L'automatisation et l'IA au service de la gouvernance d'entreprise

L'automatisation et l'intelligence artificielle constituent des leviers efficaces pour rendre les systèmes IT plus proactifs. Le point sur cette tendance.

Dans le domaine de l’IT, les entreprises ont atteint un certain niveau de maturité. Mais elles souhaitent désormais aller plus loin dans l’optimisation de leur infrastructure et de leurs coûts d’exécution. Et dans ce domaine, l’automatisation et l’intelligence artificielle (IA) constituent des leviers efficaces pour rendre les systèmes plus proactifs.

Mais tout ne se résume pas à une question de coûts. Aujourd’hui, les chaînes de livraison applicative sont de plus en plus rapides. Avec le CI/CD, le DevOps et la transformation agile, le rythme d’adoption technologique s’est fortement accéléré. Le but n’est pas simplement de baisser le coût d’exécution, mais aussi de s’adapter à la rapidité d’évolution et de mise à disposition de nouveaux services.

Détection - remédiation : optimiser la performance d’un système IT

Une plateforme d’observabilité s’avère très utile pour assurer une détection et une remédiation des incidents efficiente. Celle-ci fonctionne avec des collecteurs de sources de données à intégrer à un data lake, afin d’effectuer des fonctions d’analyses ou d’AIOps (intelligence artificielle pour les opérations informatiques).

Dans un système IT, du plus traditionnel au plus moderne, il est nécessaire de collecter massivement les données pour savoir par exemple si le système fonctionne bien, s’il est performant et si les utilisateurs peuvent profiter d’une expérience pleinement satisfaisante.

En rupture avec le modèle réactif historique, il est désormais possible de travailler de manière plus proactive, en s’appuyant sur des données beaucoup plus brutes, moins consolidées, et détecter des écarts comportementaux. Les algorithmes de machine learning (ML) sont capables, non plus simplement de tester le bon fonctionnement, mais de faire de la déduction grâce à toutes les données disponibles dans le data lake.

Automatiser l’automatisation

Aujourd’hui, les architectures d’observabilité basées sur des mécanismes d’IA sont en mesure de détecter automatiquement les signaux faibles, de faire du ML, de l’analyse approfondie ou de l’analyse de cause racine. Une fois un comportement anormal relevé, il est possible d’automatiser le traitement de cette information. Plutôt que de faire appel à un opérateur humain qui se connecte à une machine, à un équipement réseaux, ou à une application pour initier des tentatives de remédiation, il est désormais possible de créer une automatisation de l’alerte ainsi que les chaînes de livraison applicative de la remédiation.

C’est ici que l’automatisation robotisée des processus (RPA) entre en jeu. Celle-ci peut automatiquement créer des robots à partir de fichiers de consignes et donc automatiser l’automatisation. Le but est de grandir en efficacité opérationnelle et d’améliorer le temps moyen nécessaire à la réparation (MTTR) et le temps moyen entre pannes (MTBF).

4 étapes clés de l’intelligence artificielle

Tout d’abord, l’IA est dépendante de son carburant, la donnée. Il faut ainsi commencer par connecter les différentes sources de données pour les intégrer dans une plateforme pour obtenir un jeu de données le plus complet possible.

Ensuite, grâce à l’extraction, transformation, chargement (ETL), la donnée est normalisée pour effectuer des traitements d’analyse communs et indépendants du format de la source.

Puis, on analyse la donnée. À cette étape, on veille à la capacité d’intégrer massivement la donnée, notamment grâce à une plateforme possédant d’importantes capacités d’intégration rapide de flux.

Enfin, on consomme la donnée. Que ce soit via des graphiques, des tableaux de bord, des systèmes de notifications, des outils d’hypervision ou d’ITSM, il s’agit de tirer parti de l’information. Pour cela, il est nécessaire de disposer des technologies capables de proposer des algorithmes d’AIOps au sein de sa plateforme de données. Ceux-ci peuvent comprendre le ML, l’apprentissage des tendances, des fonctions de régression linéaire et logistique, ou encore des arbres de décisions. Ces technologies s’appuient sur les métiers de data scientists. En effet, si l’éditeur propose un certain nombre de modèles d’IA prédéfinis, il est aussi nécessaire d’ouvrir la plateforme pour réinjecter ses propres modèles d’IA personnalisés.

L’automatisation et l’intelligence artificielle de demain

Pour aller plus loin dans l’automatisation, on peut chercher à définir des mécaniques de définition d’automates plus intelligentes, plus autonomes. Plutôt que de faire appel à un développeur qui crée des robots manuellement, on peut imaginer des systèmes de reconnaissance vocale permettant une dictée orale des consignes pour gagner en réactivité.

Les problématiques de l’IA, quant à elles, tournent autour de l’enrichissement des sources de données, prenant en compte les sentiments ou les réseaux sociaux. Si on prend l’exemple d’un site d’e-commerce, aujourd’hui le système IT assure son bon fonctionnement. Mais demain, il sera capable de corréler les données de type métriques informatiques avec les commentaires des réseaux sociaux, pour mettre en relation un dysfonctionnement du système IT avec les commentaires des internautes. L’enjeu principal qui se profile réside donc dans le développement de modèles d’analyses holistiques simplifiés.