L’AIOps est une approche émergente consistant à utiliser des technologies relatives à l’Intelligence Artificielle pour résoudre les problèmes informatiques courants et relever de nouveaux défis en entreprise. Le terme a été lancé en 2017 par Gartner, soit 8 ans après l’invention du terme DevOps et même après toute ces années, le terme demeure assez flou pour de nombreux professionnels.
Définition de l'AIOps
L’AIOps ou Intelligence Artificielle dédié aux opérations IT désigne l’usage des outils de l’IA, notamment le big data et le machine learning en entreprise. L’idée est d’améliorer les opérations informatiques grâce à l’Intelligence Artificielle, et non l’inverse, pour permettre aux équipes IT d’améliorer leurs produits et services.
L’inventeur de ce terme, Andrew Lerner définit les plateformes AIOps comme :
« Des systèmes logiciels qui combinent big data et Intelligence Artificielle (IA) ou machine learning pour améliorer et remplacer en partie un large éventail de processus et de tâches informatiques, notamment la surveillance de la disponibilité et de la performance, la corrélation et l’analyse des événements, la gestion des services IT et l’automatisation. »
Concrètement, à quoi sert l’AIOps ?
Les opérations IT tendent à se complexifier en entreprise et pour mieux les gérer, il faut repenser les process et les pratiques. Face au volume de données qui ne cesse de croitre, les outils habituels ne suffisent plus et les organisations ont besoin de solutions plus rapides et plus précises. C’est là qu’intervient l’AIOps. Gartner présente comme suit les 5 principaux usages de l’AIOps.
La gestion des big data
Grâce à l’AIOps, les entreprises peuvent réunir un grand volume de données issues de sources multiples. L’AIOps permet également de simplifier l’analyse des données de tous les formats et de toutes les tailles.
L’analyse des performances
Cet usage combine l’IA et le ML dans le but d’identifier les sources de blocage. La croissance exponentielle du volume de données n’est plus un obstacle mais un atout.
La détection des anomalies
L’automatisation de l’analyse facilite la détection des « évènements anormaux », c'est-à-dire les valeurs en anomalies. L’AIOps rend cette étape plus rapide en comparant la valeur réelle des KPIs et la prédiction des modèles de ML. A l’instar de ce que fait IBM avec l’IA d’Instana.
L’analyse des évènements
Les outils habituels ne font que présenter les alertes, mais pas les causes des évènements. L’AIOps fait bon usage des algorithmes de l’IA pour classer les évènements similaires, permettant aux équipes IT de se focaliser sur les évènements importants. Cette corrélation permet également d’entrevoir des pistes permettant de résoudre les évènements anormaux.
La gestion des services informatiques
Le terme gestion des services informatiques regroupe plusieurs volets comme les politiques et les procédures de livraison aux utilisateurs finaux. L’application de l’AIOps dans cette gestion permet de gérer les performances en multicloud, réaliser des prédictions précises, optimiser les capacités de stockage, prévoir et prévenir les problèmes des services informatiques et gérer tous les appareils du réseau.
AIOps et MLOps : deux concepts à ne pas confondre
Souvent confondues, L’AIOps et le MLOps sont des notions bien différentes. Si l’AIOps mise plus sur l’automatisation des tâches de la production et de la maintenance, le MLOps (application de la machine learning aux opérations IT) s’oriente davantage sur la création de pipelines automatisés. MLOps n’utilise pas les algorithmes de machine learning mais repose sur la fluidification du développement et l’apprentissage. En d’autres termes, il est plus proche du DevOps que de l’AIOps.
