Aller au contenu principal
Infrastructure · Actu ·

Netflix transforme ses données opérationnelles en graphe de connaissances pour une observabilité pilotée par l'IA

Netflix développe un graphe de connaissances piloté par une ontologie afin d'accélérer les enquêtes en production et de donner à ses agents d'intelligence artificielle une compréhension commune de son environnement opérationnel. La plateforme relie les informations sur les applications, les incidents, les déploiements, les alertes et les dépendances d'infrastructure. L'entreprise affirme traiter plus de 2 milliards de requêtes par jour et jusqu'à 38 millions d'événements de journalisation en temps réel par seconde, et son infrastructure a soutenu environ 65 millions de flux simultanés lors du combat Jake Paul-Mike Tyson de novembre 2024. Pourtant, l'analyse d'une régression applicative prend en moyenne environ quatre heures, l'essentiel du temps étant consacré à reconstituer les relations entre systèmes plutôt qu'à analyser les données elles-mêmes. Le modèle repose sur des standards établis (RDF, OWL, SHACL, SPARQL), et le graphe est stocké dans QuipuDB, la base RDF distribuée de Netflix construite sur le moteur de stockage redb en Rust. Il est alimenté par des « enrichers », des composants qui transforment les données des systèmes opérationnels en triplets sujet-prédicat-objet. Certains sont déterministes, d'autres s'appuient sur des LLM pour interpréter des informations moins structurées, sous le contrôle de règles de validation strictes : types d'entités cohérents, conventions de nommage des URI, vérification par rapport au catalogue logiciel.

2 min de lecture

Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie

Source

Résumé et traduction réalisés par Le Fil IA à partir de InfoQ AI. Lire l'article original →

L'enjeu est concret pour les équipes d'ingénierie. Netflix collecte déjà métriques, événements, journaux et traces, mais ces signaux sont dispersés entre outils d'alerte, de gestion d'incidents, de déploiement et de communication. Une régression peut venir d'une version client, d'une expérimentation, d'un délestage de charge ou d'un service situé plusieurs dépendances en amont, et les ingénieurs doivent aujourd'hui relier ces indices à la main. Le graphe rend ces relations explicites et persistantes. Il capture aussi le raisonnement humain issu des discussions d'incident, notamment les hypothèses, les explications écartées et les décisions de mitigation, qui ne disparaissent plus à la fermeture de la conversation. Le moteur de corrélation analyse 13 types de signaux (erreurs de logs, anomalies de métriques, traces, alertes, incidents, déploiements, changements de configuration, expériences, modifications de code) et classe des hypothèses causales selon des critères comme la proximité temporelle et la gravité. Les humains conservent l'autorité d'approbation sur les changements et corrections proposés.

Cette initiative s'inscrit dans une course plus large à l'observabilité assistée par IA. Datadog, Dynatrace et Splunk corrèlent déjà les signaux et intègrent de plus en plus l'IA à l'investigation d'incidents, mais Netflix met l'accent sur le modèle sémantique sous-jacent. Il décrit un « volant de connaissance » en quatre temps : observer, enrichir, inférer, adapter, où chaque enquête nourrit les détections futures. Le graphe sert de socle à AutoRCA, son système agentique interne d'analyse de causes racines. Plutôt que d'échanger des constats peu structurés, les agents spécialisés (traces, logs, déploiements) utilisent l'ontologie comme interface commune et enrichissent les mêmes entités sans connaître leurs implémentations respectives. L'entreprise vise désormais la remédiation automatisée puis une infrastructure capable de s'auto-réparer, et envisage de relier ce dispositif à son Unified Data Architecture pour connecter les données opérationnelles à des domaines métier et technologiques plus larges.

À lire ensuite

01Présentation : un graphe de connaissances de bout en bout, piloté par une ontologie, pour l'observabilité à l'échelle de NetflixInfoQ AIOutils 02NVIDIA présente Minerva pour une observabilité de bout en bout des usines d'IANVIDIA AI BlogInfrastructure 03Atlassian mise sur l'essor des graphes de connaissancesThe Information AIInfrastructure 
Dossier · Agents IASuivi en continu par Le Fil IASuivre ce sujet →

Le brief du matin

L'essentiel de l'IA chaque jour. Gratuit, désinscription immédiate à tout moment.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription à tout moment

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.