في خضم التطورات المستمرة في مجال الذكاء الاصطناعي، تأتي OpenRCA 2.0 كأحد الإنجازات البارزة التي تسلط الضوء على قدرات نماذج اللغة الكبيرة (LLMs). يهدف هذا التطور إلى تجاوز حدود التحليل التقليدي للأسباب الجذرية (Root Cause Analysis) من خلال تقديم بروتوكول بيانات جديد يُعرف باسم PAVE.

يُعاني تحليل الأسباب الجذرية التقليدي من عيب جوهري؛ فهو يكتفي بتحديد السبب الجذري دون تتبع مسار الانتشار الذي يربط السبب بالعرض المرصود. وهذا يجعل مهمة التحليل تقتصر على أنماط بسيطة تجري بعد دون الاستفادة من العلاقات الأكثر تعقيدًا.

يسهم بروتوكول PAVE في تجاوز هذه العقبة من خلال استخدام تدخلات معروفة من حقن الأخطاء لإعادة بناء مسارات نشر الأسباب. يعتمد هذا النظام على التحقق المستقبلي، والذي يقوم بالاستدلال من السبب إلى التأثير بدلاً من العكس.

مع تطبيق PAVE، شهدنا ظهور OpenRCA 2.0، وهو معيار تحليلي جديد يتكون من 500 حالة، يتيح نماذج اللغة الكبيرة إمكانية تحليل شامل للسياقات. لقد أظهرت النتائج التحليلية أن القدرة على استرداد مجموعة الأسباب الجذرية بدقة لا تتجاوز 20.7% فقط، مما يبرز التحديات التي تواجه تلك النماذج.

ومع ذلك، عند تخفيف المعايير، وجدنا ما يسمى بالتشخيص غير المضمون؛ حيث استطاعت الأدوات التعرف على خدمة سبب واحد صحيح في 76.0% من الحالات، لكنها كانت قادرة على تحديد تلك الخدمة في مسار نشر موثق فقط في 61.5% من الحالات. تبين أن تقييم النتائج فقط يخفي هذه الأوضاع الصعبة، مما يؤكد على أهمية تجهيز نماذج اللغة الكبيرة بمسارات سببية موثوقة لتحليل الأسباب الجذرية.