Chatbot impulsado por IA para la gestión de redes

Resumen de la solución

Los proveedores de servicios de comunicación (CSP) gestionan volúmenes masivos de datos generados por miles de millones de dispositivos conectados para garantizar operaciones fluidas e ininterrumpidas. Para lograrlo, se basan en sistemas de gestión de red con un uso intensivo de datos que monitorizan métricas de rendimiento críticas, como la latencia, mantienen la fiabilidad durante la congestión de la red y aplican estrictas medidas de seguridad para protegerse contra ciberataques.

Esta solución integra MongoDB con Modelos de Lenguaje Grandes (LLM) y adopta una estrategia de Recuperación-Generación Aumentada (RAG) para implementar un chatbot. El chatbot aprovecha los registros de red, los registros de mantenimiento, los datos de clientes y los datos de sensores almacenados en MongoDB para proporcionar información útil para la detección de anomalías, el análisis de la causa raíz, las recomendaciones de mitigación y más.

El chatbot permite a los operadores de red gestionar flujos de trabajo complejos con una mínima participación humana, acelerando la implementación de nuevos servicios.

Arquitecturas de Referencia

Hay tres componentes principales de esta solución:

Figura 1. Arquitectura de chatbot en red con MongoDB

• Ingesta de datos de origen: Este componente ingiere entradas de registro y eventos de telemetría en tiempo real para capturar detalles como direcciones IP, datos geográficos, rutas de solicitud, marcas de tiempo, registros de enrutadores y datos de sensores. Las capacidades de procesamiento de flujo de MongoDB le permiten capturar y procesar automáticamente los datos entrantes en MongoDB Atlas y crear una vista completa de la actividad de la red.

• Selección de datos basada en preguntas: Los administradores de red plantean preguntas como "¿Qué podría causar problemas de transmisión de video para un cliente en Toronto?". La consulta se procesa inicialmente, donde el LLM genera un flujo de agregación personalizado para seleccionar los datos adecuados para el análisis. Simultáneamente, los datos incrustados en vectores se recuperan eficientemente mediante búsqueda semántica, lo que permite extraer información estrechamente relacionada.

• Inferencia y salida en lenguaje natural: Un LLM posterior traduce los datos relevantes recuperados de MongoDB a explicaciones en lenguaje natural para el usuario. El LLM analiza los datos para detectar patrones y anomalías, lo que permite identificar con precisión las posibles causas raíz y facilita la toma de decisiones informadas. Por ejemplo, podría descubrir que un nodo CDN local sobrecargado, junto con un alto nivel de solicitudes de enrutadores antiguos, está causando el problema.

Enfoque del modelo de datos

Esta solución aprovecha los registros de la red del servidor, organizados como datos de series de tiempo, utilizando el siguiente esquema MongoDB:

{
   "_id": ObjectId("..."),
   "source_id": 12345,
   "source_type": "webserver",
   "timestamp": ISODate("2025-02-19T15:12:57.000Z"),
   "category": "accesslog",
   "event": "GET",
   "value": {
      "type": "url",
      "data": "https://mytv.telco.com/login"
   }
}

Construir la solución

Esta solución de gestión de red impulsada por IA emplea un marco RAG con MongoDB Atlas para mejorar los diagnósticos basados ​​en datos en entornos de telecomunicaciones complejos.

Figura 2. Interfaz del chatbot de red

Aprendizajes clave

• MongoDB y gen AI transforman la gestión de la red: integre LLM con las capacidades de MongoDB, como canales de agregación y búsqueda vectorial, para agilizar la gestión de la red al reducir la intervención humana, optimizar los procesos y automatizar las operaciones críticas.

• La gestión de datos es fundamental: los sistemas de gestión de red generan grandes cantidades de datos a partir de registros de red y solicitudes de usuarios, lo que plantea importantes desafíos en cuanto a la interoperabilidad, la privacidad y la eficiencia del procesamiento de datos. Las soluciones eficaces requieren bases de datos flexibles y escalables que puedan almacenar y gestionar flujos de datos complejos y de alta frecuencia.

• MongoDB ofrece herramientas para impulsar soluciones basadas en IA: una robusta infraestructura de base de datos, combinada con un modelo de documentos flexible y funciones avanzadas de búsqueda vectorial, permite a los proveedores de servicios de comunicaciones (CSP) desarrollar aplicaciones de IA. La búsqueda vectorial optimiza la recuperación de contenido semánticamente relevante, lo que mejora el rendimiento de los LLM que se utilizan en las tecnologías de chatbot.

Autores

• Benjamin Lorenz, MongoDB

• Diego Canales, MongoDB

Obtén más información

• Asesor de incidentes de flotas conectadas con tecnología de IA de Agentic

• Atención médica impulsada por IA con MongoDB y Microsoft

• Lanzamiento de un chatbot Agentic RAG con MongoDB y Dataworkz