論文の概要: RAG4Tickets: AI-Powered Ticket Resolution via Retrieval-Augmented Generation on JIRA and GitHub Data

• arxiv url: http://arxiv.org/abs/2510.08667v1
• Date: Thu, 09 Oct 2025 16:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.314127
• Title: RAG4Tickets: AI-Powered Ticket Resolution via Retrieval-Augmented Generation on JIRA and GitHub Data
• Title（参考訳）: RAG4Tickets: JIRAとGitHubデータによる検索拡張生成によるAIパワーのチケット解決
• Authors: Mohammad Baqar,
• Abstract要約: 本稿では,セマンティック埋め込みのための文変換器をFAISSベースのベクトル検索と統合して,コンテキスト対応のチケット解決レコメンデーションを提供するRetrieval-Augmented Generationフレームワークを提案する。 このフレームワークは、統合パイプラインリンクとGitHubデータ、異種ソフトウェアアーティファクトの埋め込みとFAISSインデクシング戦略、検索されたエビデンスによってガイドされる解決生成モジュールをコントリビュートしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern software teams frequently encounter delays in resolving recurring or related issues due to fragmented knowledge scattered across JIRA tickets, developer discussions, and GitHub pull requests (PRs). To address this challenge, we propose a Retrieval-Augmented Generation (RAG) framework that integrates Sentence-Transformers for semantic embeddings with FAISS-based vector search to deliver context-aware ticket resolution recommendations. The approach embeds historical JIRA tickets, user comments, and linked PR metadata to retrieve semantically similar past cases, which are then synthesized by a Large Language Model (LLM) into grounded and explainable resolution suggestions. The framework contributes a unified pipeline linking JIRA and GitHub data, an embedding and FAISS indexing strategy for heterogeneous software artifacts, and a resolution generation module guided by retrieved evidence. Experimental evaluation using precision, recall, resolution time reduction, and developer acceptance metrics shows that the proposed system significantly improves resolution accuracy, fix quality, and knowledge reuse in modern DevOps environments.
• Abstract（参考訳）: 現代のソフトウェアチームは、JIRAチケットや開発者ディスカッション、GitHubプルリクエスト(PR)に散在する断片的な知識のために、繰り返しあるいは関連する問題を解決するのに遅延することが多い。 この課題に対処するために,セマンティック埋め込みのためのセマンティック・トランスフォーマーとFAISSベースのベクトル検索を統合し,コンテキスト対応のチケット解決レコメンデーションを提供するRetrieval-Augmented Generation (RAG)フレームワークを提案する。 このアプローチには,過去のJIRAチケットやユーザコメント,リンクされたPRメタデータを組み込んで,意味的に類似した過去のケースを検索する。 このフレームワークは、JIRAとGitHubデータをリンクする統一パイプライン、異種ソフトウェアアーティファクトの埋め込みとFAISSインデックス戦略、そして、回収されたエビデンスによってガイドされる解決生成モジュールに寄与している。 精度,リコール,解像度時間短縮,開発者受け入れ測定値を用いた実験評価の結果,提案システムでは,現代のDevOps環境での解像度精度,品質,知識再利用を著しく向上することが示された。

関連論文リスト

• DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
  DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。 我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
  論文  参考訳（メタデータ） (2025-07-29T17:55:23Z)
• CoRe-MMRAG: Cross-Source Knowledge Reconciliation for Multimodal RAG [53.950029990391066]
  マルチモーダルRAG(CoRe-MMRAG)のためのクロスソース知識textbfReconciliation 本稿では,知識ソース間の不整合を効果的に解決する新しいエンドツーエンドフレームワークを提案する。 KB-VQAベンチマークの実験では、CoRe-MMRAGはベースライン法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-06-03T07:32:40Z)
• ImpRAG: Retrieval-Augmented Generation with Implicit Queries [34.72864597562907]
  ImpRAGは、検索と生成を統一モデルに統合するクエリフリーなRAGシステムである。 我々は、ImpRAGが、多様な形式を持つ未確認タスクの正確なマッチスコアを3.6-11.5改善したことを示す。
  論文  参考訳（メタデータ） (2025-06-02T21:38:21Z)
• Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
  より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。 当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。 当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
  論文  参考訳（メタデータ） (2025-03-31T07:31:32Z)
• Don't Do RAG: When Cache-Augmented Generation is All You Need for Knowledge Tasks [11.053340674721005]
  検索拡張世代(RAG)は,外部知識ソースを統合することで言語モデルを強化する強力なアプローチとして注目されている。 本稿では、リアルタイム検索をバイパスする代替パラダイムであるキャッシュ拡張生成(CAG)を提案する。
  論文  参考訳（メタデータ） (2024-12-20T06:58:32Z)
• Semantic Tokens in Retrieval Augmented Generation [0.0]
  本稿では,確率的RAGシステムと決定論的に検証可能な応答のギャップを埋めるための評価モジュールを導入した新しい比較RAGシステムを提案する。 このフレームワークは、高い精度と検証可能性を必要とする領域において、より信頼性が高くスケーラブルな質問応答アプリケーションを実現する。
  論文  参考訳（メタデータ） (2024-12-03T16:52:06Z)
• Developing Retrieval Augmented Generation (RAG) based LLM Systems from PDFs: An Experience Report [3.4632900249241874]
  本稿では,PDF文書を主データ源とする検索拡張生成システム(RAG)の開発経験報告について述べる。 RAGアーキテクチャは、Large Language Models (LLM) の生成能力と情報検索の精度を組み合わせたものである。 この研究の実際的な意味は、様々な分野における生成AIシステムの信頼性を高めることである。
  論文  参考訳（メタデータ） (2024-10-21T12:21:49Z)
• QAEncoder: Towards Aligned Representation Learning in Question Answering Systems [25.283922985211397]
  QAEncoderは、ユーザクエリとドキュメント間のギャップを埋める、トレーニング不要のアプローチである。 これは、埋め込み空間における潜在的クエリの期待を、文書埋め込みの堅牢なサロゲートとして推定し、これらの埋め込みを区別するために文書指紋を添付する。 インデックスストレージのゼロ,検索レイテンシ,トレーニングコスト,あるいは破滅的な忘れと幻覚の問題といった,シンプルなメリットのあるソリューションを提供する。
  論文  参考訳（メタデータ） (2024-09-30T15:53:38Z)
• Towards Generating Real-World Time Series Data [52.51620668470388]
  時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。 不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
  論文  参考訳（メタデータ） (2021-11-16T11:31:37Z)

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。