Investigatia OpenAI pe core dumps a pornit de la crash-uri care pareau imposibile. O functie C++ normala parea sa revina la o adresa invalida. Unele stack frames aveau return address null. Alte crash-uri aratau stack pointer-ul deplasat cu 8 bytes.
Rezolvarea a aparut cand echipa a schimbat unitatea de diagnostic. In loc sa trateze cateva dump-uri ca pacienti izolati, a construit un dataset bun pentru intreaga populatie de crash-uri si a cautat pattern-uri ca un epidemiolog.
Esecurile vechi se ascund in simptome locale
OpenAI a gasit doua buguri fara legatura intre ele, aparute in acelasi timp. Unul era coruptie hardware silentioasa pe un host Azure. Celalalt era o race condition veche de 18 ani in GNU libunwind, o biblioteca open source folosita pe scara larga.
Ambele puteau ramane invizibile daca echipa inspecta crash-urile unul cate unul. Fiecare simptom local avea contraargumente plauzibile. Populatia mai larga a aratat ce presupuneri erau gresite.
Datele bune transforma bugurile ciudate in munca rezolvabila
Lectia operationala nu se limiteaza la C++ sau infrastructura de date. Multe echipe cara defecte vechi, handoff-uri fragile sau esecuri recurente care par random fiindca dovezile sunt impartite intre tool-uri, loguri, owneri si timp.
AI creste valoarea acestui tip de diagnostic. Pe masura ce sistemele cauta mai multe date la inference time si depind de infrastructura interna mai mare, problemele ascunse de fiabilitate devin mai scumpe. Raspunsul nu este doar un model mai bun. Este observabilitate mai curata, dataset-uri mai bune despre esecuri si workflow-uri care lasa echipele sa conteste presupuneri vechi.
Servicii relevante: Operatiuni, Calitate, Pipeline