Alors que les entreprises étendent leurs capacités d'apprentissage machine (ML) pour analyser les données générées par des applications de plus en plus complexes, New Relic a doté sa plateforme d'observabilité One d’éléments MLOps afin de faciliter la gestion de plusieurs données et modèles de machine learning auprès des métiers. « En plus de la surveillance des applications, du réseau, de l'infrastructure et du navigateur, sans oublier la gestion des logs et des erreurs, One apporte non seulement aux datacientists et aux ingénieurs ML une capacité de surveillance des performances des modèles, mais aussi la possibilité de les réentraîner après avoir déclenché des alertes », a déclaré Guy Fighel, directeur général de l'intelligence appliquée et vice-président de groupe de l'ingénierie des produits chez New Relic.

Utilisé pour décrire la tâche de surveillance des applications d'entreprise, du flux de données et de l'infrastructure distribuée, le terme d’observabilité est relativement récent dans l'informatique. Les systèmes qui offrent de l'observabilité font bien plus que les anciens programmes de gestion des performances des applications (APM), car ils fournissent une vue d'ensemble très pointue de l'infrastructure IT, des mesures granulaires, et rendent la gestion des applications, du réseau, des données et de la sécurité plus efficace. Selon une étude publiée par le fournisseur d'applications de gestion des logs LogDNA, malgré des investissements substantiels dans des outils d'observabilité, 75 % des entreprises interrogées ont encore du mal à atteindre une réelle observabilité. L'étude, qui a interrogé 200 professionnels de l'ingénierie aux États-Unis, a montré que deux tiers des entreprises dépensaient actuellement 100 000 dollars ou plus par an pour des outils d'observabilité, et 38 % dépensaient jusqu’à 300 000 dollars ou plus par an.

Le MLOps facilite l'observabilité des systèmes

La mise à jour de la plateforme One peut soulager la tâche des datascientists de différentes façons, en particulier pour s’adapter à la nature changeante des modèles ML ou d’IA. En effet, parce qu’ils dépendent de données et de code sous-jacents, ces modèles peuvent ne plus être pertinents quand les conditions du monde réel changent. « Les modèles d’apprentissage machine se détériorent au fil du temps », a déclaré Andy Thurai, vice-président de la recherche et analyste principal chez Constellation Research. « Il faut donc surveiller les modèles pour en mesurer les performances, les biais, la stabilité et la fraîcheur, le rappel, la précision et l'exactitude. Selon l'application et l'utilisation, les modèles peuvent changer en quelques secondes ou être valables pendant des jours/semaines/années, mais c’est plus rare », a-t-il ajouté.

« Cette mise à jour de New Relic One offre aux développeurs et aux datascientists d’importer leurs propres données ou de s'intégrer à des plateformes de datascience, mais aussi de surveiller les modèles d'apprentissage machine et les interdépendances avec d'autres composants d'application, y compris l'infrastructure », a déclaré Guy Fighel. Actuellement, New Relic prend en charge les plateformes comme AWS SageMaker, DataRobot, Aporia, Superwise, Comet, DAGsHub, Mona et TruEra, entre autres choses. L’éditeur a déclaré que les entreprises pouvaient créer des tableaux de bord personnalisés pour suivre la précision des modèles d'apprentissage machine et générer des alertes pour signaler les changements inhabituels avant qu'ils n'aient un impact sur l'entreprise ou sur les clients.

Briser les silos de données et accélérer le devops

Selon Guy Fighel de New Relic, un autre problème pour les entreprises qui déploient des applications de ML est lié à la difficulté que peuvent avoir les différentes équipes à travailler ensemble efficacement du fait de disparités entre les tableaux de bord et des interfaces distinctes. « Il y a beaucoup d’écarts entre les producteurs de modèles, c’est-à-dire entre les datascientists, par rapport à ceux qui implémentent les modèles, c’est-à-dire les data ingénieurs, et les équipes devops. Grâce à des outils comme celui-ci, il est possible de mettre un modèle en production facilement », a déclaré Andy Thurai.

« La plateforme New Relic One peut rassembler les équipes même si l'entreprise a déjà investi dans des plateformes de datasciences distinctes, en fournissant une interface commune qui permet aux scientifiques de données et aux autres utilisateurs d'importer des données et de visualiser des modèles construits sur différentes plateformes ML », a encore déclaré M. Fighel. « Elle peut aussi contribuer à résoudre les problèmes de lock-in des fournisseurs », a ajouté Andy Fighel. Selon le rapport de recherche de LogDNA, plus de la moitié des professionnels interrogés ont déclaré que les entreprises ne pouvaient pas mettre en œuvre les outils qu'elles souhaitaient en raison du verrouillage des fournisseurs.

Tarif et disponibilité

Les dernières fonctionnalités de ML, généralement disponibles, sont offertes sans frais supplémentaires sur la plateforme One avec un plafond de 100 Go par mois. Cependant, M. Fighel a indiqué que le mode de tarification du système serait bientôt basé sur la consommation. Parmi les concurrents de New Relic on peut citer des entreprises comme Sumo Logic, AppDynamics, Dynatrace, ManageEngine et la suite Microsoft Azure Application Insights.