論文の概要: Breaking the Cycle of Recurring Failures: Applying Generative AI to Root Cause Analysis in Legacy Banking Systems

• arxiv url: http://arxiv.org/abs/2411.13017v1
• Date: Wed, 20 Nov 2024 03:43:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:13:39.973057
• Title: Breaking the Cycle of Recurring Failures: Applying Generative AI to Root Cause Analysis in Legacy Banking Systems
• Title（参考訳）: 再帰的失敗のサイクルを破る: レガシーバンキングシステムにおけるルート原因分析に生成AIを適用する
• Authors: Siyuan Jin, Zhendong Bei, Bichao Chen, Yong Xia,
• Abstract要約: 銀行はレガシーシステムの制約と断片化された所有権のために、デジタルトランスフォーメーションにおいて重大な課題に直面しています。 最近の事例では、このような断片化はしばしば表面的なインシデント解決をもたらし、根が未修正で再発する原因となることが示されている。 本稿では,インシデント後分析に新たなアプローチを導入し,知識に基づくGenAIエージェントを"5つの理由"技術に統合し,問題記述の検証と要求データの変更を行う。
• 参考スコア（独自算出の注目度）: 6.245144813196935
• License:
• Abstract: Traditional banks face significant challenges in digital transformation, primarily due to legacy system constraints and fragmented ownership. Recent incidents show that such fragmentation often results in superficial incident resolutions, leaving root causes unaddressed and causing recurring failures. We introduce a novel approach to post-incident analysis, integrating knowledge-based GenAI agents with the "Five Whys" technique to examine problem descriptions and change request data. This method uncovered that approximately 70% of the incidents previously attributed to management or vendor failures were due to underlying internal code issues. We present a case study to show the impact of our method. By scanning over 5,000 projects, we identified over 400 files with a similar root cause. Overall, we leverage the knowledge-based agents to automate and elevate root cause analysis, transforming it into a more proactive process. These agents can be applied across other phases of the software development lifecycle, further improving development processes.
• Abstract（参考訳）: 従来の銀行は、主にレガシーシステムの制約と断片化された所有権のために、デジタルトランスフォーメーションにおいて重大な課題に直面しています。 最近の事例では、このような断片化はしばしば表面的なインシデント解決をもたらし、根が未修正で再発する原因となることが示されている。 本稿では,インシデント後分析に新たなアプローチを導入し,知識に基づくGenAIエージェントを"5つの理由"技術に統合し,問題記述の検証と要求データの変更を行う。 この方法では、以前管理やベンダの失敗に起因するインシデントの約70%が、内部コードの問題によるものだことが判明した。 本稿では,本手法の効果を示すケーススタディを提案する。 5000以上のプロジェクトをスキャンすることで、同じ根本原因を持つ400以上のファイルを特定しました。 全体として、知識に基づくエージェントを活用して、根本原因分析を自動化し、高め、より積極的なプロセスに変換する。 これらのエージェントは、ソフトウェア開発ライフサイクルの他のフェーズにまたがって適用でき、さらに開発プロセスを改善することができる。

関連論文リスト

• Thread: A Logic-Based Data Organization Paradigm for How-To Question Answering with Retrieval Augmented Generation [49.36436704082436]
  ハウツー質問は意思決定プロセスに不可欠なものであり、動的でステップバイステップの回答を必要とする。 我々は,現在のシステムがハウツー質問をより効果的に扱えるようにするための新しいデータ組織パラダイムThreadを提案する。
  論文  参考訳（メタデータ） (2024-06-19T09:14:41Z)
• LogRCA: Log-based Root Cause Analysis for Distributed Services [4.049637286678329]
  根本原因を記述した最小限のログ行を識別する新しい方法であるLogRCAを提案する。 LogRCAは、希少で未知のエラーに対処するために、半教師付き学習アプローチを使用し、ノイズの多いデータを扱うように設計されている。 4430万のログ行からなる大規模プロダクションログデータセットに対して,当社のアプローチを評価した。
  論文  参考訳（メタデータ） (2024-05-22T12:50:56Z)
• FaultProfIT: Hierarchical Fault Profiling of Incident Tickets in Large-scale Cloud Systems [35.310727641258715]
  本稿では,インシデントチケットの自動プロファイリング手法であるFaultProfITを提案する。 階層型指導型コントラスト学習を利用して、階層型インシデントエンコーダをトレーニングし、インシデント表現を強化したフォールトパターンを予測する。 これまで、FactProfITは30以上のクラウドサービスから1万以上のインシデントを分析し、システム改善を知らせるいくつかの障害トレンドを明らかにした。
  論文  参考訳（メタデータ） (2024-02-27T15:14:19Z)
• On the Fly Detection of Root Causes from Observed Data with Application to IT Systems [3.3321350585823826]
  本稿では,しきい値に基づくITシステムを表現するための構造因果モデルを提案する。 このようなシステムにおける異常の根本原因を迅速に検出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-09T16:10:19Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• It Is Time To Steer: A Scalable Framework for Analysis-driven Attack Graph Generation [50.06412862964449]
  アタックグラフ(AG)は、コンピュータネットワークに対するマルチステップ攻撃に対するサイバーリスクアセスメントをサポートする最も適したソリューションである。 現在の解決策は、アルゴリズムの観点から生成問題に対処し、生成が完了した後のみ解析を仮定することである。 本稿では,アナリストがいつでもシステムに問い合わせることのできる新しいワークフローを通じて,従来のAG分析を再考する。
  論文  参考訳（メタデータ） (2023-12-27T10:44:58Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• 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)

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。