Chez Infologic, plusieurs projets portés par l’équipe Data Science et IA ont permis ces derniers mois d’intégrer des briques d’intelligence artificielle dans nos outils, avec un objectif clair : automatiser intelligemment, mieux anticiper, et valoriser nos données.
Moteur d’alertes & maintenance préventive
Les alertes générées sont classées automatiquement par gravité (info, alarme, critique, bloquant) et peuvent déclencher des actions : création de tickets, notifications, mise à jour de tableaux de bord, auto-résolution…
Nous avons conçu un système d’alertes avancé capable d’anticiper les incidents techniques ou métiers à partir d’un large éventail de données, dans une logique de maintenance préventive automatisée et flexible.
Ce système repose sur trois briques clés :
- Collecte des métriques : Le moteur récupère automatiquement des données techniques (RAM, CPU, heap JVM, espace disque, volumétrie, index...), applicatives (temps de réponse des services, requêtes longues, erreurs EDI, etc.) et métiers (compteurs de production, logs utilisateurs...). Sa grande flexibilité permet d’adapter la collecte aux environnements spécifiques de chaque client.
- Détection d’anomalies : Les comportements anormaux sont identifiés via un mix de règles prédéfinies (seuils, conditions) et d’algorithmes statistiques/machine learning (Z-score, Isolation Forest, analyse de séries temporelles). Ce dispositif permet de repérer des situations telles que la saturation mémoire, les lenteurs applicatives ou des bouclages métier...
- Prévision des indicateurs critiques : En s’appuyant sur des modèles de machine et deep learning comme Prophet ou PyTorch Forecasting, le système prédit l’évolution de métriques clés (charge CPU, évolution de stocks, compteurs...) pour agir avant qu’un incident ne survienne.
Détection intelligente des bugs similaires
Un système d’analyse avancée a été mis en place pour trouver et regrouper automatiquement les bugs similaires à partir des stack traces.
Ce moteur s’appuie sur :
- Des techniques de similarité sémantique (embeddings, similarités avancées...)
- L’usage de LLMs spécialisés pour comparer les messages d’erreurs
Cela permet de réduire le temps de diagnostic, identifier des incidents récurrents et retrouver plus rapidement des solutions connues.
Le système est en cours d’intégration avec l’outil de gestion des tickets de maintenance pour faciliter le tri, la priorisation et la résolution des incidents.
Assistant intelligent pour la recherche sémantique
Un assistant de recherche d’information sémantique et intelligent a été mis en place pour interroger nos données internes (documentation, tickets de maintenance, rapports de bugs, demandes de développement et de paramétrage, etc.) ainsi que notre historique de développement (notes de version, commits, etc.). Basé sur la technologie RAG (Retrieval-Augmented Generation), il permet :
- Une recherche en langage naturel dans les documents internes, commits Git, notes de version...
- Des réponses enrichies (tableaux, HTML, formats adaptés) selon le contexte
- Un système de feedback (note et commentaire) pour améliorer la pertinence des résultats
Cette solution vise à rendre la connaissance technique plus accessible et la recherche des documents similaires, en particulier pour les nouveaux collaborateurs, ou les équipes transverses, et surtout pour le support technique (maintenance)…
IA générative au cœur de Copilote
Nous sommes en cours d’intégration de plusieurs cas d’usage d’IA générative dans nos outils internes pour automatiser certaines tâches rédactionnelles :
- Résumé de comptes rendus ou documents longs
- Pouvoir interroger des fichiers en interne (du texte, PDF...)
- La reconnaissance optique de caractères (OCR) via LLMs
- Synthèse de tickets de maintenance
- Génération de documentation à partir de demandes ou d’historiques de développement
- Création de plans de tests cohérents à partir de spécifications fonctionnelles ou d’une demande de développement ou d’une documentation
- ... et bien plus encore !
Ces fonctionnalités sont intégrées au fur et à mesure directement dans Copilote en interne et s’appuient sur des modèles locaux (via Ollama) ou distants (OpenAI, etc.) qui sont accessibles depuis une interface centralisée OpenWebUI, un hub d’IA mis à disposition des collaborateurs. Il permet d’utiliser, comparer et exploiter différents modèles (Mistral, LLaMA3, CodeLLaMA, etc.) selon les besoins, dans un cadre sécurisé et maîtrisé.
ClickHouse : le socle des analyses de données & de l'IA
ClickHouse est au cœur de l’architecture data d’Infologic. Il permet de :
- Centraliser les historiques des données (capacités de rétention et archivage de données)
- De faire de la business intelligence (BI) rapide grâce à ses capacités de traitement massives
- Et de servir de base pour les modèles de machine learning de prédiction, de détection d’anomalie et de l’IA générative (base vectorielle)...
ClickHouse devient ainsi le socle de l’analyse intelligente chez infologic, combinant performance, scalabilité et simplicité d’intégration.
Youcef REMIL
De formation d’ingénieur d’état en informatique à l’école nationale supérieure d’informatique ESI à Alger et titulaire d’un master de recherche en mathématiques et informatique.
