インテントベースネットワーキング: エージェントによるネットワークオートメーション

ソリューション概要

通信 とメディア は、ソフトウェアや fin Tech と同様に、 AI の採用を先順位する業界の 1 つです。しかし、リーダーと他のユーザーとのギャップは大きくなり続けます。AIAIの最上位にある会社は、ピアの約 2 倍の収益が増加していますが、すべての会社の 34 分の 3 は、 AIプロジェクトからの具体的な値をまだ示していません。通信 組織は、特に 1 つの面で が先行しています。エージェントとしてのAIの採用率は、あらゆる業界の中で最も高いものです。ギャップはモデルではありません。エージェントがライブ ネットワーク データを操作するために必要なすべての基盤があります。

• データ パイプライン

• vectorSearch

• 埋め込み

• 短期メモリと長期メモリ

• リアルタイム プロセシング

エージェントネットワークオートメーション、この差は閉じられます。エンジニアがリクエストを手動でデバイス構成に変換する代わりに、オートメーションエージェントが目的、プランの変更を解釈し、ネットワークに影響を与え、その結果を検証します。 IBN は、このパターンの最も明確な式です。ネットワークの結果をプレーンなビジネス用語で表現すると、システムは追加の介入なしにそれを配信し、維持します。

IBN では、演算子のカスタマーは、その構築方法ではなく、必要なものを説明します。例: 新しいフラグメント ストアを開きます。 POS トラフィックの優先順位 を付与し、ゲスト Wire を厳密に分離し、監視機能を追加して、POSレイテンシを40 ミリ秒未満に維持します。

中央エージェントはその意図をネットワークポリシーに翻訳し、サービスをプロビジョニングし、継続的にモニターします。ネットワークが約束から外れると、エージェントは原因を診断し、独自で修正を適用する。

MongoDB Atlasは、このワークフローを推進する操作データレイヤとして機能します。エージェントが必要とするすべてのリソースを1つのデータベースに統合し、現在のネットワーク状態、カスタマー合意、イベント履歴、および演算子のインサイトにわたるリアルタイムクエリを提供します。AIレイヤーはデータに直接接続し、メッセージバス、キャッシュ、ETLパイプラインを削除します。参照アーキテクチャセクションでは、このフレームワークがどのように機能するかを詳しく説明しています。

参照アーキテクチャ

このソリューションは、MongoDB Atlas によってバックアップされた単一のエージェントで実行されます。図 1 は、主なコンポーネントを示しています。

• ReAct ベースのオーケストレータ

• 2 段階の意味ルーター

• 専用 MCP マイクロサービスのセット

• ネットワークのデータとエージェントのメモリを保存する Atlas コレクション

すべてのサービスは Atlas から読み取りと書き込みを行い、メッセージ バス、キャッシュ、ETL パイプラインを維持する必要がなくなります。この基盤は拡張可能です。同じオーケストレーター、ルーター、メモリレイヤーは、MCP サービスとコレクションを追加することで新しいドメインを取り込みます。このフレームワークは、what-if キャパシティー プランニングのためのデジタル ネットワーク ツインなどの将来のユースケースの土台を整えます。

図 1オーケストレータは、サービス カタログ、IBN コレクション、エージェントのメモリを保存する MongoDB Atlas を介して各クエリをルーティングします。

データモデルアプローチ

IBN はさまざまなデータシェイプで機能し、MongoDB Atlas はそれらをすべて 1 か所に保持します。次の各コレクションはワークフローの一部にマップされます。

• ibn_intents: 解析された意図とそのライフサイクル状態を保存します。レイテンシシーリングやセグメンテーションポリシーなど、リクエストで指定されたすべてのフィールドが含まれています。

• ibn_sites: 地理空間ルックアップ用の 2dsphere インデックス付き座標を持つネットワークサイトが含まれます。

• ibn_resources: 各場で利用可能なネットワーク リソースが含まれています。

• ibn_policy_snapshots: 計画履歴全体を保存する不可変の計画スナップショットを保存します。

• ibn_telemetry. メトリクサンプルを時系列コレクションに保存します。

• ibn_compliance_events: すべての違反と復旧のレコードを保存します。

• ibn_knowledge_chunks: 過去のインシデント、ランブック、テンプレートを保存し、Voyage AI によるベクトル検索のために自動的に埋め込みます。

エージェントのメモリは MongoDB 内にもあり、ネットワーク データと一緒に専用のコレクションに保存されます。

• agent_workstreams: 現在の作業スレッドの短期コンテキストを保存します。

• agent_memories：ワークストリームがクローズされると、長期的な事実を抽出します。セッション間でのリコールのためにベクトルインデックス化されています。

• user_preferences: エンジニアがエージェントに教える指示を保存します。

単一の Atlas Vector Search インデックスにより、4 次元診断クエリが可能になります。Atlas auto-embedding を使用すると、インデックスをテキスト フィールドに指定するだけで、Atlas が自動的に埋め込みを生成して保存します。別個の埋め込みパイプラインやサービスを実行する必要はありません。同じインデックスでは、自動埋め込みテキスト フィールドを構造化されたフィルター、時間フィルター、地理空間フィルターとペアリングします。その結果、$vectorSearch ステージで複数のクエリ エンジンの仕事を行います。

{
   "fields": [
      {
         "type": "autoEmbed",
         "modality": "text",
         "path": "text",
         "quantization": "float",
         "model": "voyage-4"
      },
      {
         "type": "filter",
         "path": "kind"
      },
      {
         "type": "filter",
         "path": "segment"
      },
      {
         "type": "filter",
         "path": "market"
      },
      {
         "type": "filter",
         "path": "plan_id"
      },
      {
         "type": "filter",
         "path": "ts"
      },
      {
         "type": "filter",
         "path": "lng"
      },
      {
         "type": "filter",
         "path": "lat"
      }
   ]
}

ソリューションのビルド

この GitHubリポジトリで完全なデモが利用できます。リポジトリをクローンして、次の手順に従います。

export OPENAI_API_KEY="<your openai api token>"
export MONGODB_URI="<your mdb connection string>"
export VOYAGE_API_KEY="<your voyage api token>"

brew install python@3.13
export PATH="$(brew --prefix)/opt/python@3.13/libexec/bin:$PATH"
python -m venv <dir>
source <dir>/bin/activate
cd agentic-mcp-demo
pip install -r requirements.txt

./bin/start.sh

-I'm opening a new Alpenmarkt store at Marienplatz Munich. POS priority, guest WiFi strictly separated, camera uplink, online by 18:00, max 40ms POS latency, 99.95% availability
-feasibility check
-propose and activate
-inject morning rush
-diagnose violation
-apply runbook

キーポイント

• データを 1 つのストアに統合する: インテントレコード、地理空間サイト、時系列テレメトリ、およびベクトルインデックスされた知識を、1 つのドライバーと 1 つのパイプラインで照会できる 1 つの MongoDB Atlas データベースに保存します。

• 1 つのクエリで複数のディメンションを検索する: ベクトル類似度、構造化されたフィルター、時間ウィンドウ、地理空間境界を 1 つの Atlas Vector Search ステージで結合します。アプリケーション側のオーケストレーションは不要です。

• リアルタイムの変更をストリームする: MongoDB Change Streams を使用して、インテントの有効化、違反、復旧をポーリングなしでダッシュボードにプッシュします。

• エージェントにメモリを与える: 短期のコンテキスト、長期の事実、およびユーザー設定をコレクションとして保存します。これにより、エージェントは再トレーニングすることなく、使用することで性能が向上します。

• インテントのライフサイクル全体を自動化する: 1 つのエージェントで、ライブデータに基づいてネットワークインテントを端から端まで解析、計画、有効化、保証、修復します。

作成者

• Benjamin Lorenz, MongoDB

• Aditya Vikram Roy、MongoDB

• Diego Canales, MongoDB

詳細

• AI 主導のメディア パーソナライズ

• AI を活用したネットワーク管理用チャットボット

• 生成AIを活用した動画要約