Yapay Zeka Kök Neden Analizi Model Akıl Yürütmeden Bağlam Mühendisliğine Kayıyor

Giderek artan sayıda gözlemlenebilirlik mühendisi, büyük dil modellerinin akıl yürütme yeteneğinin yapay zeka destekli kök neden analizi (RCA) için artık darboğaz olmadığına; asıl acil sorunun, modele hangi verilerin iletileceğine karar veren işleme hattı olduğuna inanıyor. Yapay zeka destekli RCA çalışmalarının çoğu iki kategoriye ayrılıyor: modele otonom araştırma yapma araçları veren ajan tabanlı tasarımlar ve sinyaller arasında önceden ilişki kurup hazır paketlenmiş bir bağlam sağlayan deterministik tasarımlar. Mühendis Nikolay Sivko liderliğindeki Coroot araştırması, süreci iki göreve ayırıyor: sunulan veriler üzerinde akıl yürütme ve modele hangi verilerin gideceğine karar veren 'veri toplama çerçevesi'. Coroot'un hattı, sinyalleri bulgularla ilişkilendirir ve bunları tek bir odaklanmış bağlam olarak modele iletir; bu da ajan döngülerini önler ve hataların modele atfedilmesini sağlar. Sivko, Chaos Mesh NetworkChaos kullanarak bir dizin hizmeti ile Postgres veritabanı arasında gecikme enjekte eden bir senaryo oluşturdu; bu, yavaş sorgulara ve 502 hatasına neden olurken yanıltıcı sinyaller üretti. On bir modeli aynı istemle (~9800 token) test etti ve her birinden kök neden, nedensel zincir ve acil düzeltme sağlamasını istedi. Öncü modeller Claude Opus 4.8, GPT-5.5 ve Gemini 3.1 Pro, deneyi ve onun cron işini silme ihtiyacını tanımlayarak geçti. Daha küçük modeller arasında, Gemma 4 31B kök nedeni tanımlayan tek kendi kendine barındırılan model olurken, daha büyük Qwen3.6 35B ve Qwen3 Coder Next başarısız oldu. Ajan tabanlı yaklaşımların beklenmedik sinyalleri yakalama gibi avantajları vardır, ancak ZenML ve Incident.io vakalarında görüldüğü gibi üretimde hata ayıklanabilirlik sorunları yaşarlar. Birçok uygulayıcı artık güvenilirlik ve düşük token maliyeti nedeniyle dar bir LLM adımı içeren deterministik iş akışlarını tercih ediyor. Sivko, korelasyon analizi çağrıdan önce yapıldığı için öncü modellere yapılan tek kısa çağrının yalnızca birkaç sente mal olduğunu belirtiyor; akıl yürütme kısmının 'temelde çözüldüğüne' ve mevcut odağın doğru ve kompakt bağlamı hazırlamak olduğuna inanıyor. Bu, Anthropic, LangChain ve Mezmo'dan gelen rehberliğin LLM tabanlı akıl yürütme ve gözlemlenebilirlik için minimal, yüksek sinyalli bir bağlam setinin önemini vurguladığı bağlam mühendisliğindeki daha geniş eğilimle uyumludur.