כתבה
arXiv cs.AI ·
TriCalRAG: בנך לבדיקת ניתוח שורשי סיבות
TriCalRAG: A Three-Strategy, Retrieval-Augmented Benchmark for On-Premise LLM-Based Root Cause Analysis in AIOps
TriCalRAG הוא בנך לבדיקת ניתוח שורשי סיבות ב-AIOps. הוא משווה בין מודלים פתוחים Qwen2.5-14B ו-Mistral-Small, עם שלוש אסטרטגיות עידוד: zero-shot, few-shot, ו-RAG. התוצאות מראות ש-RAG משפר את הדיוק והיציבות של המודלים.
תקציר מקורי באנגליתarXiv:2609.14762v1 Announce Type: cross Abstract: Cloud-hosted large language models (LLMs) are increasingly used for root cause analysis (RCA) in AIOps pipelines, but they introduce data privacy risk, network latency, and per-query cost that scale poorly with production log volumes. We present TriCalRAG, a benchmark evaluating open-weight LLMs served locally via vLLM on a single high-memory workstation GPU (NVIDIA RTX PRO 6000, 96GB) against a classical LSTM-based log anomaly detector (DeepLog), across four real, publicly available log datasets (BGL, HDFS, Thunderbird, OpenStack). We evaluate two open-weight models (Qwen2.5-14B, Mistral-Small) under three prompting strategies: zero-shot, few-shot, and retrieval-augmented generation (RAG) over a labeled incident history, reporting accuracy
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית