Dans les organisations modernes, les tickets informatiques génèrent une quantité massive de données opérationnelles, riches en signaux sur les dysfonctionnements systémiques, les points de friction récurrents et la performance des équipes. Pourtant, extraire des insights significatifs de ces données reste un défi majeur. La plupart des plateformes de gestion des services (ITSM) sont conçues pour gérer des workflows, non pour l’analyse. Les champs structurés sont incohérents, les descriptions libres sont bruitées, et les liens entre tickets sont rarement capturés ou interrogables. Face à cette complexité, NVIDIA a développé ITelligence, un agent IA interne conçu pour transformer les données brutes des tickets en intelligence opérationnelle actionnable. Ce système repose sur deux piliers : les modèles d’IA ouverts NVIDIA Nemotron, capables de raisonner et d’interpréter le langage naturel, et une base de données graphes pour modéliser les relations complexes entre entités. L’architecture repose sur une chaîne de traitement modulaire et évolutif. Elle commence par une ingestion batch des données provenant de divers systèmes (tickets, inventaires d’appareils, sources d’identité), qui sont normalisées et chargées dans une base de données graphes. Les entités (utilisateurs, incidents, appareils, groupes) deviennent des nœuds, leurs interactions (ouvert par, assigné à, lié à) deviennent des relations. Cette modélisation permet des requêtes multi-sauts complexes, impossibles à réaliser avec des bases relationnelles classiques. Ensuite, des jobs d’enrichissement contextuel ajoutent des attributs pertinents aux tickets (niveau d’ancienneté, rôle, localisation, type d’appareil), permettant une analyse fine sans dépendre des champs remplis manuellement. Puis, un pipeline d’analyse de cause racine (RCA) utilise un modèle LLM (notamment llama-3_3-70b-instruct via NVIDIA NIM) pour extraire automatiquement des mots-clés de cause racine à partir des descriptions libres (ex. : YubiKey, passkey, authentification). Ces RCAs sont stockés comme propriétés sur les nœuds, rendant possible un regroupement précis au-delà des catégories ITSM traditionnelles. Des jobs d’insight générés par IA analysent ensuite les données enrichies pour produire des synthèses stratégiques : durées de résolution élevées, faibles taux de satisfaction (CSAT), récurrence de certaines causes, difficultés liées aux nouveaux embauchés, etc. Ces insights sont liés au contexte organisationnel (équipe, manager) pour offrir des recommandations ciblées. Un système d’alerte distribuée surveille en continu les KPIs (ex. : augmentation du MTTR) et déclenche des notifications ciblées. Un service de newsletter automatisé fournit des résumés hebdomadaires personnalisés aux dirigeants, basés sur des prompts structurés et des données enrichies. Concernant l’interface, NVIDIA a opté pour des tableaux de bord interactifs (avec Grafana) plutôt que pour un chatbot RAG. Bien que les chatbots semblent intuitifs, ils échouent à traduire précisément les requêtes naturelles en requêtes graphes complexes, surtout avec des schémas riches et ambigus. Une requête comme « Quels sont les problèmes récents liés au VPN ? » peut désigner plusieurs intentions : erreurs de configuration, problèmes d’accès, problèmes de sécurité, etc. Le risque d’interprétation erronée est élevé. La solution proposée : un tableau de bord intelligent intégrant un service d’analyse contextuelle. Lorsqu’un utilisateur filtre les données (ex. : RCA = « authentification », groupe = « Support Technique »), les tickets correspondants sont récupérés et envoyés à un API d’agrégation. Celui-ci construit un prompt structuré, le soumet au modèle Nemotron via NVIDIA NIM, et affiche un résumé exécutif dans le tableau (symptômes fréquents, solutions répétées, recommandations). Cela supprime le tri manuel des tickets et accélère la prise de décision. Ce système, conçu pour l’IT, est domaine-agnostique : il peut s’appliquer à la cybersécurité, au support client ou à la gestion des installations. Il démontre comment l’IA, combinée à une modélisation graphes et à une ingénierie de prompts rigoureuse, peut transformer des données opérationnelles bruyantes en intelligence actionnable, en réduisant le fardeau analytique des équipes. Pour en savoir plus sur NVIDIA Nemotron, suivez les actualités NVIDIA, et explorez les tutoriels disponibles sur build.nvidia.com.