Deep Learning dans l’ITSM et la supervision : détection d’anomalies et automatisation intelligente

Quand j’étais enfant, j’avais enregistré sur VHS Hamburger Hill, un film de guerre sur le Vietnam, et l’une de mes frustrations était que les protagonistes ne voyaient jamais l’ennemi. Tout n’était que jungle, et soudain, la jungle se mettait à tirer. Comme en informatique, où l’on surveille chaque recoin en permanence, tout semble calme et, soudain, la panne, l’attaque ou le désastre surgit sans prévenir. Pour nous aider dans cette tâche et repérer l’ennemi caché dans la jungle, nous avons le deep learning appliqué à la supervision et à l’ITSM.

Grâce à lui, nous pouvons découvrir des schémas invisibles à l’œil humain, réagir plus tôt, prédire ce qui va se passer, et globalement, gagner du temps, éviter des désagréments et des échecs dans notre bataille quotidienne.

Conscients que l’ennemi le plus dangereux est celui qu’on ne voit pas, tapi dans l’épaisseur du silicium et des bits, Pandora FMS et Pandora ITSM utilisent des techniques de deep learning et d’autres formes d’intelligence artificielle pour détecter des anomalies, corréler des événements complexes et anticiper d’éventuelles embuscades.

Si nous ne l’utilisons pas quotidiennement en tant que responsables IT, RSSI ou directeurs technologiques, nous sommes comme le peloton du sergent Frantz, regardant partout sans repérer les menaces.

C’est pourquoi nous allons analyser ce qu’est le deep learning appliqué à l’IT et comment Pandora FMS et Pandora ITSM l’utilisent concrètement, afin de fournir ce qui est le plus précieux dans ce métier : la tranquillité d’esprit (et l’approbation de la direction pour notre bon travail).

Qu’est-ce que le deep learning et comment ça fonctionne ?

Le deep learning est une branche de l’arbre de l’intelligence artificielle et l’évolution naturelle du machine learning. C’est le T-1000 par rapport au T-800 dans Terminator 2, même si, comme dans le film, le T-1000 n’est pas toujours le mieux adapté à toutes les situations.

Le deep learning repose sur des réseaux neuronaux profonds qui apprennent des hiérarchies de caractéristiques : d’abord des schémas simples, puis des combinaisons complexes, et enfin des représentations abstraites du système.

La clé est que, contrairement aux modèles traditionnels, le modèle détermine lui-même les signaux importants, ce qui réduit la dépendance aux règles faites à la main.

Ainsi, des modèles multimodaux sont entraînés à combiner des métriques, des textes de tickets, des traces réseau et des conversations… Un seul modèle peut intégrer des données hétérogènes comme l’historique de la CPU, les relations entre services ou le langage naturel lié à des incidents.

Grâce à une combinaison de couches empilées, de fonctions d’activation, de perte ou de poids, cela permet de détecter des schémas cachés indétectables par des méthodes classiques ou la perception humaine.

Dans l’univers du deep learning, plusieurs architectures spécialisées coexistent :

• CNN (Convolutional Neural Networks) : Initialement conçues pour le traitement d’images et de données spatiales, elles sont aujourd’hui largement utilisées pour analyser des séries temporelles en IT.
• RNN et LSTM (Recurrent Neural Networks / Long Short-Term Memory) : Gèrent des dépendances temporelles ou des séquences (comme le texte, qui est une séquence de mots). Cela permet, par exemple, de prédire des coupures ou saturations de services IT à partir de ces séries temporelles.
• Autoencodeurs : Un système très ingénieux selon moi, car il « résume » ou encode les entrées dans leur forme minimale, puis les décode (les développe). Ainsi, il apprend « l’essence de la normalité ». Si une entrée est encodée puis décodée et ne correspond pas à cette essence, cela signale une anomalie. De cette manière, il peut détecter des anomalies sans avoir à savoir à quoi elles ressemblent, simplement parce qu’elles ne « correspondent » pas aux attentes.
• Transformers : La technologie qui sous-tend les omniprésents et gourmands Grands Modèles de Langage (LLMs), permettant de corréler des événements ou de générer des réponses contextualisées, comme dans le cas du chatbot de Pandora ITSM.

Quelle est la différence entre le deep learning et le machine learning traditionnel ?

La différence essentielle est que le machine learning traditionnel nécessite qu’un spécialiste identifie quelles métriques sont importantes, ce qui devient ingérable lorsqu’on passe de quelques dizaines à des milliers de variables.
Le deep learning, en revanche, automatise cette découverte de ce qui compte et augmente la capacité de représentation, en identifiant des relations non linéaires entre métriques, tickets et logs qui n’étaient pas explicitement définies.
Autrement dit, il peut voir dans cette jungle IT ce que les yeux experts ne peuvent détecter.

Autre distinction importante : certains algorithmes de machine learning traditionnel, comme les arbres de décision simples, gèrent mal les grands ensembles de données, alors qu’un modèle de deep learning s’améliore à mesure qu’il reçoit plus de données. Bien sûr, à condition que ces données soient de qualité, un défi fondamental que nous aborderons plus en détail en parlant des limites de cette technologie.

Le machine learning est-il donc obsolète ?
Pas du tout, comme l’a prouvé Schwarzenegger (oui, j’ai copié-collé le nom, comme tout le monde) face au T-1000.
Les modèles simples restent idéaux pour des diagnostics rapides ou en l’absence d’historique. C’est pourquoi une stratégie gagnante est souvent hybride :

• Modèles traditionnels pour les seuils de base.
• Deep learning pour des scénarios multivariés ou prédictifs.

Quelles sont les applications du deep learning dans la supervision IT ?

Tout cela semble très prometteur, mais la vraie question est : comment cela nous aide-t-il dans le chaos quotidien de la gestion IT ?
Pour ne pas finir comme le peloton de Hamburger Hill, nous pouvons compter sur :

Détection d’anomalies dans les métriques de performance

La détection classique repose sur des seuils rigides, mais le deep learning construit des profils dynamiques de ce qui est normal dans votre cas.
Cela permet une plus grande flexibilité et précision. Ainsi, Pandora FMS, en utilisant ces techniques, déclenche des alertes plus précises, réduisant le bruit et les crises de nerfs.

Prédiction des pannes et maintenance proactive

Les modèles séquentiels apprennent le cycle de vie des disques, ventilateurs, CPU ou services logiques. En détectant des dégradations subtiles (comme une légère augmentation de température ou une baisse des IOPS), ils prédisent des fenêtres de panne possibles.
Pandora FMS intègre ces prévisions. La clé n’est pas seulement de disposer d’un cerveau comme celui du professeur Xavier dans X-Men pour localiser ce qu’il faut, mais aussi la capacité de projeter le futur probable, à la manière de Nostradamus – mais avec plus de précision.

Corrélation avancée des événements dans les environnements SIEM

C’est le point fort de Pandora SIEM. Il ne se contente pas de collecter et d’afficher des millions de données, mais relie les éléments pour donner une vision complète du puzzle.
Autrement dit, il transforme l’information en connaissance exploitable, en identifiant les schémas et embuscades complexes de l’ennemi. Et bien sûr, il réduit les faux positifs, ce qui améliore la santé cardiaque – souvent mise à rude épreuve dans notre métier.

Quelle est la différence entre le deep learning et le machine learning traditionnel ?

La différence principale est que le machine learning classique nécessite qu’un expert définisse quelles métriques sont importantes, ce qui devient ingérable lorsqu’on passe de dizaines à des milliers de variables.
Le deep learning, lui, automatise cette découverte et augmente la capacité de représentation, en détectant des relations non linéaires entre métriques, tickets et journaux qui ne sont pas évidentes à première vue.
Autrement dit, il peut voir dans la jungle IT ce que les yeux humains ne peuvent pas détecter.

Autre point différenciateur : certains algorithmes de machine learning traditionnels, comme les arbres de décision simples, ne gèrent pas bien de grands ensembles de données, tandis qu’un modèle de deep learning s’améliore avec plus de données. Bien entendu, à condition que les données soient de qualité, un défi majeur que nous aborderons plus en détail dans les limitations de cette technologie.

Le machine learning est-il donc obsolète ?
Absolument pas, comme l’a prouvé Schwarzenegger (oui, j’ai aussi copié-collé le nom) face au T-1000.
Les modèles simples restent parfaits pour les diagnostics rapides ou en absence d’historique. C’est pourquoi une stratégie gagnante est souvent hybride :

• Modèles traditionnels pour les seuils de base.
• Deep learning pour les scénarios multivariés ou prédictifs.

Quelles sont les applications du deep learning en surveillance IT ?

Tout cela semble idéal, mais la vraie question est : à quoi cela sert-il face aux incendies quotidiens de la gestion IT ?

Détection d’anomalies dans les métriques de performance

La détection classique repose sur des seuils rigides, alors que le deep learning construit des profils dynamiques de ce qui est normal dans notre cas.
Cela apporte plus de flexibilité et de précision. Ainsi, Pandora FMS, en utilisant ces techniques, génère des alertes plus précises, réduisant le bruit et le stress des opérateurs.

Prédiction de pannes et maintenance proactive

Les modèles séquentiels apprennent le cycle de vie des disques, ventilateurs, CPU ou services logiques. En détectant des dégradations subtiles (comme une légère hausse de température ou une baisse des IOPS), ils prédisent des fenêtres potentielles de panne.
Pandora FMS intègre ces prédictions, et l’essentiel n’est pas seulement d’avoir un cerveau comme le professeur Xavier dans X-Men, mais aussi la capacité de projeter un futur probable — comme Nostradamus, mais en plus fiable.

Corrélation avancée des événements dans des environnements SIEM

C’est là l’un des grands avantages de Pandora SIEM. Il ne se contente pas de collecter et d’afficher des millions de données, mais relie ces éléments pour fournir une vision globale.
Autrement dit, il transforme l’information en connaissance exploitable, détectant des embuscades complexes — et en réduisant les faux positifs, ce qui améliore la santé cardiaque de notre profession.

Comment le deep learning améliore-t-il l’ITSM et l’automatisation du support ?

Le deep learning démultiplie nos capacités de gestion IT grâce à des fonctionnalités telles que :

Classification automatique des tickets via l’IA

Comme dans une salle d’urgence hospitalière, la première étape consiste à effectuer un triage pour catégoriser et prioriser les tickets, le plus tôt possible.
Ici, l’utilisation de transformers permet de comprendre la sémantique du ticket (souvent « quelque chose est cassé » et « je n’ai rien touché », selon l’utilisateur), attribuant des priorités et des responsables en fonction de cette interprétation.

Chatbots pour l’interaction et la gestion

Le chatbot de Pandora ITSM combine des modèles de langage avec le contexte opérationnel. Il permet ainsi d’interagir avec l’utilisateur ou d’assister l’opérateur humain dans des situations ou doutes spécifiques.

Analyse de sentiment et qualité du service

L’expérience de l’utilisateur final dépend aussi de ses ressentis lors de l’interaction avec le support. Les modèles basés sur BERT peuvent analyser commentaires, enquêtes et conversations pour identifier des tendances.

Cas pratiques et exemples concrets d’utilisation du deep learning en gestion IT

Continuons à démontrer l’utilité du deep learning en IT avec des cas concrets où cette technologie améliore considérablement l’efficacité, en nous concentrant sur notre Skynet personnel : Pandora FMS.

Cas pratique de gestion IT : Prédiction des pannes sur serveurs et réseaux

Un fournisseur de services managés collecte deux ans de métriques de performance et de pannes de service. C’est une véritable mine d’or, mais trop complexe pour des modèles simples ou une analyse humaine seule.
Pandora FMS peut intégrer et corréler ces données, extrayant l’or de cette mine en découvrant des schémas permettant de prédire des interruptions potentielles et d’alerter avant qu’elles ne surviennent.

Cas pratique de sécurité : Corrélation d’événements avec Pandora FMS

En passant de la gestion pure à la surveillance de la sécurité, la puissance du deep learning réside non seulement dans la gestion massive de données, mais surtout dans sa capacité à détecter des menaces sophistiquées.
Ainsi, Pandora, apprenant ce qui est « normal » dans l’organisation qu’elle surveille et connaissant les dernières techniques d’attaque, peut détecter des événements qui, pris séparément, ne semblent pas suspects.
Par exemple, un utilisateur accède au système à des heures inhabituelles, puis se connecte à des serveurs apparemment inoffensifs comme Google Drive. Pandora observe tout cela comme Sauron avec son Palantír. Puis, cet utilisateur exécute un script PowerShell — un comportement qui sort de la norme dans l’organisation — et l’ensemble des signaux commence à ressembler à une menace.
Dans ce scénario, Pandora FMS peut corréler ces événements isolés et déduire une possible tentative d’intrusion avec exfiltration de données, puis agir.
Elle envoie une alerte au SOC et peut même se connecter à un SOAR pour déclencher des contre-mesures automatiques, comme couper la connexion et bloquer l’utilisateur jusqu’à ce qu’une enquête soit menée.

Cas pratique de gestion IT : Optimisation de la montée en charge des services cloud

Imaginons une entreprise e-commerce qui souhaite à la fois optimiser les coûts de son fournisseur cloud et éviter les interruptions de service dues à la saturation, ce qui lui ferait perdre des ventes et la confiance des clients.
Parfois — et pas seulement pendant les Black Fridays — elle a rencontré de tels problèmes. Elle déploie donc Pandora FMS comme l’ordinateur de son propre Enterprise, recueillant des données en temps réel.
Pandora FMS apprend grâce au deep learning, en tenant compte des seuils définis dans la Metaconsole ou Command Center (ne pas l’avoir appelée « Pont de Commandement » est une occasion trekkie manquée).
Peu après, elle envoie une alerte prédisant que, par exemple, dans 30 à 60 minutes, le cluster de base de données atteindra 95 %, dégradant le service de catalogue et rendant l’expérience utilisateur insupportablement lente.
Ainsi, elle ne se contente pas de prévenir ou prédire les pannes : elle optimise, permettant à l’organisation d’améliorer la satisfaction client et de respecter les éventuels SLA (Service Level Agreements) contractuels.

Quels sont les avantages et les défis du deep learning en IT ?

Nous avons déjà vu les bénéfices, et les principaux avantages par rapport à la surveillance traditionnelle peuvent se résumer ainsi :

• Vision holistique : Les modèles apprennent les relations croisées entre applications, réseaux et utilisateurs.
• Moins de bruit : En comprenant le contexte, les faux positifs et la fatigue d’alertes diminuent.
• Automatisation réelle : Les prédictions déclenchent des alertes, classifient les incidents ou communiquent avec d’autres outils, comme le SOAR, pour une action préventive et proactive optimale.
• Scalabilité : Un modèle entraîné s’adapte à de nouveaux services sans qu’il soit nécessaire de reconfigurer manuellement des centaines de seuils.

Mais évidemment, rien n’est parfait, et le deep learning présente encore des défis importants, tels que :

• Qualité des données : C’est la clé de tout, car le deep learning n’est efficace que si les données utilisées pour l’entraîner sont fiables. Si les données sont médiocres, les prédictions et corrélations le seront également.
• Transparence : On se heurte ici au problème de la « boîte noire », car dans de nombreux cas, on ne sait pas vraiment pourquoi un modèle de deep learning a prédit ou conclu quelque chose. Ce problème fondamental — et quelque peu inquiétant — est atténué par des techniques d’explicabilité (XAI), mais reste un défi inhérent à cette technologie. Après tout, si nous voulons qu’elle détecte des motifs qui échappent à la compréhension humaine, il est difficile de les expliquer avec des mots « humains ».
• Ressources matérielles et données : En plus des données, entraîner des modèles nécessite des GPU, de l’énergie et des ressources qui ne sont pas illimitées.
• Changement culturel : Si les processus de travail n’intègrent pas les recommandations du deep learning, tout restera lettre morte dans de jolis tableaux de bord. Une bonne gestion du changement est donc indispensable.

Comment Pandora FMS et Pandora ITSM intègrent-ils l’intelligence basée sur le deep learning ?

Avant de continuer, il convient de préciser que Pandora FMS ne repose pas uniquement sur le deep learning pour tout surveiller depuis un unique Trône de Fer. Comme nous l’avons mentionné, d’autres techniques plus traditionnelles peuvent être tout aussi utiles, voire plus, dans certains scénarios.

C’est pourquoi Pandora FMS inclut également des fonctionnalités comme la planification de capacité (Capacity Planning), qui effectue une prédiction basée sur la fenêtre temporelle spécifiée par l’utilisateur et en supposant un comportement plus ou moins linéaire du module ciblé.

Mais en ce qui concerne l’optimisation de la gestion IT par la détection d’anomalies via l’IA, Pandora utilise son moteur MADE.

Les grandes quantités de données nécessaires à son entraînement proviennent de la base de données de Pandora FMS, et MADE conserve une copie locale de ces données sur disque pour effectuer des tâches de réentraînement et de rééchantillonnage au format feather, conçu pour un stockage efficace des données.

Ainsi, nous bénéficions du meilleur des deux mondes afin de garantir l’utilisation de l’outil le plus adapté dans chaque cas.

Quel est l’avenir du deep learning dans la gestion IT ?

De plus, Pandora ITSM intègre des modèles de langage dans ses fonctions d’assistance, capables de répondre aux requêtes des utilisateurs en langage naturel, de suggérer des articles et de documenter chaque intervention.

De la même manière, il s’adapte au mode de fonctionnement de chaque organisation, en permettant la création de règles de workflow concernant la gestion des tickets et le support.

Quel est l’avenir de l’IA générative dans l’IT ?

Tout le monde a une opinion sur l’intelligence artificielle, moi aussi. Mais la réalité, c’est que peu importe comment évolue le jeu ou ses joueurs, elle est là pour rester et elle change tout.

Ne pas utiliser le deep learning dans la gestion IT nous place en désavantage face aux concurrents qui l’exploitent déjà, notamment face à des infrastructures de plus en plus complexes et à des volumes de données clés impossibles à gérer de manière traditionnelle. Être un luddite peut sembler séduisant parfois, mais cela nous causera des ennuis inutiles dans notre travail.

De plus, face à des acteurs malveillants de plus en plus sophistiqués qui exploitent cette technologie et d’autres formes d’IA pour mener des attaques de plus en plus complexes, nous irions au combat armés d’une épée en bois si nous ne tirons pas parti de la puissance de l’apprentissage profond.

À l’avenir, il est probable que nous assistions à une convergence entre le deep learning, l’IA générative (dont la base technologique repose sur le deep learning), l’AIOps avec automatisation des opérations et la RPA (Robotic Process Automation).

Les modèles ne se contenteront pas de détecter les anomalies, mais proposeront également des solutions, valideront des changements et exécuteront des scripts dans des environnements hybrides où machines et humains collaborent. Un peu comme dans Cyberpunk — mais sans implants ni tout ce qui fait le charme du concept.

La forme exacte que prendra cet avenir, personne ne le sait vraiment, même si beaucoup prétendent le contraire. Chez Pandora FMS, nous avons toujours été convaincus que le deep learning permettait aux responsables IT de troquer leur épée en bois contre un véritable sabre laser.

Cela dit, le deep learning n’est pas une solution miracle, ni une clé passe-partout, comme certains essaient de le vendre. Mais c’est bien la clé pour passer d’une surveillance réactive à une gestion proactive et plus efficace.

Au lieu d’éteindre les incendies — ce à quoi se résument souvent les journées en IT — l’objectif est de les éviter grâce à la détection d’anomalies, la prédiction de pannes et l’automatisation du support offertes par les outils de Pandora.

Et maintenant, je dois retrouver cette vieille VHS dans le grenier…

FAQs

Résumons les principales questions que nous avons abordées sur l’apprentissage profond.

Qu’est-ce que le deep learning et comment est-il appliqué à l’IT ?

C’est une approche basée sur des réseaux neuronaux profonds qui apprennent des représentations complexes pour détecter des anomalies, anticiper la demande ou automatiser les décisions de gestion IT.
Pandora FMS et ITSM l’utilisent pour assumer la charge de la supervision, de la gestion et du support.

Quels avantages le deep learning offre-t-il par rapport au machine learning traditionnel ?

Une capacité de représentation plus élevée, un apprentissage automatique des caractéristiques et du fonctionnement de notre infrastructure, ainsi qu’un meilleur rendement avec de grands volumes de données ou de charge de travail.

Comment le deep learning améliore-t-il la détection d’anomalies en IT ?

En apprenant le comportement normal de chaque service, en identifiant les écarts minimes et en priorisant les alertes selon leur impact probable.
Cela permet de réduire le bruit, anticiper les problèmes et faciliter leur résolution.

Comment l’apprentissage profond est-il appliqué à l’ITSM et à l’automatisation du support ?

Grâce à la classification intelligente des tickets, à des chatbots qui assistent utilisateurs et techniciens dans le support, ainsi qu’à l’analyse de sentiment et d’autres fonctionnalités.
Cela multiplie la productivité des équipes d’assistance et de support.

Quels outils et matériels sont nécessaires pour le deep learning en IT ?

Des données de qualité bien gouvernées (car la qualité des résultats dépend de celle des données en entrée), de la puissance de calcul (GPU local ou cloud), ainsi que des pipelines MLOps pour entraîner ou versionner les modèles, et des plateformes pour gérer et utiliser les résultats, comme le font Pandora FMS et Pandora ITSM.