IA pour la supervision IT : comment transformer les événements et les rapports en contexte opérationnel

Une infrastructure IT peut générer des milliers de métriques, d’événements, d’alertes et de changements d’état. Disposer de ces informations est indispensable pour les opérations, mais le volume de données introduit également un autre problème : déterminer ce qui mérite une attention particulière, quels éléments peuvent être liés et par où il convient de commencer l’analyse.
C’est là qu’apparaît l’un des usages les plus pratiques de l’IA générative appliquée à la supervision IT. À partir des informations qu’une plateforme de supervision a déjà collectées, un modèle de langage peut aider à les synthétiser, à les organiser et à les transformer en une lecture structurée.
Pour un NOC, un responsable d’infrastructure, une équipe de support ou une direction IT, cette capacité peut réduire une partie du travail consacré à l’examen d’informations dispersées et faciliter aussi bien la priorisation que la communication de l’état des systèmes.
Pandora FMS s’appuie sur la supervision de l’infrastructure pour superviser les systèmes, les applications, les bases de données, les réseaux et les autres composants de l’environnement IT. Différentes couches d’analyse et d’interprétation peuvent ensuite être construites à partir de ces informations. La page actuelle de Pandora FMS présente précisément cette supervision centralisée de l’ensemble de la stack comme la base de sa proposition de supervision.

Plus d’informations ne signifie pas toujours plus de clarté

La supervision répond très bien à des questions concrètes : quelle quantité de CPU est consommée, quand un module a changé d’état, quels systèmes se trouvent dans une situation critique, quels événements se sont produits ou quel est l’état d’un service. La difficulté augmente lorsqu’il faut interpréter plusieurs signaux en même temps. Un opérateur peut être confronté à des dizaines d’événements, plusieurs métriques dégradées et un service affecté. Chaque donnée apporte une partie de l’explication, mais il reste nécessaire de déterminer ce qui est pertinent, quels éléments peuvent être liés et ce qui doit être vérifié en premier. Les événements en sont un bon exemple. Pandora FMS les utilise comme registre des événements qui se produisent dans les systèmes supervisés, les classe par niveau de sévérité et permet d’appliquer et d’enregistrer des filtres afin de travailler avec des sous-ensembles précis d’informations. Cette capacité à délimiter les informations est particulièrement importante lorsqu’on intègre l’IA générative. Plus le contexte est clairement défini, plus il est facile d’obtenir une réponse en rapport avec la question opérationnelle que l’on cherche à résoudre.

Ce que l’IA générative apporte à la supervision IT

Un modèle de langage peut recevoir des informations techniques et les restituer de manière organisée en langage naturel. Appliqué aux opérations IT, cela ouvre plusieurs usages pratiques : résumer les informations, mettre en évidence les anomalies présentes dans le contexte, classer les éléments par pertinence ou proposer des pistes d’investigation. Le modèle travaille toutefois uniquement avec les informations qu’il reçoit. Sa réponse dépend du contexte disponible, de la manière dont celui-ci a été délimité et des instructions utilisées pour l’analyser. C’est pourquoi la supervision continue de jouer un rôle essentiel : collecter et structurer les éléments de preuve opérationnels. L’IA générative ajoute une capacité différente, orientée vers l’interprétation et la synthèse de ces éléments de preuve. Pandora FMS a déjà abordé cette relation entre l’IA générative et les opérations IT, notamment l’utilisation de modèles génératifs pour créer des résumés narratifs sur l’état des systèmes et intégrer ce type de capacités aux plateformes de supervision. Le concept peut être approfondi dans IA générative dans la gestion IT.

Les tableaux de bord, les rapports et les résumés exécutifs répondent à des besoins différents

Un tableau de bord permet d’observer rapidement plusieurs indicateurs. Un rapport rassemble les informations selon une structure définie et facilite leur consultation, leur distribution ou leur analyse périodique. Un résumé exécutif généré à l’aide de l’IA remplit une autre fonction : synthétiser le contexte sélectionné et expliquer quels éléments s’y distinguent. Par exemple, une vue exécutive peut réunir :

• état général
• métriques pertinentes
• alertes et anomalies
• éléments nécessitant une attention particulière
• relations possibles entre les incidents
• hypothèses pour orienter l’investigation
• actions qu’il convient d’examiner en premier

Cela s’avère utile lorsque le défi n’est pas d’accéder aux données, mais de les transformer en une lecture pouvant être utilisée rapidement pour prendre une décision, commencer une investigation ou communiquer l’état d’une infrastructure.

Les événements, les rapports et les services apportent des contextes différents

L’utilité de l’IA dépend en grande partie de la question à laquelle on cherche à répondre. Analyser des événements récents, résumer un rapport périodique ou interpréter l’état d’un service métier sont des tâches différentes. C’est pourquoi il est plus utile de travailler avec un contexte délimité que d’envoyer indistinctement toutes les informations disponibles.

Filtres d’événements

Les filtres d’événements permettent de sélectionner un ensemble précis d’événements et de réutiliser des recherches enregistrées. La documentation actuelle de Pandora FMS conserve cette capacité dans la version current. Pour un NOC, cela peut servir à concentrer l’analyse sur les événements correspondant à un niveau de sévérité, un groupe, une période ou un périmètre opérationnel donné.

Rapports

Les rapports de Pandora FMS permettent de réunir différents éléments et types d’informations au sein d’une structure de reporting. La documentation current, qui correspond actuellement à la version 803, comprend des éléments liés aux graphiques, aux modules, aux SLA, aux événements, à l’inventaire, aux alertes et à d’autres sources. Utiliser un rapport comme contexte ouvre un cas d’usage différent : transformer des informations déjà préparées pour le reporting en une synthèse centrée sur les principales conclusions.

Services

Les services métier dans Pandora FMS permettent de regrouper les ressources IT selon leur fonction et de représenter la manière dont différents composants participent à un service plus large. La documentation actuelle comprend également une section spécifique consacrée à l’analyse de cause racine. Ce contexte est particulièrement utile lorsqu’il s’agit d’interpréter l’infrastructure du point de vue de son impact opérationnel, et pas uniquement à partir de l’état isolé d’un dispositif ou d’un module.

La qualité du contexte conditionne l’utilité de la réponse

Avant d’évaluer une réponse générée par l’IA, il est important de savoir quelles informations le modèle a reçues. Un contexte trop large peut introduire des données non pertinentes. Un contexte trop limité peut exclure des informations nécessaires pour interpréter correctement une situation. Le défi consiste à inclure ce qui aide réellement à répondre à la question opérationnelle. Cette sélection a également des implications pratiques : volume traité, coût de la requête, gouvernance et capacité de l’opérateur à vérifier ensuite comment la réponse a été construite. Pandora AI Summary intègre un aperçu du contenu qui sera utilisé avant de générer le résumé. L’opérateur peut ainsi vérifier les données sélectionnées et savoir quel contexte sera envoyé au modèle. Dans le cas des événements, l’extension permet également de contrôler le nombre maximal d’événements inclus dans chaque requête. Cette visibilité est importante pour une autre raison : une réponse générée est plus facile à évaluer lorsque l’on sait exactement quels éléments de preuve étaient disponibles pour le modèle.

Une hypothèse de cause racine reste une hypothèse

L’une des applications les plus intéressantes d’un modèle de langage consiste à mettre en relation les informations disponibles et à proposer une explication possible de ce qui se passe. Cette explication peut être très utile pour déterminer par où commencer une investigation. Il convient toutefois de distinguer une hypothèse de cause racine d’une cause racine confirmée. Le modèle peut raisonner à partir des événements, des métriques et des relations qui font partie du contexte reçu. La cause réelle peut également dépendre d’un changement récent, d’une configuration, d’une dépendance externe, d’un log, d’une intervention humaine ou de toute autre donnée restée en dehors de ce contexte. La validation technique exige de confronter l’hypothèse aux éléments de preuve nécessaires. L’IA peut donc réduire le temps de lecture et fournir une première orientation pour l’analyse. La responsabilité de confirmer le diagnostic reste du ressort de l’équipe technique. Cette limite est pertinente pour toute utilisation de l’IA générative dans les opérations IT : son utilité augmente lorsque la sortie du modèle est interprétée comme une aide à l’investigation et non comme une vérité automatique.

Des informations techniques aux actions priorisées

La synthèse gagne en valeur lorsque, en plus de décrire l’état, elle aide à hiérarchiser les priorités. À partir du contexte disponible, une réponse peut structurer les informations autour des éléments suivants :

• état général
• métriques clés
• alertes et anomalies
• hypothèses qui méritent une investigation
• actions immédiates
• actions à court terme
• éléments qu’il convient de continuer à surveiller

Cette structure est particulièrement utile dans les scénarios où le premier besoin consiste à obtenir une vue rapide, puis à approfondir l’analyse des éléments de preuve techniques.
Elle peut également faciliter la communication entre des profils ayant des besoins différents en matière de niveau de détail. Le même ensemble d’informations qu’un opérateur consulte métrique par métrique peut être transformé en une synthèse plus facile à exploiter pour un responsable d’infrastructure ou une direction IT.

Comment cette approche est appliquée dans Pandora AI Summary

Pandora AI Summary est une extension de Pandora FMS qui applique l’IA générative aux informations opérationnelles sélectionnées dans la console. L’utilisateur peut choisir comme contexte un filtre d’événements, un rapport ou un service, examiner les informations qui feront partie de la requête, puis générer une synthèse à l’aide du modèle OpenAI configuré. Le résultat peut inclure l’état général, les métriques pertinentes, les alertes, les anomalies, les hypothèses de cause racine et les actions recommandées. Le détail fonctionnel —workflow complet, configuration, prérequis et options disponibles— est présenté sur la page dédiée à Pandora AI Summary.

Où elle peut apporter de la valeur aux opérations IT

NOC et opérations

Lorsque le volume d’événements est élevé, une synthèse peut aider à identifier rapidement les éléments qui se distinguent et ceux qui méritent une première vérification.

Responsables d’infrastructure

Un rapport technique peut être transformé en une vue plus concise réunissant l’état, les anomalies et les points nécessitant un suivi.

Direction IT

Les informations relatives aux systèmes, aux services et aux SLA peuvent être présentées de manière plus accessible aux profils qui ont besoin de connaître la situation et son impact sans examiner chaque métrique.

Support technique

La synthèse des données disponibles peut fournir une première hypothèse et organiser les vérifications initiales avant d’approfondir l’investigation.

Le modèle, le prompt et le volume de contexte font également partie de l’analyse

Le comportement d’une application basée sur des modèles génératifs ne dépend pas uniquement du modèle sélectionné. Il dépend également du contexte reçu et des instructions utilisées pour structurer la réponse. Pandora AI Summary permet de configurer des paramètres tels que :

• API Key OpenAI
• modèle
• température
• timeout
• limite maximale d’événements
• prompt système
• mise à jour des modèles disponibles

L’API d’OpenAI utilise des API Keys pour authentifier l’accès, et la plateforme permet de travailler avec différents modèles disponibles pour le compte correspondant. Le prompt système permet d’adapter, par exemple, la langue, le ton ou la structure de la réponse. La limite d’événements aide à contrôler la quantité de contexte intégrée à certaines requêtes.

API OpenAI, coûts et gouvernance

Pandora AI Summary nécessite sa propre API Key OpenAI ainsi qu’une connectivité entre la console et le service. La plateforme API d’OpenAI est facturée et administrée séparément de ChatGPT. L’utilisation de l’API dispose de son propre système de facturation et dépend de la consommation réalisée. Dans une implémentation réelle, trois variables doivent être prises en compte :

• modèle sélectionné

Il convient également de déterminer quelles informations peuvent être partagées avec un fournisseur externe conformément aux politiques et aux exigences de chaque organisation. Pour obtenir davantage d’informations techniques sur le service, consultez la plateforme API officielle d’OpenAI.

L’IA générative, l’IA prédictive et l’AIOps résolvent des problèmes différents

La présence de l’intelligence artificielle dans les opérations IT couvre des technologies et des cas d’usage très différents.

IA générative

Elle fonctionne particulièrement bien avec le langage et la synthèse. Dans la supervision, elle peut utiliser des informations opérationnelles existantes pour produire une vue structurée, résumer un ensemble d’événements ou expliquer quels éléments se distinguent.

IA prédictive

Elle s’appuie sur des données historiques et des modèles analytiques pour estimer des tendances, détecter des comportements anormaux ou anticiper des besoins. Pandora FMS propose également une IA prédictive pour la gestion IT, avec des capacités axées sur la prévision des ressources et la détection des anomalies.

AIOps

L’AIOps couvre un domaine plus large et peut combiner analytique, corrélation, apprentissage automatique, automatisation et assistance aux opérations. Ces trois domaines peuvent coexister au sein d’une stratégie d’opérations IT, mais il convient de bien distinguer leur fonction. Un résumé généré à l’aide d’un LLM est un cas d’usage d’IA générative ; une prédiction sur l’évolution du stockage relève d’un autre type de problématique.

L’IA est plus utile lorsque les éléments de preuve restent visibles

L’intégration de l’IA générative à la supervision apporte davantage de valeur lorsqu’elle s’appuie sur des informations opérationnelles clairement délimitées et maintient une relation claire entre les éléments de preuve et la réponse.
Son utilité pratique consiste à réduire une partie du travail nécessaire pour interpréter un vaste ensemble d’informations, signaler ce qui mérite une attention particulière et transformer les données techniques en une lecture qui aide à commencer une investigation ou à communiquer l’état de l’infrastructure.
Pandora AI Summary applique cette approche à des éléments qui existent déjà dans Pandora FMS : filtres d’événements, rapports et services.
L’utilisateur sélectionne le contexte et peut le vérifier avant que la synthèse ne soit générée. À partir de là, l’IA peut aider à organiser les informations, formuler des hypothèses et proposer des actions que l’équipe pourra ensuite confronter aux éléments de preuve techniques.

Questions fréquentes

Quand l’IA générative apporte-t-elle de la valeur à la supervision IT ?

L’IA générative est particulièrement utile lorsqu’un volume suffisant d’informations opérationnelles est disponible, mais que leur interprétation nécessite d’examiner de nombreux événements, métriques, rapports ou états de service. Elle peut synthétiser ce contexte, mettre en évidence les éléments qui méritent une attention particulière et fournir une première lecture structurée facilitant le travail ultérieur de l’équipe.

Jusqu’où peut aller une hypothèse de cause racine générée par l’IA ?

Un modèle peut mettre en relation les informations incluses dans le contexte et suggérer une explication plausible. Confirmer la cause nécessite de la confronter aux dépendances, changements, configurations, logs et autres éléments de preuve nécessaires. C’est pourquoi une hypothèse générée par l’IA peut orienter l’investigation, mais elle nécessite une validation technique.

Qu’est-ce qui conditionne la qualité et le coût d’une analyse avec un LLM ?

Le modèle utilisé, la quantité et la pertinence des informations envoyées, la configuration du prompt et la fréquence des requêtes ont tous une influence. Délimiter le contexte permet d’obtenir des réponses davantage liées au problème analysé et de mieux contrôler le volume de données traité.