Fugu-MT 論文翻訳(概要): Neural Knowledge Extraction From Cloud Service Incidents

論文の概要: Neural Knowledge Extraction From Cloud Service Incidents

arxiv url: http://arxiv.org/abs/2007.05505v4
Date: Fri, 15 Jan 2021 21:56:16 GMT
ステータス: 処理完了
システム内更新日: 2022-11-11 21:22:44.048307
Title: Neural Knowledge Extraction From Cloud Service Incidents
Title（参考訳）: クラウドサービスインシデントからの神経知識抽出
Authors: Manish Shetty, Chetan Bansal, Sumit Kumar, Nikitha Rao, Nachiappan Nagappan, Thomas Zimmermann
Abstract要約: SoftNERは、サービスインシデントから教師なしの知識抽出のためのフレームワークである。マルチタスク学習に基づく新しいBiLSTM-CRFモデルを構築した。教師なし機械学習に基づく手法の精度は0.96であることを示す。
参考スコア（独自算出の注目度）: 13.86595381172654
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the last decade, two paradigm shifts have reshaped the software industry - the move from boxed products to services and the widespread adoption of cloud computing. This has had a huge impact on the software development life cycle and the DevOps processes. Particularly, incident management has become critical for developing and operating large-scale services. Incidents are created to ensure timely communication of service issues and, also, their resolution. Prior work on incident management has been heavily focused on the challenges with incident triaging and de-duplication. In this work, we address the fundamental problem of structured knowledge extraction from service incidents. We have built SoftNER, a framework for unsupervised knowledge extraction from service incidents. We frame the knowledge extraction problem as a Named-entity Recognition task for extracting factual information. SoftNER leverages structural patterns like key,value pairs and tables for bootstrapping the training data. Further, we build a novel multi-task learning based BiLSTM-CRF model which leverages not just the semantic context but also the data-types for named-entity extraction. We have deployed SoftNER at Microsoft, a major cloud service provider and have evaluated it on more than 2 months of cloud incidents. We show that the unsupervised machine learning based approach has a high precision of 0.96. Our multi-task learning based deep learning model also outperforms the state of the art NER models. Lastly, using the knowledge extracted by SoftNER we are able to build significantly more accurate models for important downstream tasks like incident triaging.
Abstract（参考訳）: 過去10年間で、2つのパラダイムシフトがソフトウェア産業を変革した。ボックス製品からサービスへの移行とクラウドコンピューティングの普及だ。これはソフトウェア開発ライフサイクルとDevOpsプロセスに大きな影響を与えました。特に,大規模サービスの開発と運用においてインシデント管理が重要になっている。インシデントが作成され、サービスの問題とその解決に関するタイムリーなコミュニケーションが保証される。インシデント管理に関する以前の作業は、インシデントトリアージと重複解消の課題に重点を置いていた。本稿では,サービスインシデントから構造化知識を抽出する基本的な問題に対処する。サービスインシデントから教師なしの知識抽出のためのフレームワークであるSoftNERを開発した。知識抽出問題を実情報抽出のための名前付きエンティティ認識タスクとして構成する。 softnerはトレーニングデータのブートストラップにkey、value pairs、tablesといった構造パターンを活用する。さらに、意味的文脈だけでなく、名前付きエンティティ抽出のためのデータ型も活用した、新しいマルチタスク学習ベースのbilstm-crfモデルを構築した。私たちは、主要なクラウドサービスプロバイダであるMicrosoftにSoftNERをデプロイし、2ヶ月以上のクラウドインシデントで評価しました。教師なし機械学習に基づく手法の精度は0.96であることを示す。我々のマルチタスク学習に基づくディープラーニングモデルは、芸術NERモデルの状態を上回ります。最後に、SoftNERが抽出した知識を使って、インシデントトリアージのような重要な下流タスクのための、はるかに正確なモデルを構築することができます。

関連論文リスト

Mind the Interference: Retaining Pre-trained Knowledge in Parameter Efficient Continual Learning of Vision-Language Models [79.28821338925947]
ドメインクラスのインクリメンタル学習は現実的だが、継続的な学習シナリオである。これらの多様なタスクに対処するために、事前訓練されたビジョンランゲージモデル(VLM)を導入し、その強力な一般化性を実現する。事前訓練されたVLMにエンコードされた知識は、新しいタスクに適応する際に妨げられ、固有のゼロショット能力を損なう。既存の手法では、膨大なオーバーヘッドを必要とする余分なデータセットに知識蒸留でVLMをチューニングすることで、この問題に対処している。我々は、事前学習した知識を保持できるDIKI(Distributed-Aware Interference-free Knowledge Integration)フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-07T12:19:37Z)
X-lifecycle Learning for Cloud Incident Management using LLMs [18.076347758182067]
大規模なクラウドサービスのインシデント管理は複雑で面倒なプロセスです。大規模言語モデル [LLMs] の最近の進歩は、コンテキストレコメンデーションを自動的に生成する機会を生み出した。本稿では,SDLCの異なる段階から追加のコンテキストデータを追加することで,性能が向上することを示す。
論文参考訳（メタデータ） (2024-02-15T06:19:02Z)
Negotiated Representations to Prevent Forgetting in Machine Learning Applications [0.0]
破滅的な忘れは、機械学習の分野で重要な課題である。本稿では,機械学習アプリケーションにおける破滅的忘れを防止する新しい方法を提案する。
論文参考訳（メタデータ） (2023-11-30T22:43:50Z)
Recommending Root-Cause and Mitigation Steps for Cloud Incidents using Large Language Models [18.46643617658214]
オンコールエンジニアは、生産インシデントの根本原因と緩和のために、かなりの量のドメイン知識と手作業を必要とします。人工知能の最近の進歩は、GPT-3.xのような最先端の大規模言語モデルを生み出している。我々は、エンジニアの根本原因と生産インシデントを支援するために、これらのモデルの有効性を評価するために、最初の大規模な研究を行った。
論文参考訳（メタデータ） (2023-01-10T05:41:40Z)
Deep Recurrent Learning Through Long Short Term Memory and TOPSIS [0.0]
クラウドコンピューティングの安価で簡単で迅速な管理の約束により、ビジネスオーナーはモノリシックからデータセンタ/クラウドベースのERPへの移行を迫られます。クラウドERP開発には、計画、実装、テスト、アップグレードといった循環的なプロセスが伴うため、その採用はディープリカレントニューラルネットワーク問題として実現されている。我々の理論モデルは、キープレーヤー、サービス、アーキテクチャ、機能を明確にすることで、参照モデル上で検証される。
論文参考訳（メタデータ） (2022-12-30T10:35:25Z)
Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。知識の抽出と知識の記憶という2つの側面から問題に取り組む。提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
論文参考訳（メタデータ） (2022-08-27T09:27:36Z)
Mining Root Cause Knowledge from Cloud Service Incident Investigations for AIOps [71.12026848664753]
サービス破壊インシデントの根本原因分析(RCA)は、ITプロセスにおける最も重要かつ複雑なタスクの1つです。本研究では、Salesforceで構築されたICAと、ダウンストリームのインシデントサーチとレトリーバルベースのRCAパイプラインについて紹介する。
論文参考訳（メタデータ） (2022-04-21T02:33:34Z)
Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
クラウドとエッジ両方のAIの体系的なレビューを行います。私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
論文参考訳（メタデータ） (2021-11-11T05:58:23Z)
Domain Knowledge Empowered Structured Neural Net for End-to-End Event Temporal Relation Extraction [44.95973272921582]
本稿では,確率的ドメイン知識によって構築された分布制約を持つディープニューラルネットワークを強化するフレームワークを提案する。ラグランジアン緩和(Lagrangian Relaxation)により制約付き推論問題を解き、終端事象の時間的関係抽出タスクに適用する。
論文参考訳（メタデータ） (2020-09-15T22:20:27Z)
A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文参考訳（メタデータ） (2020-03-30T15:12:03Z)
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-02-22T14:38:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。