Framework de Decisão Causal Adaptativa sob Restrições Dinâmicas para AIOps
Resumo
Sistemas modernos de Big Data geram volumes massivos de dados de observabilidade, tornando a análise humana inviável e impulsionando a Inteligência Artificial para Operações de TI (AIOps). Este artigo apresenta um framework de alto desempenho projetado para mitigar o paradoxo eficiência-acurácia identificado na literatura recente da área. Embora modelos avançados de linguagem proveem análises de causa raiz acuradas, a grande maioria das abordagens vigentes falham em atender restrições estritas de latência em produção. O framework proposto implementa uma arquitetura de inteligência em camadas utilizando pipelines de processamento de streaming, modelos de linguagem compactos e motores de decisão dinâmica restritos por parâmetros lambda para viabilizar remediação autônoma confiável em tempo real em ambientes de larga escala.
Referências
Joshi, S. (2025). Llmops, agentops, and mlops for generative ai: A comprehensive review. International Journal of Computer Applications Technology and Research.
Kapoor, R. and Kas, M. (2026). Breaking the observability tax: Dynamic resolution anomaly detection via topology-aware active llm agents. IEEE Access.
Kephart, J. O. and Chess, D. M. (2003). The vision of autonomic computing. Computer, vol. 36, no. 1,.
Wang, S., Zhao, Y., Meng, W., and Pei, D. (2025). GALA: Can graph-augmented large language model agentic workflows elevate root cause analysis? arXiv preprint arXiv:2508.12472.
Zhang, J., Liu, X., Wang, Z., and Huang, K. (2026). Root cause analysis method based on large language models. arXiv preprint arXiv:2602.08804.
