Abstract
Cette première phase de veille porte sur l'émergence de l'AIOps (Artificial Intelligence for IT Operations). Face à la complexité croissante des Systèmes d'Information (SI) modernes — mêlant infrastructures historiques et solutions Cloud — les méthodes de supervision traditionnelles atteignent leurs limites. L'objectif de cette veille est de comprendre comment l'intégration de l'Intelligence Artificielle et du Machine Learning permet d'automatiser l'identification et la résolution des incidents technologiques.
Analyse thématique
- Aspect Technique : L'AIOps repose sur la capacité à ingérer des volumes massifs de données (logs, métriques, traces) pour identifier des comportements anormaux avant même qu'une panne ne survienne.
- Aspect Organisationnel : Cette technologie favorise une meilleure collaboration entre les équipes (DevOps) en centralisant l'information et en réduisant le "bruit" généré par les alertes inutiles.
- Aspect Humain : L'enjeu est de transformer la posture de l'administrateur système : passer d'un rôle de "pompier" réagissant aux pannes à celui d'analyste supervisant des systèmes auto-apprenants.
Glossaire technique
- Observabilité : Capacité à mesurer l'état interne d'un système à partir des données qu'il produit.
- Machine Learning : Technologie permettant aux ordinateurs d'apprendre à partir de données sans être explicitement programmés pour chaque tâche.
- Silo de données : Données isolées dans un département ou une application, inaccessibles au reste du SI.
Méthodologie de veille
Pour cette recherche, j'ai mis en place un flux de collecte automatisé via l'outil Feedly. Les informations pertinentes ont été mémorisées sur OneNote pour assurer un suivi rigoureux de ma documentation. Conformément aux bonnes pratiques, j'utilise l'IA comme un outil d'aide à la synthèse tout en vérifiant systématiquement la fiabilité des sources pour garantir une information actuelle.
Revue bibliographique (Sources)