論文の概要: TingIS: Real-time Risk Event Discovery from Noisy Customer Incidents at Enterprise Scale
- arxiv url: http://arxiv.org/abs/2604.21889v1
- Date: Thu, 23 Apr 2026 17:40:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.79245
- Title: TingIS: Real-time Risk Event Discovery from Noisy Customer Incidents at Enterprise Scale
- Title（参考訳）: TingIS: 大企業におけるノイズの多い顧客インシデントからのリアルタイムリスクイベント発見
- Authors: Jun Wang, Ziyin Zhang, Rui Wang, Hang Yu, Peng Di, Rui Wang,
- Abstract要約: 本稿では,企業レベルのインシデント発見を目的としたエンドツーエンドシステムであるTingISを紹介する。
TingISの中核は、Large Language Models (LLMs) と効率的なインデックス技術を組み合わせたマルチステージイベントリンクエンジンである。
TingISはP90アラートのレイテンシを3.5分で達成し、高優先度インシデントに対する95%の発見率を実現している。
- 参考スコア（独自算出の注目度）: 20.40947139150007
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Real-time detection and mitigation of technical anomalies are critical for large-scale cloud-native services, where even minutes of downtime can result in massive financial losses and diminished user trust. While customer incidents serve as a vital signal for discovering risks missed by monitoring, extracting actionable intelligence from this data remains challenging due to extreme noise, high throughput, and semantic complexity of diverse business lines. In this paper, we present TingIS, an end-to-end system designed for enterprise-grade incident discovery. At the core of TingIS is a multi-stage event linking engine that synergizes efficient indexing techniques with Large Language Models (LLMs) to make informed decisions on event merging, enabling the stable extraction of actionable incidents from just a handful of diverse user descriptions. This engine is complemented by a cascaded routing mechanism for precise business attribution and a multi-dimensional noise reduction pipeline that integrates domain knowledge, statistical patterns, and behavioral filtering. Deployed in a production environment handling a peak throughput of over 2,000 messages per minute and 300,000 messages per day, TingIS achieves a P90 alert latency of 3.5 minutes and a 95\% discovery rate for high-priority incidents. Benchmarks constructed from real-world data demonstrate that TingIS significantly outperforms baseline methods in routing accuracy, clustering quality, and Signal-to-Noise Ratio.
- Abstract（参考訳）: 技術的異常のリアルタイム検出と緩和は、大規模なクラウドネイティブサービスにとって重要であり、ダウンタイムの数分間でさえ、巨額の金銭的損失とユーザ信頼の低下をもたらす可能性がある。
顧客のインシデントは、監視によって見逃されるリスクを発見するための重要なシグナルとして機能する一方で、このデータから実行可能なインテリジェンスを抽出することは、さまざまなビジネスラインの極端なノイズ、高いスループット、セマンティックな複雑さのために、依然として困難である。
本稿では,企業レベルのインシデント発見を目的としたエンドツーエンドシステムであるTingISを提案する。
TingISの中核は、多段階のイベントリンクエンジンで、Large Language Models(LLM)と効率の良いインデックス技術を組み合わせて、イベントマージに関する情報決定を行い、少数の多様なユーザ記述から実行可能なインシデントを安定した抽出を可能にする。
このエンジンは、正確なビジネス属性のためのカスケードルーティング機構と、ドメイン知識、統計パターン、行動フィルタリングを統合した多次元ノイズ低減パイプラインによって補完される。
1分間に2,000以上のメッセージと30万のメッセージのピークスループットを扱う運用環境にデプロイされたTingISは、高優先度インシデントに対するP90アラートレイテンシと95%の発見率を達成している。
実世界のデータから構築されたベンチマークは、TingISがルーティング精度、クラスタリング品質、Signal-to-Noise比において、ベースライン手法を著しく上回っていることを示している。
関連論文リスト
- Blockchain-Enabled Routing for Zero-Trust Low-Altitude Intelligent Networks [77.17664010626726]
低高度インテリジェントネットワーク(LAIN)における複数のUAVクラスタによるルーティングに焦点を当てる。
潜在的な脅威によるダメージを最小限に抑えるため,ソフトウェア定義の周辺技術とブロックチェーン技術を用いたゼロトラストアーキテクチャを提案する。
提案手法は,平均E2E遅延を59%削減し,TSRを29%改善することを示した。
論文 参考訳（メタデータ） (2026-02-27T04:30:35Z) - Lost in the Noise: How Reasoning Models Fail with Contextual Distractors [57.31788955167306]
推論モデルとエージェントAIシステムの最近の進歩は、多様な外部情報への依存度を高めている。
NoisyBenchは、RAGの11のデータセット、推論、アライメント、ツール使用タスクに対して、モデルロバスト性を体系的に評価する包括的なベンチマークである。
評価の結果,文脈的障害に直面した場合,最先端モデルでは最大80%の破滅的な性能低下がみられた。
論文 参考訳（メタデータ） (2026-01-12T05:43:51Z) - Enhancing reliability in AI inference services: An empirical study on real production incidents [6.549475714716768]
本稿では,大規模言語モデル(LLM)推論インシデントに関する最初のプロバイダ間,実践ベースの分析手法を提案する。
我々は1年間の運用経験に基づく分類と方法論を開発し、156件の高重度事象を検証した。
本研究は,推論操作の系統的,経験的基礎解析が,大規模で信頼性が高く,コスト効率のよいLLMサービスを実現する方法を示す。
論文 参考訳（メタデータ） (2025-10-17T23:16:29Z) - WebSailor-V2: Bridging the Chasm to Proprietary Agents via Synthetic Data and Scalable Reinforcement Learning [73.91893534088798]
WebSailorは、この重要な機能を組み込むように設計された、完全なポストトレーニング方法論である。
我々のアプローチは、構造化サンプリングと情報難読化によって、新しい、不確実なタスクを生成することである。
WebSailorは複雑な情報検索タスクにおいて、すべてのオープンソースエージェントを著しく上回る。
論文 参考訳（メタデータ） (2025-09-16T17:57:03Z) - Simplifying Root Cause Analysis in Kubernetes with StateGraph and LLM [13.293736787442414]
我々は根本原因分析のための革新的なツールであるSynergyRCAを紹介する。
SynergyRCAは、空間的および時間的関係をキャプチャするStateGraphを構築する。
約2分間の平均で根本原因を特定でき、約0.90の精度を達成できる。
論文 参考訳（メタデータ） (2025-06-03T06:09:13Z) - Communication Efficient Cooperative Edge AI via Event-Triggered Computation Offloading [34.18100643343979]
本稿では,効率的なレアイベント処理を優先する,チャネルトリガーによるイベントトリガーエッジ推論フレームワークを提案する。
提案手法は,従来のエッジ推論手法とは対照的に,より優れたレアイベント分類精度を実現し,通信オーバーヘッドを効果的に低減する。
論文 参考訳（メタデータ） (2025-01-01T15:55:59Z) - MMRNet: Improving Reliability for Multimodal Object Detection and
Segmentation for Bin Picking via Multimodal Redundancy [68.7563053122698]
マルチモーダル冗長性(MMRNet)を用いた信頼度の高いオブジェクト検出・分割システムを提案する。
これは、マルチモーダル冗長の概念を導入し、デプロイ中のセンサ障害問題に対処する最初のシステムである。
システム全体の出力信頼性と不確実性を測定するために,すべてのモダリティからの出力を利用する新しいラベルフリーマルチモーダル整合性(MC)スコアを提案する。
論文 参考訳（メタデータ） (2022-10-19T19:15:07Z) - ARLIF-IDS -- Attention augmented Real-Time Isolation Forest Intrusion
Detection System [0.0]
Internet of ThingsとSoftware Defined Networkingは、DDoS攻撃の早期検出に軽量戦略を活用する。
低数の機能に基づいて、迅速かつ効果的なセキュリティ識別モデルを持つことが不可欠である。
本研究は,新規なアテンションベース森林侵入検知システムを提案する。
論文 参考訳（メタデータ） (2022-04-20T18:40:23Z) - Meta-learning with GANs for anomaly detection, with deployment in
high-speed rail inspection system [7.220842608593749]
ビッグデータによるAI時代における異常検出の主な課題は、潜在的な異常タイプに関する事前知識の欠如である。
本稿では,GAN(Generative Adversarial Network)の概念を,損失関数の適切な選択に取り入れる。
当社のフレームワークは2021年以降、中国の5つの高速鉄道に配備されており、99.7%以上の作業負荷を削減し、96.7%の検査時間を節約している。
論文 参考訳（メタデータ） (2022-02-11T17:43:49Z) - T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。
従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。
本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
論文 参考訳（メタデータ） (2020-10-26T21:14:15Z)
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。