في العصر الحديث، باتت أنظمة الخدمات الصغيرة (Microservices) تشكل الهيكل الأساسي للعديد من التطبيقات. ولكن، مع هذا التحول، يظهر تحدٍ كبير في تحديد الأسباب التي تؤدي إلى الفشل. يعتمد ذلك على تحليل عميق للبيانات الضخمة والمتعددة الأبعاد من معلومات الأداء (Metrics) والسجلات (Logs) وآثار البيانات (Traces).

تعد مجموعة بيانات OpenRCA مثالًا حيًا على التحديات التي تواجهها أنظمة كشف الأعطال، حيث تمثل تدخلًا مهمًا في هذا المجال. تحتوي هذه المجموعة على بيانات ضخمة ومتنوعة، لكنها تعاني من نقص في المعرفة التفصيلية بعالم البيانات.

عبر استخدام تقنيات الكشف عن الأسباب الجذرية التقليدية، وكذلك الأنظمة المعتمدة على نماذج لغوية كبيرة (LLMs)، أظهرنا أن هناك صعوبات في تحديد الأسباب بشكل موثوق باستخدام هذه الممارسات. ولتجاوز هذه القيود، قمنا بتقديم خط أنابيب تحليل متعدد الوكلاء منظم، والذي يتفوق بشكل ملحوظ على الطرق التقليدية والنموذجية.

يعتمد هذا التحليل على وكيل تحليل عكسي يمكنه تحديد العوامل التي تساهم في الأخطاء. حيث يتم تصنيف كل فشل كـ "فجوة في التفكير" عندما تكون الأدلة موجودة ولكن لم يتم استخدامها، أو كـ "غموض البيانات" عندما تكون الأدلة غائبة فعليًا.

تكشف تحليلاتنا أن الأدلة المطلوبة موجودة في غالبية الحالات، مما يعني أن التحدي الحقيقي لا يكمن في الوصول إلى البيانات، بل في القدرة على التفكير والتحليل من قبل الوكلاء.

وهكذا، تؤكد دراستنا على أهمية تعزيز القدرات التحليلية للنماذج واستخدام المعرفة بشكل فعال لتقليل الفجوات في الأداء. يتطلب إحراز تقدم في هذا المجال تحسينات على مستوى النموذج نفسه، وليس فقط على مستوى جمع البيانات أو بنائها.