Исследователи представили PASE (Planning-Aware Semantic self-healing engine), систему для автоматического восстановления облачных AI-сервисов после сбоев. В этой модели восстановление рассматривается как задача нейросимвольного синтеза программ: LLM сначала формирует структурированный план действий на основе библиотеки семантических примитивов, затем система проверяет его выполнимость через моделирование.
Как пишет arXiv cs.AI (Artificial Intelligence), архитектура PASE использует Neural-Symbolic World Model для симуляции и верификации сценариев восстановления. Meta*-Prompt Optimizer, обученный с помощью DRL, подбирает промпты для управления процессом планирования. Авторы считают, что связка reason-plan-verify-adapt помогает строить стратегии восстановления с учетом контекста, а не сводить процесс к заранее заданному набору действий.
В работе также говорится, что существующие подходы к self-healing в облачных системах обычно устроены как последовательные и слабо связанные архитектуры. В таких схемах LLM отвечают за семантическое понимание, а DRL используется для оптимизации политик. По мнению авторов, это ограничивает применение генеративных и логических возможностей LLM в задачах восстановления сервисов.
Ключевые факты
PASE использует LLM как Plan Synthesis Engine для генерации структурированных планов восстановления
Neural-Symbolic World Model проверяет выполнимость планов через симуляцию
Meta-Prompt Optimizer обучается с помощью DRL для подбора промптов к процессу планирования
Авторы противопоставляют PASE существующим последовательным архитектурам, где LLM и DRL работают как слабо связанные компоненты