[et_pb_section fb_built=\u00a0\u00bb1″ admin_label=\u00a0\u00bbSection\u00a0\u00bb _builder_version=\u00a0\u00bb4.22.0″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb custom_margin=\u00a0\u00bb0px||0px||false|false\u00a0\u00bb custom_padding=\u00a0\u00bb0px||0px||false|false\u00a0\u00bb locked=\u00a0\u00bboff\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb][et_pb_row column_structure=\u00a0\u00bb1_4,3_4″ _builder_version=\u00a0\u00bb4.27.0″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb custom_padding=\u00a0\u00bb50px||||false|false\u00a0\u00bb custom_css_main_element=\u00a0\u00bbz-index:0!important;\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb][et_pb_column type=\u00a0\u00bb1_4″ disabled_on=\u00a0\u00bbon|on|off\u00a0\u00bb _builder_version=\u00a0\u00bb4.22.0″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb custom_padding=\u00a0\u00bb||||false|false\u00a0\u00bb sticky_position=\u00a0\u00bbtop\u00a0\u00bb sticky_offset_top=\u00a0\u00bb100px\u00a0\u00bb sticky_limit_bottom=\u00a0\u00bbsection\u00a0\u00bb motion_trigger_start=\u00a0\u00bbtop\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb][et_pb_text admin_label=\u00a0\u00bbindice\u00a0\u00bb _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb custom_margin=\u00a0\u00bb||0px||false|false\u00a0\u00bb custom_padding=\u00a0\u00bb||14px||false|false\u00a0\u00bb link_option_url=\u00a0\u00bb#1″ global_colors_info=\u00a0\u00bb{}\u00a0\u00bb]<\/p>\n
Sections<\/strong><\/p>\n [\/et_pb_text][\/et_pb_column][et_pb_column type=\u00a0\u00bb3_4″ _builder_version=\u00a0\u00bb4.27.0″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb custom_css_main_element=\u00a0\u00bbz-index:0!important;\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb][et_pb_text admin_label=\u00a0\u00bbseccion\u00a0\u00bb module_id=\u00a0\u00bb1″ module_class=\u00a0\u00bbittopicscontent\u00a0\u00bb _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb z_index=\u00a0\u00bb0″ custom_margin=\u00a0\u00bb0px||0px||true|false\u00a0\u00bb custom_padding=\u00a0\u00bb0px||0px||false|false\u00a0\u00bb custom_css_main_element=\u00a0\u00bbfont-family:%22Pandora-Light%22;\u00a0\u00bb locked=\u00a0\u00bboff\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb]Quand j’\u00e9tais enfant, j’avais enregistr\u00e9 sur VHS Hamburger Hill, un film de guerre sur le Vietnam, et l’une de mes frustrations \u00e9tait que les protagonistes ne voyaient jamais l’ennemi. Tout n’\u00e9tait que jungle, et soudain, la jungle se mettait \u00e0 tirer. Comme en informatique, o\u00f9 l\u2019on surveille chaque recoin en permanence, tout semble calme et, soudain, la panne, l\u2019attaque ou le d\u00e9sastre surgit sans pr\u00e9venir. Pour nous aider dans cette t\u00e2che et rep\u00e9rer l\u2019ennemi cach\u00e9 dans la jungle, nous avons le deep learning appliqu\u00e9 \u00e0 la supervision et \u00e0 l\u2019ITSM<\/strong>.<\/p>\n Gr\u00e2ce \u00e0 lui, nous pouvons d\u00e9couvrir des sch\u00e9mas invisibles \u00e0 l’\u0153il humain<\/strong>, r\u00e9agir plus t\u00f4t, pr\u00e9dire ce qui va se passer, et globalement, gagner du temps, \u00e9viter des d\u00e9sagr\u00e9ments et des \u00e9checs dans notre bataille quotidienne.<\/p>\n Conscients que l’ennemi le plus dangereux est celui qu’on ne voit pas, tapi dans l\u2019\u00e9paisseur du silicium et des bits, Pandora FMS<\/a> et Pandora ITSM<\/a> utilisent des techniques de deep learning<\/a> et d’autres formes d\u2019intelligence artificielle<\/a><\/strong> pour d\u00e9tecter des anomalies, corr\u00e9ler des \u00e9v\u00e9nements complexes et anticiper d\u2019\u00e9ventuelles embuscades.<\/p>\n 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 rep\u00e9rer les menaces.<\/p>\n C\u2019est pourquoi nous allons analyser ce qu\u2019est le deep learning appliqu\u00e9 \u00e0 l\u2019IT et comment Pandora FMS et Pandora ITSM l\u2019utilisent concr\u00e8tement<\/strong>, afin de fournir ce qui est le plus pr\u00e9cieux dans ce m\u00e9tier : la tranquillit\u00e9 d’esprit (et l\u2019approbation de la direction pour notre bon travail).<\/p>\n Le deep learning est une branche de l\u2019arbre de l\u2019intelligence artificielle et l\u2019\u00e9volution naturelle du machine learning. C\u2019est le T-1000 par rapport au T-800 dans Terminator 2, m\u00eame si, comme dans le film, le T-1000 n\u2019est pas toujours le mieux adapt\u00e9 \u00e0 toutes les situations.<\/p>\n Le deep learning repose sur des r\u00e9seaux neuronaux profonds<\/strong> qui apprennent des hi\u00e9rarchies de caract\u00e9ristiques : d\u2019abord des sch\u00e9mas simples, puis des combinaisons complexes, et enfin des repr\u00e9sentations abstraites du syst\u00e8me.<\/p>\n La cl\u00e9 est que, contrairement aux mod\u00e8les traditionnels, le mod\u00e8le d\u00e9termine lui-m\u00eame les signaux importants<\/strong>, ce qui r\u00e9duit la d\u00e9pendance aux r\u00e8gles faites \u00e0 la main.<\/p>\n Ainsi, des mod\u00e8les multimodaux sont entra\u00een\u00e9s \u00e0 combiner des m\u00e9triques, des textes de tickets, des traces r\u00e9seau et des conversations… Un seul mod\u00e8le peut int\u00e9grer des donn\u00e9es h\u00e9t\u00e9rog\u00e8nes comme l\u2019historique de la CPU, les relations entre services ou le langage naturel li\u00e9 \u00e0 des incidents<\/a>.<\/p>\n Gr\u00e2ce \u00e0 une combinaison de couches empil\u00e9es, de fonctions d\u2019activation, de perte ou de poids, cela permet de d\u00e9tecter des sch\u00e9mas cach\u00e9s ind\u00e9tectables par des m\u00e9thodes classiques<\/strong> ou la perception humaine.<\/p>\n Dans l\u2019univers du deep learning, plusieurs architectures sp\u00e9cialis\u00e9es coexistent :<\/p>\n La diff\u00e9rence essentielle est que le machine learning traditionnel n\u00e9cessite qu\u2019un sp\u00e9cialiste identifie quelles m\u00e9triques sont importantes, ce qui devient ing\u00e9rable lorsqu\u2019on passe de quelques dizaines \u00e0 des milliers de variables. Autre distinction importante : certains algorithmes de machine learning traditionnel, comme les arbres de d\u00e9cision simples, g\u00e8rent mal les grands ensembles de donn\u00e9es, alors qu\u2019un mod\u00e8le de deep learning s\u2019am\u00e9liore \u00e0 mesure qu\u2019il re\u00e7oit plus de donn\u00e9es. Bien s\u00fbr, \u00e0 condition que ces donn\u00e9es soient de qualit\u00e9<\/strong>, un d\u00e9fi fondamental que nous aborderons plus en d\u00e9tail en parlant des limites de cette technologie.<\/p>\n Le machine learning est-il donc obsol\u00e8te ?<\/strong> Tout cela semble tr\u00e8s prometteur, mais la vraie question est : comment cela nous aide-t-il dans le chaos quotidien de la gestion IT ? La d\u00e9tection classique repose sur des seuils rigides, mais le deep learning construit des profils dynamiques<\/strong> de ce qui est normal dans votre cas. Les mod\u00e8les s\u00e9quentiels apprennent le cycle de vie des disques, ventilateurs, CPU ou services logiques. En d\u00e9tectant des d\u00e9gradations subtiles (comme une l\u00e9g\u00e8re augmentation de temp\u00e9rature ou une baisse des IOPS), ils pr\u00e9disent des fen\u00eatres de panne possibles<\/strong>. C\u2019est le point fort de Pandora SIEM<\/a>. Il ne se contente pas de collecter et d\u2019afficher des millions de donn\u00e9es, mais relie les \u00e9l\u00e9ments pour donner une vision compl\u00e8te du puzzle<\/strong>. La diff\u00e9rence principale est que le machine learning classique n\u00e9cessite qu\u2019un expert d\u00e9finisse quelles m\u00e9triques sont importantes, ce qui devient ing\u00e9rable lorsqu\u2019on passe de dizaines \u00e0 des milliers de variables. Autre point diff\u00e9renciateur : certains algorithmes de machine learning traditionnels, comme les arbres de d\u00e9cision simples, ne g\u00e8rent pas bien de grands ensembles de donn\u00e9es, tandis qu\u2019un mod\u00e8le de deep learning s\u2019am\u00e9liore avec plus de donn\u00e9es. Bien entendu, \u00e0 condition que les donn\u00e9es soient de qualit\u00e9<\/strong>, un d\u00e9fi majeur que nous aborderons plus en d\u00e9tail dans les limitations de cette technologie.<\/p>\n Le machine learning est-il donc obsol\u00e8te ?<\/strong> Tout cela semble id\u00e9al, mais la vraie question est : \u00e0 quoi cela sert-il face aux incendies quotidiens de la gestion IT ?<\/p>\n La d\u00e9tection classique repose sur des seuils rigides, alors que le deep learning construit des profils dynamiques<\/strong> de ce qui est normal dans notre cas. Les mod\u00e8les s\u00e9quentiels apprennent le cycle de vie des disques, ventilateurs, CPU ou services logiques. En d\u00e9tectant des d\u00e9gradations subtiles (comme une l\u00e9g\u00e8re hausse de temp\u00e9rature ou une baisse des IOPS), ils pr\u00e9disent des fen\u00eatres potentielles de panne<\/strong>. C\u2019est l\u00e0 l\u2019un des grands avantages de Pandora SIEM<\/a>. Il ne se contente pas de collecter et d\u2019afficher des millions de donn\u00e9es, mais relie ces \u00e9l\u00e9ments pour fournir une vision globale<\/strong>. Le deep learning d\u00e9multiplie nos capacit\u00e9s de gestion IT gr\u00e2ce \u00e0 des fonctionnalit\u00e9s telles que :<\/p>\n Comme dans une salle d\u2019urgence hospitali\u00e8re, la premi\u00e8re \u00e9tape consiste \u00e0 effectuer un triage pour cat\u00e9goriser et prioriser les tickets, le plus t\u00f4t possible. Le chatbot de Pandora ITSM combine des mod\u00e8les de langage avec le contexte op\u00e9rationnel<\/strong>. Il permet ainsi d\u2019interagir avec l\u2019utilisateur ou d\u2019assister l\u2019op\u00e9rateur humain dans des situations ou doutes sp\u00e9cifiques.<\/p>\n L\u2019exp\u00e9rience de l\u2019utilisateur final d\u00e9pend aussi de ses ressentis lors de l\u2019interaction avec le support. Les mod\u00e8les bas\u00e9s sur BERT peuvent analyser commentaires, enqu\u00eates et conversations<\/strong> pour identifier des tendances.<\/p>\n Continuons \u00e0 d\u00e9montrer l\u2019utilit\u00e9 du deep learning en IT avec des cas concrets o\u00f9 cette technologie am\u00e9liore consid\u00e9rablement l\u2019efficacit\u00e9, en nous concentrant sur notre Skynet personnel : Pandora FMS.<\/p>\n Un fournisseur de services manag\u00e9s collecte deux ans de m\u00e9triques de performance et de pannes de service. C\u2019est une v\u00e9ritable mine d\u2019or, mais trop complexe pour des mod\u00e8les simples ou une analyse humaine seule. En passant de la gestion pure \u00e0 la surveillance de la s\u00e9curit\u00e9<\/a>, la puissance du deep learning r\u00e9side non seulement dans la gestion massive de donn\u00e9es, mais surtout dans sa capacit\u00e9 \u00e0 d\u00e9tecter des menaces sophistiqu\u00e9es<\/strong>. Imaginons une entreprise e-commerce qui souhaite \u00e0 la fois optimiser les co\u00fbts de son fournisseur cloud et \u00e9viter les interruptions de service dues \u00e0 la saturation, ce qui lui ferait perdre des ventes et la confiance des clients. Nous avons d\u00e9j\u00e0 vu les b\u00e9n\u00e9fices, et les principaux avantages par rapport \u00e0 la surveillance traditionnelle peuvent se r\u00e9sumer ainsi\u00a0:<\/p>\n Mais \u00e9videmment, rien n\u2019est parfait, et le deep learning pr\u00e9sente encore des d\u00e9fis importants, tels que\u00a0:<\/p>\n Avant de continuer, il convient de pr\u00e9ciser que Pandora FMS ne repose pas uniquement sur le deep learning<\/strong> pour tout surveiller depuis un unique Tr\u00f4ne de Fer. Comme nous l\u2019avons mentionn\u00e9, d\u2019autres techniques plus traditionnelles peuvent \u00eatre tout aussi utiles, voire plus, dans certains sc\u00e9narios.<\/p>\n C\u2019est pourquoi Pandora FMS inclut \u00e9galement des fonctionnalit\u00e9s comme la planification de capacit\u00e9 (Capacity Planning), qui effectue une pr\u00e9diction bas\u00e9e sur la fen\u00eatre temporelle sp\u00e9cifi\u00e9e par l\u2019utilisateur et en supposant un comportement plus ou moins lin\u00e9aire<\/strong> du module cibl\u00e9.<\/p>\n Mais en ce qui concerne l\u2019optimisation de la gestion IT par la d\u00e9tection d\u2019anomalies via l\u2019IA, Pandora utilise son moteur MADE<\/strong>.<\/p>\n Les grandes quantit\u00e9s de donn\u00e9es n\u00e9cessaires \u00e0 son entra\u00eenement proviennent de la base de donn\u00e9es de Pandora FMS, et MADE conserve une copie locale de ces donn\u00e9es sur disque pour effectuer des t\u00e2ches de r\u00e9entra\u00eenement et de r\u00e9\u00e9chantillonnage au format feather, con\u00e7u pour un stockage efficace des donn\u00e9es.<\/p>\n Ainsi, nous b\u00e9n\u00e9ficions du meilleur des deux mondes afin de garantir l\u2019utilisation de l\u2019outil le plus adapt\u00e9<\/strong> dans chaque cas.<\/p>\n De plus, Pandora ITSM int\u00e8gre des mod\u00e8les de langage dans ses fonctions d\u2019assistance<\/strong>, capables de r\u00e9pondre aux requ\u00eates des utilisateurs en langage naturel, de sugg\u00e9rer des articles et de documenter chaque intervention.<\/p>\n De la m\u00eame mani\u00e8re, il s\u2019adapte au mode de fonctionnement de chaque organisation, en permettant la cr\u00e9ation de r\u00e8gles de workflow concernant la gestion des tickets et le support.<\/p>\n Tout le monde a une opinion sur l\u2019intelligence artificielle, moi aussi. Mais la r\u00e9alit\u00e9, c\u2019est que peu importe comment \u00e9volue le jeu ou ses joueurs, elle est l\u00e0 pour rester et elle change tout<\/strong>.<\/p>\n Ne pas utiliser le deep learning dans la gestion IT nous place en d\u00e9savantage face aux concurrents qui l\u2019exploitent d\u00e9j\u00e0, notamment face \u00e0 des infrastructures de plus en plus complexes et \u00e0 des volumes de donn\u00e9es cl\u00e9s impossibles \u00e0 g\u00e9rer de mani\u00e8re traditionnelle. \u00catre un luddite peut sembler s\u00e9duisant parfois, mais cela nous causera des ennuis inutiles dans notre travail.<\/p>\n De plus, face \u00e0 des acteurs malveillants de plus en plus sophistiqu\u00e9s qui exploitent cette technologie et d’autres formes d\u2019IA pour mener des attaques de plus en plus complexes<\/strong>, nous irions au combat arm\u00e9s d\u2019une \u00e9p\u00e9e en bois si nous ne tirons pas parti de la puissance de l\u2019apprentissage profond.<\/p>\n \u00c0 l\u2019avenir, il est probable que nous assistions \u00e0 une convergence entre le deep learning, l\u2019IA g\u00e9n\u00e9rative<\/a> (dont la base technologique repose sur le deep learning), l\u2019AIOps avec automatisation des op\u00e9rations et la RPA<\/a> (Robotic Process Automation).<\/p>\n Les mod\u00e8les ne se contenteront pas de d\u00e9tecter les anomalies, mais proposeront \u00e9galement des solutions, valideront des changements et ex\u00e9cuteront des scripts<\/strong> dans des environnements hybrides o\u00f9 machines et humains collaborent. Un peu comme dans Cyberpunk \u2014 mais sans implants ni tout ce qui fait le charme du concept.<\/p>\n La forme exacte que prendra cet avenir, personne ne le sait vraiment, m\u00eame si beaucoup pr\u00e9tendent le contraire. Chez Pandora FMS, nous avons toujours \u00e9t\u00e9 convaincus que le deep learning permettait aux responsables IT de troquer leur \u00e9p\u00e9e en bois contre un v\u00e9ritable sabre laser.<\/p>\n Cela dit, le deep learning n\u2019est pas une solution miracle<\/strong>, ni une cl\u00e9 passe-partout, comme certains essaient de le vendre. Mais c\u2019est bien la cl\u00e9 pour passer d\u2019une surveillance r\u00e9active \u00e0 une gestion proactive<\/strong> et plus efficace<\/a>.<\/p>\n Au lieu d\u2019\u00e9teindre les incendies \u2014 ce \u00e0 quoi se r\u00e9sument souvent les journ\u00e9es en IT \u2014 l\u2019objectif est de les \u00e9viter gr\u00e2ce \u00e0 la d\u00e9tection d\u2019anomalies, la pr\u00e9diction de pannes et l\u2019automatisation du support offertes par les outils de Pandora.<\/p>\n Et maintenant, je dois retrouver cette vieille VHS dans le grenier\u2026<\/p>\n R\u00e9sumons les principales questions que nous avons abord\u00e9es sur l\u2019apprentissage profond.<\/p>\n C\u2019est une approche bas\u00e9e sur des r\u00e9seaux neuronaux profonds qui apprennent des repr\u00e9sentations complexes pour d\u00e9tecter des anomalies<\/strong>, anticiper la demande ou automatiser les d\u00e9cisions de gestion IT. Une capacit\u00e9 de repr\u00e9sentation plus \u00e9lev\u00e9e, un apprentissage automatique des caract\u00e9ristiques et du fonctionnement de notre infrastructure, ainsi qu\u2019un meilleur rendement avec de grands volumes de donn\u00e9es ou de charge de travail.<\/p>\n En apprenant le comportement normal de chaque service, en identifiant les \u00e9carts minimes et en priorisant les alertes selon leur impact probable.\n
Qu\u2019est-ce que le deep learning et comment \u00e7a fonctionne ?<\/h2>\n
\n
Quelle est la diff\u00e9rence entre le deep learning et le machine learning traditionnel ?<\/h2>\n
\nLe deep learning, en revanche, automatise cette d\u00e9couverte de ce qui compte et augmente la capacit\u00e9 de repr\u00e9sentation<\/strong>, en identifiant des relations non lin\u00e9aires entre m\u00e9triques, tickets et logs qui n\u2019\u00e9taient pas explicitement d\u00e9finies.
\nAutrement dit, il peut voir dans cette jungle IT ce que les yeux experts ne peuvent d\u00e9tecter.<\/p>\n
\nPas du tout, comme l\u2019a prouv\u00e9 Schwarzenegger (oui, j\u2019ai copi\u00e9-coll\u00e9 le nom, comme tout le monde) face au T-1000.
\nLes mod\u00e8les simples restent id\u00e9aux pour des diagnostics rapides ou en l\u2019absence d\u2019historique. C\u2019est pourquoi une strat\u00e9gie gagnante est souvent hybride : <\/p>\n\n
Quelles sont les applications du deep learning dans la supervision IT ?<\/h2>\n
\nPour ne pas finir comme le peloton de Hamburger Hill, nous pouvons compter sur :<\/p>\nD\u00e9tection d\u2019anomalies dans les m\u00e9triques de performance<\/h3>\n
\nCela permet une plus grande flexibilit\u00e9 et pr\u00e9cision<\/strong>. Ainsi, Pandora FMS, en utilisant ces techniques, d\u00e9clenche des alertes plus pr\u00e9cises<\/strong>, r\u00e9duisant le bruit et les crises de nerfs.<\/p>\nPr\u00e9diction des pannes et maintenance proactive<\/h3>\n
\nPandora FMS int\u00e8gre ces pr\u00e9visions. La cl\u00e9 n\u2019est pas seulement de disposer d\u2019un cerveau comme celui du professeur Xavier dans X-Men pour localiser ce qu\u2019il faut, mais aussi la capacit\u00e9 de projeter le futur probable<\/strong>, \u00e0 la mani\u00e8re de Nostradamus \u2013 mais avec plus de pr\u00e9cision.<\/p>\nCorr\u00e9lation avanc\u00e9e des \u00e9v\u00e9nements dans les environnements SIEM<\/h3>\n
\nAutrement dit, il transforme l\u2019information en connaissance exploitable<\/strong>, en identifiant les sch\u00e9mas et embuscades complexes de l\u2019ennemi. Et bien s\u00fbr, il r\u00e9duit les faux positifs, ce qui am\u00e9liore la sant\u00e9 cardiaque \u2013 souvent mise \u00e0 rude \u00e9preuve dans notre m\u00e9tier.<\/p>\nQuelle est la diff\u00e9rence entre le deep learning et le machine learning traditionnel ?<\/h2>\n
\nLe deep learning, lui, automatise cette d\u00e9couverte et augmente la capacit\u00e9 de repr\u00e9sentation<\/strong>, en d\u00e9tectant des relations non lin\u00e9aires entre m\u00e9triques, tickets et journaux qui ne sont pas \u00e9videntes \u00e0 premi\u00e8re vue.
\nAutrement dit, il peut voir dans la jungle IT ce que les yeux humains ne peuvent pas d\u00e9tecter.<\/p>\n
\nAbsolument pas, comme l\u2019a prouv\u00e9 Schwarzenegger (oui, j\u2019ai aussi copi\u00e9-coll\u00e9 le nom) face au T-1000.
\nLes mod\u00e8les simples restent parfaits pour les diagnostics rapides ou en absence d\u2019historique. C\u2019est pourquoi une strat\u00e9gie gagnante est souvent hybride :<\/p>\n\n
Quelles sont les applications du deep learning en surveillance IT ?<\/h2>\n
D\u00e9tection d\u2019anomalies dans les m\u00e9triques de performance<\/h3>\n
\nCela apporte plus de flexibilit\u00e9 et de pr\u00e9cision<\/strong>. Ainsi, Pandora FMS, en utilisant ces techniques, g\u00e9n\u00e8re des alertes plus pr\u00e9cises<\/strong>, r\u00e9duisant le bruit et le stress des op\u00e9rateurs.<\/p>\nPr\u00e9diction de pannes et maintenance proactive<\/h3>\n
\nPandora FMS int\u00e8gre ces pr\u00e9dictions, et l\u2019essentiel n\u2019est pas seulement d\u2019avoir un cerveau comme le professeur Xavier dans X-Men, mais aussi la capacit\u00e9 de projeter un futur probable<\/strong> \u2014 comme Nostradamus, mais en plus fiable.<\/p>\nCorr\u00e9lation avanc\u00e9e des \u00e9v\u00e9nements dans des environnements SIEM<\/h3>\n
\nAutrement dit, il transforme l\u2019information en connaissance exploitable<\/strong>, d\u00e9tectant des embuscades complexes \u2014 et en r\u00e9duisant les faux positifs, ce qui am\u00e9liore la sant\u00e9 cardiaque de notre profession.<\/p>\nComment le deep learning am\u00e9liore-t-il l\u2019ITSM et l\u2019automatisation du support\u00a0?<\/h2>\n
Classification automatique des tickets via l\u2019IA<\/h3>\n
\nIci, l\u2019utilisation de transformers permet de comprendre la s\u00e9mantique du ticket<\/strong> (souvent \u00ab\u00a0quelque chose est cass\u00e9\u00a0\u00bb et \u00ab\u00a0je n\u2019ai rien touch\u00e9\u00a0\u00bb, selon l\u2019utilisateur), attribuant des priorit\u00e9s et des responsables en fonction de cette interpr\u00e9tation.<\/p>\nChatbots pour l\u2019interaction et la gestion<\/h3>\n
Analyse de sentiment et qualit\u00e9 du service<\/h3>\n
Cas pratiques et exemples concrets d\u2019utilisation du deep learning en gestion IT<\/h2>\n
Cas pratique de gestion IT\u00a0: Pr\u00e9diction des pannes sur serveurs et r\u00e9seaux<\/h3>\n
\nPandora FMS peut int\u00e9grer et corr\u00e9ler ces donn\u00e9es, extrayant l\u2019or de cette mine<\/strong> en d\u00e9couvrant des sch\u00e9mas permettant de pr\u00e9dire des interruptions potentielles et d\u2019alerter avant qu\u2019elles ne surviennent<\/strong>.<\/p>\nCas pratique de s\u00e9curit\u00e9\u00a0: Corr\u00e9lation d\u2019\u00e9v\u00e9nements avec Pandora FMS<\/h3>\n
\nAinsi, Pandora, apprenant ce qui est \u00ab\u00a0normal\u00a0\u00bb dans l\u2019organisation qu\u2019elle surveille et connaissant les derni\u00e8res techniques d\u2019attaque<\/a>, peut d\u00e9tecter des \u00e9v\u00e9nements qui, pris s\u00e9par\u00e9ment, ne semblent pas suspects.
\nPar exemple, un utilisateur acc\u00e8de au syst\u00e8me \u00e0 des heures inhabituelles, puis se connecte \u00e0 des serveurs apparemment inoffensifs comme Google Drive. Pandora observe tout cela comme Sauron avec son Palant\u00edr. Puis, cet utilisateur ex\u00e9cute un script PowerShell \u2014 un comportement qui sort de la norme dans l\u2019organisation \u2014 et l\u2019ensemble des signaux commence \u00e0 ressembler \u00e0 une menace.
\nDans ce sc\u00e9nario, Pandora FMS peut corr\u00e9ler ces \u00e9v\u00e9nements isol\u00e9s<\/strong> et d\u00e9duire une possible tentative d\u2019intrusion avec exfiltration de donn\u00e9es, puis agir<\/strong>.
\nElle envoie une alerte au SOC et peut m\u00eame se connecter \u00e0 un SOAR<\/a> pour d\u00e9clencher des contre-mesures automatiques, comme couper la connexion et bloquer l\u2019utilisateur jusqu\u2019\u00e0 ce qu\u2019une enqu\u00eate soit men\u00e9e.<\/p>\nCas pratique de gestion IT\u00a0: Optimisation de la mont\u00e9e en charge des services cloud<\/h3>\n
\nParfois \u2014 et pas seulement pendant les Black Fridays \u2014 elle a rencontr\u00e9 de tels probl\u00e8mes. Elle d\u00e9ploie donc Pandora FMS comme l\u2019ordinateur de son propre Enterprise, recueillant des donn\u00e9es en temps r\u00e9el.
\nPandora FMS apprend gr\u00e2ce au deep learning, en tenant compte des seuils d\u00e9finis dans la Metaconsole ou Command Center (ne pas l\u2019avoir appel\u00e9e \u00ab\u00a0Pont de Commandement\u00a0\u00bb est une occasion trekkie manqu\u00e9e).
\nPeu apr\u00e8s, elle envoie une alerte pr\u00e9disant que, par exemple, dans 30 \u00e0 60 minutes, le cluster de base de donn\u00e9es atteindra 95\u00a0%, d\u00e9gradant le service de catalogue et rendant l\u2019exp\u00e9rience utilisateur insupportablement lente.
\nAinsi, elle ne se contente pas de pr\u00e9venir ou pr\u00e9dire les pannes\u00a0: elle optimise<\/strong>, permettant \u00e0 l\u2019organisation d\u2019am\u00e9liorer la satisfaction client et de respecter les \u00e9ventuels SLA (Service Level Agreements) contractuels.<\/p>\nQuels sont les avantages et les d\u00e9fis du deep learning en IT\u00a0?<\/h2>\n
\n
\n
Comment Pandora FMS et Pandora ITSM int\u00e8grent-ils l\u2019intelligence bas\u00e9e sur le deep learning\u00a0?<\/h2>\n
Quel est l\u2019avenir du deep learning dans la gestion IT\u00a0?<\/h3>\n
Quel est l\u2019avenir de l\u2019IA g\u00e9n\u00e9rative dans l\u2019IT\u00a0?<\/h2>\n
FAQs<\/h2>\n
Qu\u2019est-ce que le deep learning et comment est-il appliqu\u00e9 \u00e0 l\u2019IT\u00a0?<\/h4>\n
\nPandora FMS et ITSM l\u2019utilisent pour assumer la charge de la supervision, de la gestion et du support.<\/p>\nQuels avantages le deep learning offre-t-il par rapport au machine learning traditionnel\u00a0?<\/h4>\n
Comment le deep learning am\u00e9liore-t-il la d\u00e9tection d\u2019anomalies en IT\u00a0?<\/h4>\n
\nCela permet de r\u00e9duire le bruit, anticiper les probl\u00e8mes et faciliter leur r\u00e9solution.<\/p>\nComment l\u2019apprentissage profond est-il appliqu\u00e9 \u00e0 l\u2019ITSM et \u00e0 l\u2019automatisation du support\u00a0?<\/h4>\n