La supervision des systèmes informatiques modernes présente de nouveaux défis en termes de scalabilité et d'efficacité. Les méthodes traditionnelles basées sur l'exécution de tâches manuelles ont prouvé leur inefficacité. AIOps for Operating Systems (AIOps) propose d'utiliser des techniques avancées d'apprentissage automatique centrées sur la donnée pour améliorer et automatiser les systèmes de supervision. Cependant, il existe plusieurs défis à relever pour concrétiser cette vision, qui sont partagés à la fois par la communauté scientifique et les ingénieurs sur le terrain. Tout d'abord, le manque d'une terminologie claire et unifiée dans le domaine de l'AIOps rend difficile la progression, l'implémentation et la comparaison des contributions provenant de différentes disciplines. De plus, les exigences et les métriques nécessaires pour les modèles AIOps, alignés avec les contraintes industrielles, ne sont pas suffisamment élaborées. Les contributions théoriques se sont principalement concentrées sur les modèles prédictifs pour la détection et prédictions des incidents, en négligeant souvent la capacité des modèles descriptifs à résoudre les défis liés à la qualité, la complexité, volume et diversité des données. Aussi, la dépendance aux modèles boîte noire opaques limite leur adoption par les praticiens de l'industrie. Enfin, les solutions AIOps existantes ne prêtent pas toujours suffisamment d'importance à la scalabilité des modèles lors de l'implémentation et de l'évaluation des modèles. Nous proposons d'abord une approche systématique de l'AIOps qui organise les connaissances dans ce domaine en fournissant une catégorisation en accord avec les exigences de l'industrie. Deuxièmement, nous explorons l'application de la découverte de sous-groupes qui est une technique prometteuse de fouille de données permettant l'extraction d'hypothèses intéressantes à partir de vastes ensembles de données. Ainsi, les utilisateurs sont en mesure de comprendre et d'interpréter les processus sous-jacents aux modèles. Nos contributions comprennent une application pratique axée sur l'identification de fragments de requêtes SQL suspects permettant de localiser les problèmes de dégradation de performances. De plus, nous développons un mécanisme d'interprétation pour les modèles de triage des incidents, offrant des explications contextualisées pour les décisions prises par le modèle. Nous abordons également le problème de l'analyse des problématiques de saturation de la mémoire Java, caractérisé par un ensemble de données volumineux et complexes intégrant des données hiérarchiques. Finalement, nous traitons de la scalabilité en étudiant un problème connu de l'industrie qui est la détection de la déduplication des incidents. Notre objectif est de rechercher de manière efficace et scalable les rapports de plantage les plus similaires en combinant des techniques de hachage sensibles à la localité et des techniques d'apprentissage de hachage dans un cadre unifié.