4 modèles de Machine Learning indispensables

4 modèles de Machine Learning dont les DSI ne peuvent plus se passer

Temps de lecture estimée : 2 mn

Dans un monde régi par l’exigence d’un « time to market » toujours plus court, les DSI peinent à répondre aux demandes pour lesquelles vitesse et efficacité sont de rigueur. L’architecture des applications est de plus en plus complexe et évolutive, les budgets sont restreints, tout comme les effectifs… Administrer les environnements applicatifs relève alors d’un véritable challenge. Heureusement, de nouvelles solutions de monitoring intégrant des modèles de Machine Learning peuvent vous aider à optimiser les performances de votre SI ainsi que votre efficacité opérationnelle.

Vers une nouvelle ère de l’IT Management

Au sein d’une grande entreprise, une DSI peut posséder aujourd’hui une centaine d’outils de monitoring pour collecter des données métrologiques et de configuration. Elle génère plusieurs téraoctets de logs par jour, soit un ensemble d’une centaine silos de données dissociées, structurées et non corrélées, ainsi que des tonnes de données non structurées pertinentes mais non corrélées. Face à de telles ressources, les équipes IT sont soumises à une charge de travail monstrueuse et chronophage, qui s’opère au détriment de la prédiction de problèmes ou la résolution des incidents. Les équipes pourraient s’affranchir de ce travail en déléguant le monitoring des environnements applicatifs du SI à l’IT Operations Management.

Afin de gagner en efficacité et de permettre aux équipes IT d’accomplir des tâches à plus haute valeur ajoutée, les solutions actuelles doivent intégrer dans leur approche des algorithmes de Machine Learning. Les outils traditionnels de monitoring prennent un temps considérable à déterminer les patterns dans le comportement des environnements et à relier les différents évènements ensemble au sein d’une quantité gigantesque de données. En adoptant une solution SaaS, il est désormais possible de réaliser le même travail de façon plus agile, moins onéreuse et de réaliser des analyses en temps réel.

Le Machine Learning au service des opérations IT

Suite à un processus ETL, mais aussi ELT, les équipes de BI peuvent lancer des requêtes sur les données chargées via le processus qui peuvent ensuite être utilisées comme entrées pour des algorithmes de Machine Learning.

Les algorithmes de Machine Learning intégrés à la solution SaaS Oracle Management Cloud apportent 4 principaux bénéfices :

• Détection des anomalies : les algorithmes détectent toutes les anomalies de performance grâce à la définition automatisée de seuils basés sur l’historique et la saisonnalité. Ces analyses permettent de réduire les faux positifs, d’accélérer les dépannages mais aussi de contrer les menaces de sécurité en identifiant des comportements anormaux chez un utilisateur.
• Analyse synthétique : les algorithmes de clustering, ou de classification, éliminent les redondances et agrègent des milliers de lignes insignifiantes en quelques lignes pertinentes. La Root Cause Analysis est rapidement analysée et les divergences au sein des règles de configuration et de conformité sont automatiquement détectées.
• Corrélation : ces algorithmes appréhendent les liens et les interconnexions entre différentes métriques par leur connaissance de la topologie. Ils détectent certaines interdépendances de composants, difficilement identifiables par les équipes IT, et qui sont pourtant essentielles à l’amélioration des performances des applications. Le dysfonctionnement d'un composant peut provoquer un effet de chaîne et in fine générer de graves dégradations de performance. En cas de déviation sur un modèle de corrélation établi par les algorithmes de Machine Learning, une alerte est générée.
• Prédiction : Le Capacity Planning permet de prévoir les besoins en ressources grâce à des prédictions basées sur l’historique et la saisonnalité et ainsi d’anticiper une surconsommation des ressources qui dégraderait une performance et entraînerait une frustration chez l’utilisateur. L’anticipation des dégradations de performance permet d’éviter une future violation d’un SLA ou le dépassement d’un seuil sur une baseline.

En savoir plus…

Découvrez les solutions d’IT Operations Management & Analytics