## Memo - [[Salesforce AI Research]]グループからの論文。 - [https://twitter.com/stevenhoi/status/1671451609430097920](https://twitter.com/stevenhoi/status/1671451609430097920) - 対応するモデルはBeysian Inference、[[2019__WWW__ε-Diagnosis - Unsupervised and Real-time Diagnosis of Small-window Long-tail Latency in Large-scale Microservice Platforms|ε-Diagnosis]]、HT（[[2022__KDD__Causal Inference-Based Root Cause Analysis for Online Service Systems with Intervention Recognition|CIRCA]]、Random Walk ([[2018__CCGRID__CloudRanger―Root Cause Identification for Cloud Native Systems|CloudRanger]]、[[2022__NeurIPS__Root Cause Analysis of Failures in Microservices through Causal Discovery|RCD]] ## Abstract IT運用のための人工知能（[[AIOps]]）のための根本原因分析（RCA）のオープンソースのPython機械学習ライブラリであるPyRCAを紹介する。このライブラリは、複雑なメトリクスによる因果依存関係を明らかにし、インシデントの根本原因を自動的に特定するための全体的なフレームワークを提供する。一般的に使用される複数のRCAモデル用の統一されたインターフェイスを提供し、グラフの構築とスコアリングの両方のタスクを包含します。このライブラリは、IT運用スタッフ、データサイエンティスト、および研究者に、迅速なモデル開発、モデル評価、およびオンラインアプリケーションへの展開のためのワンステップソリューションを提供することを目的としています。特に、本ライブラリには、因果グラフ構築をサポートする様々な因果発見手法や、ベイズ分析、グラフ分析、因果分析などに着想を得た複数種類の根本原因スコアリング手法が含まれています。私たちのGUIダッシュボードは、実務家に直感的なポイント・アンド・クリックのインターフェースを提供し、人間との対話を通じて専門知識を簡単に注入できるようにします。因果関係グラフやインシデントの根本原因を可視化する機能により、実務担当者は迅速に洞察を得て、ワークフローの効率を向上させることができます。この技術レポートでは、PyRCA のアーキテクチャと主な機能を紹介するとともに、さまざまなベースラインモデルと比較したベンチマーク性能の数値を示します。さらに、いくつかの使用例を通じて PyRCA の機能を実証します。