تحليل السبب الجذري بالذكاء الاصطناعي ينتقل من استدلال النماذج إلى هندسة السياق

يعتقد عدد متزايد من مهندسي المراقبة أن القدرة الاستدلالية لنماذج اللغة الكبيرة لم تعد تشكل العائق أمام التحليل الذكي للسبب الجذري المدعوم بالذكاء الاصطناعي؛ إذ تكمن المشكلة الأكثر إلحاحًا في خط المعالجة الذي يحدد البيانات التي تُمرر إلى النموذج. يندرج معظم أعمال التحليل الذكي للسبب الجذري ضمن فئتين: تصاميم قائمة على الوكلاء تمنح النموذج أدوات للتحقيق بشكل مستقل، وتصاميم حتمية تنشئ مسبقًا ارتباطات بين الإشارات وتوفر سياقًا مُعبأً مسبقًا. يقسم بحث شركة كوروت، بقيادة المهندس نيكولاي سيفكو، العملية إلى مهمتين: الاستدلال على البيانات المقدمة و"إطار جمع البيانات" الذي يحدد البيانات التي تصل إلى النموذج. تربط خط أنابيب كوروت الإشارات في نتائج ويمررها إلى النموذج كسياق واحد مركّز، متجنبًا حلقات الوكلاء، مما يسمح بنسب الأخطاء إلى النموذج نفسه. بنى سيفكو سيناريو باستخدام أداة Chaos Mesh NetworkChaos لحقن زمن انتقال بين خدمة الدليل وقاعدة بيانات Postgres الخاصة بها، مما تسبب في استعلامات بطيئة وأخطاء 502، مع إشارات مضللة. اختبر أحد عشر نموذجًا بنفس المطالبة (حوالي 9800 رمزًا)، طالبًا من كل منها تقديم السبب الجذري والسلسلة السببية والإصلاح الفوري. اجتازت النماذج الرائدة Claude Opus 4.8 وGPT-5.5 وGemini 3.1 Pro الاختبار، حيث حددت التجربة وضرورة حذفها مع وظيفتها المجدولة. من بين النماذج الأصغر، كان Gemma 4 31B النموذج الوحيد المستضاف ذاتيًا الذي حدد السبب الجذري، بينما فشل كل من Qwen3.6 35B وQwen3 Coder Next الأكبر حجمًا. تتميز الأساليب القائمة على الوكلاء بمزايا مثل التقاط الإشارات غير المتوقعة، لكنها تعاني من مشكلات قابلية التصحيح في بيئة الإنتاج، كما يتضح في حالتي ZenML وIncident.io. يفضل العديد من الممارسين الآن سير العمل الحتمي مع خطوة LLM ضيقة بسبب الموثوقية وانخفاض تكاليف الرموز. يشير سيفكو إلى أن استدعاءً واحدًا قصيرًا للنماذج الرائدة يكلف بضعة سنتات فقط نظرًا لأن تحليل الارتباط يتم قبل الاستدعاء؛ وهو يعتقد أن الجزء الاستدلالي "تم حله بشكل أساسي" وأن التركيز الحالي ينصب على إعداد سياق صحيح ومدمج. يتماشى هذا مع الاتجاه الأوسع لهندسة السياق، حيث تؤكد إرشادات من Anthropic وLangChain وMezmo على أهمية مجموعة سياق ضئيلة وعالية الإشارة للاستدلال والمراقبة القائمين على LLM.