في عصر تتصاعد فيه كميات بيانات التتبع (Telemetry) بشكل كبير، تواجه الشركات تحديات في تحويل هذه البيانات الفوضوية إلى رؤى تجارية قابلة للتطبيق. غالبًا ما يتعين على مهندسي البيانات والمحللين بذل جهود مضنية لمصالحة التباينات الدلالية، وابتكار أساليب معالجة البيانات يدويًا، والحفاظ على المMappings المعقدة بين البيانات الخام ومؤشرات الأداء الرئيسية (KPIs).

في ورقة بحثية جديدة، قدم فريق من الباحثين إطار عمل شامل يهدف إلى أتمتة عملية إنشاء طبقة دلالية تجارية من سجلات التطبيقات (Application Logs) دون الحاجة إلى بيانات مدربة مسبقًا أو هندسة قواعد يدوية.

يعتمد هذا الإطار على عملية تجميع دلالي على مرحلتين: في المرحلة الأولى، يتم تحديد ميزات العمل عالية المستوى من خلال استدلال نماذج اللغة الضخمة (LLM) المعززة بعلم المعرفة الصناعي المتخصص. بعدها، تُشتق العقد التجارية الدقيقة من خلال سلسلة معالجة منظمة تشمل تنقيح البيانات، واسترجاع هجين، وتصنيف دلالي، وتسميات معيارية.

أظهرت التجارب على بيانات تتبع إنتاجية أن النظام المقترح يحسن الجودة الدلالية التي يقيّمها الخبراء من 50 إلى 80+ على مقياس من 100 نقطة، ويقلل من الجهد المطلوب للصيانة بنسبة 80٪، ويقوم بتصفية 74٪ من الضوضاء، ويحقق 0.87 في كابا كوهين عبر تقييم (LLM-as-Judge) مما يمكّن ضمان الجودة القابلة للتوسع والمستمرة.

تمثل هذه الدراسات تقدمًا جديدًا في تقديم حلول مبتكرة تعالج مشكلة جديدة تتعلق بإدخال طبقة دلالية تجارية من البيانات الخام، مما يفتح آفاقًا جديدة للشركات في كيفية فهم حركة بياناتهم.