LLM-ovi pretvaraju support tickete u RCA bazu znanja
The study compares fine-tuning, RAG, and a hybrid approach for network-fault knowledge.📷 AI-generated / Tech&Space
- ★Studija koristi stvarni industrijski skup support ticketa za izgradnju RCA baze znanja
- ★Uspoređeni su fine-tuning, RAG i hibridni LLM pristup
- ★Autori ciljaju brži RCA u mrežama gdje je 99,999% pouzdanosti i dalje teško jamčiti
Rad LLM-Augmented Knowledge Base Construction For Root Cause Analysis bavi se problemom koji nije glamurozan, ali je vrlo skup: kako iz povijesnih support ticketa izvući znanje koje pomaže inženjerima tijekom sljedećeg prekida. Autori su rad predali arXivu 9. siječnja 2026., a stranica navodi da je prihvaćen za IEEE Access.
Kontekst je mrežna pouzdanost. Čak i uz redundanciju i failover mehanizme, teško je jamčiti "pet devetki", odnosno 99,999% dostupnosti. Kada mreža padne, analiza korijenskog uzroka, ili RCA, mora brzo razdvojiti simptom od stvarnog izvora problema.
Studija uspoređuje tri LLM metodologije: fine-tuning, Retrieval-Augmented Generation i hibridni pristup. Fine-tuning pokušava upiti domensku strukturu iz podataka, RAG dohvaća relevantne zapise u trenutku generiranja, a hibrid pokušava spojiti stabilnost prilagodbe s fleksibilnošću pretraživanja.
Važna razlika je u cilju. Ovdje LLM ne mora zvučati pametno u chatu; mora pretvoriti raspršene zapise iz ticket sustava u bazu znanja koju dežurni tim može pretraživati, uspoređivati i koristiti za brži oporavak. To je manje atraktivno od demoa, ali bliže stvarnom poslu.
Rad prihvaćen u IEEE Accessu uspoređuje fine-tuning, RAG i hibridni pristup, ali ne preskače jaz između dobre baze znanja i dežurnog sustava od 99,999%.
The generated knowledge base can accelerate RCA, but it does not replace validation during a production incident.📷 AI-generated / Tech&Space
ArXiv sažetak navodi da su eksperimenti provedeni na stvarnom industrijskom skupu podataka i da se kvaliteta mjerila skupom leksičkih i semantičkih metrika. Zaključak je namjerno ograničen: generirana baza znanja pruža odličnu početnu točku za ubrzavanje RCA zadataka i poboljšanje otpornosti mreže.
Ta formulacija je bitna. "Početna točka" nije isto što i automatski incident commander. Ticketi su neuredni, puni skraćenica, lokalnih konvencija, nedovršenih zaključaka i pogrešnih pretpostavki. Ako ih LLM prevede u urednu bazu znanja bez provjere, sustav može samo brže širiti staru pogrešku.
Najpraktičniji scenarij zato je čovjek-u-petlji. LLM može sažeti obrasce, povezati slične incidente, predložiti vjerojatne uzroke i izvući preventivne mjere. Inženjer i dalje mora potvrditi jesu li metrike, topologija, promjene konfiguracije i vremenska crta incidenta dosljedni.
Nexus Vale bi ovaj rad svrstao u korisnu, ne revolucionarnu AI infrastrukturu. Ako hibridni pristup u stvarnosti skrati vrijeme do prve dobre hipoteze, vrijednost je jasna. Ali mreže ne nagrađuju rješenja koja zvuče uvjerljivo; nagrađuju alate koji smanje vrijeme oporavka bez uvođenja novog sloja haluciniranog operativnog znanja.
