Data / IA
L’IA générative ouvre-t-elle la voie vers l’AIOps ?
Par La rédaction, publié le 30 mai 2023
ChatGPT a popularisé la puissance des LLM et démontré de façon spectaculaire non seulement le potentiel des IA génératives mais aussi leur capacité à s’intégrer aisément dans les processus pour métamorphoser notre façon de travailler et nos interactions avec les machines. Et si l’IA générative créait les AIOps dont les entreprises ont besoin ?
Par Lori MacVittie, ingénieur chez F5
L’IA générative est une application d’apprentissage automatique qui permet de créer une variété de contenus tels que du texte, des images ou du son à partir de l’usage du langage naturel. Elle a gagné en popularité avec l’introduction des projets Dall-E et ChatGPT d’OpenAI, qui ont entraîné une explosion de nouvelles utilisations dans tous les secteurs d’activité.
Si vous n’avez pas encore essayé ChatGPT, je vous encourage à prendre un moment pour lui poser quelques questions. Demandez-lui de vous parler de vous ou de quelqu’un d’autre ou encore d’expliquer le fonctionnement de quelque chose. Bien que la prudence soit de mise (ChatGPT n’a pas toujours raison), ce type d’expérience vous ouvre les yeux sur le potentiel de l’IA.
ChatGPT a fourni une preuve de concept (POC) pour l’IA générative. Il nous a donné un aperçu de ce que nous pourrions faire différemment et, pour nous, à la direction technique de F5, une exploration intéressante de la manière dont il pourrait s’appliquer à la distribution d’apps et à la sécurité.
De l’impératif au déclaratif en passant par le génératif
L’un des défis de l’infrastructure consiste à configurer la myriade d’appareils, de services et de systèmes nécessaires pour fournir et sécuriser ne serait-ce qu’une seule application. Les entreprises s’appuient en moyenne sur 23 services applicatifs différents, si l’on exclut les offres « en tant que service ».
Inutile de vous dire que la configuration d’un service de protection des applications web et des API est différente de celle d’un simple service d’équilibrage de charge. Cela signifie que les personnes chargées de configurer et d’exploiter les services applicatifs doivent parfois être expertes dans une douzaine de langues différentes.
À LIRE AUSSI :
Cela fait des années que l’industrie tente de résoudre ce problème. Lorsque les API se sont imposées comme principal moyen pour tout configurer, la fourniture d’applications et les services de sécurité n’ont pas fait exception à la règle. Tout le monde a commencé avec des API impératives, qui modifiaient simplement la manière de lancer des commandes. Au lieu de saisir des commandes sur une interface de programmation, il fallait les envoyer à l’API via HTTP.
Très vite, il est apparu que le coût de l’API lié à l’utilisation d’API impératives était trop élevé, et l’industrie s’est tournée vers les API déclaratives. Malheureusement, la plupart des acteurs du secteur ont décidé que déclaratif signifiait « configuration en JSON ». Ainsi, au lieu de l’intention (ce mot est important, ne l’oubliez pas) qui sous-tend le déclaratif, à savoir « dites-moi ce que vous voulez faire et je le ferai pour vous », nous nous sommes retrouvés avec « voici la configuration que je veux, débrouillez-vous pour la réaliser ».
À LIRE AUSSI :
Ce n’est pas tout à fait la même chose, et cela nécessite toujours le même niveau d’expertise avec le modèle opérationnel spécifique à une solution donnée. Je ne suis pas sûr que l’industrie soit jamais parvenue à un accord sur la question de savoir si les équilibreurs de charge utilisaient des « pools » ou des « fermes », sans parler des détails plus complexes sur la façon dont les serveurs virtuels interagissent avec les serveurs réels et les instances d’application. La seule chose que l’industrie a faite avec le déclaratif a donc été de décharger les opérateurs du travail de commande vers le système.
Ce que l’IA générative propose, c’est une forme de « low code » ou de « no code ». Les IA sont plus fiables car elles sont basées sur des spécifications bien formées qui orientent la génération des résultats. Après tout, il n’y a qu’un nombre limité de façons d’écrire « hello world », alors qu’il y a des millions de façons de répondre à une question.
En d’autres termes, je devrais pouvoir dire à un modèle entraîné : « je veux configurer mon équilibreur de charge pour mettre à l’échelle l’application A », et le système devrait être en mesure de produire une configuration. Mais plus encore, je devrais pouvoir lui dire : « Faites-moi un script pour faire X sur le système Y en utilisant Z » et le tour est joué ! Non seulement il devrait générer la configuration, mais aussi l’automatisation nécessaire pour la déployer sur le bon système.
Ah mais attendez. Il le fait déjà !
Certes, il ne s’agit pas d’un code prêt pour la production (ni l’adresse IP ni les identifiants ne sont valides, et il s’agit de Python qui n’est ni mon premier, ni mon deuxième, ni mon troisième choix), mais il représente 90 % du chemin à parcourir, sur la base d’une documentation accessible au public et d’une utilisation d’une simplicité remarquable.
Encore une fois, ce code n’est pas prêt à être déployé, mais il n’est pas loin d’être fonctionnel et il m’a fallu littéralement moins de quinze secondes pour le générer, sans aucune formation.
De la production à l’automatisation
Je dis souvent que l’IA et l’automatisation sont des multiplicateurs de force. La technologie ignore ce qu’elle doit faire, c’est nous qui le savons. Mais l’IA et l’automatisation peuvent le faire beaucoup plus rapidement et efficacement, ce qui a pour effet de décupler la productivité, d’augmenter le temps de création de valeur et de libérer le temps des experts pour qu’ils se concentrent sur des décisions et des projets stratégiques. Et au fil du temps, l’IA peut apprendre de notre expérience, multiplier encore nos capacités et ouvrir de nouvelles possibilités.
Ce n’est plus de la science-fiction, mais une réalité informatique.
L’IA générative créera les AIOps dont nous avons besoin
Bon nombre des solutions AIOps actuelles sont uniquement axées sur la fourniture des informations qui manquent à 98 % des entreprises.
Elles répondent aux problèmes d’hier et non aux besoins de demain.
Même les plateformes AIOps qui peuvent agir de manière plus autonome (comme les services de sécurité) dépendent largement de configurations préexistantes et de réponses bien formées. En général, elles n’ont pas recours à l’IA pour permettre aux opérations de s’exécuter de manière plus autonome dans les couches hétérogènes de livraison d’applications et de sécurité. Elles utilisent l’IA pour l’analyse des données et pour obtenir des informations que nous, en tant qu’humains, n’avons pas la capacité ou le temps de rechercher. Mais cela s’arrête souvent là, du moins pour les couches situées au-dessus du réseau et des problèmes de sécurité bien connus.
C’est là que l’IA générative peut prendre le relais, et c’est la raison pour laquelle j’essaie désormais de savoir jusqu’où nous pouvons pousser cette technologie pour simplifier à l’extrême la fourniture d’applications et la sécurité.
Bienvenue dans la partie émergée de l’iceberg de l’IA.
À LIRE AUSSI :
