كيف علم نظام الذاكرة المزدوجة الذكاء الاصطناعي تشخيص الأعطال التي ينسى باستمرار

عندما تتعطل خدمة سحابية، يقوم دماغ المهندس بشيء لم يتمكن أي نظام تشخيص ذكي حالي من محاكاته: فهو يحمل النظرية الحالية للفشل في الذاكرة العاملة بينما يستمد في الوقت نفسه من سنوات الخبرة السابقة مع أعراض مماثلة. هذه الرقصة السلسة بين الفوري والمتراكم تم الآن تحويلها إلى إطار برمجي يُدعى OpsMem.

ذاكرتان، هدف واحد

OpsMem، المفصل في ورقة بحثية أولية بواسطة باحثين من جامعة نانكاي وهواوي ومؤسسات صينية أخرى، يقترح بنية ذاكرة مزدوجة لتشخيص الأعطال. يحافظ الإطار على ذاكرة قصيرة المدى (STM)، وهي رسم بياني يلتقط الأعراض والأدلة والفرضيات المحتملة للحادثة الحالية، وذاكرة طويلة المدى (LTM)، وهي رسم بياني منفصل ينظم الخبرات التشغيلية عبر الحوادث في أنماط وحالات وإجراءات.

هذا ليس مجرد نظام توليد معزز بالاسترجاع (RAG) بفهرس أفضل. الابتكار الرئيسي هو عملية يسميها المؤلفون الرنين عبر الذاكرة (CMR)، والتي تعمل في كل جولة تشخيص. يقوم CMR أولاً باستخراج عقد الأعراض والأدلة من STM، وتطبيعها إلى إشارات استعلام عبر LLM، ثم مطابقة تلك الإشارات مقابل الإشارات المضمنة في أنماط LTM. يتم تنشيط الأنماط التي تسجل درجة أعلى من عتبة، وينتشر التنشيط إلى الحالات والإجراءات المرتبطة، مما ينتج رسمًا بيانيًا فرعيًا مخصصًا من LTM يحدد الجولة التالية من التشخيص متعدد الوكلاء.

الأرقام المهمة

عند اختباره على 120 حادثة فشل حقيقية من أنظمة الخدمات المصغرة الإنتاجية لهواوي، حقق OpsMem درجة مطابقة (مطابقة السبب الجذري الدقيق) بنسبة 78.33% ودرجة صلة (صلة جزئية على الأقل) بنسبة 85.83% عند استخدام Qwen3.5-27B كـ LLM أساسي. أقوى خط أساس، GoS مع LinearRAG، وصل إلى 53.33% و72.50% على التوالي. وهذا يترجم إلى تحسن بنسبة 46.88% في دقة المطابقة التامة وتحسن بنسبة 18.39% في الصلة مقارنة بأفضل منافس.

استمر التحسن عبر ثلاثة LLMs أساسية مختلفة، Qwen3.5-27B و Gemma-4-31B و GLM-4-32B، مما يشير إلى أن الفائدة تأتي من البنية نفسها، وليس من نموذج أساسي معين.

ما تكشفه دراسة الاستئصال

تحدد دراسة الاستئصال في الورقة البحثية بالضبط من أين تأتي المكاسب. تسبب إزالة LTM بالكامل في أكبر انخفاض في الأداء، من 78.33% مطابقة إلى 30.83%، مما يؤكد أن الخبرات التشغيلية هي العامل الأكثر أهمية. أدى إزالة STM إلى انخفاض المطابقة إلى 45.00%، مما يظهر أن تتبع الحالة الصريح ضروري للتشخيص طويل الأمد. بدون CMR، أي استخدام الاسترجاع الثابت بدلاً من التنشيط المتوافق مع الحالة، انخفضت المطابقة إلى 56.67%. وبدون توحيد LTM (الآلية التي تستخلص الحوادث المحلولة مرة أخرى إلى LTM)، انخفضت المطابقة إلى 70.83%، وهو انخفاض أصغر ولكنه لا يزال ذا دلالة يشير إلى أن النظام يمكنه بالفعل التحسن بمرور الوقت مع تراكم الحالات المحلولة.

لماذا تقصر الطرق الحالية

الأساليب الحالية تقع في فئتين: طرق الاستدلال الوكيل (مثل ReAct وGoS) التي تنظم مسار التشخيص ولكنها تفتقر إلى الخبرات التشغيلية، وطرق المعززة بالمعرفة (مثل VectorRAG وGraphRAG) التي تسترجع المعرفة الخارجية ولكنها تفشل في مواءمتها مع حالة التشخيص المتطورة.

"في العمليات الواقعية، يقوم المهندسون بتشخيص الأعطال من خلال جمع الأدلة التكراري، وتحليل الملاحظات، وتحسين الفرضيات الموجهة بالخبرات التشغيلية،" يكتب المؤلفون. "طرق الاستدلال الوكيل تؤكد على حالة التشخيص، بينما طرق المعززة بالمعرفة تؤكد على الخبرات التشغيلية. ومع ذلك، التشخيص الفعال يتطلب أن يكون الاثنان مقترنين بإحكام."

هذا الاقتران هو بالضبط ما يحققه CMR. عندما يحتوي STM على أدلة عن اتصالات قاعدة بيانات خاملة، على سبيل المثال، يقوم CMR بتنشيط أنماط LTM المتعلقة باحتلال الفتحات الخاملة بدلاً من الحمل الزائد العام، وهي نفس القفزة الترابطية التي قد يقوم بها مهندس ذو خبرة.

التطور الذاتي: التعلم من الحوادث المحلولة

ربما يكون الاكتشاف الأكثر إثارة للاهتمام هو قدرة النظام على التحسن بمرور الوقت. قام الباحثون بمعالجة 120 حادثة بالتسلسل، مما سمح لـ OpsMem بتوحيد الخبرات المؤكدة في LTM بعد كل تشخيص. مقارنة مع متغير حافظ على LTM الأولي ثابتًا، قام OpsMem بتشخيص حوادث إضافية بشكل صحيح في كل نافذة متتالية من 30 حادثة، مع ظهور أكبر مكسب في المطابقة التامة في النافذة الأخيرة.

هذا يشير إلى أن توحيد LTM ليس حيلة بل قدرة حقيقية: كل حادثة محلولة تثري LTM بأنماط أو حالات أو إجراءات جديدة، مما يجعل النظام أفضل تدريجيًا في التشخيصات المستقبلية.

القيود والأسئلة المفتوحة

تظل عدة أسئلة دون إجابة. تعتمد التجارب على مجموعة بيانات واحدة من هواوي، وتم بناء LTM في البداية من مقابلات واستبيانات ووثائق تشغيلية، وهي عملية كثيفة العمالة قد يصعب تكرارها على نطاق واسع. إعدادات العتبة (0.6 لكل من تنشيط الإشارة والنمط، والاحتفاظ بأفضل 3 للأنماط والحالات والإجراءات، والحد الأقصى 3 جولات تشخيص) كانت ثابتة في التجارب؛ لم يتم توفير تحليل للحساسية عبر بيئات مختلفة.

علاوة على ذلك، يستخدم التقييم LLM-كحكم مع Qwen3.5-27B والتصويت بالثبات الذاتي، والذي، على الرغم من التحقق من صحته بواسطة أخذ عينات الخبراء، لا يزال يرث النقاط العمياء لنموذج الحكم نفسه. ولا تقدم الورقة البحثية زمن الاستجابة من البداية إلى النهاية أو التكلفة الحسابية، والتي قد تكون كبيرة نظرًا لحلقة الوكلاء المتعددين وخطوة CMR التي تعمل في كل جولة تشخيص.

ما يعنيه هذا للمجال

يدخل OpsMem مساحة مزدحمة. أصبح تشخيص الأعطال القائم على LLM أحد أكثر المجالات نشاطًا في هندسة الذكاء الاصطناعي، مع أوراق بحثية مثل ReAct وGoS وRCACopilot وFlowXpert التي تقترح جميعها بنى مختلفة. ما يساهم به OpsMem هو إجابة مبدئية لسؤال لم يعالجه أي منها بشكل كامل: كيفية الحفاظ على حالة التشخيص وقاعدة المعرفة التشغيلية متوائمين بشكل متبادل مع تغيير التشخيص نفسه للحالة.

فكرة الذاكرة المزدوجة ليست جديدة في العلوم المعرفية، فهي في الأساس مقاربة حسابية للتمييز بين الذاكرة العاملة والذاكرة طويلة المدى التي درسها علماء النفس لعقود. ولكن تطبيقها على تشخيص الأعطال بقيادة الذكاء الاصطناعي مع آلية رنين ملموسة تربط بين الاثنين هو أمر جديد، والنتائج التجريبية قوية بما يكفي لتستحق اهتمامًا جادًا من كل من المجتمع البحثي وفرق العمليات لدى موفري الخدمات السحابية على نطاق واسع.

الكود والمطالبات متاحة علنًا على GitHub، مما يجب أن يسرع من التحقق المستقل. في الوقت الحالي، يقف OpsMem كأحد أكثر الأساليب الواعدة مؤخرًا للمشكلة العنيدة المتمثلة في جعل تشخيصات الذكاء الاصطناعي تتعلم من كل فشل تواجهه.