Les solutions AIOps nécessitent à la fois une IA traditionnelle et une IA générative
L’IA générative a insufflé une nouvelle vie à l’AIOps , mais c’est une mauvaise idée de croire que c’est le seul type d’IA nécessaire pour la maintenir en vie à l’avenir.
L’AIOps semblait, en 2022, être une technologie sous assistance respiratoire. Presque toutes les solutions dites AIOps n’étaient guère plus qu’une surveillance traditionnelle sous stéroïdes. Les cas d’utilisation pour lesquels AIOps était destiné à ce moment-là étaient banals et ne contribuaient pas beaucoup à faire progresser une vision d’ applications adaptatives . Il s’agit d’apporter de l’intelligence et la capacité d’exécuter des changements en temps réel aux opérations.
Mais ensuite, l’IA générative est entrée dans la salle et, soudainement, AIOps a eu une seconde chance. Sauf que ce n’était pas le cas. Pas vraiment.
Pour comprendre pourquoi, nous devons définir AIOps en termes de capacités qu’il est censé fournir.
Qu'est-ce que l'AIOps ?
AIOps est un terme général généralement utilisé pour désigner l'utilisation de intelligence artificielle pour les opérations informatiques. Les solutions AIOps, généralement appelées plateformes, offrent généralement quatre fonctionnalités distinctes :
- Observer : Couvre l'ingestion de télémétrie et la détection d'anomalies.
- Analyser : Utilise l'IA pour découvrir des modèles, corréler les événements dans leur contexte, identifier les causes profondes et générer des informations.
- S'engager : Permettre aux utilisateurs de visualiser et d’interagir avec les données et les informations.
- Acte : Transforme les idées en actions grâce à l'automatisation.
Dans l’ensemble, ce que nous avons vu jusqu’à présent est l’intégration de l’IA générative avec la capacité d’engagement . Plus précisément, l’IA générative a fait progresser les fonctions d’interaction de cette capacité en échangeant des interfaces utilisateur graphiques (GUI) et des API contre des interfaces en langage naturel (NLI). Selon un rapport de ZK Research , cela fait largement de l'AIOps le cas d'utilisation le plus souvent cité pour l'AIOps :
- 64 % d'efficacité opérationnelle/productivité informatique
- 54 % d'amélioration des performances du réseau ou des applications
- 54 % d'amélioration de la sécurité ou de la conformité
Certains indices suggèrent que l'IA générative est utilisée pour agir en générant des politiques et des configurations visant à atténuer les risques et à gérer les incidents, mais ils sont pour l'instant faibles et largement limités à un seul écosystème cible, c'est-à-dire le portefeuille d'un fournisseur ou d'un prestataire.
L’IA générative a fait très peu pour faire progresser la capacité d’ analyser les données collectées par la capacité d’observation . Ce n’est pas une critique négative, mais plutôt une reconnaissance du fait qu’il n’a pas été conçu pour faire cela. Pour cela, nous devons nous appuyer sur la bonne vieille IA traditionnelle.
Qu'est-ce que l'IA traditionnelle ?
Depuis l’introduction de l’IA générative, ce que nous avons toujours appelé l’IA a besoin d’un nom qui lui est propre. Le marché a opté pour l’IA traditionnelle pour décrire « toute IA sauf générative ».
L’IA traditionnelle utilise bon nombre des mêmes techniques de formation et principes sous-jacents que l’IA générative, mais elle vise à analyser et même à prédire les résultats en identifiant des modèles et des relations dans un corpus de données largement structurées. L’IA traditionnelle est excellente en matière de classification et de reconnaissance.
L'IA traditionnelle est utilisée depuis des décennies pour :
- Identifier les robots pour prévenir les abus et les fraudes telles que les prises de contrôle de compte (ATO)
- Détecter les attaques en fonction des modèles comportementaux dans le trafic réseau (DDoS) et application (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 AIOps
La capacité de l’IA traditionnelle non seulement à faire des prédictions sur les modèles et les relations existants, mais également à en découvrir de nouveaux, en temps quasi réel, est ce qui rend la technologie inestimable pour une véritable solution AIOps. Un modèle capable d’analyser de nouvelles données et de déduire la présence d’une attaque ou de prédire un problème susceptible d’interférer avec la disponibilité ou de dégrader les performances est nécessaire. L’IA traditionnelle est particulièrement compétente dans les deux domaines : elle confère à la capacité d’observation la capacité de détecter des anomalies et elle permet la découverte de modèles et de relations pour la capacité d’analyse .
L'IA générative peut générer du code, des configurations et du contenu. Il reproduit les modèles existants et les applique pour générer du nouveau contenu. Cela ne crée rien, mais s'appuie plutôt sur des relations entre des objets qui sont soit renforcés, soit affaiblis en fonction du feedback.
En effet, demander à l’IA générative d’analyser de nouvelles données comporte de nombreux risques. Il peut vous donner une réponse correcte, mais il peut aussi avoir des hallucinations et vous donner une mauvaise réponse. C’est parce qu’en fin de compte, l’IA générative est un jeu de chiffres, et si les relations ou les modèles ne sont pas forts ou n’existent pas suffisamment entre les points de données, elle remplira simplement les blancs, qu’ils soient bons ou mauvais.
Ce que l’IA générative nous offre, c’est l’accessibilité aux données (car nous n’avons pas besoin d’être experts dans un langage de requête ou de compter sur des développeurs pour nous construire une interface) et la capacité de générer automatiquement du code ou des configurations qui peuvent être exécutées pour résoudre un problème. C’est aussi cela l’accessibilité, car cela évite d’avoir à être un expert dans l’écriture de code ou dans l’exploitation de plusieurs API.
Mais sans l’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 d'anomalies.
- Analyser : l’IA traditionnelle pour découvrir des modèles et des relations.
- Engage : IA générative permettant aux utilisateurs de visualiser et d'interagir avec les données et les informations.
- Act : l'IA générative pour transformer les insights en actions.
Ainsi, même si je suis optimiste quant à l’IA générative et à sa capacité à simplifier et même à accélérer les opérations , je suis également conscient que pour réaliser le plein potentiel de l’IA dans AIOps, il faudra à la fois une IA traditionnelle et générative.