{"id":6020,"date":"2025-12-17T11:31:58","date_gmt":"2025-12-17T10:31:58","guid":{"rendered":"https:\/\/pepr-cloud.fr\/fr\/?p=6020"},"modified":"2025-12-17T14:00:19","modified_gmt":"2025-12-17T13:00:19","slug":"les-llm-au-service-de-la-decouverte-de-relations-causales-dans-la-surveillance-des-environnements-informatiques-une-etude-comparative","status":"publish","type":"post","link":"https:\/\/pepr-cloud.fr\/en\/francais-les-llm-au-service-de-la-decouverte-de-relations-causales-dans-la-surveillance-des-environnements-informatiques-une-etude-comparative\/","title":{"rendered":"(Fran\u00e7ais) Les LLM au service de la d\u00e9couverte de relations causales dans la surveillance des environnements informatiques : une \u00e9tude comparative"},"content":{"rendered":"

Sorry, this entry is only available in Fran\u00e7ais<\/a>.<\/p>

<\/div>\n\n\n
\n
\"\"<\/a><\/figure><\/div>\n\n\n
<\/div>\n\n\n\n

\u00c0 l\u2019\u00e8re des infrastructures informatiques toujours plus complexes, la surveillance efficace de ces environnements distribu\u00e9s et h\u00e9t\u00e9rog\u00e8nes reste un d\u00e9fi majeur. Une nouvelle \u00e9tude, pr\u00e9sent\u00e9e lors de la session sp\u00e9ciale LLM-Net<\/em> de la conf\u00e9rence IEEE LCN 2025<\/strong> \u00e0 Sydney, explore le potentiel des mod\u00e8les de langage (LLM)<\/strong> \u2014 open source et commerciaux \u2014 pour identifier des relations causales entre les m\u00e9triques de surveillance. En comparant leurs performances avec des algorithmes traditionnels comme PCMCI+<\/strong>, cette recherche ouvre la voie \u00e0 une surveillance plus intelligente et \u00e9conome en ressources, notamment dans le cadre du projet PEPR Cloud SPIREC<\/strong>.<\/em><\/strong><\/p>\n\n\n\n

\n\n\n\n

1. Contexte et enjeux<\/strong><\/strong><\/h2>\n\n\n\n
<\/div>\n\n\n\n

La surveillance des environnements informatiques modernes, marqu\u00e9s par leur distribution, leur h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 et leur \u00e9volutivit\u00e9<\/strong>, se heurte \u00e0 un obstacle de taille : l\u2019absence de connaissances pr\u00e9alables sur les m\u00e9triques les plus critiques. Pourtant, ces m\u00e9triques sont souvent li\u00e9es par des relations causales<\/strong> invisibles \u00e0 l\u2019\u0153il nu. C\u2019est dans ce contexte que les Large Language Models (LLM)<\/strong> \u00e9mergent comme une solution prometteuse, capables d\u2019analyser et de raisonner sur des donn\u00e9es complexes gr\u00e2ce \u00e0 leur ma\u00eetrise du langage naturel.<\/p>\n\n\n\n

2. Objectifs de l\u2019\u00e9tude<\/strong><\/strong><\/strong><\/h2>\n\n\n\n
<\/div>\n\n\n\n

Pr\u00e9sent\u00e9e lors de la session LLM-Net<\/em> de la conf\u00e9rence IEEE LCN 2025<\/strong> (Sydney, Australie), cette publication \u00e9value la capacit\u00e9 des LLM \u2014 open source et commerciaux<\/strong> \u2014 \u00e0 d\u00e9couvrir des liens causaux entre les m\u00e9triques de surveillance. L\u2019\u00e9tude compare leurs performances avec celles d\u2019un algorithme traditionnel (PCMCI+<\/strong>), en testant diff\u00e9rents styles de prompts<\/em> pour optimiser les r\u00e9sultats.<\/p>\n\n\n\n

3. M\u00e9thodologie et r\u00e9sultats<\/strong><\/strong><\/strong><\/strong><\/h2>\n\n\n\n
<\/div>\n\n\n\n

Les chercheurs ont exploit\u00e9 les capacit\u00e9s de raisonnement causal<\/strong> des LLM pour g\u00e9n\u00e9rer des scores indiquant l\u2019importance relative des m\u00e9triques. Ces scores, int\u00e9gr\u00e9s \u00e0 un agent d\u2019apprentissage par renforcement (RL)<\/strong>, permettent de :<\/p>\n\n\n\n