Integrating Observability, Defect Prediction, and Decision Intelligence for Reliable AI-Driven Software Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AI-driven software systems have expanded the operational surface area of modern platforms by coupling conventional application logic with data pipelines, machine learning components, and continuously changing runtime environments. This expansion makes reliability a moving target. Traditional quality assurance and post-deployment monitoring remain necessary, but they are no longer sufficient when failures emerge from interactions among code defects, model drift, infrastructure volatility, feature-store inconsistencies, and delayed operational response. This paper develops an integrated conceptual framework that unifies observability, software defect prediction, and decision intelligence into a single reliability architecture for AI-driven software systems. The proposed perspective argues that these capabilities should not be treated as isolated disciplines. Observability provides high-fidelity runtime evidence, defect prediction offers anticipatory risk estimation before failures become customer-visible, and decision intelligence converts technical signals into prioritized actions, governance routines, and architecture-level trade-off decisions. Drawing on literature from AIOps, MLOps, software quality engineering, testing, trustworthy AI, and architecture-centric governance, the paper synthesizes current knowledge, identifies fragmentation across the lifecycle, and proposes a layered operating model spanning development, deployment, operations, and continuous improvement. The manuscript also outlines adoption patterns, organizational prerequisites, and research challenges relevant to enterprise-scale implementation. The resulting framework is intended to support more reliable, auditable, and adaptive AI-enabled software delivery in complex socio-technical environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle