AIOps et réseau : l’enjeu de définir un cadre méthodologique

1/ Observer

Cette première étape du modèle concerne la manière dont l'IA observe le réseau et recueille des informations sur l'environnement. Selon M. Lovelace, un système d'IA agentique a besoin de deux éléments essentiels pour collecter des informations utiles sur le réseau : la télémétrie et le contexte.

La télémétrie. Les données de télémétrie en temps réel sont essentielles pour que l’outil d’IA comprenne ce qui se passe sur le réseau dès que cela se produit. Des décalages de quelques minutes peuvent poser problème, car le système ne sera alors plus en mesure d’évaluer le réseau en temps réel.

Lovelace a suggéré d’utiliser la surveillance par séries chronologiques — une approche qui collecte des métriques au fil du temps et s’appuie sur les comportements passés pour comprendre les performances futures d’un système — afin d’évaluer les données de télémétrie. Les outils de séries chronologiques permettent également de détecter les problèmes au sein du réseau avant même qu’ils déclenchent une alarme.

Selon M. Lovelace, la combinaison de l’IA agentique et de la surveillance par séries chronologiques permet à l’IA d’acquérir une compréhension globale du réseau, ce qui constitue la deuxième étape essentielle de l’analyse des données.

Le contexte. Lorsqu’un modèle d’IA agentique dispose d’un contexte approfondi sur le réseau, les équipes peuvent s’en servir pour analyser de manière plus approfondie les anomalies et autres problèmes qui surviennent sur le réseau, a expliqué M. Lovelace.

Par exemple, les équipes réseau peuvent utiliser ces données métriques pour déterminer si un problème est isolé ou s’il renvoie à un problème plus large, par exemple en distinguant si une alerte constitue le problème en soi ou s’il s’agit d’un symptôme du véritable problème. « Ces deux éléments doivent fonctionner de concert pour donner aux ingénieurs une vision claire de ce qui se passe », a insisté M. Lovelace.

Cependant, il a mis en garde contre le fait qu’un agent IA dispose d’un contexte trop étendu, car cela pourrait nuire à la précision de ses performances et entraîner davantage de problèmes que de solutions.

2/ Utiliser

Les administrateurs réseau appliquent ensuite des outils d’IA au réseau. Selon M. Lovelace, l’un des aspects les plus saillants à retenir concernant cette étape est que les modèles importent moins que les outils eux-mêmes.

« Alors que les modèles ne cessent d’évoluer, le type de modèle utilisé importe moins que la capacité à créer et à sécuriser des outils utiles pour les ingénieurs réseau », a-t-il estimé. « Les outils d’IA qui génèrent du code peuvent notamment aider les équipes à développer autant d’outils que nécessaire, offrant ainsi aux ingénieurs réseau une vaste fourchette de moyens pour soutenir leurs opérations. »

« La richesse des outils est essentielle pour comprendre ce que font vos ingénieurs réseau au quotidien », a-t-il ajouté.

3/ Prouver

Cette étape vise moins à prouver que l’IA fonctionne qu’à démontrer sa fiabilité. Contrairement à d’autres problèmes que les outils d’IA peuvent aider à résoudre, les problèmes de réseau sont plus susceptibles de nécessiter davantage de demandes dans un outil d’IA. Plus le nombre de demandes soumises à un outil d’IA est élevé, plus celui-ci gagne en complexité et plus sa précision diminue.

« Si votre fenêtre de contexte se remplit, l’effet cumulatif d’une hallucination à l’étape 4 ou 5 rend alors les étapes 17, 18 et 19 peu fiables », a mis en garde M. Lovelace.

En raison de la complexité des opérations réseau, les ingénieurs doivent empêcher les outils d’IA de transmettre des informations inexactes tout au long de la chaîne de processus. De plus, les équipes réseau doivent mettre en place des garde-fous pour éviter l’accumulation d’erreurs et garantir la fiabilité globale du réseau.

4/ Agir

La dernière étape du modèle définit la manière dont les ingénieurs réseau mettent l’IA en pratique. Plutôt que de proposer une approche uniforme des opérations réseau basées sur l’IA, M. Lovelace a expliqué que la manière dont les ingénieurs réseau utilisent l’IA dépend de leur niveau d’expérience.

Les ingénieurs réseau juniors auraient tout intérêt à utiliser l’IA pour guider leur prise de décision. L’IA peut suggérer des étapes, et les ingénieurs réseau n’auraient qu’à les suivre et les mettre en œuvre tout en prenant connaissance des explications fournies. Un ingénieur réseau senior, en revanche, devrait consulter l’IA pour obtenir des recommandations, puis décider lesquelles, le cas échéant, de ses suggestions mettre en œuvre.

« Ils veulent avoir la possibilité de contester le modèle et d’amener celui-ci à reconsidérer ses actions », a déclaré M. Lovelace.

Encadrer l’IA renforce la confiance au sein des équipes d’ingénieurs

Un cadre méthodologique pour l’IA doit permettre aux ingénieurs réseau et aux responsables de se sentir à l’aise avec son utilisation. De plus, il pourrait aider les ingénieurs à améliorer leurs compétences, tant directement dans le cadre des opérations réseau qu’en validant leur jugement.

Un cadre méthodologique pourrait aussi aider les ingénieurs réseau débutants à comprendre le travail qu’ils effectuent au sein d’un réseau lorsqu’ils analysent, valident et exploitent les données. Cette compréhension pourrait aider un ingénieur réseau à progresser dans les opérations, du niveau débutant au niveau intermédiaire, puis au niveau senior. Pour les ingénieurs réseau seniors, un cadre d’IA peut les aider à renforcer leur confiance dans les modèles d’IA et à améliorer leur jugement ainsi que leur compréhension du comportement du réseau.

Enfin, un cadre d’utilisation de l’IA peut également garantir aux dirigeants que leurs ingénieurs utilisent l’IA en toute sécurité, conformément aux exigences de gouvernance et de fiabilité.

« Même si les technologies d’IA évoluent, ce cadre méthodologique permet aux entreprises de s’adapter aux changements tout en conservant les mêmes normes de bonne gouvernance et d’exécution rigoureuse », a conclu M. Lovelace.