Les cinq cas d’usage les plus communs de l’IA dans l’IT Ops

Analyse automatisée des causes profondes

Les modifications et les changements sont nombreux au sein de systèmes IT, qui plus est sont souvent complexes et profondément imbriqués. Dans ces circonstances, est souvent difficile de déterminer la cause profonde d’un problème. C’est d’autant plus vrai pour les systèmes dont les instances sont à la fois sur site et dans le cloud.

Les équipes SRE peuvent utiliser des outils d’observabilité, de monitoring propulsés à l’IA. Certains d’entre eux sont capables de détecter le composant ou le microservice coupable d’une panne ou d’un ralentissement.

Par exemple, une application se met à consommer un grand volume de ressources CPU. Un outil AIOps peut rapidement repérer le problème et en indiquer la cause. Il peut également assembler différents événements pour réduire le nombre d’alertes reçu par le responsable d’exploitation.

D’autres proposent même des moyens pour trouver rapidement une solution. Cela peut être une recommandation pour réparer, l’arrêt automatique pur et simple du service ou l’application de techniques d’autoremédiation. Dynatrace, MoogSoft, PagerDuty, Splunk ou encore IBM s’inscrivent dans cette tendance.

Chatbots

De nombreuses entreprises mettent déjà en place des chatbots. Ceux-ci s’appuient sur le traitement du langage naturel pour recevoir et répondre aux questions des humains. Ils peuvent être utilisés en première ligne comme des services d’assistance.

Les chatbots permettent des temps de réponse rapides, car ils relient les données et la documentation en arrière-plan à la saisie de texte par l’utilisateur final. Ils peuvent également libérer un temps précieux pour le personnel du service d’assistance informatique.

Ces agents conversationnels peuvent proposer de premiers éléments de réponse aux utilisateurs d’un service. En ce sens, Oracle propose des solutions de chatbots déjà adaptés par l’état de l’Oklahoma pour réduire les appels aux services d’assistance au début de la crise du coronavirus. IPsoft ou encore ServiceNow proposent des solutions similaires.

Ils agissent également comme une nouvelle source de données que l’on peut connecter à un outil de monitoring.

Analyse de sentiments

Le traitement du langage naturel a d’autres avantages. Alimentée par des algorithmes d’apprentissage machine supervisé, l’analyse des sentiments permet aux équipes des opérations informatiques de mieux évaluer la satisfaction des utilisateurs finaux.

Les administrateurs peuvent appliquer l’analyse des sentiments à de grands volumes de données ou de textes, afin de déterminer le sentiment général d’une base d’utilisateurs envers les services et l’assistance informatique qu’ils reçoivent. Par exemple, les équipes SRE peuvent utiliser l’analyse de sentiments dans les enquêtes auprès des utilisateurs, liées à la réponse aux incidents afin de déterminer les niveaux de satisfaction et d’identifier les domaines potentiels d’amélioration.

Modélisation prédictive

De nombreuses plateformes IT rassemblent de grandes quantités de données liées aux processus et aux événements qui se produisent sur les serveurs et les appareils des entreprises. Les patterns dans ces données peuvent constituer des modèles d’apprentissage machine prédictifs qui aident les équipes IT à prévoir les événements et les problèmes futurs. Par exemple, elles peuvent appliquer des algorithmes pour anticiper – et se préparer – à un incident spécifique sur les machines des utilisateurs finaux.

Des outils tels que DataRobot et H2O sont en plein essor auprès des services IT. Ils permettent exécuter des flux autoML pour trouver le meilleur modèle d’apprentissage machine possible pour un jeu de données. Pour les administrateurs informatiques, cela doit réduire la complexité de la construction de modèles prédictifs.

Réduction du MTTR

Un indicateur clé de performance (KPI) très répandu dans les services informatiques est le délai moyen de rétablissement (MTTR), c’est-à-dire le temps qu’il faut pour résoudre un incident. Il s’agit de l’une des mesures les plus critiques pour les services d’assistance, car plus le temps de résolution d’un problème est long, plus l’utilisateur final sera frustré – et moins productif.

Un autre cas d’utilisation du machine learning dans les opérations informatiques consiste à réduire ce MTTR. Par exemple, un utilisateur final appelle le service d’assistance et se plaint des lenteurs du VPN. Un modèle algorithmique évalue les données de l’appareil de cet utilisateur et trouve que la cause probable est associée à une mise à jour récente de Windows. Cela permet au technicien d’aller à la racine du problème et donc de résoudre plus rapidement à son problème.