L’AIOPs, c’est quoi ?

Inventé par Gartner, l’AIOps, c’est-à-dire l’intelligence artificielle pour les opérations informatiques, est l’application de fonctionnalités d’intelligence artificielle (IA), telles que le traitement du langage naturel et les modèles de machine learning, pour automatiser et rationaliser les flux de travail opérationnels.

Plus précisément, AIOps utilise des fonctionnalités de big data, d’analyse et de machine learning pour effectuer les opérations suivantes :

• Collecter et agréger les volumes de données massifs et toujours plus importants générés par plusieurs composants d’infrastructure informatique, les demandes d’applications, les outils d’analyse des performances et les systèmes de gestion des tickets de service.
• Sortir intelligemment les « signaux » du « bruit » afin d’identifier les événements et les modèles significatifs liés aux problèmes de performance et de disponibilité des applications.
• Déterminez les causes premières et signalez-les au service informatique et au DevOps pour une réponse et une résolution rapides, voire automatiques, de ces problèmes sans intervention humaine. 

En intégrant plusieurs outils d’opérations informatiques distincts et manuels dans une plateforme unique, intelligente et automatisée, l’AIOps permet aux équipes chargées des opérations informatiques de répondre plus rapidement aux ralentissements et aux pannes, avec une visibilité et un contexte de bout en bout.

Il comble, d’une part, le fossé entre un paysage informatique de plus en plus diversifié, dynamique et difficile à contrôler et des équipes cloisonnées, et d’autre part, les attentes des utilisateurs qui souhaitent peu ou pas d’interruption dans les performances et la disponibilité des applications. La plupart des experts considèrent l’AIOps comme l’avenir de la gestion des opérations informatiques et la demande en initiatives de transformation numérique ne fait qu’augmenter.

Le parcours vers l’AIOps est différent dans toutes les organisations. Une fois que vous avez évalué où vous vous trouvez dans votre parcours vers l’AIOps, vous pouvez commencer à intégrer des outils qui aident les équipes à observer, prévoir et agir rapidement aux problèmes opérationnels informatiques. Lorsque vous envisagez des outils pour améliorer l’AIOps au sein de votre organisation, vous devez vous assurer qu’ils disposent des fonctionnalités suivantes :

Observabilité : l’observabilité fait référence aux outils et pratiques logiciels pour ingérer, agréger et analyser un flux constant de données de performance provenant d’une application distribuée et du matériel sur lequel elle s’exécute, afin de surveiller plus efficacement, dépanner et déboguer l’application pour répondre aux attentes en matière d’expérience utilisateur, aux accords de niveaux de service (SLA) et aux autres exigences métier. Ces solutions offrent une vue globale de vos applications, de votre infrastructure et de votre réseau grâce à l’agrégation et à la consolidation des données, mais ne prennent pas de mesures correctives pour résoudre les problèmes informatiques. Bien qu’elles ne prennent pas de mesures correctives pour résoudre les problèmes informatiques, elles collectent et regroupent des données informatiques provenant de diverses sources dans les différents domaines informatiques afin d’alerter les utilisateurs finaux en cas de problèmes potentiels, en attendant que les équipes de services informatiques mettent en œuvre les mesures correctives nécessaires. Bien que les données et les visualisations correspondantes de ces outils soient précieuses, elles créent une dépendance vis-à-vis des services informatiques pour prendre des décisions et répondre de manière appropriée aux problèmes techniques. L’optimisation des ressources qui exige qu’un opérateur mette à jour manuellement les systèmes opérationnels peut ne pas voir les avantages dans les situations de demande dynamiques.

Analyse prédictive : les solutions AIOps peuvent analyser et corréler les données pour une meilleure compréhension et des actions automatisées, ce qui permet aux équipes informatiques de garder le contrôle sur des environnements informatiques de plus en plus complexes et d’assurer la performance des applications.  Être capable de corréler et d’isoler les problèmes constitue un énorme pas en avant pour toute équipe chargée des opérations informatiques. Cela réduit le temps nécessaire pour détecter des problèmes qui n’auraient autrement peut-être pas été détectés dans l’organisation. Les organisations bénéficieront des avantages de la détection automatique des anomalies, des alertes et des recommandations de solutions, ce qui réduit les temps d’arrêt ainsi que le nombre d’incidents et de tickets. L’optimisation dynamique des ressources peut être automatisée à l’aide de l’analyse prédictive, ce qui peut garantir la performance des applications tout en réduisant le coût des ressources, même en cas de forte variabilité de la demande, en toute sécurité.

Réponse proactive : certaines solutions AIOps répondent de manière proactive aux événements imprévus, tels que les ralentissements et les pannes, rassemblant la gestion des performances des applications et des ressources en temps réel. En alimentant les algorithmes prédictifs avec des indicateurs de performance des applications, ils peuvent identifier des modèles et des tendances qui coïncident avec différents problèmes informatiques. Grâce à la possibilité de prévoir les problèmes informatiques avant qu’ils ne surviennent, les outils AIOps peuvent lancer des processus pertinents et automatisés en réponse, ce qui permet de rectifier rapidement les problèmes. Les organisations pourront voir les avantages de l’automatisation intelligente, comme l’amélioration du temps moyen de détection (MTTD).

Ce type de technologie est l’avenir de la gestion des opérations informatiques, car il peut aider les entreprises à améliorer l’expérience des employés et des clients. Non seulement les systèmes AIOps garantissent que les problèmes liés aux services informatiques sont résolus en temps voulu, mais ils constituent également un filet de sécurité pour les équipes d’exploitation informatique, en s’attaquant aux problèmes susceptibles de passer entre les mailles du filet en raison d’une négligence humaine, comme les silos organisationnels, les équipes ne disposant pas de ressources suffisantes, etc. 

L’avantage global de l’AIOps est qu’il permet aux équipes chargées des opérations informatiques d’identifier, de traiter et de résoudre les ralentissements et les pannes plus rapidement qu’en passant manuellement par les alertes provenant de plusieurs outils informatiques. Cela se traduit par plusieurs avantages clés :

• Réduction du temps moyen de résolution (MTTR) : en éliminant le bruit des opérations informatiques et en corrélant les données d’exploitation provenant de plusieurs environnements informatiques, l’AIOps est en mesure d’identifier les causes premières et de proposer des solutions plus rapidement et avec plus de précision qu’il n’est humainement possible de le faire. Cela permet aux organisations de définir et d’atteindre des objectifs de MTTR auparavant impensables. Par exemple, l’infrastructure informatique de Vivy a réduit de 66 % le temps moyen de réparation (MTTR) de l’application de l’entreprise, passant de trois jours à un jour ou moins.
• Réduction des coûts opérationnels : l’identification automatique des problèmes opérationnels et la reprogrammation des scripts de réponse réduiront les coûts opérationnels, ce qui permettra une meilleure allocation des ressources. Cela permet également de libérer les employés pour les affecter à des tâches plus innovantes et plus complexes, ce qui améliore leur expérience. Grâce à l’optimisation, Providence a économisé plus de 2 millions de dollars tout en garantissant le bon fonctionnement de ses applications durant les pics de charge.
• Plus d’observabilité et une meilleure collaboration : les intégrations disponibles dans les outils de surveillance AIOps renforcent l’efficacité de la collaboration entre les équipes DevOps, ITOps, de gouvernance et sécurité. Grâce à une meilleure visibilité, communication et transparence, elles améliorent la prise de décisions et répondent plus rapidement aux problèmes. Par exemple, Dealerware a apporté davantage d’observabilité à son architecture basée sur des conteneurs, ce qui a amélioré les performances des applications pendant la pandémie et réduit la latence de livraison de 98 %.

Passer d’une gestion réactive à une gestion proactive, puis à une gestion prédictive : grâce à ses capacités d’analyse prédictive intégrées, l’AIOps apprend en permanence à identifier et à prioriser les alertes les plus urgentes, ce qui permet aux équipes informatiques de traiter les éventuels problèmes avant qu’ils n’entraînent des ralentissements ou des pannes. Electrolux a accéléré la résolution des problèmes informatiques, qui est passée de trois semaines à une heure, grâce à la réduction de son temps moyen de détection (MTTD) et a ainsi pu économiser plus de 1 000 heures par an grâce à l’automatisation des tâches de réparation.

L’AIOps intègre des fonctionnalités de big data, d’analyse avancée et de machine learning pour répondre aux cas d’utilisation suivants :

• Analyse des causes premières : comme son nom l’indique, l’analyse des causes premières permet de déterminer la cause première des problèmes afin d’y remédier par des solutions appropriées. En identifiant les causes premières, les équipes peuvent éviter les tâches inutiles liées au traitement des symptômes du problème plutôt qu’à celui de son origine. Par exemple, une plateforme AIOps peut remonter à la source d’une panne de réseau afin de la résoudre immédiatement et de mettre en place des mesures de protection pour éviter que des problèmes similaires ne se reproduisent à l’avenir.
• Détection des anomalies : les outils AIOps peuvent passer au peigne fin de grandes quantités de données historiques et découvrir des points de données atypiques au sein d’un ensemble de données. Ces valeurs aberrantes agissent comme des « signaux » qui permettent d’identifier et de prédire les événements problématiques, tels que les violations de données. Cette capacité permet aux entreprises de se préserver de répercussions coûteuses, telles qu’une mauvaise presse, des amendes réglementaires et une perte de confiance de la part des consommateurs.  
• Surveillance des performances : les applications modernes sont souvent séparées par de multiples couches d’abstraction, ce qui rend difficile de déterminer quels serveurs physiques sous-jacents, quelles ressources de stockage et réseau soutiennent quelles applications. L’AIOps permet de combler cette lacune. Il sert d’outil de surveillance pour l’infrastructure cloud, la virtualisation et les systèmes de stockage, en établissant des rapports sur des indicateurs tels que l’utilisation, la disponibilité et les temps de réponse. En outre, il exploite les capacités de corrélation d’événements pour consolider et agréger les informations, ce qui permet aux utilisateurs finaux d’en tirer un meilleur  
• Adoption/migration vers le cloud : Pour la plupart des organisations, l’adoption du cloud est progressive et non globale, ce qui se traduit par un environnement multicloud hybride (cloud privé, cloud public, fournisseurs multiples), avec de multiples interdépendances qui peuvent changer trop rapidement et trop fréquemment pour être documentées. En fournissant une visibilité claire sur ces interdépendances, l’AIOps peut réduire considérablement les risques opérationnels liés à la migration vers le cloud et à une approche hybride du cloud.
• Adoption DevOps : le DevOps accélère le développement en donnant aux équipes de développement plus de pouvoir pour provisionner et reconfigurer l’infrastructure, mais le service informatique doit toujours gérer cette infrastructure. L’AIOps offre la visibilité et l’automatisation dont les services informatiques ont besoin pour prendre en charge le DevOps sans trop d’efforts de gestion supplémentaires.

La façon la plus simple de comprendre le fonctionnement de l’AIOps est d’examiner le rôle que chaque technologie qui le compose (big data, machine learning et automatisation) joue.

L’AIOps utilise une plateforme big data pour regrouper les données, les équipes et les outils informatiques cloisonnés au même endroit. Ces données peuvent inclure les suivantes :

• Données historiques sur les performances et les événements
• Événements opérationnels en temps réel
• Journaux et indicateurs système
• Données réseau, y compris les données de paquets
• Données et tickets liés aux incidents
• Données relatives à la demande des applications
• Données d’infrastructure

L’AIOps applique ensuite des fonctionnalités d’analyse ciblée et de machine learning :

• Séparer les alertes d’événements importants du « bruit » : l’AIOps passe au crible vos données d’exploitation informatique et sépare les signaux (alertes d’événements anormaux importants) du bruit (tout le reste).
• Identifier les causes premières et proposer des solutions : l’AIOps peut corréler les événements anormaux avec d’autres données d’événements dans les environnements afin d’identifier la cause d’une panne ou d’un problème de performance et suggérer des mesures correctives.
• Automatiser les réponses, y compris la résolution proactive en temps réel : au minimum, l’AIOps peut transférer automatiquement les alertes et les solutions recommandées aux équipes informatiques appropriées, ou même créer des équipes en fonction de la nature du problème et de la solution. Dans de nombreux cas, il peut traiter les résultats du machine learning pour déclencher des réponses automatiques du système qui résolvent les problèmes en temps réel, avant même que les utilisateurs ne s’en rendent compte.
• Apprendre continuellement, pour améliorer la gestion des problèmes futurs : les modèles d’IA peuvent également aider le système à apprendre et à s’adapter aux changements dans l’environnement, tels que les nouvelles infrastructures provisionnées ou reconfigurées par les équipes DevOps.