sondern von der Anwenderseite her. Jede Instanz hat einen festen Preis, der nutzungsabhängig berechnet wird. Das ist transparent und einfach handhabbar. Über die API können Instanzen bei Bedarf schnell abgeschaltet werden und verursachen dann sofort keine Kosten mehr.

Doch Cloud-Usability kann noch mehr als einfache Handhabung bedeuten: einen Plattform-as-a-Service etwa, der sich als vollautomatisierter Cloud-Betrieb elastisch an das Business anpasst, bestenfalls ohne Eingreifen des Nutzers. Ein solcher intelligenter Algorithmus ermöglicht eine Reihe datenbasierter Cloud-Services. Aufgrund der gesammelten Erfahrungen kann das System Prognosen errechnen, wie sich die Workloads entwickeln werden. Zusätzlich benötigte Kapazitäten stehen  automatisch bereit, wenn sie benötigt werden – sogenanntes Autoscaling. Darüber hinaus ist es beispielsweise möglich, Workloads live zu migrieren. So können sie umverteilt werden, weil etwa Wartungsarbeiten am Server durchgeführt werden müssen oder aber auf eine günstigere Ressource umgelagert werden sollen. Auch Einbruchsversuche in die IT-Infrastruktur zählen zweifelsohne zu den Anomalien – und auch diese sind anhand bestimmter Parameter, beispielsweise spezifische Muster im Netzwerk-Verkehr, frühzeitig erkennbar. 

Damit hält die Künstliche Intelligenz Einzug ins Rechenzentrum. Ein Machine-Learning-Algorithmus überwacht alle Metriken der Cloud-Umgebung, wie beispielsweise die Auslastung und Temperatur der CPU, die Anzahl der I/O-Zugriffe, die Latenzzeiten und vieles mehr. In einem längeren Prozess lernt der Algorithmus aus praktischen Ereignissen, was Anomalien gemessen am Normalbetrieb sein können und welche Maßnahmen einzuleiten sind. Das Ziel hinter Machine Learning in der Cloud wird eindeutig: Der Nutzer definiert, welche Parameter hinsichtlich Performance, Kosten, Verfügbarkeit und Sicherheit die Cloud erfüllen soll. Der intelligente Algorithmus setzt diese um und passt die Cloud entsprechend immer wieder neu an.

Mehr Cloud Usability durch KI-gesteuerte Bedienoberfläche

Um den Kreis zur Anfangskritik an den unübersichtlichen Angeboten von AWS zu schließen: Dank eines intelligenten Algorithmus kann das Aufsetzen einer Cloud ganz einfach sein. Denn die Art und Weise, wie Nutzer beim Einrichten vorgehen oder sich auf der Management-Plattform bewegen, gibt Aufschluss darüber, wie versiert sie und welche Optionen für sie sinnvoll sind. In die Zukunft blickend bietet dies die Möglichkeit, jedem Nutzer die passende Bedienoberfläche bereitzustellen: Ein Neukunde beispielsweise bekommt nur grundlegende Optionen angeboten, bei jedem Schritt empfiehlt die Engine passende, optimierende Zusatz-Features. Ein Cloud-Experte hingegen kann direkt tiefgreifender Einsichten in seine Ressourcen freischalten und entscheidet selbst, wie viel Management er übernehmen möchte. Die Nutzung der Cloud-Ressourcen lässt sich so ebenfalls optimieren. Häufig genutzte Funktionen werden entweder leicht zugänglich angeordnet oder automatisiert. Viele Anwender führen beispielsweise regelmäßig Snapshots bestimmter Daten durch. Erkennt der Algorithmus die Regelmäßigkeit, kann er dem Nutzer diese Arbeit automatisch abnehmen.

Mit einer intuitiven Bedienoberfläche und einem weitgehend automatisierten Betrieb wird die Cloud zu der flexiblen Ressource, die Industrieunternehmen benötigen. Das Kerngeschäft dreht sich um die Produktion, die Automatisierung von komplexen Prozessen, die Integration von Lieferanten und schließlich um die Transformation des Geschäfts ins Digitale. Wenn sich Cloud-Angebote hier nahtlos einpassen lassen und so gestaltet sind, dass sie schnell und flexibel ohne tiefgreifende Cloud-Experten-Kenntnisse konfigurierbar sind, dann – und nur dann – leisten sie einen wertvollen Beitrag.