AI-juurisyyanalyysi siirtyy mallin päättelystä kontekstisuunnitteluun

Kasvava joukko havainnointi-insinöörejä uskoo, että suurten kielimallien päättelykyky ei ole enää pullonkaula tekoälyavusteisessa perussyyanalyysissä (RCA); kiireellisempi ongelma on käsittelyputki, joka päättää, mitä dataa mallille välitetään. Suurin osa tekoälypohjaisesta RCA-työstä jakautuu kahteen luokkaan: agenttipohjaisiin malleihin, jotka antavat mallille työkaluja tutkia autonomisesti, ja deterministisiin malleihin, jotka ennalta määrittävät korrelaatiot signaalien välillä ja tarjoavat valmiiksi pakatun kontekstin. Corootin tutkimus, jota johtaa insinööri Nikolay Sivko, jakaa prosessin kahteen tehtävään: päättelyyn esitetyn datan perusteella ja 'datan keräyskehykseen', joka päättää, mitä dataa mallille annetaan. Corootin putki korreloi signaalit löydöksiksi ja välittää ne mallille yhtenä keskitettynä kontekstina, välttäen agenttisilmukat, jolloin virheet voidaan lukea itse mallin syyksi. Sivko rakensi skenaarion käyttäen Chaos Mesh NetworkChaosia viiveen lisäämiseksi hakemistopalvelun ja sen Postgres-tietokannan välille, aiheuttaen hitaita kyselyitä ja 502-virheitä harhaanjohtavine signaaleineen. Hän testasi yksitoista mallia samalla kehotteella (noin 9800 tokenia) ja pyysi jokaista esittämään perussyyn, syy-seurausketjun ja välittömän korjauksen. Huippumallit Claude Opus 4.8, GPT-5.5 ja Gemini 3.1 Pro läpäisivät testin tunnistaen kokeen ja tarpeen poistaa se sekä sen cron-työ. Pienemmistä malleista Gemma 4 31B oli ainoa itse isännöity malli, joka tunnisti perussyyn, kun taas suuremmat Qwen3.6 35B ja Qwen3 Coder Next epäonnistuivat. Agenttipohjaisilla lähestymistavoilla on etuja, kuten kyky havaita odottamattomia signaaleja, mutta ne kärsivät tuotannon virheenjäljitysongelmista, kuten ZenML- ja Incident.io-tapaukset osoittavat. Monet ammattilaiset suosivat nyt deterministisiä työnkulkuja, joissa on kapea LLM-vaihe luotettavuuden ja alhaisempien token-kustannusten vuoksi. Sivko huomauttaa, että yksi lyhyt kutsu huippumalleihin maksaa vain muutaman sentin, koska korrelaatioanalyysi tehdään ennen kutsua; hän uskoo päättelyosan olevan 'periaatteessa ratkaistu' ja nykyisen painopisteen olevan oikean ja tiiviin kontekstin valmistelussa. Tämä on linjassa laajemman kontekstisuunnittelun trendin kanssa, sillä Anthropicin, LangChainin ja Mezmon ohjeistukset korostavat minimaalisen, korkean signaalin kontekstijoukon tärkeyttä LLM-pohjaisessa päättelyssä ja havainnoinnissa.