論文の概要: Agentic RCA for Internet-Scale Services Using Constrained Creativity

• arxiv url: http://arxiv.org/abs/2610.08622v1
• Date: Tue, 06 Oct 2026 16:21:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.106107
• Title: Agentic RCA for Internet-Scale Services Using Constrained Creativity
• Title（参考訳）: 制約付き創造性を利用したインターネットスケールサービスのためのエージェントRCA
• Abstract要約: E4はインターネット規模のサービスをトラブルシューティングするための新しいエージェントシステムである。 LLMが支援する自動化と探索の長所と、構造化されたアプローチの説明可能性と効率性を組み合わせる。 最先端のソリューションに比べて最大62%精度が向上する。
• 参考スコア（独自算出の注目度）: 20.550871994058713
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: System administrators of Internet-scale services need to resolve failure incidents to maintain reliability of such services. Ideally, we want a troubleshooting system to be: (1) expressive to known and unknown incidents with high accuracy; (2) cost efficient at scale; (3) explainable to provide actionable insights operators can act on; and (4) entail low effort from the operators. Unfortunately, most existing systems, including emerging LLM-assisted agentic workflows and structured frameworks for authoring diverse RCA algorithms fall short of achieving all four requirements. We present E4, a novel agentic system for troubleshooting for Internet-scale services. E4 embodies the paradigm of constrained creativity that combines the best of LLM-assisted automation and exploration with the explainability and efficiency of a structured approach. Instead of allowing an LLM agent to write arbitrary code or generate arbitrary responses, we provide the agent a restricted DSL to generate its response via simple loop-free data flow programs. This DSL, equipped with high level operators for troubleshooting, makes E4's output accurate, verifiable and explainable. On a mix of synthetic and real-world workloads, E4 achieves up to 62% better accuracy compared to state-of-the-art solutions, while providing more explainable responses at up to 12x reduced cost.
• Abstract（参考訳）: インターネット規模のサービスのシステム管理者は、そのようなサービスの信頼性を維持するために、障害インシデントを解決する必要がある。 理想的には,(1)未知の事象を高精度に表現すること,(2)大規模に費用効率を上げること,(3)行動可能なインサイトを提供すること,(4)オペレータの努力の少ないこと,といったトラブルシューティングシステムを望む。 残念ながら、LLM支援エージェントワークフローや多様なRCAアルゴリズムのオーサリングのための構造化フレームワークなど、既存のシステムのほとんどは、4つの要件すべてを達成するには至っていない。 インターネット規模のサービスにおけるトラブルシューティングのための新しいエージェントシステムであるE4を提案する。 E4は、LLMが支援する自動化と探索のベストと、構造化されたアプローチの説明可能性と効率を組み合わせた制約付き創造のパラダイムを具現化したものです。 LLMエージェントが任意のコードを書いたり、任意の応答を生成する代わりに、単純なループフリーのデータフロープログラムで応答を生成するための制限付きDSLを提供する。 このDSLはトラブルシューティング用の高レベル演算子を備えており、E4の出力を正確で、検証可能で、説明可能である。 合成ワークロードと実世界のワークロードを組み合わせることで、E4は最先端ソリューションと比較して最大62%の精度を実現し、説明可能なレスポンスを最大12倍のコストで提供する。

関連論文リスト

• LLMs and Agentic AI Systems for Smart Grids: A Tutorial on Architectures and Applications [5.111428111198726]
  大規模言語モデル(LLM)とエージェントAIシステムは、自然言語タスクから、技術的ドメインにおける計画、検索、行動のための外部ツールへと進化してきた。 本稿では,信頼性ツールから発生し,明示的な検証を経た場合にのみ数値結果が報告される,解法基底設計の原理を提案する。 エージェントシステムは、信頼できるツールが計算し、検証ゲートが報告されるものを決定する間、確実にオーケストレーションし、検索し、説明する。
  論文  参考訳（メタデータ） (2026-07-20T16:45:13Z)
• AHD Agent: Agentic Reinforcement Learning for Automatic Heuristic Design [5.7547035595428255]
  AHD(Automatic Design)は、NP-hard最適化問題を解決するための有望なパラダイムとして登場した。 既存のAHDフレームワークは通常、固定されたコンテキスト内で大きな言語モデル(LLM)を受動的ジェネレータとして扱う。 本稿では,新たなツール統合多ターンフレームワークであるAHD Agentを提案する。
  論文  参考訳（メタデータ） (2026-05-09T07:36:45Z)
• An Agentic Framework with LLMs for Solving Complex Vehicle Routing Problems [66.60904891478687]
  複雑な車両ルーティング問題を解決するために,LLM (AFL) を用いたエージェントフレームワークを提案する。 AFLは生の入力から知識を直接抽出し、自己完結型コード生成を可能にする。 AFLは、コード信頼性とソリューション実現性の両方において、既存のLCMベースのベースラインを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2025-10-19T03:59:25Z)
• COALESCE: Economic and Security Dynamics of Skill-Based Task Outsourcing Among Team of Autonomous LLM Agents [0.0]
  COALESCEは、自律型大規模言語モデル(LLM)エージェントが特定のサブタスクを、特殊で費用対効果の高いサードパーティのLCMエージェントにアウトソースできるように設計された、新しいフレームワークである。 239の理論的シミュレーションによる総合的な検証は41.8%のコスト削減の可能性を示している。 240の実際のLCMタスクにわたる大規模な実証検証により、適切なエプシロン-グレディー探索によって20.3%のコスト削減が確認された。
  論文  参考訳（メタデータ） (2025-06-02T17:22:47Z)
• Sibyl: Simple yet Effective Agent Framework for Complex Real-world Reasoning [12.80689911863731]
  Sibylは、最小限のツールセットを効率的に活用することによって、複雑な推論タスクに取り組むように設計された強力なフレームワークである。 Sibylは、最終回答を自己定義し、包括的でバランスの取れたアプローチを確保するために、マルチエージェントの議論に基づく陪審を実施。 GAIAベンチマークテストセットの実験結果から,Sibylエージェントは平均スコア34.55%の最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-07-15T13:45:40Z)
• DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
  大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。 開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。 デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-27T12:26:07Z)

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。