Les journaux (logs) sont essentiels au bon fonctionnement des systèmes modernes, mais avec l’expansion des applications, ils deviennent rapidement des torrents de texte bruité, redondant et difficile à analyser. Identifier la cause racine d’un délai, d’une erreur de configuration ou d’un plantage équivaut souvent à chercher une aiguille dans une botte de foin. C’est là qu’intervient la solution d’analyse log automatisée, développée par NVIDIA dans le cadre de ses workflows d’IA générative : un système multi-agents autonome basé sur une architecture RAG (Retrieval-Augmented Generation) et intégrant le modèle NVIDIA NeMo Retriever. Ce système repose sur un workflow graphique dynamique, implémenté via LangGraph, qui orchestre plusieurs agents spécialisés : récupération, reranking, évaluation de pertinence, génération de réponses et transformation de requêtes. Il combine deux approches de recherche : BM25 pour la correspondance lexicale et FAISS avec des embeddings générés par NeMo Retriever pour la similarité sémantique. Cette approche hybride maximise à la fois la précision et le rappel, garantissant que les fragments pertinents — qu’ils contiennent des mots-clés exacts ou des idées similaires — soient extraits. Un mécanisme de reranking utilise des modèles LLM pour trier les résultats selon leur pertinence contextuelle, tandis qu’un module de grading évalue les extraits sélectionnés via des sorties structurées (modèles binaires). Si les résultats sont insuffisants, le système déclenche une boucle de correction auto-référente : l’agent de transformation reformule la requête initiale pour améliorer la recherche, puis réitère le processus. Ce cycle se poursuit jusqu’à ce que la réponse soit jugée satisfaisante, assurant une robustesse accrue face aux requêtes ambiguës ou mal formulées. Les bénéfices sont immédiats pour plusieurs équipes : - Les équipes QA et automatisation des tests obtiennent des résumés automatiques, de la détection de tests instables et des analyses de comportement inattendu. - Les équipes DevOps et ingénierie bénéficient d’une unification des logs hétérogènes (application, système, service) avec une analyse croisée et une détection rapide des causes racines. - Les équipes CloudOps et ITOps peuvent surveiller des environnements distribués, détecter les anomalies et les mauvaises configurations en amont. - Les responsables plateforme et observabilité reçoivent des synthèses claires et actionnables, permettant de prioriser les correctifs et d’améliorer l’expérience utilisateur. L’architecture est entièrement modulaire, avec des composants bien définis : - bat_ai.py : définit le graphe de workflow. - graphnodes.py : implémente les agents (recherche, évaluation, etc.). - graphedges.py : gère les transitions conditionnelles. - multiagent.py : intègre la recherche hybride. - binary_score_models.py : fournit des sorties structurées pour l’évaluation. - prompt.json et utils.py : contiennent les templates de prompts et les intégrations aux endpoints NVIDIA AI. Le système est disponible sur GitHub dans le dépôt GenerativeAIExamples, avec un guide de démarrage rapide : il suffit de cloner le projet, d’exécuter une requête exemple, et le système génère une explication claire de l’origine d’une erreur, sans avoir à parcourir des milliers de lignes de logs. En plus de l’analyse log, cette architecture multi-agents peut être étendue à d’autres domaines : gestion des incidents, documentation automatique, surveillance des performances, ou encore génération de rapports opérationnels. Grâce à sa modularité, elle invite à l’innovation collaborative : fork, personnalisation, contribution d’agents nouveaux. Experts du secteur soulignent que cette approche marque une avancée significative dans la résolution des problèmes opérationnels en combinant l’intelligence contextuelle des LLM avec des mécanismes de correction itérative. NVIDIA NeMo Retriever, en tant que modèle spécialisé pour la recherche de documents, joue un rôle clé dans la performance du système, en offrant des embeddings précis et efficaces pour les logs complexes. Pour aller plus loin, NVIDIA propose des tutoriels vidéo, des livestreams en direct dans le cadre de Nemotron Labs, ainsi que des ressources régulières sur les réseaux sociaux. Cette solution illustre comment l’IA générative, combinée à des architectures agentices, transforme les données brutes en intelligence opérationnelle, réduisant ainsi le temps moyen de résolution (MTTR) et boostant la productivité des équipes techniques.