KI-Diagnose & -Untersuchung

KI-Ticketanalyse

Was man nicht misst, kann man nicht verbessern. Ihre abgeschlossenen ITSM-Tickets enthalten jahrelang erprobte Fehlerbehebungslogik – jeder abgeschlossene Vorfall dokumentiert, wie Ihr Team ein reales Problem diagnostiziert und behoben hat. Die KI-Ticketanalyse macht dieses institutionelle Wissen für Ihre Mitarbeiter immer wieder nutzbar.

Importieren und klassifizieren Sie Rohdaten von Tickets und wandeln Sie diese in agentenfertiges Wissen um.

Importieren Sie einen CSV-Export aus Ihrem ITSM-System. Das LLM analysiert die Ticketfelder, klassifiziert Vorfälle nach Typ und generiert zwei Ausgaben pro Kategorie: eine Zusammenfassung der Fehlerbehebungsverfahren, die Ihr Team zur Lösung dieser Problemklasse verwendet hat, und eine KI-Aufforderung, die der Agent automatisch aufrufen kann, wenn er auf dasselbe Muster stößt.

Überprüfen, verfeinern, veröffentlichen

Bevor etwas veröffentlicht wird, überprüfen Sie es. Tickettypen werden zusammen mit den zugehörigen Quelltickets angezeigt, sodass die Klassifizierungen bestätigt werden können. Generieren Sie die Eingabeaufforderungen neu, falls die erste Version überarbeitet werden muss. Sobald die Eingabeaufforderungen fertig sind, veröffentlichen Sie sie.

Die Diagnose basiert auf Ihrer Krankengeschichte.

Ab diesem Zeitpunkt greift AI Insight bei bekannten Vorfallstypen auf die validierte Lösungshistorie Ihres Teams zurück und nicht mehr auf allgemeine Trainingsdaten. Je mehr Tickethistorie Sie bereitstellen, desto genauer versteht der Agent die tatsächlichen Probleme Ihres Netzwerks und die Lösungen, die sich in Ihrer Umgebung bereits bewährt haben.

Triggered Automation Framework (TAF)

Ihre besten Ingenieure sollten ihren Vormittag nicht mit der Bearbeitung von Tickets verbringen, die bereits von einer Maschine gelöst werden können. TAF ist die ereignisgesteuerte Ebene Ihres Fehlerbehebungs-Workflows, die eine Diagnose ohne menschliches Zutun auslöst und Tickets mit relevanten Analysen füllt, bevor diese bearbeitet werden.

TAF nimmt Störungen aus zwei Richtungen entgegen: automatisierte Signale von externen Systemen und Self-Service-Anfragen von Technikern, die dafür nie ein Gerät öffnen müssen. NetBrain.

Automatisierte Trigger

ServiceNow, Splunk, BMC Remedy oder jedes andere IT-System, das API-Aufrufe durchführen kann. Ein Ticket wird erstellt oder eine Warnung ausgelöst, TAF empfängt die Nutzdaten, ordnet sie der passenden Diagnosekonfiguration zu und führt sie aus. Die Bearbeitung erfolgt nicht manuell.

Selbstbedienungsauslöser

Microsoft Teams Bot, E-Mail, ServiceNow App oder die Incident PortalEin Techniker beschreibt das Problem im bestehenden Kanal. TAF greift die Beschreibung auf und führt eine Diagnose durch. Die Antwort wird direkt im Arbeitsablauf des Technikers übermittelt.

Bei beiden Vorgehensweisen gleicht TAF den eingehenden Vorfall mit vordefinierten Kriterien ab und wählt die entsprechende Maßnahme aus. Network Intent oder ADT und führt die Diagnose aus. Die Ergebnisse werden im Incident-Bereich, in der Ursprungsanwendung (ServiceNow, Teams, E-Mail) und im Dashboard angezeigt.

Ingenieure sehen das Ergebnis, nicht den Einsatz.

KI-Pfad

KI-Pfad

Pfade bei Bedarf validieren und das Verhalten einzelner Schritte in verständlicher Sprache erklären. Zwei sich ergänzende Funktionen: eine, die Fehler der Pfadfindung aufdeckt, und eine, die die gefundenen Fehler erklärt.

KI-Pfad-Arzt

Die Pfadgenauigkeit war schon immer ein unterschätztes Problem im Netzwerkbetrieb. Wenn sich ein Pfad gegenüber seiner Historie ändert – sei es durch einen einzelnen Hop, ein nicht standardkonformes Design oder eine Routing-Tabelle –, übernimmt jede darauf basierende Diagnose und Automatisierung diesen Fehler. AI Path Doctor verbessert die Grundlage.

Es berechnet selbstständig einen vollständigen End-to-End-Pfad unter Verwendung von Live-Netzwerkdaten und legt diesen dann neben den NB-Pfad auf der Karte, sodass Sie fehlende Geräte, falsche Hops und Lücken in der Weiterleitungslogik überprüfen können, sobald diese auf der Karte sichtbar werden, und nicht erst bei einer Überprüfung nach dem Vorfall.

Die Berechnung ist bewusst transparent gestaltet. Das Panel „KI-Pfaddetails“ zeigt Ihnen die vollständige Argumentationskette: die an die KI-Engine übermittelte Eingabe, die schrittweise ausgeführte Logik und eine strukturierte Zusammenfassung – verwendetes Quellgateway, Richtlinie zur Auswahl des nächsten Hops, ob eine L2-Segmentauflösung angewendet wurde und warum. Für jeden Hop: Eingangsschnittstelle, Ausgangsschnittstelle, aktive IP-Adresse des nächsten Hops, L2-Nachbarschafts-MAC-Adresse, Routingtabellenabfrage, CEF-Entscheidung und Richtlinienprüfungen. Keine Blackbox. Ein lückenloser Prüfpfad.

Wenn etwas nicht stimmt und Sie Hilfe brauchen NetBrain Ingenieure beteiligt, Kontakt NetBrain Erfasst alles in einem Schritt: NB-Pfaddaten, KI-Pfaddaten, Kartentopologie, CLI-Befehlsausgaben der Berechnung und das vollständige KI-Log. Keine manuelle Zusammenstellung. Ein Klick, fertiges Paket.

Der Anwendungsfall für die Tiefendiagnose liegt im selben Grund, warum dies so wichtig ist: Die Agenten sind auf Pfade angewiesen. Ungenaue Pfade führen zu ungenauen Diagnosen. AI Path Doctor validiert die tatsächlichen Pfade, bevor die Automatisierung darauf ausgeführt wird.

KI-Pfadzusammenfassung

Erfahrene Ingenieure lesen ein Pfadergebnis und wissen sofort, was es bedeutet – welche Routing-Entscheidung ausschlaggebend war, wo die Richtlinie angewendet wurde und was der CEF-Eintrag aussagt. Alle anderen lesen dieselbe Ausgabe und brauchen 20 Minuten, um herauszufinden, was passiert ist.

Die KI-Pfadzusammenfassung schließt diese Lücke. Sie liest das vollständige Ergebnis der Pfadberechnung und generiert eine strukturierte, leicht verständliche Erklärung, die Schritt für Schritt geordnet ist. Diese finden Sie auf der neuen Registerkarte „Pfadzusammenfassung“ im Bereich „Pfaddetails“. Wählen Sie ein beliebiges Gerät entlang des Pfades aus, um die KI-generierte Zusammenfassung für diesen Schritt anzuzeigen.

Jeder Zusammenfassungsabschnitt ist gleich aufgebaut: die Logik der Pfadberechnung, die verwendeten Datenquellen, die Beobachtungen im jeweiligen Schritt und das Ergebnis. Auch Fehler, die bei der Pfadberechnung auftraten, werden hier aufgeführt. Nichts wird aus dem Zusammenhang gerissen – die Zusammenfassung enthält direkte Links zu den zugrundeliegenden Daten: Konfigurationsdetails, NCT-Tabellen, CLI-Ausgaben – sodass Entwickler mit einem Klick überprüfen können, anstatt in Rohprotokollen suchen zu müssen.

Die Zusammenfassung erfolgt schrittweise. Die Ergebnisse werden geräteweise angezeigt, sobald sie berechnet sind, sodass Sie bereits lesen können, während die restlichen Daten noch generiert werden. Zusammenfassungen werden automatisch mit der Pfadinstanz gespeichert – öffnen Sie den Pfad später erneut, ist die Zusammenfassung bereits vorhanden, ein erneuter Durchlauf ist nicht erforderlich. Sollte während der Zusammenfassung eine neue Pfadberechnung starten, wird diese sauber abgebrochen und gespeichert.

Bei komplexen Umgebungen mit mehreren Pfadtypen (L2, L3) und geräteübergreifenden Abhängigkeiten wird jeder Typ in der Zusammenfassung als einklappbarer Abschnitt dargestellt, der in der vom Ingenieur benötigten Tiefe lesbar ist.

Das Ergebnis: Jede Pfadabfrage liefert die Interpretation der Daten durch einen erfahrenen Ingenieur, unabhängig davon, wer die Abfrage ausgeführt hat.