Au-delà des appels d’offres et des chatbots : comment l’IA optimise l’infrastructure et les opérations

Aujourd’hui, la plupart des grandes nouveautés en matière d’intelligence artificielle (IA) concernent le développement de nouvelles applications de pointe en IA générative. Qu’il s’agisse d’aider les étudiants à rédiger des documents, de remplir des appels d’offres en quelques secondes ou de préparer des dossiers juridiques(avec toutes les limites que cela comporte), ses réussites et ses échecs ont été bien documentés.

Mais que se passe-t-il avec les tâches plus courantes ? Des entreprises expérimentent le déploiement de l’IA pour automatiser certains aspects de l’infrastructure et des opérations, ce qui permet de consacrer l’expertise humaine à des tâches plus importantes.

« L’IA générative est au cœur de la façon dont de nombreuses entreprises modernes créent de nouveaux produits numériques pour gagner de l’argent », explique Richard Warrick, responsable de la recherche mondiale à l’IBM Institute for Business Value. « Mais que se passerait-il si la même technologie pouvait changer radicalement les processus métier nécessaires à la conception, au déploiement, à la gestion et à l’observation de ces applications ? »

Qu’il s’agisse d’automatiser des processus gourmands en ressources tels que l’approvisionnement des centres de données et les DevOps ou de remplacer le personnel de sécurité sur site, voici comment l’automatisation intelligente assistée par l’IA transforme l’infrastructure et les opérations informatiques. 

Lorsque l’IA a été explorée pour la première fois à des fins commerciales, sa capacité à automatiser des tâches répétitives qui nécessitaient auparavant une entrée humaine était considérée comme son application la plus précieuse. Avec l’essor de l’IA générative et de ses nombreuses capacités, cette notion semble aujourd’hui désuète ; mais si la nature des tâches que l’IA peut automatiser a peut-être changé, la valeur fondamentale de l’automatisation elle-même est restée constante.

Selon une étude récente menée par l’IBV, 80 % des dirigeants automatiseront les opérations de leur réseau informatique au cours des trois prochaines années, tandis que 76 % appliqueront les mêmes compétences d’IA aux opérations informatiques pendant cette période.

« Les workflows intelligents et les outils d’automatisation informatique alimentés par l’IA aident les chefs d’entreprise à trouver des avantages concurrentiels liés à la performance qui leur échappaient auparavant », explique M. Warrick.

Il y a dix ans, l’IA était utilisée pour exécuter des processus simples, basés sur des règles, une capacité connue sous le nom d’automatisation basée sur des règles. Parmi les premières IA basées sur des règles, citons le fonctionnement des bras robotisés et des chaînes d’assemblage des usines. Si les outils d’IA basés sur des règles étaient efficaces dans certains domaines, ils manquaient de flexibilité et d’évolutivité pour être appliqués à des problèmes métier plus larges. Les systèmes basés sur des règles s’appuyaient sur des ensembles de règles prédéfinies, et à mesure que les tâches qu’ils étaient invités à effectuer augmentaient en complexité, le nombre de règles nécessaires au fonctionnement des systèmes augmentait, avec pour résultat des systèmes non évolutifs.

Dans les années 1990, les scientifiques ont commencé à développer des programmes informatiques capables d’« apprendre » à tirer des conclusions de manière similaire au cerveau humain en utilisant de grandes quantités de données. Cette branche de l’IA, connue sous le nom de machine learning (ML), a permis à la technologie de s’attaquer à des tâches de plus en plus complexes, telles que la reconnaissance de la parole et de l’écriture, des jeux complexes et même la capacité d’aider à établir des diagnostics médicaux.

L’apprentissage profond, un sous-ensemble du machine learning qui a gagné en popularité dans les années 2010, a porté le niveau de complexité que les systèmes d’IA pouvaient gérer à des niveaux totalement inédits. S’appuyant sur des réseaux de neurones multicouches, les programmes d’apprentissage profond simulent les modes de prise de décision complexes et nuancés du cerveau humain, ce qui permet à l’IA de créer des applications, d’interpréter des images et des vidéos, voire de répondre à des prompts, comme le font les humains.

Aujourd’hui, grâce au ML et à l’apprentissage profond, l’automatisation assistée par l’IA est passée de processus simples basés sur des règles à des modèles riches et sophistiqués entraînés sur d’immenses jeux de données capables d’effectuer bon nombre des mêmes tâches que leurs homologues humains. Cette nouvelle vague d’outils d’IA, connue sous le nom d’« automatisation intelligente », aide les organisations à améliorer leur infrastructure informatique et leurs opérations en rationalisant les opérations métier, en analysant les données et en résolvant des problèmes complexes qui nécessitaient auparavant une intervention humaine.

Les entreprises modernes ont besoin que leurs esprits les plus brillants dans le domaine de la technologie se concentrent sur les initiatives susceptibles d’apporter le plus de valeur possible, et à l’heure actuelle, cela signifie développer des applications d’IA générative. Selon une autre étude d’IBV, 64 % des PDG ont déclaré ressentir la pression des investisseurs, des créanciers et des prêteurs pour accélérer l’adoption de l’IA générative, et plus de la moitié ont déclaré ressentir la même pression de la part de leurs employés. 

Mais les applications d’IA générative nécessitent le soutien d’une infrastructure complexe pour faciliter la collecte, le traitement et le stockage sécurisé de volumes massifs de données. Auparavant, cette responsabilité incombait à des équipes de responsables informatiques, d’ingénieurs et de data scientists, mais que se passerait-il si l’IA pouvait s’en charger ?

L’automatisation intelligente assistée par l’IA exploite la puissance de compétences spécialisées telles que la vision par ordinateur, le traitement automatique du langage naturel et d’autres technologies d’IA avancées pour résoudre des problèmes métier très complexes. Les modèles d’IA entraînés sur des jeux de données massifs à l’aide du machine learning (ML) et de l’apprentissage profond peuvent analyser les données des applications et des systèmes, identifier rapidement des modèles et ajuster les ressources et les processus en conséquence avant que les problèmes ne surviennent.

La vision par ordinateur est une IA qui interprète les images et les vidéos comme le cerveau humain. Les modèles d’IA utilisent le ML et l’apprentissage profond pour analyser les données de manière répétée, et finalement identifier les différences pertinentes dans les images et les vidéos. Par exemple, un modèle d’IA entraîné pour sécuriser une maison doit être entraîné sur des milliers d’heures de séquences de sécurité pour apprendre à reconnaître un intrus probable.

Dans l’infrastructure informatique, la vision par ordinateur est utilisée pour diverses tâches qui nécessitaient auparavant une entrée humaine, notamment la maintenance prédictive, la surveillance des systèmes, le traitement des flux de données et plus encore :

• Maintenance prédictive : les systèmes de vision par ordinateur spécialement formés utilisent des algorithmes de reconnaissance d’image pour détecter les problèmes liés aux composants tels que les câbles et les serveurs avant qu’ils n’entraînent un temps d’arrêt du réseau.

• Surveillance des systèmes : la vision par ordinateur permet d’analyser avec précision de grandes quantités de données provenant de diverses sources, beaucoup plus rapidement qu’une personne. L’examen des vues de caméra des tunnels de métro, des autoroutes et des bâtiments prendrait des heures à un être humain, mais un système de vision par ordinateur peut le faire en temps réel.

• Traitement des flux de données : les systèmes de vision par ordinateur traitent et analysent d’énormes quantités de données fournies par des capteurs physiques qui suivent des indicateurs clés tels que la température, l’humidité, la vitesse de l’air, etc. Le fait de s’appuyer sur la vision par ordinateur pour détecter des changements soudains dans les conditions alerte souvent les entreprises d’un problème immédiat.

Le traitement automatique du langage naturel (NLP) est un domaine de l’IA qui se concentre sur la façon dont les ordinateurs peuvent être entraînés à comprendre et à communiquer en utilisant le langage humain. Le NLP aide les systèmes à reconnaître et à comprendre la parole humaine et à générer du texte en réponse aux prompts.

Récemment, le NLP a joué un rôle essentiel dans le développement et le lancement de ChatGPT, un chatbot révolutionnaire capable de comprendre et de générer des textes humains en réponse à des questions et à des prompts.

Dans le domaine de l’infrastructure et des opérations, le NLP aide les entreprises à accomplir diverses tâches qui nécessitaient auparavant une entrée humaine, comme l’amélioration de l’expérience, la résolution des tickets et l’analyse des sentiments :

• Expérience utilisateur : le NLP permet aux utilisateurs de poser des questions sur des problèmes informatiques complexes de la même manière qu’ils parleraient à un représentant du service client, et de recevoir des réponses utiles. Les chatbots entraînés sur de grandes quantités de connaissances techniques et dotés de compétences en matière de NLP peuvent prendre la place des représentants du service client qui ont des années de connaissances techniques acquises.

• Résolution des tickets :les systèmes NLP basés sur l’IA peuvent analyser les tickets entrants, les hiérarchiser avec précision et les classer par importance et par type. Les systèmes d’IA peuvent même être entraînés pour résoudre les problèmes eux-mêmes, demander une intervention humaine si nécessaire ou prendre d’autres mesures appropriées.

• Analyse des sentiments : les systèmes NLP peuvent effectuer une analyse des sentiments sur les commentaires, les enquêtes et même les publications sur les réseaux sociaux, en évaluant avec précision les émotions derrière les réponses et en identifiant les domaines à améliorer. De plus, les systèmes NLP peuvent aider à organiser des informations techniques spécialisées, mais aussi à améliorer la documentation et le partage des connaissances informatiques au sein d’une organisation.

L’application de l’automatisation intelligente assistée par l’IA à l’infrastructure et aux opérations informatiques transforme la façon dont les responsables informatiques surveillent et optimisent leurs systèmes et attribuent les ressources critiques. Voici quatre exemples de domaines dans lesquels la technologie contribue à transformer les processus, à réduire les coûts et à obtenir des informations utiles sur les pratiques du cœur de métier.

L’IA est parfaitement apte à repérer des modèles dans les données, ce qui en fait un outil idéal pour analyser les quantités massives de données qui transitent chaque jour par les centres de données d’entreprise. Les opérateurs de centres de données ont commencé à adopter l’IA pour les aider à repérer des modèles dans les données et à identifier les opportunités d’automatisation et de rationalisation des processus, un élément clé de l’augmentation du retour sur investissement (ROI) des initiatives de transformation numérique .

La consommation d’énergie est l’un des domaines dans lesquels l’IA améliore déjà les opérations des centres de données. Les systèmes d’IA peuvent surveiller et ajuster dynamiquement les systèmes de refroidissement et gérer la consommation d’énergie, ce qui permet aux entreprises d’économiser des millions.Dans un cas particulier, une entreprise est parvenue à réduire la facture d’énergie d’un centre de données de 40 %.

L’IA est de plus en plus utilisée pour automatiser certains aspects de la gouvernance des données, un processus consistant à maintenir l’intégrité et la sécurité des données lors de leur collecte, de leur stockage et de leur traitement. Avec l’essor de l’IA générative, les entreprises ont compris qu’elles devaient collecter et gérer beaucoup plus de données que par le passé. Etant donné que les données dont elles ont besoin sont souvent collectées dans un endroit, puis stockées et traitées dans un autre, il peut être difficile de respecter les lois de conformité applicables. Les systèmes d’IA automatisent certains aspects du processus de conformité, notamment en effectuant des mises à jour basées sur les lois et les réglementations, sans entrée humaine, ce qui rend l’ensemble du processus plus efficace et plus sûr.

L’IA joue un rôle de plus en plus important dans l’observabilité, un aspect des opérations informatiques qui aide les entreprises à comprendre l’état de systèmes complexes en fonction des productions de ces systèmes. L’observabilité peut être appliquée à divers composants de l’infrastructure, notamment aux serveurs, aux applications, aux périphériques réseau, etc.

Les modèles d’IA entraînés à des fins d’observabilité surveillent les données provenant de ces systèmes et les analysent pour y déceler des erreurs et des inefficacités. Grâce à l’automatisation intelligente avancée assistée par l’IA, certains systèmes d’IA peuvent même identifier les causes racine de certains problèmes et prendre les mesures appropriées avant qu’ils n’aient un impact sur la disponibilité, la performance ou la sécurité des applications.

En plus de surveiller les performances et la disponibilité des systèmes et des applications, l’IA transforme également le provisionnement, un processus qui met à disposition des ressources matérielles et logicielles pour les systèmes et les utilisateurs. Aujourd’hui, les systèmes d’IA avancés automatisent le provisionnement, ce qui aide les entreprises à attribuer les ressources de cloud computing plus efficacement afin que les machines ne restent pas inactives et que les performances globales ne diminuent pas. Le marché de l’automatisation assistée par l’IA dans le processus d’approvisionnement est important : selon un rapport de secteur de Flexera, plus de 32 % des dépenses cloud sont gaspillées en raison d’un mauvais approvisionnement¹

Les systèmes d’IA sont utilisés pour améliorer le DevOps, une méthode de développement logiciel qui fait le lien entre les codeurs et les opérations informatiques. Certaines entreprises ont utilisé l’IA pour automatiser les tests de logiciels et accélérer le développement. D’autres ont déployé des algorithmes d’IA pour analyser les données des pipelines et améliorer l’attribution des ressources. D’autres entreprises encore s’appuient de plus en plus sur l’IA générative pour écrire du code, le tester, identifier les bugs et même suggérer des correctifs.

Selon Kyle Brown, Fellow IBM, l’IA n’est pas uniquement utilisée pour automatiser certains aspects du DevOps, mais aussi pour des plateformes entières. « Aujourd’hui, vous pouvez mettre en œuvre une plateforme DevOps IA commune, entièrement pilotée par la configuration et automatisée », explique t-il. « Quel que soit le projet sur lequel travaille une équipe de développement, si elle le développe sur l’une de ces plateformes, elle respectera les directives définies par l’entreprise. » 

Alors que l’IA générative et son potentiel pour les applications métier font encore les gros titres de la presse spécialisée, les entreprises qui appliquent l’IA aux systèmes et aux processus qui sous-tendent l’informatique découvrent de nouveaux moyens de réduire les coûts et de transformer les systèmes et les processus obsolètes. De l’automatisation des tâches à forte consommation de ressources (comme le provisionnement, la conformité et les tests logiciels) à la surveillance des systèmes complexes pour détecter les intrusions et l’exploration d’énormes jeux de données pour obtenir des informations en temps réel, le potentiel d’innovation dans ce domaine est illimité.

Les solutions d’infrastructure et d’opérations informatiques modernes alimentées par l’IA (solutions AIOps) offrent un ensemble complet et entièrement intégré d’outils alimentés par l’IA qui automatisent les processus et fournissent des informations précieuses sur la performance et la santé des systèmes et des applications. « Ces outils modernes sont une véritable aubaine pour les équipes des opérations », déclare M. Brown. « Prenons un seul domaine – la planification par exemple – et nous avons constaté que l’automatisation assistée par l’IA réduit de moitié les dépenses prévues en matériel et en ressources supplémentaires. »