インテントベースのネットワーキング: エージェントネットワーク 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

• 短期間メモリと長期メモリ

• リアルタイム処理

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、アップグレード リンクを追加して、POSレイテンシを ミリ秒未満に維持します。40

中央エージェントは、その意向をネットワーク ポリシーに変換し、サービスをプロビジョニングし、継続的に監視します。ネットワークが Promise からドリフトすると、エージェントは原因を診断し、独自に修正を適用します。

MongoDB Atlas は、このワークフローをドライバーする運用データレイヤーとして機能します。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、カスタマー契約、イベント履歴、演算子のリアルタイムサイトに関するリアルタイム 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、またはETLパイプラインを排除します。 「 リファレンス 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動作するかについて詳しく説明します。

参照アーキテクチャ

ソリューションは、 MongoDB Atlasによってサポートされる単一のエージェント上で実行されます。図 1 は、主要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ション

• 2 ステージのセマンティック 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、Atlas に書込むため、メッセージ パス、キャッシュ、またはETLパイプラインを維持する必要がなくなります。この基礎は拡張可能です。同じオーケストレーション、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得します。このフレームワークは、キャパキャパシティープランニングのデジタル ネットワーク ペアなどの将来のユースケースに ステージを設定します。

図の 1。オーディエンスは各クエリをMongoDB Atlasを通じてルーティングします。MongoDB Atlas は サービス カタログ、 IBN コレクション、およびエージェントのメモリを保存します。

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 つの場所で保持します。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: 解析された意向とそのライフサイクルの状態を保存します。レイテンシ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ます。

• ibn_sites: 地理空間検索用の 2dsphere インデックス作成された座標を持つネットワーク サイトが含まれます。

• ibn_resources: 各サイトで利用可能なネットワーク リソースを含みます。

• ibn_policy_snapshots: 完全な計画履歴を保持する不変のプラン スナップショットを保存します。

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

• ibn_compliance_events: すべての違反とリカバリ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、ベクトル検索用に Vyage AIで自動埋め込み

エージェントのメモリはMongoDBにも存在し、ネットワーク データと合わせて専用のコレクションに保存されます。

• agent_workstreams: 現在のワーク スレッドの短期間コンテキストを保存します。

• agent_memories: ワークストリームが閉じたときに長期的な結果を抽出し、セッション全体で呼び出すためにベクトル インデックス付きで表示されます。

• user_preferences: エンジニアがエージェントに指示した指示を保存します。

単一の Atlas ベクトル検索インデックスで 4 次元診断クエリが可能になります。 Atlas の自動埋め込みを使用すると、インデックスをテキストフィールドに点、Atlas が埋め込みを生成して保存します。実行するために別途埋め込みパイプラインやサービスは必要ありません。同じインデックスは、自動埋め込みテキストフィールドを構造化フィルター、時間フィルター、地理空間フィルターと組み合わせます。その結果、$vectorSearch ステージは複数のクエリ エンジンの機能を実行します。

{
   "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

• 1 つのストアでデータを統合します: 意向レコード、地理空間サイト、時系列テレメトリ、ベクトルインデックス作成された知識を単一のMongoDB Atlas データベースに保持し、1 つのドライバーと 1 つのパイプラインでクエリ可能です。

• 1 回のクエリで複数の次元を検索:ベクトル類似度、構造化フィルター、時間ウィンドウ、地理空間の境界を組み合わせて、単一の Atlas ベクトル検索ステージでアプリケーション側のオーケストレーションを使用しません。

• 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、ポーリングせずに意向のアクティベーション、違反、リカバリを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付与します: 短期間のコンテキスト、長期的な結果、ユーザーの優先順位をコレクションとして保存することで、エージェントは再トレーニングではなく使用によって改善されます。

• 完全なインテント ライフサイクルを自動化: 1 つのエージェントがライブ データに基づいてネットワーク インテントを最初から最後まで解析、計画、アクティブ化、保証、修正できるようにします。

作成者

• Benjamin Lorenz, MongoDB

• MongoDB の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