Miro перевела триаж багов на Amazon Bedrock — время решения упало с дней до часов

Miro внедрила BugManager — систему автоматического триажа баг‑репортов на Amazon Bedrock с LLM‑маршрутизацией и RAG; компания сообщает шестикратное уменьшение повторных переназначений и пятикратное сокращение среднего времени до решения инцидента.

Miro запустила BugManager — внутреннюю систему автоматизированной маршрутизации баг‑репортов на платформе Amazon Bedrock, и по данным компании это позволило сократить время решения инцидентов с дней до часов. По результатам внедрения число повторных переназначений команд уменьшилось в 6 раз, а среднее время до решения инцидента — в 5 раз, что прямо влияет на показатели SLA и общую продуктивность инженерной организации.

Технически BugManager сочетает классификацию на базе LLM с подходом Retrieval Augmented Generation (RAG). Для мультимодальной обработки скриншотов и записей экрана используется Amazon Nova Pro, релевантный контекст извлекается из Bedrock Knowledge Bases — включая ранее закрытые Jira‑тикеты, GitHub PR, Confluence и README — а итоговую маршрутизацию по командам выполняет Anthropic Claude Sonnet 4, запущенный на Amazon Bedrock с оптимизированными подсказками. Система также опционально генерирует подробный root‑cause анализ.

В Miro объясняют выбор RAG и LLM тем, что статические NLP‑классификаторы и fine‑tuned модели быстро теряют точность при организационных изменениях. В компании около 100 команд, и частые слияния, появление новых функциональностей и перераспределение ответственности требуют адаптивной логики маршрутизации, тогда как ранее использовавшаяся fine‑tuned GPT‑система демонстрировала деградацию точности. Ранее значительная доля нарушений SLA объяснялась ошибочной маршрутизацией: в исходном материале упомянута оценка эквивалентно 42 годам суммарно потерянной продуктивности в год из‑за задержек и дублирования расследований. После внедрения BugManager эти потери должны уменьшиться за счёт более точного сопоставления тикетов с ответственными командами и ускоренного доступа к релевантному контексту из источников знаний.

Реализация велась в партнёрстве с AWS Prototyping and Cloud Engineering (PACE). Инженерам и архитекторам в Miro выделяют две важные практические точки: подход RAG на Bedrock снижает потребность в постоянном дообучении моделей, но требует регулярной поддержки и актуализации источников знаний (Jira, GitHub, Confluence) и работы с подсказками; также необходима интеграция мультимодальных инструментов для корректного парсинга экранных снимков и видео. По мнению команды, сочетание Bedrock, специализированной мультимодальной модели и внешних KB демонстрирует практический путь к адаптивной маршрутизации в условиях сотен команд и частых организационных изменений, при условии инвестиций в поддержание каталогов знаний и верификацию выводов LLM.