L’IA peut accélérer le diagnostic des équipes IT, encore faut-il qu’elle travaille à partir de données suffisamment fiables pour ne pas produire des réponses fausses avec beaucoup d’assurance. Daniel Crowe, Area Vice President France & Southern Europe chez NETSCOUT, défend une approche où métriques, journaux, traces et données réseau servent d’abord à reconstruire le contexte nécessaire aux équipes comme aux systèmes d’IA.
L’Intelligence Artificielle (IA) fait désormais partie de la planification quotidienne des entreprises en France, et cette tendance ne montre aucun signe de ralentissement. Une étude de l’INSEE, conduite récemment, révèle que 58 % des entreprises de 250 salariés ou plus utilisent l’IA au quotidien. À mesure que les organisations intègrent l’IA aux opérations informatiques et à la sécurité, leur prochain défi consiste à fournir une vision fiable et digne de confiance des systèmes qu’elle est censée aider à gérer. Se baser sur une IA alimentée par des informations incomplètes ou contradictoires peut en effet conduire à un diagnostic très convaincant, mais totalement erroné. Obtenir des réponses plus rapidement n’a ainsi que peu d’intérêt lorsque les équipes ne peuvent pas vérifier les données qui les sous-tendent.
Vers un enrichissement intelligent des données MELT, et au-delà
En environnements informatiques complexes, les applications s’exécutent dans des datacenters, sur des plateformes cloud ou dans des sites distribués. Les métriques, événements, journaux et traces (MELT) fournissent des informations utiles, mais décrivent souvent des parties différentes d’un service. Un outil de supervision peut ainsi indiquer une infrastructure saine alors que les utilisateurs subissent des lenteurs de transaction. Une alerte de sécurité peut, par ailleurs, identifier une activité suspecte, sans être en mesure de montrer son impact sur un service. Collecter davantage de données ne résout donc pas nécessairement ces problèmes. C’est pourquoi la priorité doit être la préservation du contexte qui aide les équipes et l’IA à déterminer ce qui s’est passé, où cela s’est produit et en quoi c’est important.
Le trafic réseau constitue une source de ce contexte ; l’intelligence issue des paquets observe les interactions entre les applications, les services et les utilisateurs, indépendamment de ce qu’une application individuelle rapporte sur elle-même. Utilisée conjointement avec les journaux, les métriques, les traces et les informations sur les points d’accès, elle peut en effet aider les équipes à vérifier des hypothèses, à suivre une transaction à travers les systèmes et à analyser les comportements inhabituels.
En outre, la valeur réside dans la capacité à rendre ces preuves exploitables. Au lieu de transmettre d’importants volumes de trafic brut à chaque outil en aval, les organisations peuvent extraire les informations pertinentes là où l’activité est observée et les transformer en données compactes et contextuelles. Préserver le contexte des services, des transactions et des comportements à la source offre aux analystes et aux systèmes d’IA un point de départ plus clair pour leurs investigations. Cela permet également de réduire le volume d’informations qu’ils doivent traiter pour parvenir à une réponse.
Prenons le cas d’un service numérique qui commence à ralentir. Une série d’alertes peut indiquer à une équipe informatique qu’il y a un problème, mais lui laisser le soin de déterminer quels utilisateurs sont concernés et si la cause provient de l’application, de ses dépendances ou du réseau. Les preuves tirées des interactions observées peuvent aider à affiner cette recherche. Il en résulte une compréhension plus rapide du problème et une meilleure priorisation de son impact métier.
Le même principe s’applique en cybersécurité. Les équipes de sécurité s’appuient déjà sur des outils tels que le SIEM et la détection et réponse aux points d’accès (EDR). Les preuves réseau complètent ces investissements en révélant des schémas de communication qui justifient une investigation, y compris les activités entre différents systèmes au sein d’une organisation. Elles aident les enquêteurs à évaluer une alerte à l’aune des comportements observés avant de décider de la manière d’y répondre.
Faire face à l’expansion du shadow AI et du shadow IT
L’essor des outils d’IA non approuvés constitue une raison supplémentaire d’améliorer la visibilité, bien que les données réseau ne puissent à elles seules régir leur utilisation. Les organisations ont besoin de politiques et de contrôles d’accès définissant quels services d’IA les employés peuvent utiliser et quelles informations ces derniers sont autorisés à partager. La visibilité sur les interactions entre les services peut appuyer ces contrôles en aidant les équipes à analyser les connexions et les flux de données inattendus.
À mesure que l’IA passe de l’assistance à un investigateur à la recommandation ou à l’exécution d’actions, le niveau d’exigence concernant ses données d’entrée doit s’élever. Les responsables informatiques doivent se demander si un système d’IA est capable de présenter les preuves qui sous-tendent ses conclusions, si ces preuves sont actualisées et suffisamment complètes, et quelles décisions requièrent encore une supervision humaine. Ces questions s’avèrent plus utiles que d’évaluer les progrès au seul nombre d’outils d’IA déployés.
Les organisations françaises ont l’opportunité de rendre l’IA véritablement utile pour les équipes informatiques. Cela nécessite un socle de données opérationnelles qui s’intègre à leurs outils existants et offre aux équipes le moyen de vérifier les informations fournies par l’IA. La stratégie la plus solide commence par des preuves observables, compréhensibles et fiables.
