# \#datadog **URL:** https://discuss.pytorch.kr/tag/datadog/9192.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Datadog가 공개한 장애 원인 변경을 찾는 에이전트 학습기 활용기: 교사 모델 GLM-5.3의 재현율 87%를 1/20 비용의 Qwen3.5-9B으로](https://discuss.pytorch.kr/t/datadog-glm-5-3-87-1-20-qwen3-5-9b/12020)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [9월 29, 2026, 7:00오전 UTC](https://discuss.pytorch.kr/t/datadog-glm-5-3-87-1-20-qwen3-5-9b/12020 "2026-09-29T07:00:12Z")
Datadog의 변경 원인 분석 특화 9B 모델 소개 Datadog이 프로덕션 알림(alert)을 일으킨 배포, 기능 플래그, 설정 변경을 찾아내는 조사 에이전트를 9B 크기의 오픈 모델로 만든 과정을 공개했습니다. 큰 교사 모델 GLM-5.3이 남긴 조사 기록으로 Qwen3.5-9B를 파인튜닝한 결과, 교사 모델 재현율(Recall@5)의 87%를 유지하면서 조사 1건당 LLM 비용을 0.06달러에서 0.003달러로 약 20분의 1 수준까지 낮췄습니다. 장애 대응을 해 본 개발자라면 알림이 울렸을 때 가장 먼저 던지는 질문이 "최근에 뭐가 바뀌었지?" 라는 것을 알고 있을 것입니다. 많은 장애가 배포나 설정 변경 직후에 발생하지만, 여러 서비스와 수많은 변경 이력 속에서 실제로 문제를 일으킨 변경 하나를 골라내는 일은 여러 시스템을 오가며 증거를 맞춰 보는 시간 싸움입니다. 이 작업을 변경 원인 분석(Change Attribution) 이라고 부르며, 규칙 기반 시스템은 빠르고 저렴하지만 복잡한 장애에서는 정확도가 떨어지고, 프런티어 LLM 기반 에이전트는 깊이 있게 추론(reasoning)하지만 모든 알림마다 실행하기에는 비용이 너무 큽니다. Datadog 엔지니어링 팀은 이 간극을 작고 특화된 모델로 메울 수 있는지 실험했습니다. 2026년 9월 23일 Datadog 블로그에 게시된 이 글은 Staff Engineer인 Scott Kramer와 엔지니어링 부사장(VP, Engineering) Junaid Ahmed가 작성했으며, 교사 모델의 조사 기록을 학습 데이터로 계속 불려 가는 데이터 플라이휠(Data Flywheel) 을 어떻게 구성했는지, 파인튜닝이 모델의 조사 행동을 어떻게 바꿨는지, 그리고 이 방식이 더 많은 알림에 에이전트 조사를 적용하는 데 어떤 의미가 있는지를 다룹니다. 이 사례가 흥미로운 이유는 결과 수치보다 방법의 재현 가능성에 있습니다. 사람이 직접 레이블을 달지 않고, 이미 프로덕션에서 돌아가는 상위 에이전트의 결론을 …