PostMortem Copilot: как LLM + MinHash LSH снижают повторяемость инцидентов
Программный комитет ещё не принял решения по этому докладу
Целевая аудитория
Тезисы
Каждый второй PostMortem заканчивается спором о причине, а половина «мер по недопущению» умирает в тексте документа. Мы построили инструмент — PostMortem Copilot, — который на базе LLM и поиска похожих инцидентов через MinHash LSH автоматически формирует гипотезу корневой причины, альтернативные версии, факторы инцидента и конкретные меры по четырём целям: «не повторится», «заметим раньше», «пострадаем меньше», «починим быстрее».
Расскажу, почему мы отказались от эмбеддингов в пользу коэффициента Жаккара, как эмпирически нашли оптимальный порог схожести, как построили AI-судью для объективного выбора LLM из десятка on-prem моделей и почему модель — это лишь 30% успеха. Покажу продовые результаты. И расскажу, куда мы двигаемся дальше.
руководитель экосистемной дежурной смены в МТС, специализирующийся на управлении и координации высокоприоритетных инцидентов в режиме 24/7. Ведет команду Mission Control Center, обеспечивая непрерывное наблюдение и оперативное реагирование на критические события в ИТ-инфраструктуре компании. Евгений обладает богатым опытом в проведении postmortem-анализа и эскалации высококритичных инцидентов, а также в организации и ведении оперштабов и emergency room. Его глубокие знания и навыки в области управления инцидентами делают его незаменимым специалистом в обеспечении надежности и устойчивости экосистемы МТС
Видео
Другие доклады секции
Внедрение AI в SDLC
