## Memo ## Abstract 自動ログ解析は、ソフトウェアのメンテナンスとエンジニアリングのライフサイクルを通じて信頼性と回復力を確保するために、最新のソフトウェア集約型システムにおいて極めて重要です。既存の方法は、解釈なしで単一の予測値を提供することにより、ログの解析やログの異常検出などのタスクを実行します。しかし、システムイベントの量が増加していることを考えると、解析結果の解釈可能性が限られていることが、解析者の信頼と適切なアクションを取る能力の妨げになっています。さらに、これらの方法は、かなりのドメイン内学習データを必要とし、その性能は、新しいドメインからの未見のログを含むオンラインシナリオで急激に低下する（最大62.5％）。この論文では、ゼロショットで解釈可能な新しいログ分析アプローチであるLogPromptを提案する。LogPromptは、大規模言語モデル（[[notes/data-science/LLM]]）を採用し、ログタスク用に調整された一連の高度なプロンプト戦略によって、ゼロショットログ解析タスクを実行することで、単純なプロンプトと比較してLLMのパフォーマンスを最大107.5％向上させる。つのタスクにわたる9つの一般に利用可能な評価データセットでの実験により、LogPromptは、トレーニングデータを使用しないにもかかわらず、何千ものログでトレーニングされた既存のアプローチを最大約50％上回ることが実証されています。また、LogPromptの解釈可能性について人間による評価を行い、10年以上の経験を持つ6人の実務家が、生成されたコンテンツの有用性と読みやすさを高く評価しました（平均4.42/5）。また、LogPromptはオープンソースや小規模なLLMとの親和性が高く、実用的な展開に柔軟に対応できる。