في ظل التوسع الهائل في أنظمة التطبيقات الحديثة، أصبحت السجلات (Logs) أحد المصادر الأساسية لفهم الأداء والمشكلات، لكنها تتحول أحيانًا إلى كميات هائلة من النصوص غير المنظمة، مما يجعل تحديد أسباب الأعطال أو التهديدات الأمنية أمرًا شبه مستحيل. لمواجهة هذه التحديات، أطلقت NVIDIA حلًا ذكيًا يعتمد على الذكاء الاصطناعي لتحليل السجلات، يتمثل في نظام متعدد الوكلاء ذاتي التصحيح باستخدام نموذج استرجاع مدعوم بالذكاء الاصطناعي (RAG). يُعد هذا النظام مثالاً عمليًا على تطبيقات الذكاء الاصطناعي التوليدي في بيئات التشغيل، حيث يجمع بين تقنيات استرجاع متعددة (هجين) وعملية تقييم تلقائي وتصحيح ذاتي للأسئلة. يُدار النظام عبر مخطط عمل (LangGraph) يُنظّم تدفق المهام بين وكلاء متخصصين: استرجاع، إعادة ترتيب، تقييم، توليد إجابة، وتحويل السؤال. يبدأ النظام بعملية استرجاع هجين، حيث يجمع بين خوارزمية BM25 لتمييز الكلمات المفتاحية، ومخزن متجهات FAISS مدعومًا بتمثيلات NVIDIA NeMo Retriever لفهم المعنى، مما يضمن استرجاع كل من المطابقات الحرفية والمعاني المرتبطة. بعد ذلك، يتم إعادة ترتيب النتائج باستخدام نموذج NeMo Retriever لتحديد أكثر السجلات صلة بالسؤال. تُستخدم مخرجات التقييم (Grading) لتقييم مدى ملاءمة كل نص مُسترجع من حيث السياق، باستخدام نماذج مُصممة لتوليد إجابات منظمة (مثل نماذج ثنائية التصنيف). إذا لم تكن النتائج كافية، يُفعّل حلقة التصحيح الذاتي: حيث يُعيد الوكيل تشكيل السؤال الأصلي بأسلوب أكثر دقة، ثم يعيد تشغيل دورة الاسترجاع. تُتحكم هذه الحلقة عبر شروط منطقية (مثل decide_to_generate وgrade_generation_vs_documents_and_question) تُحدد ما إذا كان يجب المضي قدمًا في التوليد أو العودة لاسترجاع جديد. تم تصميم النظام ليكون مرنًا وقابلًا للتخصيص، مع توفر جميع المكونات الأساسية في مستودع GitHub (GenerativeAIExamples)، بما في ذلك ملفات تعريف المخطط (bat_ai.py)، وحدات الوكلاء (graphnodes.py)، وقواعد الانتقال (graphedges.py)، ووظائف التكامل مع واجهات NVIDIA AI. كما يدعم النظام تخصيص نماذج التوليد وتنقيح النماذج باستخدام ملفات التحفيز (prompt.json). يستفيد من هذا النظام فرق متعددة: فرق ضمان الجودة والاختبارات تُستخدمه لتحليل سجلات الاختبارات وتحديد الأسباب الكامنة وراء الفشل العشوائي، بينما تُسهم فرق الهندسة وDevOps في تبسيط عملية استكشاف الأخطاء عبر دمج مصادر السجلات المختلفة (تطبيق، نظام، خدمة) بتنسيقات متنوعة. أما فرق CloudOps وITOps، فتستفيد من تحليل مركزي للسجلات عبر الخدمات الموزعة، مع كشف مبكر عن التهديدات أو التهالك في الأداء. النظام لا يقتصر على تحليل السجلات، بل يُعد نموذجًا قابلًا للتوسع في مجالات أخرى مثل دعم العملاء، إدارة الأزمات، أو حتى توليد تقارير تشغيلية تلقائية. باستخدام هذا الحل، يمكن تقليل وقت استعادة الخدمة (MTTR) بشكل كبير، ورفع كفاءة المطورين والمشغلين. كما يُعد مثالًا ملموسًا على كيفية توظيف الذكاء الاصطناعي التوليدي في حل مشكلات واقعية، مع تمكين المطورين من تخصيص النظام وتوسيعه عبر إضافة وكلاء جديدة. لتجربة النظام، يكفي نسخ المستودع، تشغيل سؤال نموذجي، ومشاهدة كيف يتحول سجل غير منظم إلى إجابة واضحة ومباشرة. ويشجع NVIDIA المطورين على المشاركة من خلال فرع (Fork) المشروع، وتطوير وكلاء جديدة، والمساهمة في تطوير هذا النظام الذكي المفتوح المصدر.