AI

AI fasst Evidenzen aus aktivem globalem Target und gewähltem Zeitfenster zusammen. Nutzen Sie es als operative Unterstützung, nicht als Ersatz für Datenprüfung.

AI arbeitet mit aktivem Target und Zeitfenster der Konsole.

Empfohlene Nutzung

• Zusammenfassung der letzten Stunden anfordern.
• Lagebericht für Bereitschaft oder Übergabe erzeugen.
• RCA anfordern, wenn ein konkreter Incident oder eine Degradation vorliegt.
• Einen Bildschirm oder eine Operations-Domäne erklären lassen.
• Events, Jobs und Metriken korrelieren.
• Eine konservative nächste Hypothese erzeugen.
• Zusammenfassen, was nicht ausfällt, zusätzlich zu dem, was degradiert ist.

Gute Fragen

• Was hat sich in der letzten Stunde geändert?
• Welche Evidenzen erklären den KO-Zustand?
• Was soll ich in Events gegenprüfen?
• Gibt es Korrelation mit abgebrochenen Jobs?
• Welchen Host sollte ich zuerst prüfen?

AI nutzt das aktive Target und das gewählte Zeitfenster. Wenn die ausgewählte Quelle keine Daten hat, kann der Bericht keine nützlichen Evidenzen erzeugen. Behandeln Sie die Ausgabe als strukturierte Untersuchungshilfe und prüfen Sie genannte Bildschirme, bevor Sie handeln.

Kontextbezogener Copilot

Das rechte Panel begleitet den aktuell verwendeten Bildschirm. Es lässt sich in der Breite ändern, als Workspace erweitern oder auf Mobilgeräten im Vollbild nutzen. Der Copilot erhält einen reduzierten Kontext aus Landing, Operations, Metrics, Events, Jobs, Landing-Karte oder AI: Ansicht, Auswahl, sichtbare Metriken und Zeitbereich. Die ausgewählte SAP-Quelle wird dadurch nie ersetzt.

Fixieren Sie den Kontext, wenn ein Bildschirm beim Navigieren als Referenz erhalten bleiben soll. Antworten können Zitate, Evidenzen, Tabellen, echte Diagramme sowie Aktionen zum Öffnen einer Metrik, Navigieren oder Starten eines Berichts enthalten. Eine Anfrage kann abgebrochen, ein Fehler manuell wiederholt und das Ergebnis bewertet werden. Alle Aktionen sind read-only oder Navigation; der Copilot ändert weder SPOT noch SAP.

Berichte und Zeitbereich

AI-Berichte können zwei Zeitfenster verwenden:

• Quick window: Presets wie letzte Stunde, letzte Stunden oder letzter Tag.
• Exact range: Start- und Enddatum mit Uhrzeit für Incidents mit bekannter Zeit.

Nutzen Sie Exact range, wenn es eine Änderung, Störung oder Warnung mit konkreter Uhrzeit gibt. Der Start muss vor dem Ende liegen und das Backend-Maximum einhalten. SPOT nutzt dieselbe SAP-Quelle, die in der Konsole gewählt ist; AI hat keinen separaten Target-Selector.

Während ein Bericht erzeugt wird, zeigt der Bereich In progress Phase, verstrichene Zeit, Target und Ergebnis. Berichte und RCA laufen als asynchrone Runs: Sie können länger dauern, weil SPOT Evidenzen sammelt, mehrere Hypothesen mit Gegenbelegen prüft, synthetisiert sowie Quality Review und Sicherheitsprüfung ausführt. Eine RCA benötigt nächste Untersuchungsschritte, bei datierten Ereignissen eine Timeline und bei realen Zeitreihen ein Diagramm. Wenn das LLM oder ein Quality Gate fehlschlägt, bleibt der Fehler sichtbar und ein unvollständiger Bericht wird nicht als abgeschlossen gespeichert.

Wenn der Run fertig ist, öffnet SPOT den finalen Bericht oder stellt ihn im Verlauf bereit. Der Workspace trennt Overview, Timeline, Hypotheses, Evidence und Investigation. Ausgewählte Evidenz lässt sich mit zugehörigen Zeitpunkten und Hypothesen abgleichen. So blockiert eine längere Untersuchung nicht die Konsole.

History und In progress lassen sich unabhängig scrollen, damit der ausgewählte Bericht auch bei vielen gespeicherten Untersuchungen sichtbar bleibt.

Nicht mehr benötigte Runs können abgebrochen werden. Der Abbruch ist kooperativ: Der Status wechselt nach Abschluss der laufenden sicheren Phase zu abgebrochen. Ausstehende Runs können nach einem Neustart des Dienstes wiederhergestellt werden, ohne ihren Fortschrittsverlauf zu verlieren.

Berichte exportieren und vergleichen

Berichte können als Markdown exportiert oder aus der Detail-Toolbar in die Zwischenablage kopiert werden. So lassen sich Berichte in Bereitschaftskanälen, Tickets oder interner Dokumentation teilen.

Der visuelle Vergleich ermöglicht es, einen früheren Bericht aus dem Verlauf auszuwählen und die Unterschiede anzuzeigen: Verdict-Änderung, neue Findings, gelöste Findings und Änderungen bei Schlüsselmetriken. Nützlich, um zu prüfen, ob eine Korrekturmassnahme Wirkung gezeigt hat.

AI Analytics

Das Analytics-Panel zeigt Nutzungsmetriken des AI-Systems für den gewählten Zeitraum (24h, 7d, 30d): erstellte Berichte, Chat-Sitzungen, durchschnittliche Qualität, Fehlerrate, positives Feedback, aktiver Provider und die meistgenutzten Tools. Ermöglicht dem Administrator zu bewerten, ob AI genutzt wird und mit welchen Ergebnissen.

Basis- und Business-Chat

Der Chat ist schneller ausgelegt als ein vollstaendiger Bericht. Er zeigt Planung, Tool-Fortschritt und Synthese per SSE und nutzt ein kürzeres Untersuchungsbudget, um eine operative Vorabantwort zu liefern. Wenn der LLM-Provider eine leere Antwort liefert, ein Token-Limit erreicht oder transient fehlschlägt, wiederholt SPOT im Backend, bevor ein Fehler angezeigt wird; nach einem bereits akzeptierten Stream wird die Frage nicht still aus dem Browser erneut abgesendet. Jede Antwort zeigt ein Konfidenz-Badge und ermöglicht Feedback (positiv/negativ) zur Systemverbesserung. Wenn Sie im Chat eine tiefe RCA anfordern, kann SPOT eine Aktion vorschlagen, um einen asynchronen RCA-Bericht zu starten und die Untersuchung in der AI-Ansicht fortzuführen.

Der Chat unterstützt zwei Antwortprofile:

• Basis: technische Antwort mit Metric IDs, Thresholds, Instanzen, Jobs, Events, ML-Signalen falls vorhanden und empfohlenen SAP-Transaktionen.
• Business: Zusammenfassung von Impact, Risiko und nächster Aktion für Service-Verantwortliche mit weniger technischer Sprache.

SPOT führt keine Remediations aus AI heraus aus. Empfehlungen sind Untersuchungsschritte oder Navigation in der Konsole.

Antworten sollten der Sprache der Konsole oder Anfrage folgen. SPOT übersetzt Metric IDs, Hosts, SAP-Transaktionen und Evidence IDs nicht, damit Sie sie direkt in Metrics, Events, Jobs oder SAP gegenprüfen können.

In SaaS arbeitet AI immer innerhalb des authentifizierten Tenants und der ausgewählten SAP-Quelle. Lesezugriffe verwenden Credentials, die auf diesen Tenant und diese Quelle begrenzt sind; Berichte, Konversationen, Runs, Traces und Evaluierungen werden pro Tenant getrennt gespeichert. AI kann keinen anderen Tenant abfragen und die Quelle nicht per Chat-Anweisung wechseln.

Ein Administrator wählt genau einen Primary-Provider. Andere Provider werden nur dann für automatische Wiederherstellung verwendet, wenn eine explizite Fallback priority gesetzt ist; SPOT prüft sie in aufsteigender Reihenfolge und überspringt deaktivierte Provider. Ein aktivierter Provider ohne Priorität kann manuell getestet werden, erhält aber keine Prompts als Fallback. Die gesamte Kette gehört zum selben Tenant und verwendet niemals globale Credentials.

Metriken und operatives Know-how

Wenn Sie nach einem Bildschirm, einer Operations-Domäne oder einer konkreten Metrik fragen, kann AI den vollstaendigen SPOT-Metrikkatalog abfragen, nicht nur die häufigsten Panels. Der Assistent nutzt die aktive SAP-Quelle, das gewählte Zeitfenster und den sichtbaren Bildschirmkontext, um Metriken, historische Serien, Anomalie-Kontext, Jobs, Events, Work-Process-Snapshots und SAP-Wissen auszuwählen.

Der Katalog enthält, sofern vorhanden, das Know-how aus den Metrik-Tooltips: was die jeweilige Signale misst, wie sie zu interpretieren ist, welche Thresholds gelten und welche Bildschirme sich zum Gegenprüfen eignen. Eine Frage zu long-running WP kann zum Beispiel die kanonische Serie long-running-work-processes, ihre Platzierung für das 24-Stunden-Maximum und Snapshots laufender Prozesse mit elapsed time kombinieren.

Wenn Sie ein Diagramm anfordern, sollte AI ein Diagramm aus realen, von SPOT abgerufenen Zeitreihen oder eine ausführbare Aktion zum Öffnen in Metrics liefern. Für bekannte parametrisierte Metriken kann SPOT vordefinierte sichere Varianten abfragen; Parameter stammen niemals aus modellgeneriertem Text. Wenn kein sicherer Default existiert, wird die Query ausgelassen und die Antwort sollte diese Einschränkung nennen.

Knowledge Base der Umgebung

Nur Administratoren können Notizen sowie Markdown-, TXT- oder PDF-Dokumente zur aktiven SAP-Quelle auflisten, öffnen, hinzufügen, freigeben, archivieren oder löschen. Dokumente beginnen als Entwurf und werden erst nach Freigabe für Antworten verwendet; Viewer erhalten nur Antworten und Evidenzen, die aus freigegebenen Inhalten abgerufen wurden. SPOT speichert Herkunft, Version, Sprache, Gültigkeit und Vertrauen, damit die Quelle einer Empfehlung nachvollziehbar bleibt.

SPOT ruft sowohl mitgeliefertes SAP-Wissen als auch freigegebene Umgebungsdokumente nach Relevanz ab. Das mitgelieferte Wissen ist read-only und bleibt vom Inhalt Ihrer Umgebung getrennt. Eine historische RCA wird erst dann zu einem wiederverwendbaren Muster, wenn ein Administrator Ergebnis und Ursache bestätigt. In SaaS bleiben Dokumente und Muster nach Workspace und SAP-Quelle isoliert.

AI, Baselines und Thresholds

Wenn ML-Daten in SaaS oder On-Prem verfügbar sind, kann AI Expected range, Forecast und Anomaly score als gewichtete Evidenzen zusammen mit Thresholds, Events, Jobs, Work-Process-Snapshots und Operations-Domänen verwenden. Lesen Sie diese Evidenz nicht als alleinige Ursache: Eine statistische Anomalie bedeutet, dass der Wert vom normalen Muster abweicht, aber Sie müssen weiter prüfen, ob ein Job, Event, eine degradierte Instanz oder eine operative Änderung dazu passt.

Wenn ML für eine Metrik noch kein Modell hat, behandelt AI das als Kontext (warming_up, no_model oder nicht verfügbar) und arbeitet mit den übrigen Evidenzen weiter. Fehlende ML-Daten bedeuten weder, dass das System gesund ist, noch dass AI fehlgeschlagen ist.

Für eine vollständige Untersuchung:

1. Öffnen Sie Metrics und prüfen Sie Tooltip mit realem Wert, erwarteter Mitte, erwartetem Min/Max, Forecast und Score.
2. Prüfen Sie die betroffene Operations-Domäne auf OK/WARN/KO.
3. Kreuzen Sie Events und Jobs im selben Zeitfenster.
4. Nutzen Sie Machine Learning, um Zustände wie ready, warming_up oder no_matching_series zu interpretieren.