Graphify : Transformer les incidents en un graphe de connaissances

Introduction

Le projet Rootly-Graphify vise à transformer les incidents en un graphe de connaissances queryable en utilisant l'outil Graphify. Cet outil est inspiré par l'idée de LLM Wiki d'Andrej Karpathy, qui consiste à construire un graphe de connaissances persistant et structuré à partir des incidents.

Contexte Technique

Graphify prend un dossier de fichiers et le transforme en un graphe queryable avec des communautés, des connexions et des scores de confiance. Le projet Rootly-Graphify utilise l'API Rootly pour collecter les incidents, les alertes, les équipes et le catalogue de services pour une période de temps sélectionnée, puis les exporte dans un corpus local et les transforme en un graphe de connaissances queryable.

Le processus de collecte des données est déterministe et valide la clé API, choisit une fenêtre de 7, 30 ou 90 jours, récupère les incidents dont la date de début se situe dans cette fenêtre, récupère les alertes déclenchées via la ressource secondaire par incident, récupère toutes les données d'équipe et les écrit dans un répertoire de corpus local.

Analyse et Implications

Le graphe de connaissances construit à partir des incidents peut être utilisé pour analyser les relations entre les incidents, les équipes et les services. Les communautés détectées par le graphe peuvent aider à identifier les patterns récurrents et les relations entre les incidents.

Les scores de confiance associés aux arêtes du graphe permettent d'évaluer la fiabilité des relations détectées. Les arêtes semantically_similar_to permettent de détecter les liens conceptuels entre les incidents sans connection structurale.

Perspective

Le projet Rootly-Graphify offre une perspective intéressante sur la façon de transformer les incidents en un graphe de connaissances queryable. Les possibilités d'analyse et de détection de patterns offertes par ce projet sont considérables et pourraient être utiles pour améliorer la gestion des incidents et la sécurité.

Cependant, il est important de noter que la qualité des données collectées et la fiabilité des relations détectées sont cruciales pour obtenir des résultats précis. Il est également important de surveiller les limites et les prochaines étapes du projet pour améliorer son efficacité et son impact.