ניתוח כרטיסים מבוסס בינה מלאכותית: זיהוי גורם שורש

ניתוח תקלות מבוסס בינה מלאכותית: זיהוי גורם שורש לבעיות מערכתיות

תארו לעצמכם: 3,000 תקלות דומות ביום, מהנדסי L2 מבזבזים שעתיים כל אחד על מיון. גרסת ספרייה חדשה מציגה באג, אבל הוא לא מתגלה במשך שבוע, ועולה בהפסד הכנסות. מערכת זיהוי גורם שורש מבוססת בינה מלאכותית מזהה את התבנית לאחר 10–15 תקלות, ומקצרת את זמן הזיהוי ל-15 דקות. תוך 3 שבועות, הפרויקט מכסה את עלותו על ידי הפחתת עומס התמיכה. לדוגמה, לקוח פינטק אחד חסך 120,000 דולר בשנה.

בנינו את זה עבור מוצר פינטק עם מיליון משתמשים. לאחר ההשקה, עומס ה-L2 ירד ב-40%. זמן התגובה הממוצע לאירועים ירד מיומיים ל-3 שעות. המערכת מעבדת 50,000 תקלות ביום ללא ירידה בביצועים. החיסכון במשאבי הנדסה משמעותי—תראו אותו בפיילוט.

כיצד בינה מלאכותית מבדילה בין בעיות מערכתיות לרעש

לא כל תקלה המונית היא בעיה מערכתית. הבינה המלאכותית מעריכה ארבעה קריטריונים: תדירות (N תקלות ב-T ימים, סף ברירת מחדל 10 לשבוע), מספר לקוחות ייחודיים (≥5), שחזוריות (≥60% שלבים תואמים), וחוסר פתרון (כל התקלות פתוחות). הספים מכוילים לעסק שלכם. אנו משתמשים ב-HDBSCAN (מאגר ב-GitHub) — אלגוריתם שאינו דורש הגדרה מוקדמת של מספר האשכולות ועמיד בפני רעש.

בעיות מערכתיות מזוהות על ידי שילוב של גורמים אלה, לא על ידי אות בודד. לדוגמה, 20 לקוחות המתלוננים על שגיאה אחת ביום ללא תקלות סגורות הוא אות ברור. אם 10 תקלות מגיעות מלקוח אחד, ייתכן שמדובר בבעיה מקומית.

למה אשכולות Embedding עדיפים על פני כללים

כללים (אם "שגיאה" בטקסט) מפספסים משמעויות דומות—"לא נטען", "נתקע", "תלוי". Embeddings מ-GPT-4o-mini מייצרים וקטורים ב-1536 ממדים, שבהם תלונות דומות סמנטית נמצאות קרובות. Benchmark על 10,000 תקלות אמיתיות מפרויקט קמעונאי הראה דיוק אשכולות של 98% לעומת 65% עבור כללים. בינה מלאכותית מוצאת בעיות מערכתיות פי 48 מהר יותר מאשר ניתוח ידני.

def find_systemic_problems(dialogs: list[Dialog]) -> list[SystemicProblem]:
    # Эмбеддинги описаний проблем
    embeddings = encoder.encode([d.problem_description for d in dialogs])
    # Кластеризация HDBSCAN
    clusters = hdbscan.HDBSCAN(min_cluster_size=5).fit_predict(embeddings)
    problems = []
    for cluster_id in set(clusters):
        if cluster_id == -1:  # шум
            continue
        cluster_dialogs = [d for d, c in zip(dialogs, clusters) if c == cluster_id]
        # Кластер — потенциальная системная проблема
        if len(set(d.customer_id for d in cluster_dialogs)) >= 5:  # разные клиенты
            problem = summarize_cluster(cluster_dialogs)
            problems.append(problem)
    return sorted(problems, key=lambda p: p.affected_customers, reverse=True)

הקוד הזה הוא ליבת הצינור. אשכולות Embedding מציעים גמישות: אם תוסיפו סוגי תקלות חדשים, HDBSCAN מסתגל ללא צורך בשכתוב כללים ידני.

ניתוח גורם שורש (RCA)

לאחר האשכולות, LLM (Claude 3.5 Sonnet) מנתח תבניות זמניות: האם הקפיצה חופפת לשחרור? האם יש אזור, גרסה או דפדפן משותפים? השערה מנוסחת לדוח קריא עם ציטוטים משיחות. אנו יוצרים אוטומטית תקלת Jira עם שדות מלאים. זה מקצר את זמן ה-RCA הידני מ-30 דקות ל-2 שניות.

כיצד להגדיר את המערכת על הנתונים שלכם