एआई रूट कॉज़ विश्लेषण मॉडल तर्क से संदर्भ इंजीनियरिंग की ओर स्थानांतरित

पर्यवेक्षण (observability) इंजीनियरों की बढ़ती संख्या का मानना है कि लार्ज लैंग्वेज मॉडल (large language model, LLM) की तर्क-क्षमता अब AI-सहायित मूल कारण विश्लेषण (root cause analysis, RCA) के लिए बाधा नहीं रह गई है; असली मुद्दा वह प्रोसेसिंग पाइपलाइन है जो यह तय करती है कि मॉडल को कौन-सा डेटा दिया जाए। अधिकांश AI RCA कार्य दो श्रेणियों में आते हैं: एजेंट-आधारित डिज़ाइन, जो मॉडल को स्वायत्त रूप से जांच करने के लिए टूल देते हैं, और डिटरमिनिस्टिक डिज़ाइन, जो सिग्नलों के बीच सह-संबंध पहले से स्थापित करके एक पूर्व-तैयार संदर्भ (context) उपलब्ध कराते हैं। इंजीनियर Nikolay Sivko के नेतृत्व में Coroot के शोध में इस प्रक्रिया को दो कार्यों में बांटा गया है: प्रस्तुत डेटा पर तर्क करना, और वह 'डेटा संग्रह फ्रेमवर्क' जो यह निर्धारित करता है कि मॉडल को क्या डेटा भेजा जाए। Coroot की पाइपलाइन सिग्नलों को निष्कर्षों में जोड़ती है और उन्हें एक ही केंद्रित संदर्भ के रूप में मॉडल को भेजती है, जिससे एजेंट लूप से बचा जाता है और त्रुटियों को सीधे मॉडल पर आरोपित किया जा सकता है। Sivko ने Chaos Mesh NetworkChaos का उपयोग करते हुए एक परिदृश्य तैयार किया, जिसमें एक डायरेक्टरी सेवा और उसके Postgres डेटाबेस के बीच विलंबता (latency) डाली गई, जिससे धीमी क्वेरीज़ और 502 त्रुटियाँ उत्पन्न हुईं, साथ ही कुछ भ्रामक संकेत भी शामिल थे। उन्होंने ग्यारह मॉडलों को एक ही प्रॉम्प्ट (लगभग 9800 टोकन) देकर परखा, जिसमें प्रत्येक से मूल कारण, कारण-श्रृंखला (causal chain) और तत्काल समाधान बताने को कहा गया। फ्रंटियर मॉडल Claude Opus 4.8, GPT-5.5 और Gemini 3.1 Pro सफल रहे, उन्होंने प्रयोग की पहचान की और उसे तथा उसके क्रॉन जॉब को हटाने की आवश्यकता बताई। छोटे मॉडलों में से Gemma 4 31B ही एकमात्र स्व-होस्टेड (self-hosted) मॉडल था जिसने मूल कारण की पहचान की, जबकि बड़े Qwen3.6 35B और Qwen3 Coder Next असफल रहे। एजेंट-आधारित तरीकों के भी अपने फायदे हैं, जैसे अप्रत्याशित संकेतों को पकड़ना, लेकिन उत्पादन (production) परिवेश में इनकी डिबगेबिलिटी को लेकर समस्याएं सामने आती हैं, जैसा कि ZenML और Incident.io के मामलों में देखा गया। इसी कारण कई व्यवसायी अब भरोसेमंद और कम टोकन लागत वाले डिटरमिनिस्टिक वर्कफ़्लो को प्राथमिकता दे रहे हैं, जिनमें LLM की भूमिका सीमित रहती है। Sivko बताते हैं कि फ्रंटियर मॉडलों को दिया गया एक छोटा-सा कॉल केवल कुछ सेंट का खर्च लाता है, क्योंकि सह-संबंध विश्लेषण कॉल से पहले ही पूरा कर लिया जाता है; उनका मानना है कि तर्क-क्षमता का हिस्सा 'लगभग हल' हो चुका है और अब मुख्य ध्यान सही और संक्षिप्त संदर्भ तैयार करने पर है। यह प्रवृत्ति 'कॉन्टेक्स्ट इंजीनियरिंग' के व्यापक रुझान से मेल खाती है, जिसमें Anthropic, LangChain और Mezmo के मार्गदर्शन में इस बात पर जोर दिया गया है कि LLM-आधारित तर्क और पर्यवेक्षण के लिए एक न्यूनतम, उच्च-संकेत वाला संदर्भ समुच्चय (context set) कितना महत्वपूर्ण है।