Retour

De l’application du Machine Learning à la virtualisation d’applications

Le Machine Learning ou apprentissage automatisé est l’une des expressions les plus fréquemment rencontrées depuis quelques temps dans la littérature, mais les domaines d’applications sont tellement vastes qu’il peut être parfois difficile d’en appréhender tous les enjeux. En pratique, le Machine Learning peut s’appliquer à presque tous les secteurs d’activités, que ce soit la conduite autonome de véhicules en espace public ou pour apprendre du comportement des utilisateurs d’un système d’information d’entreprise. Si les résultats les plus parlants pour le grand public se rencontrent dans le traitement du langage naturel et de la vision, l’application de l’intelligence artificielle à des domaines plus austères apporte des avancées et des résultats significatifs.

Cet article va illustrer deux situations pour lesquelles l’apprentissage automatisé du comportement des utilisateurs va apporter des gains significatifs de productivité et d’ergonomie, impossibles à atteindre par des méthodes classiques.

 

Augmenter la convivialité des environnements de travail

Aujourd’hui, l’une des formes les plus puissantes et performantes de partage des ressources du SI de l’entreprise consiste à virtualiser ces ressources avant de les mettre à la disposition des utilisateurs. Ce mécanisme de publication permet de s’affranchir des contraintes matérielles liées aux postes de travail, d’apporter souplesse et mobilité aux utilisateurs, et de réduire les coûts d’administration du système d’information. Cependant, le temps de chargement des applications pour l’utilisateur est un élément fort de son confort de travail et les meilleures technologies dans le domaine de la virtualisation permettent d’atteindre en moyenne de l’ordre de 15 secondes entre le moment où l’utilisateur clique sur son icône d’application et le moment où l’application est opérationnelle.

Dans ce contexte, l’introduction de composants basés sur les mécanismes d’intelligence artificielle prend tout son sens. En effet, grâce à l’exploitation des capacités du Machine Learning, il est possible d’apprendre les habitudes de travail des utilisateurs et de prédire leur comportement futur.

En effet, l’apprentissage automatique permet de caractériser de manière probabiliste les habitudes des utilisateurs et de « construire » une cartographie statistique de l’usage des ressources du SI et d’anticiper leur usage.

Concrètement, l’algorithme Booster d’AppliDis permet de prédire (avec un niveau de probabilité ajustable, voir ci-dessous) que Mme Untel se connecte tous les jours de la semaine entre 8h30 et 8h45 pour lancer l’application métier AppX ; la solution de virtualisation peut donc, tous les jours de la semaine et à 8h25, pré-charger cette application AppX. Or, la reprise d’une application s’effectuant en moyenne en 1 seconde, Mme Untel accédera, en 1 seconde, à l’application dont elle a besoin pour accomplir sa mission. Ce gain de temps est un avantage majeur pour les professions où la mobilité est extrême et pour lesquelles le temps d’activité sur chaque poste est faible par rapport à la cinématique de connexion. Les techniques d’intelligence artificielle permettent donc de fournir des services innovants et plus performants aux utilisateurs.

 

Optimiser l’usage des ressources de l’entreprise

Le chargement prédictif des applications a évidemment une contrepartie liée à la consommation des ressources nécessaire à l’anticipation du besoin. Ce surcoût est lié d’une part au temps de calcul de la prévision (très faible en général) et, d’autre part, aux ressources CPU et mémoire liées au pré-chargement des applications puisque les applications seront démarrées plus tôt qu’en l’absence de fonctionnement prédictif.

Dans les solutions avancées de virtualisation qui intègrent les technologies de Machine Learning, les administrateurs peuvent équilibrer le gain en performance et le surcroit de consommation de ressources, par exemple en différenciant des groupes d’utilisateurs pour lesquels les niveaux de confort sont différents. La visualisation en temps réel de l’impact des prévisions de chargement d’applications sur les ressources consommées permet donc aux administrateurs d’optimiser ces paramètres.

L’apprentissage automatisé du comportement des utilisateurs permet aussi de réaliser de analyses fines de l’usage des ressources du SI. Á partir des données accumulées, mises en forme et analysées, le Machine Learning peut détecter des modèles (patterns) d’usage qui n’avaient peut-être pas été identifiés par les administrateurs du SI. Ces modèles peuvent être liés à la topologie de l’infrastructure ou à l’usage dans le temps des ressources de l’entreprise. Par exemple, une périodicité d’accès à celles-ci de 8h, 12h ou 168h qui peut entrainer des ralentissements ou des blocages. De manière similaire, la détection de groupes d’utilisateurs accédant sur une période donnée à un même ensemble de ressources peut justifier la modification de l’implantation physique des serveurs associés.

 

Virtualisation et Intelligence Artificielle, un duo innovant et performant

L’intelligence artificielle est devenue un outil incontournable pour analyser, en continu et de manière autonome, la masse des données produite de façon exponentielle par les nouveaux usages des outils informatiques en entreprise. Grâce à ces très grands volumes de données et aux progrès technologiques matériels, l’identification fines de tendances est désormais accessible : c’est le domaine de l’analyse prédictive à partir des données dans lequel le principe n’est plus de définir des règles produisant des résultats déterministes, mais d’apprendre par l’expérimentation afin d’établir des corrélations. Le changement de paradigme est donc fondamental puisque l’on passe d’un modèle déterministe à un modèle probabiliste.

Le principal bénéfice de cette approche est qu’il est maintenant possible de traiter des sujets pour lesquels il n’existe pas de règles faciles à identifier et à mettre en œuvre. Grâce à la maîtrise des technologies de virtualisation et de Machine Learning, Systancia apporte des solutions innovantes et performantes pour améliorer l’agilité des entreprises et leur capacité à délivrer l’accès aux ressources de leur SI de manière souple et performante.

 

Frédéric Pierre – Directeur Scientifique