Technical Support Specialist

小さなローカルモデルは、未検証の変更や破壊的な変更を勧めずに、技術者によるメッセージングシステムのログ解釈を支援できるか。この課題の訓練方法と評価方法を試しています。

企業向けメッセージブローカーでは、スレッドプールの枯渇、ストア容量制限、永続化インデックスの破損、連鎖するタイムアウトなど、複雑な障害が起きます。小さな言語モデルは、原因を絞り込まずに、もっともらしい設定を作ったり、危険な管理操作を勧めたりしがちです。

研究では2層の知識構成を調べています。安定したミドルウェア概念と構造化した診断ツリーを、系列蒸留で生徒モデルの重みに直接学習させます。変わりやすい環境状態、稼働中のログ、現場固有の設定は、隔離したローカル検索システムで扱います。重要な安全検証で厳密な根拠引用を必須にし、安全でないファイル操作を含む提案を自動的に隔離します。

限定した合成技術サポート事例で、未学習の事例と回帰確認を使い候補モデルを比較します。想定されるボトルネックを示すか、裏付け資料を引用するか、根拠のない修正操作を避けるかを調べます。独立した外部評価ではありません。

データ生成、検証、微調整、量子化、未学習データ評価の工程を実装しています。生徒モデルに必要な専門分野の改善が得られるかは評価中です。

任意の旧式構成や未見の独自ネットワークへの一般化は、未解決の研究課題です。合成データと精選した正解評価だけでは、多様な本番障害の雑音や曖昧さを含むログを十分に捉えられません。モデルの自信と実際の正しさを区別する研究を続けています。