論文の概要: Empowering AIOps: Leveraging Large Language Models for IT Operations ManagementOperations Management

• arxiv url: http://arxiv.org/abs/2501.12461v1
• Date: Tue, 21 Jan 2025 19:17:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 16:53:16.542031
• Title: Empowering AIOps: Leveraging Large Language Models for IT Operations ManagementOperations Management
• Title（参考訳）: AIOpsの強化 - IT運用管理の運用管理に大規模言語モデルを活用する
• Authors: Arthur Vitui, Tse-Hsun Chen,
• Abstract要約: 従来の予測機械学習モデルとLarge Language Models(LLMs)のような生成AI技術を統合することを目指しています。 LLMは、システムログやインシデントレポート、技術ドキュメントなど、膨大な量の非構造化データの処理と分析を可能にする。 我々は,AIOpsにおける永続的な課題に対処し,IT運用管理の能力を高めるための革新的な手法を提案する。
• 参考スコア（独自算出の注目度）: 0.6752538702870792
• License:
• Abstract: The integration of Artificial Intelligence (AI) into IT Operations Management (ITOM), commonly referred to as AIOps, offers substantial potential for automating workflows, enhancing efficiency, and supporting informed decision-making. However, implementing AI within IT operations is not without its challenges, including issues related to data quality, the complexity of IT environments, and skill gaps within teams. The advent of Large Language Models (LLMs) presents an opportunity to address some of these challenges, particularly through their advanced natural language understanding capabilities. These features enable organizations to process and analyze vast amounts of unstructured data, such as system logs, incident reports, and technical documentation. This ability aligns with the motivation behind our research, where we aim to integrate traditional predictive machine learning models with generative AI technologies like LLMs. By combining these approaches, we propose innovative methods to tackle persistent challenges in AIOps and enhance the capabilities of IT operations management.
• Abstract（参考訳）: AI(AI)とIT Operations Management(ITOM)の統合は、ワークフローの自動化、効率の向上、情報意思決定のサポートなど、大きな可能性を秘めている。 しかし、データ品質、IT環境の複雑さ、チーム内のスキルギャップなど、IT運用におけるAIの実装には課題がない。 LLM(Large Language Models)の出現は、特に高度な自然言語理解能力を通じて、これらの課題に対処する機会を提供する。 これらの機能により、システムログやインシデントレポート、技術ドキュメントなど、膨大な量の非構造化データを処理することが可能になる。 この能力は、従来の予測機械学習モデルとLLMのような生成AI技術を統合することを目的としている、私たちの研究の背後にあるモチベーションと一致します。 これらのアプローチを組み合わせることで、AIOpsにおける永続的な課題に対処し、IT運用管理の能力を向上する革新的な手法を提案する。

関連論文リスト

• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• Are Large Language Models the New Interface for Data Pipelines? [3.5021689991926377]
  言語モデル(Language Model)とは、人間のコミュニケーションを理解し、生成するために設計された様々な種類のモデルを含む用語である。 大規模言語モデル (LLM) は、人間のような流布やコヒーレンスでテキストを処理する能力によって注目されている。
  論文  参考訳（メタデータ） (2024-06-06T08:10:32Z)
• The Foundations of Computational Management: A Systematic Approach to Task Automation for the Integration of Artificial Intelligence into Existing Workflows [55.2480439325792]
  本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。 この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
  論文  参考訳（メタデータ） (2024-02-07T01:45:14Z)
• OWL: A Large Language Model for IT Operations [40.88170785586197]
  我々は、収集したOWL-Instructデータセットに基づいて訓練された大規模な言語モデルOWLを紹介する。 OWL-BenchにおけるOWLの性能評価とIT関連ベンチマークのオープン化について検討した。
  論文  参考訳（メタデータ） (2023-09-17T15:19:29Z)
• AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities and Challenges [60.56413461109281]
  IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。 我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。 主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
  論文  参考訳（メタデータ） (2023-04-10T15:38:12Z)
• OpenAGI: When LLM Meets Domain Experts [51.86179657467822]
  ヒューマン・インテリジェンス(HI)は、複雑なタスクを解くための基本的なスキルの組み合わせに長けている。 この機能は人工知能(AI)にとって不可欠であり、包括的なAIエージェントに組み込まれるべきである。 マルチステップで現実的なタスクを解決するために設計されたオープンソースのプラットフォームであるOpenAGIを紹介します。
  論文  参考訳（メタデータ） (2023-04-10T03:55:35Z)
• Designing an AI-Driven Talent Intelligence Solution: Exploring Big Data to extend the TOE Framework [0.0]
  本研究の目的は、人材管理問題に対処するAI指向のアーティファクトを開発するための新しい要件を特定することである。 構造化機械学習技術を用いて実験的な研究を行うための設計科学手法が採用されている。
  論文  参考訳（メタデータ） (2022-07-25T10:42:50Z)
• Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
  モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。 特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• A curated, ontology-based, large-scale knowledge graph of artificial intelligence tasks and benchmarks [4.04540578484476]
  インテリジェンスタスクオントロジーと知識グラフ(ITO)は、人工知能タスク、ベンチマーク結果、パフォーマンスメトリクスに関する包括的なリソースである。 ITOは、人工知能タスク、ベンチマーク結果、パフォーマンスメトリクスに関する、豊富な構造化と手作業によるリソースである。 ITOの目標は、AIタスクと能力のグローバルな状況に関する、正確でネットワークベースの分析を可能にすることだ。
  論文  参考訳（メタデータ） (2021-10-04T13:25:53Z)
• Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
  AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。 AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
  論文  参考訳（メタデータ） (2021-01-15T10:43:10Z)

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。