L’intelligence artificielle en passe de révolutionner la gestion de la performance applicative

La complexité des applications modernes rend obsolète le monitoring applicatif traditionnel. Via les conteneurs, ces applications très élastiques peuvent désormais s’adapter à des volumes de demandes sans précédent.

Les acteurs de l’APM (Application Performance Monitoring) doivent reconsidérer leur approche, pour fournir aux entreprises davantage de valeur ajoutée que la simple identification de problèmes. Gérer la complexité : voilà le défi lancé par la nouvelle génération d’applications. Certains secteurs, à commencer par celui de la finance, sont pionniers en la matière. Cela fait des années que les sociétés de services financiers, notamment à Wall Street, utilisent des analyses, des algorithmes prédictifs et des dispositifs d’automatisation, pour exécuter leurs transactions et mieux servir leurs clients. Davantage de secteurs gagneraient aujourd’hui à exploiter ces différentes techniques pour mieux gérer leur complexité applicative. Intelligence artificielle, machine learning, algorithmes : quel que soit le nom qu’on leur donne, elles permettent avant tout d’identifier des schémas types dans les données et d’y répondre de manière adéquate.

Dans un article publié en 2001, IBM révélait déjà comment plusieurs algorithmes (MGD et ZIP) avait surpassé les capacités des traders. Ces algorithmes sont conçus pour rechercher des schémas types dans les données. Combiné à du machine learning, ils peuvent s’adapter et réagir en temps réel à l’évolution des schémas. Ce qui permet de complètement automatiser la prise de décision, et de réaliser, au passage, des volumes de transactions représentant des milliards de dollars.

Autre exemple : la sécurisation des cartes de crédit. La fraude à la carte de crédit est estimée à 16 milliards de dollars. Pour sécuriser au maximum les transactions, les sociétés de carte de crédit doivent monitorer des milliards d’évènements. Le machine learning et les algorithmes leur permettent aujourd’hui d’identifier toute anomalie dans les activités d’un client.  Lorsqu’une transaction est opérée dans un lieu où le détenteur de la carte n’a pas l’habitude de se trouver, elle est automatiquement marquée comme suspecte. Voilà un usage désormais commun du machine learning.

Ce qu’il faut retenir, c’est que l’intelligence artificielle - ou machine learning ou algorithmes - est une technologie éprouvée pour analyser (et répondre à) de gigantesques volumes de données en temps réel. Et c’est exactement ce dont on a besoin pour gérer la complexité croissante des applications de dernière génération.

De l’APM au Management de la Performance Digitale

De nombreux experts se sont déjà penchés sur cette question. Jason Bloomberg explique comment le machine learning peut être appliqué à des ensembles de données complexes, issus d’analyses de la performance digitale.

L’APM (Application Performance Management) s’est énormément diversifié au cours des dix dernières années, sous l’impulsion d’entreprises à la recherche constante de services capables de répondre aux besoins variés de leurs équipes – exploitation, développement, métiers, etc. La dernière évolution en date, le Management de la Performance Digitale, est apparue en même temps qu’a émergé une nouvelle façon de comprendre et d’appréhender la consommation de données d’APM par les entreprises. En réalisant que c’est toute l’organisation qui devait s’appuyer sur les données de performance pour mieux servir ses utilisateurs finaux, l’accent a été mis sur la capacité à capturer, de manière exhaustive, l’intégralité (full stack) de chaque transaction pour chaque action utilisateur. Autrement dit, de l’ensemble de la chaîne complexe de métadonnées qui se cache derrière chaque clic, pour répondre à la requête d’un utilisateur, et ce quelle que soit la façon dont il interagit avec l’application.

Le volume de données générées est gigantesque. Certains éditeurs d’APM ont choisi d’opter pour une vue fragmentée des données, au moment où un incident survient. Mais ce type d’approche, en ne donnant qu’une vision tronquée de la performance, ne répond pas aux attentes des entreprises, qui veulent tout comprendre de toutes leurs transactions. L’efficacité des algorithmes et du machine learning dépend d’abord du volume de données disponibles : plus il y en a, mieux c’est ! De plus, seule une vision globale des performances applicatives permet aux entreprises de véritablement comprendre ce que font leurs utilisateurs, comment la performance impacte leur conversion, comment elles peuvent mieux protéger leur marque, et déterminer la meilleure stratégie d’investissement technologique. C’est pourquoi elles sont de plus en plus nombreuses à se tourner aujourd’hui vers le Management de la Performance Digitale.

L’intelligence artificielle, pour replacer l’humain dans ce qu’il fait de mieux

Les algorithmes sont particulièrement bien adaptés à la gestion des environnements dynamiques. Pour être efficaces, ils doivent prendre en compte la découverte automatique des ressources informatiques au moment de leur création. L’élasticité croissante des environnements applicatifs rend incontournable, pour les entreprises, de comprendre ce qui est créé, ce qui est obsolète, et ce qui impacte réellement leurs utilisateurs finaux. Les algorithmes doivent également comprendre les données générées par ces utilisateurs et référencer automatiquement, non seulement le volume de trafic mais aussi sa performance, afin d’identifier les anomalies.

Dans ce contexte, l’avantage pour les entreprises à déployer des technologies d’intelligence artificielle, de machine learning ou d’algorithmes, en même temps que leurs actifs de gestion de la performance digitale, réside dans leur capacité à réduire les coûts associés à l’identification des problèmes et l’analyse de leurs causes. Les entreprises n’ont plus besoin d’allouer leur capital humain le plus coûteux à des opérations de diagnostic ad hoc : elles peuvent le consacrer pleinement à l’innovation pour lesquelles il a une réelle valeur ajoutée.

Si les sociétés de Wall Street n’ont pas attendu le Management de la Performance Digitale pour utiliser l’intelligence artificielle, le machine learning et les algorithmes, elles ont en revanche prouvé que ces technologies constituaient un atout majeur en matière d’exploitation en temps réel de données dynamiques et complexes. Une chance pour les entreprises, tous secteurs confondus, pour mieux gérer la complexité inhérente à leurs applications et au service rendu à leurs utilisateurs finaux.