Aller au contenu

8 min de lecture

Glossaire

Les termes de l'observabilité définis simplement, avec leur équivalent anglais.

Chaque terme est donné avec son équivalent anglais, parce que la documentation des outils est presque toujours en anglais.

ADKAR : modèle de conduite du changement publié par Prosci, en cinq étapes vécues par chaque personne : prise de conscience (awareness), envie (desire), connaissance (knowledge), capacité (ability), ancrage (reinforcement).

Astreinte (on-call) : permanence pendant laquelle une personne reste joignable en dehors des heures de bureau pour intervenir si un service tombe. En France, elle donne droit à une contrepartie. Voir une astreinte soutenable.

Borne de Wilson (Wilson score interval) : méthode de calcul qui donne une fourchette fiable pour un pourcentage mesuré sur peu de cas, par exemple 18 bonnes réponses sur 20. Sert à comparer un SLO de qualité à sa cible sans fausse précision.

Budget d’erreur (error budget) : part de non-fiabilité tolérée par un SLO sur une période. Un SLO de 99,9 % sur 30 jours laisse environ 43 minutes d’indisponibilité.

Burn rate (taux de consommation) : vitesse à laquelle le budget d’erreur d’un SLO est consommé. Un burn rate de 1 épuise le budget exactement à la fin de la fenêtre.

Cardinalité (cardinality) : nombre de séries temporelles distinctes produites par une métrique, c’est-à-dire de combinaisons uniques de ses labels. Si une métrique était un tableau, ce serait son nombre de lignes. Facteur de coût majeur d’un système de métriques.

Chargeback (refacturation interne) : imputation réelle du coût de l’observabilité ou du cloud au budget de chaque équipe.

Collector : programme qui reçoit, transforme et réexpédie les traces, les métriques et les logs, à la manière d’un centre de tri postal. Désigne le plus souvent l’OpenTelemetry Collector.

Contrat de données (data contract) : règle écrite qui fixe, pour un signal, les attributs autorisés, le budget de cardinalité, la durée de conservation et la destination. Un contrôle automatique la vérifie à chaque modification du code (intégration continue).

Convention sémantique (semantic convention) : nom et signification standardisés des attributs OpenTelemetry, comme http.response.status_code ou gen_ai.operation.name.

DCGM (Data Center GPU Manager) : outil NVIDIA de supervision des GPU, les processeurs spécialisés dans le calcul intensif. Son exportateur publie, au format Prometheus, l’utilisation, la mémoire, la température et l’énergie de chaque GPU.

Défaillance silencieuse (silent failure) : défaillance sans erreur technique (hallucination, dérive de coût, boucle d’agent) qui s’accumule jusqu’à sa détection tardive.

Délai de récupération (payback period) : nombre de mois nécessaires pour que les gains cumulés d’un investissement égalent son coût.

Dérive (drift) : dégradation progressive d’un modèle en production. On distingue la dérive des données (les questions changent), du concept (la réalité change) et du pipeline (un composant change).

eBPF : technologie du noyau Linux, le cœur du système d’exploitation, qui permet d’y glisser de petits programmes vérifiés. Ils se branchent sur des points d’accroche (appels système, fonctions, réseau) pour observer ou filtrer sans modifier le code des applications.

Échantillonnage en queue (tail sampling) : décision de conserver ou non une trace, prise une fois la trace complète, donc en connaissant sa fin. Permet de garder toutes les erreurs et seulement une fraction du trafic normal.

Entité essentielle (essential entity) : catégorie d’organisations soumises à NIS2 au régime le plus strict, selon leur secteur et leur taille ; plafond de sanction d’au moins 10 M€ ou 2 % du chiffre d’affaires mondial.

Entité importante (important entity) : catégorie d’organisations soumises à NIS2 avec une supervision a posteriori ; plafond de sanction d’au moins 7 M€ ou 1,4 % du chiffre d’affaires mondial.

Entretien structuré (structured interview) : entretien de recrutement où tous les candidats reçoivent les mêmes questions, évaluées avec une grille écrite à l’avance. Voir l’entretien.

Exemplar : lien d’un point de métrique vers une trace précise, pour passer d’un pic de latence à la requête qui l’a causé.

Faithfulness (fidélité) : part des affirmations d’une réponse qui s’appuient vraiment sur les documents retrouvés. Métrique centrale de qualité d’un RAG.

Fatigue d’alerte (alert fatigue) : usure des équipes d’astreinte qui reçoivent trop d’alertes, dont beaucoup inutiles. À force, elles n’y réagissent plus, y compris quand l’alerte est grave. L’outil Trop d’alertes : l’astreinte est-elle tenable ? la mesure.

Forge : plateforme d’hébergement de dépôts de code (Git), avec suivi des tickets et des versions, comme GitLab ou GitHub. Sur ce site, « la forge » désigne la forge Labs & Trainings, où le code des labs est publié en accès libre.

Golden set (jeu de référence) : jeu de questions et de réponses annotées par des humains, utilisé pour l’évaluation hors ligne et pour calibrer un LLM juge.

Ingénierie de plateforme (platform engineering) : construction d’une plateforme interne en libre-service, traitée comme un produit, que les équipes empruntent pour déployer et exploiter leurs services.

Interconnect : réseau très rapide reliant les nœuds d’un cluster HPC, par exemple InfiniBand.

LLM juge (LLM as a judge) : utilisation d’un modèle de langage pour noter les réponses d’un autre. Rapide et reproductible, mais sujet à des biais connus.

Log (journal) : ligne datée qui décrit un événement ponctuel, comme une entrée dans un journal de bord. Elle peut être écrite en texte libre ou sous forme de champs (log structuré).

Métrique (metric) : chiffre relevé à intervalle régulier, comme un compteur qu’on noterait chaque minute, identifié par un nom et des labels.

MIG (Multi-Instance GPU) : découpage d’un GPU NVIDIA en plusieurs instances isolées en calcul et en mémoire : chaque instance GPU a ses propres chemins mémoire (cache L2, contrôleurs, bande passante), selon la documentation NVIDIA. Les instances de calcul créées dans une même instance GPU partagent sa mémoire et ses moteurs (concepts MIG).

MTTL (Mean Time To Learn) : temps moyen pour comprendre ce qui se passe, ce qui précède toute réparation. Le nom de ce site, en écho au MTTR.

MTTR (mean time to recovery) : durée moyenne de rétablissement après un incident.

NCCL : bibliothèque NVIDIA qui fait échanger des données à de nombreux GPU en même temps (opérations AllReduce, broadcast). Elle sert quand un modèle s’entraîne sur plusieurs GPU à la fois.

OTLP (OpenTelemetry Protocol) : protocole de transport des traces, des métriques, des logs et des profils, défini par OpenTelemetry.

Post-mortem sans blâme (blameless post-mortem) : analyse d’un incident qui cherche ce qui a rendu l’erreur possible plutôt qu’un coupable. Voir le post-mortem sans blâme.

Profil (profile) : relevé régulier de ce que fait un programme (CPU, mémoire) pour trouver la partie du code qui coûte cher. Quatrième signal d’OpenTelemetry, encore en développement (non stable) au 2 octobre 2026 selon la page de statut de la spécification.

RACI : matrice qui indique, pour chaque activité, qui réalise (R), qui rend compte et valide (A, un seul par activité), qui est consulté (C) et qui est informé (I).

RAG (retrieval augmented generation) : génération augmentée par récupération. On cherche d’abord des documents pertinents, puis on les fournit au modèle pour qu’il s’en serve dans sa réponse, comme un étudiant qui consulte ses notes avant de répondre.

RDMA (Remote Direct Memory Access) : la carte réseau lit ou écrit directement dans la mémoire d’une autre machine, sans passer par le noyau du système, ce qui gagne beaucoup de temps ; base d’InfiniBand et de RoCE.

SBOM (software bill of materials) : nomenclature logicielle, c’est-à-dire la liste des composants inclus dans un produit, avec leurs versions.

Showback (affichage des coûts) : présentation à chaque équipe de ce qu’elle consomme, sans imputation à son budget ; première étape de la responsabilisation.

Signal : type de donnée qu’un système émet sur son propre fonctionnement. Les principaux sont les métriques (des chiffres), les logs (des messages) et les traces (le parcours d’une requête). Présentation complète dans l’observabilité en 10 minutes.

SLI (service level indicator) : mesure de la qualité de service vue par l’utilisateur, par exemple la part de requêtes servies en moins de 300 ms.

SLO (service level objective) : objectif fixé sur un SLI, par exemple 99,5 % des requêtes en moins de 300 ms sur 30 jours.

Slurm : ordonnanceur de référence des clusters HPC ; il met les jobs en file, alloue les ressources et comptabilise l’usage par compte.

Span : une étape d’une trace, comme un relais dans le suivi d’un colis, avec un début, une fin, des attributs et une étape parente.

SRE (site reliability engineering) : ingénierie de la fiabilité, qui traite l’exploitation d’un service comme un problème d’ingénieur ; désigne aussi la personne qui l’exerce. Voir les profils.

Stockage immuable (immutable storage) : stockage, dit WORM (write once, read many), où une donnée écrite ne peut plus être modifiée ni supprimée avant la fin de sa durée de conservation ; condition nécessaire d’une preuve, pas suffisante (voir l’intégrité des journaux).

Télémétrie (telemetry) : ensemble des signaux qu’un système émet, collectés en continu et à distance pour comprendre ce qui se passe en production. Le mot vient de la mesure à distance, comme sur un satellite ou une voiture de course.

Tool poisoning (empoisonnement d’outil) : instructions malveillantes cachées dans la définition d’un outil MCP pour manipuler l’agent qui l’utilise.

Trace : ensemble des spans qui décrivent le parcours d’une requête d’un service à l’autre, comme le suivi d’un colis étape par étape.

Traînard (straggler) : GPU ou nœud plus lent que les autres, qui fait attendre tout le cluster à chaque barrière de synchronisation.

TTFT (time to first token) : temps entre l’envoi de la requête et l’arrivée du premier jeton (le premier morceau de mot) produit par le modèle. C’est le délai d’attente que ressent l’utilisateur quand la réponse s’affiche au fil de l’eau.

Révisé le 2 octobre 2026 : cardinalité présentée comme un facteur de coût majeur plutôt que le premier, définition de MIG précisée et sourcée sur la documentation NVIDIA.