Les données de journalisation sont essentielles pour maintenir la santé, la sécurité et la performance des systèmes informatiques. Elles permettent aux professionnels de l’informatique de prendre des décisions éclairées et d’optimiser les opérations. Ainsi, les outils d’analyse de journaux sont cruciaux, car ils fournissent les informations nécessaires pour prendre des décisions éclairées, renforcer la sécurité et assurer la conformité, ce qui conduit finalement à des opérations plus efficaces et plus fiables.
L’Intelligent Log Analyzer (iLA), un outil IA, exploite les algorithmes d’AM et d’apprentissage profond (AP) pour analyser les fichiers journaux, détecter les anomalies, identifier les causes profondes et recommander des correctifs. Malgré ses capacités, l’outil présente des limites qui exigent des efforts supplémentaires pour le déploiement à travers différentes applications.
Un défi majeur de l’outil iLA actuel est son incapacité à apprendre de nouvelles données sans l’apport des experts métiers. Cette limite découle de la difficulté d’iLA à capter le sens sémantique et le contexte relationnel à partir des données de journalisation complexes disponibles, qui varient considérablement. Par conséquent, la précision des prédictions d’iLA diminue avec de nouvelles données, car ses algorithmes d’AM reposent sur la similarité textuelle avec les données apprises, sans profondeur d’apprentissage contextuel ni masqué. Ce déficit nécessite une rétroaction continue des experts métiers pour améliorer le processus d’apprentissage de façon incrémentielle, même pour des erreurs similaires survenant dans un contexte différent.
Cet article traite de la limite d’iLA à comprendre la relation contextuelle au sein des données en tirant parti de l’apprentissage par transfert utilisant le modèle linguistique Bidirectional Encoder Representations from Transformers (BERT) basé sur l’architecture des transformeurs. L’intégration de l’apprentissage par transfert dans notre pipeline d’analyse d’erreurs souligne notre engagement à utiliser des techniques et méthodologies de pointe pour relever les défis évolutifs de l’analyse des journaux dans le paysage numérique actuel.
