Aujourd’hui, le machine Learning est principalement utilisé dans l’automatisation informatique, transformant les données pertinentes en logiciel décisionnel. Il peut également assurer une configuration optimale dans la mise en réseau. Pour cela, la technologie analyse la structure des données recueillies pour trouver des modèles inconnus jusqu’alors. Comment le machine learning peut-il profiter aux opérateurs de réseaux de datacenters ? Stéphane Grosjean, Principal SE chez Extreme Networks, apporte des éléments de réponse aux lecteurs de Solutions Numériques.
Le potentiel du machine learning
“Chaque nouvelle prouesse technologique apporte de nouveaux avantages opérationnels. Prenons l’exemple de la cybersécurité. Dans ce contexte, les recherches actuelles dans l’utilisation de réseaux neuronaux artificiels aident à anticiper/contrer les attaques par déni de service (DDoS) ou le vol de données.
Il est capital d’envisager également ce que le machine learning permet en termes d’apprentissage. Grâce à lui, une application peut apprendre, intégrer et réaliser les tâches les plus répétitives, libérant du temps pour les ingénieurs réseaux pour des travaux à plus forte valeur ajoutée.
Dans ce contexte, l’identification de certains facteurs de risque pour l’activité de l’entreprise tels que les retards, les cycles de maintenance, les comportements de certains utilisateurs, est facilitée. Le machine learning permet de les anticiper pour éviter tout encombrement du réseau.
Le machine learning peut également jouer un rôle central dans la corrélation continue de l’état du réseau, en fournissant des modèles de trafic, une topologie et des statistiques de bout en bout et en temps réel pour toutes les interfaces. À court terme, cela peut aider à répondre aux exigences de cas d’usages nécessaires au réseau intuitif.
Dans le cadre de systèmes d’auto-apprentissage à partir de données, les méthodes de machine learning diffèrent de ceux de la programmation informatique traditionnelle. Dans le cas présent, le principe est de faire correspondre les données recueillies avec les comportements observés et identifiés, afin de créer un logiciel capable de modéliser, de prédire les résultats espérés et de les exécuter.
Les systèmes de machine learning sont en mode d’apprentissage automatique : ils apprennent à tirer des conclusions à partir de nouvelles informations au fur et à mesure qu’ils les accumulent.
Il est évident que l’un des facteurs clés du succès du machine learning est la collecte et l’interprétation des données. La technologie devra par la suite identifier les tendances dans les données, les classer de façon significative, et les analyser pour faciliter la prise de décision.
Reste à savoir si les données du réseau sont en mesure de supporter le machine learning
Le traitement de données normalisées facilitant l’apprentissage supervisé a été un facteur crucial pour la réalisation/réussite d’innovation telles que la reconnaissance de modèles, le traitement du langage naturel et la robotique.
Face à ce schéma, l’apprentissage non-supervisé représente une approche plus complexe à appréhender. Toutefois, cette technique offre un plus grand potentiel dans le cadre d’une action telle que la classification des données de flux non-étiquetées. En effet, la difficulté réside ici dans le fait que la majorité des données collectées est incomplète. Pour que ces données incomplètes puissent être utilisées dans le processus de machine learning, il est nécessaire de les standardiser ou de créer de nouveaux algorithmes capables de les traiter, voire les deux à la fois.
Le machine learning est une véritable avancée technologique. L’horizon qu’il amorce en matière de gestion réseau est des plus encourageant. Cependant il est loin d’avoir montrer l’ensemble de son potentiel, conditionné avant tout à son développement par l’être humain. Le cercle vertueux du machine learning qui perfectionnera le réseau intuitif est en marche : identification/classification/traitement de la donnée, développement d’algorithmes, association de réponses, enseignement automatique, etc.”
