KI-Technik & Entwicklung

Fehlersuche und Störungsanalyse mit LLMs: Ursachen schneller belegen

Ein Alarm in der Nacht, ein Stacktrace ohne klaren Absender, dazu Tausende Logzeilen: Gerade die Ursachensuche kostet Entwicklungs- und Betriebsteams viel Zeit. Das Kompaktseminar zeigt in vier Stunden, wie Sie Logs, Traces und Metriken einem LLM so vorlegen, dass es prüfbare Hypothesen liefert, und wie daraus Incident-Timelines und Postmortem-Entwürfe entstehen. Zwei Übungen an einem echten Bug und einem Vorfall machen die Methode greifbar. Daraus entsteht ein Plan, mit welchem Dienst und welchen Datenquellen Ihr Team beginnt.

Für wen

Softwareentwicklerinnen und -entwickler, SRE-Teams und Betriebsverantwortliche, die Fehler und Störungen mit KI-Unterstützung zügiger eingrenzen und aufarbeiten wollen.

KI-Kompaktseminar · 4 Stunden

Vom Stacktrace zur belegten Ursache: Debugging und Postmortems mit LLMs straffen

Das nehmen Sie mit

  • Eine Arbeitsweise, mit der Stacktraces, Logs und Traces zu überprüfbaren Root-Cause-Hypothesen werden
  • Kriterien, an denen Sie Fix-Vorschläge eines Modells und dessen Fehlleitungen erkennen
  • Ein selbst erstelltes Postmortem-Gerüst aus den Rohdaten eines Vorfalls
  • Klarheit, welche Kundendaten aus Logs vor der Übergabe an ein Modell entfernt werden müssen

Ablauf

  1. Teil 1

    Modul 1 – Einordnung: Was ein LLM bei der Ursachensuche beiträgt

    • Bestandsaufnahme der Runde: Zeitspanne vom ersten Alarm bis zur benannten Fehlerursache in Ihren Teams
    • Ein Stacktrace als Startpunkt: das LLM leitet daraus überprüfbare Vermutungen zur Fehlerquelle ab
    • Logs, Traces und Metriken auswählen und kürzen, damit das Modell verwertbaren Kontext erhält
    • Echte Beschleuniger: fremde Fehlermeldungen deuten, lange Logausschnitte verdichten, Codepfade nachzeichnen
    • Fehlleitungen erkennen: plausible, aber falsche Erklärungen, erfundene Konfigurationsoptionen
  2. Teil 2

    Modul 2 – Debugging: Bugs reproduzieren, eingrenzen, Hypothesen testen

    • Mit KI-Hilfe ein minimales Reproduktionsszenario ableiten und den betroffenen Codebereich einengen
    • Root-Cause-Hypothesen gegeneinander abwägen: welche Logbeobachtung eine Vermutung stützt oder widerlegt
    • Fix-Vorschläge des Modells beurteilen: Nebenwirkungen, fehlende Tests, behandeltes Symptom statt Ursache
    • Jede Annahme gezielt gegen Messwerte testen, statt Änderungen auf Verdacht auszurollen
    • Übung: Einen realen Bug mit Hilfe des Modells vom Fehlerbild bis zur eingegrenzten Ursache verfolgen
  3. Teil 3

    Modul 3 – Incident-Analyse: Vom Alarmsturm zum Postmortem

    • Zusammenhängende Alarme korrelieren und für die Bereitschaft eine erste Diagnose formulieren lassen
    • Chatverläufe, Tickets und Deploy-Historie automatisch zu Incident-Zusammenfassung und Timeline verdichten
    • Postmortems vorbereiten: Ablauf, Auswirkung, beitragende Faktoren und Folgeaufgaben vorstrukturieren
    • Übung: Aus Rohdaten eines Vorfalls mit KI ein Postmortem-Gerüst bauen und Lücken der Timeline markieren
    • Erkenntnisse aus Vorfällen rascher in Runbooks und Verbesserungsaufgaben überführen
  4. Teil 4

    Modul 4 – Betrieb: Anbindung, Datenschutz und Einführungsplan

    • Observability-Stacks anbinden: auf welchem Weg Log-, Trace- und Metrikdaten das Modell erreichen
    • Datenschutz bei Logs: Kundendaten und andere personenbezogene Felder vor der Übergabe maskieren
    • Fallstudie: Aufbau eines KI-gestützten Incident-Workflows von der Alarmierung bis zum Review
    • Diagnosen nachweisbar halten: jede Modellaussage auf Logzeile, Metrik oder Trace zurückführen
    • Ihr Plan: erster Dienst, benötigte Datenquellen und wie die Zeit bis zur Ursache künftig gemessen wird

VoraussetzungenPraktische Erfahrung in der Softwareentwicklung oder im IT-Betrieb ist erforderlich.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen