Analyser les données non utilisées

Si les solutions de monitoring ne font pas défaut, ne serait-il pas par ailleurs intéressant d’analyser des flux de données en continu qui ne sont normalement pas utilisés? Observe estime pouvoir y arriver.

Plus une entreprise se numérise, plus chaque service, chaque appareil et chaque utilisateur génère des données. Observe analyse les données produites par les applis, baies de stockage, serveurs et autres sources pour localiser rapidement un problème. ” Autrefois, une mise à niveau importante était réalisée une fois par an. Mais désormais, les produits sont constamment mis à jour et il arrive qu’ils tournent à plusieurs endroits différents. C’est bien, mais si une erreur se produit, la cause peut se trouver à de nombreux endroits, explique Jeremy Burton, CEO.

” Comprendre pourquoi une application ne fonctionne pas est souvent une question de données. Si nous pouvons organiser ces données et les contex- tualiser pour l’utilisateur, nous apportons souvent la réponse à leur question. ” A titre d’exemple, Burton explique la ma- nière dont Google présente aujourd’hui ses résultats. Autrefois, pour le terme de recherche ‘Schwarzenegger’, l’utilisateur recevait plusieurs centaines de résultats. Mais aujourd’hui, outre une série de liens, Google propose un encadré avec sa photo, sa date de naissance et une courte biographie ainsi que certains de ses films les plus connus. ” Il y a de grandes chances que ce que vous recherchiez figure déjà dans cet encadré “, ajoute le CEO.

Mais quelle est la différence avec le monitoring? ” C’est une partie de ce que nous faisons puisqu’il faut être averti lorsqu’un problème se produit. Mais souvent, les indications figurent dans des ‘logs’ ou d’autres statistiques ou données temporelles. Dans ce cas, il vous faut 3 ou 4 outils permettant de corréler les données. Notre objectif est de tout consolider pour accélérer la résolution d’un problème. ”

Pour y parvenir, il faut évidemment stocker l’ensemble des données dans un seul silo. Pour ce faire, Observe s’appuie sur l’entrepôt de données Snowflake. Une autre option consistait à développer une base de données en interne, mais ” nous ne voulions pas y affecter la moitié de notre personnel. Ce fut une décision délicate à l’époque car nous n’étions pas certains de pouvoir capitaliser sur leur technologie “, confesse Burton.

” Une fois que vous avez un entrepôt de données, il convient de cataloguer les jeux de données principaux, comme les données financières, après quoi nous ajoutons l’ensemble des ‘logs’ relatifs à la télémétrie que nous n’aurions pas intégrées autrement. Personne ne s’intéresse en effet aux résultats non structurés durant le processus de fonctionnement d’une appli, sauf s’il y a une erreur. C’est là notre domaine d’activité. ” Certes, Burton ne cherche pas à prouver que son entreprise peut tout solutionner, mais ” il s’agit d’une vérité de base pour expliquer une erreur “.

” Fondamentalement, il s’agit d’un modèle de données relationnelles, avec des liens vers d’autres jeux de données qui permettent de naviguer. Vous suivez différentes relations entre des données, des utilisateurs, sur quels serveurs ces données se trouvent, pour ainsi résoudre le problème “, ajoute Jacob Leverich, fondateur et vice-président ingénierie.

Puisqu’il est question d’un grand nombre de points de données, on peut se demander dans quelle mesure l’intelligence artificielle peut aider à accélérer les traitements. La réponse de Leverich se veut particulièrement sobre. ” Aujourd’hui, nous ne faisons pas appel à l’apprentissage machine. Nous constatons que beaucoup d’acteurs le font, mais cela génère en pratique beaucoup de bruit et de faux positifs. Souvent, il s’agit aussi simplement d’algorithmes pour détecter les exceptions, alors que l’on prétend qu’il s’agit d’apprentissage machine. ”