# Lilac [[University of Michigan]] と [[University of California, San Diego]] が提案する、IaC lifting(既存の非 IaC デプロイを IaC プログラムへ逆生成する)のためのニューロシンボリックなルール抽出パイプライン。鍵となる洞察は「lifting ルール(逆方向)は IaC プログラムのデプロイ(順方向)を観測すれば学習できる」こと。 LLM エージェント(知識検索・ルール抽出)と symbolic 手法(incremental deployment による環境制御・IaC ネイティブ検証による正しさ保証)を組み合わせ、安全クリティカルな lifting で LLM の幻覚を guardrail で抑える。ワークフローは Task Decomposition / Verifiable Exploration / Knowledge Integration の 3 フェーズ。 ビジョン論文段階で、研究プロトタイプ(`github.com/jingjia-peng/Lilac-v0`)が Azure/GCP のルール抽出を実装。43 Azure リソースで aztfexport と同等以上の誤り率(false positive 2.3% 対 4.6%、false negative 0% 対 7.0%)を少ない手作業で達成。([[@2025__AIOps__Automated Lifting for Cloud Infrastructure-as-Code Programs]]) ## 関連 - ソース: [[@2025__AIOps__Automated Lifting for Cloud Infrastructure-as-Code Programs]] - 概念: [[Infrastructure as Code]] - エンティティ: [[NSync]](姉妹的な reconciliation タスクを扱う同一研究室の系)/ [[Terraform]] / [[aztfexport]](主要比較対象)/ [[University of Michigan]] / [[University of California, San Diego]]