REPORT GARTNER

2023 Gartner® Market Guide Analyse et évaluation des principales plateformes d’IT Service Management

EV Blog

Actualités et tendances sur la transformation des services

Contacter le
support client!

Blog

Vous souhaitez en savoir plus sur l'ITSM, l'ESM, le libre-service, la gestion des connaissances, l'IA, etc. ? Nous avons ce qu'il vous faut.

Ressources

Nous nous engageons à fournir des ressources qui vous aident à répondre à tous vos besoins en logiciels ITSM.

Webinars

Restez à jour sur nos derniers webinaires et événements ITSM, ITOM ou ESM maintenant.

Société

Le Groupe

RSE

Carrière

The Latest on EV

Restez informé des dernières actualités et événements d'EasyVista.

MIAI : l’institut IA de Grenoble

L’intelligence artificielle EV Observe boostée par les experts de l’institut IA de Grenoble

Le contexte

MIAI Grenoble Alpes est l’institut pluridisciplinaire en Intelligence Artificielle, basé à Grenoble. Ce centre d’expertise est dirigé par Eric Gaussier, anciennement à la tête du Laboratoire Informatique de Grenoble (LIG).

En 2014, dans le cadre d’un projet gouvernemental « Fond Unique Interministériel » – programme permettant de financer des projets de R&D pour une mise sur le marché à court ou moyen terme en associant les compétences de grandes entreprises, de PME et des laboratoires, EasyVista et le LIG se sont rapprochés et ont commencé une succession de projets communs : en 6 ans, 4 sujets d’Intelligence Artificielle ont pu être traités, impliquant une vingtaine d’experts et 10 publications d’articles dans des revues scientifiques !

Nous vous révélons les enjeux de ces projets collaboratifs de haute expertise…

 

Peu d’équipes en France s’intéressent à la découverte de relations causales dans les séries temporelles. Du fait de leurs travaux sur ce sujet, EasyVista et le Laboratoire d’Informatique de Grenoble ont acquis une expertise de premier plan dans le domaine de la causalité.

Les enjeux métiers

Au-delà de la scalabilité de EV Observe, les travaux de recherche avec le LIG ont eu pour objectif de rajouter de l’Intelligence Artificielle dans la supervision afin de répondre aux usages suivants :

  • Réduction des faux positifs et des faux négatifs

Le marché fait état d’un nombre de faux positifs variant entre 30 et 80% pour une solution de supervision classique.

Pour exemple : pour une moyenne de 50 incidents par jour, 25 d’entre eux ne sont réellement pas des incidents. Ceci est dû aux seuils mal configurés : soit trop hauts, soit trop bas.

Cela revient à dire que les exploitants passent la moitié de leur temps sur des alertes qui ne sont pas des incidents ou qui sont non prioritaires : temps passé sur des actions inutiles, perte de confiance dans la solution de supervision …

  • Prévision des incidents

Lorsqu’un problème critique arrive, les équipes d’exploitation se retrouvent en mode « pompier », focalisées sur cette urgence. Que ce soit en journée ou pendant les astreintes, le stress engendré est énorme, la pression exercée par la direction ou les utilisateurs, compliquée à gérer.

Prévoir les incidents avec assez d’anticipation est donc une solution pour un mode de travail organisé et serein, permettant dans le même temps d’obtenir une meilleure qualité de service et donc des taux de disponibilité des applications métiers plus hauts.

  • Identifier au plus vite la source d’un problème – Root Cause Analysis

Remonter à la source d’un problème complexe demande du temps. L’objectif est de réduire au maximum ce temps de résolution via une analyse et raisonnement assistés par une intelligence Artificielle.

POURQUOI EV Observe ?

La réponse

Eric : « Le LIG est un des laboratoires informatiques les plus importants en France, travaillant notamment sur le calcul distribué et le traitement de gros volumes de données.

Les équipes de recherche du LIG sont intéressées par des données de production réelles afin de pouvoir tester et éprouver leurs algorithmes. EasyVista avec sa plateforme de monitoring EV Observe SaaS et ses flux temps réels de millions de données était donc le bon candidat. »

Comme l’explique Eric, « les nouveaux enjeux sont tournés vers les relations causales et plus seulement vers les corrélations entre objets. Cette approche est nouvelle, difficile et peu abordée au niveau du LIG. Le projet « root cause analysis » de EV Observe a donc permis au LIG d’avancer sur ce vaste domaine qu’est la causalité avec des cas d’usages réels. »

 

Traitment des donnees en temps reel

 

Les Bénéfices

  • Scalabilité et robustesse de la plateforme de monitoring

Du fait de ces 4 années de recherche, EasyVista possède maintenant une forte compétence Big Data. Peu d’éditeurs sur le marché ont réussi le basculement vers ces technologies complexes.

  • Augmenter les taux de disponibilité des applications critiques

Via l’injection d’algorithmes dans ce « gros moteur » qu’est le Big Data, la prévision des alertes dans le futur proche (+2h, +15h…) ou plus lointain (+3 mois, +15 mois…) permet de gagner du temps de disponibilité, de réduire la pression sur les équipes d’exploitation à la fois en heures ouvrées mais aussi et surtout en période d’astreinte.

Rachid : « travailler sur la causalité permet de simplifier l’analyse de système complexe en se focalisant sur les alertes essentielles des root causes… »

  • Améliorer le RoI des systèmes de supervision via une meilleure efficacité des exploitants et l’automatisation

Comme Rachid le précise « EV Observe est maintenant en capacité de réduire le bruit, c’est à dire réduire les faux positifs sans générer de faux négatifs. L’ajustement des seuils en automatique est la clé pour obtenir jusqu’à 70% de réduction de bruit sans changer le paradigme et l’organisation actuel des exploitants. Notre système de recommandation s’accorde aux processus actuels des utilisateurs avec peu de conduite de changement.

Nous travaillons maintenant sur le comportemental afin de déceler automatiquement des changements anormaux des systèmes sur une grande série de données. »

 

EB Observe Semantic Segmentation

 
 

Rachid Mokhtari, directeur R&D chez EasyVista « EV Observe s’est confronté à un grand nombre de modèles d’analyse de données pour choisir in fine les modèles les plus pertinents et arriver à les implémenter avec succès dans EV Observe. EasyVista et le LIG ont passé beaucoup de temps pour développer, tester, améliorer et approuver ces modèles. Cela permet à EasyVista de garantir une plus grande fiabilité de leur solution EV Observe auprès du marché.