L’IA générative a donné un nouveau souffle à l’AIOps, mais il serait malavisé de croire qu’elle est le seul type d’IA nécessaire pour assurer sa pérennité.
En 2022, l’AIOps semblait être une technologie sous assistance respiratoire. Presque toutes les solutions dites d’AIOps n’étaient guère plus que des outils de supervision traditionnels survitaminés. Les cas d’usage auxquels l’AIOps était alors destiné étaient banals et ne contribuaient que très peu à concrétiser la vision d’applications adaptatives — autrement dit, à doter les opérations d’intelligence et de la capacité à mettre en œuvre des changements en temps réel.
Mais l’IA générative est alors entrée en scène et, soudain, l’AIOps s’est vu offrir une seconde chance. Sauf que non. Pas vraiment.
Pour comprendre pourquoi, nous devons définir l’AIOps en fonction des capacités qu’elle est censée offrir.
Qu’est-ce que l’AIOps ?
L’AIOps est un terme générique qui désigne généralement l’utilisation de l’intelligence artificielle pour les opérations informatiques. Les solutions AIOps, habituellement appelées plateformes, offrent généralement quatre fonctionnalités distinctes :
- Observer: couvre l’ingestion des données de télémétrie et la détection des anomalies.
- Analyser: utilise l’IA pour mettre au jour des tendances, corréler les événements dans leur contexte, identifier les causes profondes et générer des informations exploitables.
- Interagir: permet aux utilisateurs de visualiser les données et les informations exploitables, et d’interagir avec elles.
- Agir: transforme les enseignements en actions grâce à l’automatisation.
Dans l’ensemble, ce que nous avons observé jusqu’à présent est l’intégration de l’IA générative à la fonctionnalité « engage ». Plus précisément, l’IA générative a fait progresser les fonctions d’interaction de cette fonctionnalité en remplaçant les interfaces graphiques utilisateur (GUI) et les API par des interfaces en langage naturel (NLI). Cela rapproche largement l’AIOps de son cas d’usage le plus souvent cité, selon un rapport de ZK Research :
- 64 % d’efficacité opérationnelle/de productivité informatique
- 54 % d’amélioration des performances du réseau ou des applications
- 54 % ont amélioré la sécurité ou la conformité
Certains éléments indiquent que l’IA générative est utilisée pour agir en générant des politiques et des configurations afin d’atténuer les risques et de gérer les incidents, mais ces signes restent pour l’instant ténus et se limitent en grande partie à un seul écosystème cible, c’est-à-dire au portefeuille d’un fournisseur ou d’un prestataire donné.
L’IA générative n’a que très peu contribué à améliorer la capacité à analyser les données recueillies par la fonction d’observation. Ce n’est pas un reproche à son égard, mais simplement la reconnaissance du fait qu’elle n’a pas été conçue pour cela. Pour ce faire, nous devons nous appuyer sur la bonne vieille IA traditionnelle.
Qu’est-ce que l’IA traditionnelle ?
Depuis l’apparition de l’IA générative, ce que nous avons toujours appelé l’IA a eu besoin d’une appellation qui lui soit propre. Le marché a adopté l’expression « IA traditionnelle » pour désigner « toute IA autre que générative ».
L’IA traditionnelle utilise bon nombre des mêmes techniques d’entraînement et principes fondamentaux que l’IA générative, mais elle vise à analyser, voire à prédire, des résultats en identifiant des schémas et des relations dans un corpus de données en grande partie structurées. L’IA traditionnelle excelle dans les tâches de classification et de reconnaissance.
L’IA traditionnelle est utilisée depuis des décennies pour :
- Identifier les bots afin de prévenir les abus et la fraude tels que les prises de contrôle de comptes (ATO)
- Détecter les attaques en fonction des schémas comportementaux du trafic réseau (DDoS) et du trafic applicatif (L7)
- Formuler des recommandations de produits et/ou de services en fonction des habitudes de consommation
- Reconnaissance de l’écriture manuscrite et des images
Le rôle de l’IA dans l’AIOps
La capacité de l’IA traditionnelle non seulement à effectuer des prédictions à partir de schémas et de relations existants, mais aussi à en découvrir de nouveaux, quasiment en temps réel, est ce qui rend cette technologie indispensable à une véritable solution AIOps. Un modèle capable d’analyser de nouvelles données et d’en déduire la présence d’une attaque, ou de prévoir un problème susceptible de nuire à la disponibilité ou de dégrader les performances, est nécessaire. L’IA traditionnelle excelle particulièrement dans ces deux domaines : elle confère à la capacité d’observation l’aptitude à détecter les anomalies et permet à la capacité d’analyse de découvrir des schémas et des relations.
L’IA générative peut générer du code, des configurations et du contenu. Elle reproduit des modèles existants et les applique pour générer de nouveaux contenus. Elle ne crée rien, mais s’appuie sur des relations entre des objets, qui sont renforcées ou affaiblies en fonction des retours reçus.
En effet, demander à une IA générative d’analyser de nouvelles données comporte de nombreux risques. Elle peut vous fournir une réponse correcte, mais elle peut aussi halluciner et vous donner une réponse erronée. En définitive, l’IA générative repose sur des calculs probabilistes : si les relations ou les schémas entre les points de données ne sont pas suffisamment solides ou nombreux, elle comblera simplement les lacunes, à tort ou à raison.
Ce que l’IA générative nous offre, c’est l’accessibilité aux données — puisque nous n’avons pas besoin de maîtriser un langage de requête ni de faire appel à des développeurs pour nous créer une interface — ainsi que la possibilité de générer automatiquement du code ou des configurations pouvant être exécutés pour résoudre un problème. Là encore, il s’agit d’accessibilité, car cela évite d’avoir à maîtriser l’écriture de code ou l’utilisation de plusieurs API.
Mais sans IA traditionnelle pour analyser les données de télémétrie en temps réel, un tel système ne répond que partiellement à deux des trois capacités nécessaires à une solution AIOps pleinement fonctionnelle. Nous devons donc utiliser à la fois l’IA traditionnelle et l’IA générative :
- Observer: IA traditionnelle pour la détection des anomalies.
- Analyser : l’IA traditionnelle pour mettre au jour des tendances et des relations.
- Interagir: l’IA générative pour permettre aux utilisateurs de visualiser les données et les informations exploitables, et d’interagir avec elles.
- Agir: l’IA générative pour transformer les enseignements en actions.
Ainsi, même si je suis optimiste quant à l’IA générative et à sa capacité à simplifier, voire à accélérer les opérations, je suis également conscient que, pour exploiter pleinement le potentiel de l’IA dans l’AIOps, il faudra combiner IA traditionnelle et IA générative.
À propos de l’auteur
Lori MacVittie est ingénieure émérite et évangéliste en chef au sein du bureau du directeur technique de F5. Elle possède une expertise approfondie dans la fourniture d’applications, les stratégies d’automatisation et les infrastructures. Elle est réputée pour sa capacité à rendre la complexité intelligible, qu’elle définisse des garde-fous pour les agents d’IA, analyse des architectures multicloud fragiles ou explore les limites des systèmes évolutifs. Elle cumule plus de trente ans d’expérience dans le secteur, couvrant le développement d’applications, l’architecture informatique ainsi que l’exploitation des réseaux et des systèmes. Avant de rejoindre F5, elle a été rédactrice spécialisée dans les technologies et a reçu plusieurs distinctions. MacVittie est titulaire d’un master en informatique et est une autrice prolifique dont les publications couvrent la sécurité, le cloud et l’architecture d’entreprise. Elle est également une passionnée de jeux de société et de jeux vidéo, et assume pleinement ses avis bien tranchés sur le fromage.
Autres articles de Lori Mac VittieArticles de blog associés
Pourquoi devriez-vous vous intéresser à WebAssembly ?
WebAssembly (Wasm) est un jeu d’instructions binaires portable, rapide et sécurisé, qui permet d’exécuter des applications hautes performances sur n’importe quelle plateforme.
Trois choses à savoir sur les applications d’IA
Les applications d’IA sont des applications modernes, mais elles présentent certaines particularités. Découvrez les points essentiels à connaître sur les applications basées sur l’IA.
État des lieux de la stratégie applicative 2022 : il est temps de moderniser les opérations
Il est devenu évident que, pour maintenir la dynamique de leur transformation numérique, les organisations doivent recentrer leurs efforts sur les fonctions métier. Si les expériences destinées aux clients restent prioritaires, il est également indispensable de permettre la numérisation de fonctions telles que les services juridiques, les ressources humaines et la finance. Les DSI prennent donc les commandes, tandis que la transformation numérique passe de la modernisation des applications à celle des opérations.
Clouds multiples ou multicloud : faciliter la transition
La gestion et la sécurisation des charges de travail deviennent complexes à mesure que les entreprises adoptent une stratégie de cloud connecté. Découvrez comment F5 répond au besoin d’une nouvelle approche de la mise en réseau multicloud.
L’expérience client dépend de la visibilité
Une enquête menée par Dimensional Research auprès de plus de 3 000 utilisateurs d’applications mobiles a confirmé ce que beaucoup d’entre nous pensent des attentes actuelles des clients.
Transformation numérique et explosion du portefeuille d’applications
La transformation numérique stimule la croissance des portefeuilles d’applications et modifie la manière dont celles-ci sont développées, déployées, intégrées et, en définitive, utilisées.