L'un de nos partenaires, leader des services en ligne, propose à ses clients un service de cloud computing comprenant différents types de ressources informatiques (processeurs, mémoire virtuelle, espace disque...). Il doit donc répondre à deux exigences: d'une part, toujours disposer de hardware capable de répondre à toutes les demandes, mais aussi, d'autre part, ne pas garder un grand stock de machines inutilisées.

Afin de répondre à ces besoins, il est crucial de disposer d’outils de prévision rationnelle sachant exploiter au mieux toutes les informations accessibles et indiquer la probabilité de recevoir un certaine quantité de demandes sur une période donnée. Il est donc nécessaire de modéliser l'arrivée des clients et de déduire, à partir des données passées, le taux d'arrivée d'une demande ainsi que sa composition.

L'approche bayésienne permet d'obtenir cette prédiction et fournit une interprétation claire des résultats. À partir de l’étude de l'historique de l’ensemble des requêtes et en connaissant les ressources disponibles, nous avons développé un modèle capable de simuler (en se basant sur les techniques de Monte Carlo) des scénarios de requêtes sur un futur proche. L'outil est doté d’une interface graphique permettant à son utilisateur d'estimer le temps restant avant que les ressources actuellement disponibles ne soient épuisées et la probabilité de satisfaire les demandes dans un délai déterminé.

Avec cet outil, l'entreprise qui offre le service peut rationnellement établir les investissements physiques, c'est-à-dire décider d’optimiser les temps d’accroissement du parc machines. L'outil permet également de gérer quantitativement le risque de retard de la livraison du service à certains clients et de le comparer avec le coût d'achat d'autres machines.