## Memo ## Memo with LLM ## Abstract システムから生成されたログの意義のある表現を評価、分析、解釈し、抽出するプロセスは、ログ分析と呼ばれます。ログ分析は、システムで発生する異常や不具合を特定し、システムの課題を示す可能性のある情報を抽出するための重要な技術です。従来の決定論的技術（ルールベースなど）は手動検査に依存しており、大規模な非構造化ログの分析においてスケーラビリティの問題を抱えています。自然言語処理（NLP）技術は、ログ分析において重要な役割を果たします。大規模言語モデルは、ログから意味のある洞察を抽出、パターン認識により正常な動作からの逸脱を特定し、ログ分析技術を効率的に自動化します。大規模言語モデルは、システム全体に十分なリソースが確保されている場合に、重要な役割を果たします。リソース制約環境での詳細なログ分析には課題が生じます。小規模言語モデルは、最小限のリソースでログ分析を適切に実行し、AIの効果を明らかにする重要な役割を果たします。本研究では、自然言語理解とパターン認識において高度な能力を示した小規模言語モデルとログ処理・異常検出を組み合わせ、最小限のリソースでリアルタイムにログデータを自動処理し、クラスタリングを適用して異常をより効果的に検出することを目的としています。