Génératif et IT OPS: Comment simplifier l'analyse informatique complexe

En règle générale, les organisations les plus importantes et les plus articulées contestent le développement de leurs applications aux fournisseurs externes (par le biais de compétitions), ce qui implique une rotation continue des acteurs impliqués. En fait, il arrive que le logiciel soit développé par une entreprise, géré et mis à jour par un autre, avec une perte conséquente de savoir comment spécifique.

Tout cela a un impact remarquable sur les processus opérationnels. Lorsque les problèmes commencent à émerger, la compréhension de la cause et les résoudre nécessite du temps et des ressources, car les équipes d'assistance n'ont pas nécessairement une connaissance spécifique de l'application, ni des outils adéquats pour effectuer des analyses rapides, profondes et ciblées dans des écosystèmes logiciels très complexes. Le résultat est un Détermination du problème Lent, dépendant des experts inédites, avec une accumulation conséquente de billets et une forte incertitude sur les temps de résolution.

C'est dans ce scénario que la nécessité d'une nouvelle approche est née, capable d'automatiser l'analyse du logiciel d'application et le diagnostic de problèmes pour rendre les interventions plus efficaces, également dans le manque de connaissances sur le système spécifique. Et c'est l'objectif qui a incité Sourcesesense, une entreprise du groupe Poste Italiane spécialisé dans la conception de solutions basées sur les technologies open source, pour explorer l'application de l'IA générative dans les opérations informatiques.

Au générateur de l'IT Ops: un expert en assistant numérique en systèmes complexes

Raffaele Camanzo, responsable de la technologie de Sourcesesense, explique que l'idée de développer une solution basée à Genai est née lors d'une comparaison avec les gestionnaires des opérations d'un excellent client: « Jusqu'à présent, il a émergé combien les équipes de gestion et de maintenance du logiciel ont eu du mal à reconstruire la nature des problèmes ». N'oublions pas, en fait, que de nombreux problèmes sont décrits superficiellement par le personnel du centre de contact ou par l'utilisateur final, et cela impose une activité analytique en profondeur par des techniciens qui, comme mentionnés, ne connaissent pas nécessairement l'application en question et ne peuvent pas compter sur une documentation mise à jour ou fiable.

«De là – continue Camanzo – L'idée de créer un assistant numérique expert est née, capable d'analyser le problème, de clarifier sa nature et de rendre une description détaillée au profit du personnel technique. Cette activité d'enrichissement des informations du problème (Enrichissement des problèmes) Également confier la solution au personnel non spécialisé sur le système spécifique, mais évidemment un expert en maintenance du logiciel « .

Une solution de ce type, si elle est correctement développée et mise en œuvre, a un impact décisif sur les temps d'intervention et sur les taux d'activités indisponibles.

Logiclens AI: un outil pour explorer les systèmes complexes

Sourcesesense solution est appelée Logiclens aiest un outil basé sur des technologies d'intelligence artificielle génératrices et conçues pour aider les entreprises à comprendre et à interroger les systèmes logiciels complexes. Les connaissances qui en résultent peuvent être appliquées dans de nombreux domaines opérationnels, commençant – comme mentionné – par la gestion des problèmes et des accidents.

Les logiclens se séparent d'une hypothèse claire: « Dans un environnement hétérogène et complexe – explique Camanzo – la seule source de vérité est le code source qui fonctionne en production. Il s'agit de la seule condition préalable des logiclens.

Contrairement à d'autres approches, Logiclens AI ne s'intègre pas à l'environnement d'exécution afin de ne pas chevaucher avec les outils AOPS: mesures et journaux, lorsqu'ils sont disponibles, ils peuvent être utilisés comme informations de contexte dans les invites, enrichissant davantage la qualité des réponses.

Comment les logiclens fonctionnent AI: le graphique Know -How et les trois façons d'utiliser

D'un point de vue technique, les logiclens aux bases de sa connaissance du contexte sur un graphique de savoir-faire et non sur une architecture de chiffon classique (génération de récupération-augeno).

Le choix est dicté par la nécessité de gérer de grands volumes de code source: « Lorsque nous avons essayé de comprendre comment résoudre le problème en utilisant les graphiques de connaissances, nous avions presque seulement les articles de recherche disponibles. Le chiffon classique ne s'adaptait pas au problème que nous voulions résoudre, car avec une telle connaissance de la structure, nous avions besoin d'une approche plus ciblée et d'une approche technique sur la structure. code.

Logiclens AI peut être utilisé de différentes manières, à partir d'une simple interface conversationnelle avec laquelle interroger le système et obtenir des réponses ponctuelles. En parallèle, l'outil peut être intégré aux services des services de services pour enrichir automatiquement les billets décrits de manière générique; Enfin, il peut être activé en tant qu'agent au sein des équipes de Microsoft pour soutenir le personnel impliqué dans la gestion d'accidents critiques tels que Expert sur les systèmes logiciels concernés.

Analyse d'impact et analyse des risques: les cas d'utilisation de logiclens AI

Logiclens est né pour soutenir l'analyse et la résolution des problèmes et des accidents, mais comme dans toutes les applications Genai, son potentiel s'étend au-delà des cas d'utilisation initiaux. L'utilisation sur le terrain, en fait, a révélé une série de comportements intéressants et d'opportunités d'application avancées, que l'entreprise a commencé à explorer avec des développements ciblés.

Grâce à la possibilité de structurer les connaissances contenues dans le code source de manière structurée, les logiclens AI peuvent aujourd'hui être utilisés pour des activités stratégiques telles que l'analyse d'impact (par exemple pour estimer les conséquences et le coût d'une intervention évolutive sur le logiciel), l'analyse des risques (détecter la vulnérabilité connue dans les écosystèmes de numéros d'outils ou de milliers d'applications) et même de la construction automatique de techniques techniques par des ajouts avec des centaines ou des milliers d'applications) et même de la construction automatique de techniques techniques par des ajouts avec des centaines de outils d'extérieur.

Raffaele Camanzo rapporte donc quelques cas d'utilisation intéressants qui ne concernent pas le Détermination du problème: «Par exemple, un logiciel qui gère les canaux de communication, vous pouvez demander quelles interventions sont nécessaires pour ajouter WhatsApp; à un système distribué qui implémente un flux de paiement, vous pouvez demander un diagramme de séquence Sirène qui décrit le flux, y compris toutes les interactions entre les composants, mettant en évidence les canaux de communication et les outils de persistance. Dans le domaine de la sécurité, cependant, il est possible de remettre en question les logiclens pour identifier immédiatement tous les composants qui utilisent une certaine bibliothèque, une chose fondamentale si une nouvelle vulnérabilité émerge dans la librairie elle-même « .

Logiclens AI offre déjà une valeur tangible, mais comme son potentiel n'a pas de frontières claires, car c'est une technologie qui s'adapte aux besoins opérationnels qui augmentent jamais.

Pour en savoir plus sur Logriclens:

https://www.sourcesense.com/?utm_medium=partner &

https://www.sourcesesense.com/ofuret/logiclens-ai-debugging-codice- Intelligent? utm_medium = partenaire & utm_source = a4business & utm_campaign = logiclens-09-2025

** Article créé en collaboration avec Sourcesesense