AIOps - automatiser ses activités de RUN avec confiance

Privilégiez la valeur, commencez là où vous êtes et optimisez avant d’automatiser 

Cette formulation vous rappelle peut-être quelque chose ? Il s’agit de trois principes directeurs fondamentaux d’ITIL, cet ensemble de conseils applicables à la gestion des services IT.  

Même s’il peut être tentant de faire table rase et de tout reconstruire, il ne faut pas négliger ces principes, qui restent plus que jamais d’actualité à l’ère de l’IA : 

• D’abord parce que les décisions d’une organisation doivent être guidées par la valeur : pour ses clients, pour ses partenaires, et pour elle-même. Avant d’envisager l’automatisation d’une activité, il faut s’interroger sur ce qu’apporte cette activité. C’est donc une bonne occasion de prendre du recul et challenger ses pratiques. 

• Ensuite parce que l’IA permet d’avancer tellement rapidement que la tentation est grande de repartir de zéro. Ici il ne faut pas mettre de côté son existant mais plutôt chercher à le comprendre, l’évaluer, et capitaliser sur ce dernier. L’interopérabilité avec les systèmes en place est également un aspect clef dans l’étude des solutions, car cela peut devenir à postériori un point de blocage important s’il n’a pas été pris en considération en amont. 

• Enfin, parce qu’automatiser une activité non optimisée risque de conduire à reproduire des actions sans valeur ajoutée et potentiellement générer des coûts qui auraient pu être évités. 

Mais « comprendre son existant » ne signifie pas pour autant « tout conserver » : l’enjeu ici est d’être critique, et savoir aussi repartir de zéro lorsque cela est nécessaire. 

Chez Claranet, nous avons fait le choix d’implémenter notre démarche AIOps par étape, avec des premiers cas d’usages simples mais efficaces, adossés à nos systèmes existants. Comme beaucoup d’organisations, nos équipes de RUN traitent un volume significatif d’alertes espace disque et de surcharge CPU/RAM. Cela a été notre point de départ, avec une première automatisation : un agent se connecte à la supervision et au serveur pour établir un premier diagnostic, puis passe la main à nos équipes d’ingénieurs. C’est un cas d’usage très simple, mais qui permet de se reposer les bonnes questions, dégager de la valeur tout en avançant par itération, et ainsi dérisquer notre progression dans notre implémentation de l’AIOps. 

Mobilisez les paradigmes IA adaptés aux enjeux 

L’IA générative est de plus en plus performante, et il peut être tentant de lui laisser faire le plus de choses possibles. Dans le cadre de l’AIOps, une prise de recul s’impose, en particulier en ce qui concerne les LLM. 

Mobiliser un LLM, c’est s’exposer à une variabilité des résultats. Et c’est aussi un coût. Ces deux aspects ne sont pas un problème en soi, mais doivent être compris et intégrés dans la réflexion lorsqu’on définit la manière dont on va implémenter l’automatisation. 

Chez Claranet, c’est un principe que nous appliquons dans tous les agents que nous mettons en place, en se posant la question suivante : qu’est ce qui est déterministe, et qu’est ce qui ne l’est pas ? qu’est-ce que nous pouvons obtenir avec certitude et d’une manière connue, et qu’est ce qui nécessite plus de réflexion ? A partir de là, on positionne le curseur au bon endroit : 

• Récupérer une liste de fichier ou le statut des processus actifs sur un serveur ? Pas besoin d’IA pour générer la commande adéquate 

• Mettre en perspective efficacement des signaux hétérogènes autour d’un incident, comme un état d’un serveur, la tendance de supervision, des événements signifiants captés dans l’environnement de l’infrastructure ? Un LLM convient bien pour réaliser rapidement cette tâche 

• Mettre en place un système de corrélation automatique d’événements de supervision pour détecter des incidents ? Ici, des approches statistiques, des règles métier ou des algorithmes de Machine Learning peuvent être plus adaptés qu’un LLM 

Evitez l’effet boîte noire 

L’AIOps est un défi technologique. Choisir les bonnes approches en fonction des cas d’usage, garantir la sécurité des actions et la fiabilité des résultats, sont autant de facteurs indispensables pour une implémentation réussie. 

Mais l’AIOps pose aussi la question de la confiance. Le système implémenté doit pouvoir être compris, expliqué. Dans son mode de fonctionnement d’une part, mais dans son raisonnement aussi. Les agents IA doivent être cadrés dans ce qu’ils sont autorisés à faire. La sécurité des accès et la traçabilité des actions sont plus que jamais indispensables. 

Chez Claranet, les nombreuses expérimentations que nous avons mis en œuvre ces dernières années nous ont conduit au constat suivant : pour avoir confiance, il faut obtenir des résultats fiables et les plus constants possibles dans le temps. Et pour fiabiliser une chaîne complexe, il faut commencer par fiabiliser l’ensemble de ses maillons. Nous privilégions donc une implémentation itérative, sous contrôle, avec de nombreuses évaluations et feedbacks. 

Ne perdez pas de vue la qualité de la donnée 

C’est un point essentiel, qui fait écho à l’expression connue « garbabe in, garbage out ». L’IA est très efficace pour traiter de la donnée, corréler des informations, les mettre en perspective… Mais si la donnée en entrée est incomplète, erronée ou inadaptée, l’IA ne fera pas de miracle. 

C’est un point fondamental à prendre en compte lors de la mise en place d’une démarche d’AIOps : ai-je toutes les données nécessaires pour que mon agent soit en mesure de produire le résultat attendu ? Et surtout, ai-je confiance dans ces données ? 

Chez Claranet, nous avons fait le choix d’écarter certaines sources de données, ou de les traiter avec des angles bien précis, pour réduire au maximum le risque que cela pourrait avoir sur les résultats de nos agents IA. 

Conservez l’humain au centre de la démarche 

Quel que soit le niveau d’automatisation, et quelles que soient les solutions d’IA implémentées, l’humain reste au centre de toute démarche AIOps. 

• Dans sa définition d’une part, l’implication de toutes les parties prenantes reste indispensable pour aboutir à une implémentation efficace et garantir une bonne intégration dans les pratiques des équipes concernées. 

• Dans son exécution d’autre part, car pour des raisons de risque ou des raisons économiques, l’IA interviendra généralement en copilote et pas en pilote autonome du traitement des événements qui lui sont soumis. L’interaction qu’aura l’humain avec l’IA est donc très importante à définir avec justesse afin de garantir un passage de relai efficace : on doit pouvoir comprendre, contester, corriger et reprendre la main si nécessaire. 

• Enfin, dans son pilotage. L’IA introduit par nature une composante de variabilité que l’on n’avait pas forcément auparavant. Changements de modèles de LLM, indisponibilité des plateformes LLM, sont autant d’éléments qui peuvent venir interrompre ou dégrader la chaîne d’ensemble. Les organisations doivent prendre en compte cet aspect pour être en mesure de réagir rapidement et garantir la résilience de ses activités. 

Chez Claranet, nos ingénieurs restent au centre de toutes les décisions. L’IA assiste, propose, accélère, mais ce sont nos équipes qui prennent la décision. Notre dispositif fait l’objet d’évaluations régulières de risque et de performance lors de changements de modèles, et nous privilégions notre plateforme souveraine Clovis pour une plus grande maîtrise de nos initiatives.