의도 기반 네트워킹: Agentic Network Automation

솔루션 개요

통신 및 미디어 소프트웨어, 핀테크와 함께 AI 채택을 주도하는 산업입니다. 그러나 리더와 다른 기업 간의 격차는 계속 커지고 있습니다. AI 역량 의 최전선에 있는 회사는 경쟁업체보다 약 두 배의 수익 성장률을 기록하는 반면, 전체 회사의 거의 4분의 3은 아직 AI 투자에서 실질적인 가치를 보여 주지 못하고 있습니다. 통신은 특히 한 가지 측면 AI 앞서가고 있습니다. 격차는 모델이 아닙니다. 에이전트가 라이브 네트워크 데이터에 대해 조치를 취하는 데 필요한 모든 것은 다음과 같습니다.

• 데이터 파이프라인

• Vector Search

• 임베딩

• 단기 및 장기 기억

• 실시간 처리

Agentic 네트워크 자동화 이러한 격차를 좁힙니다. 엔지니어가 요청을 수동으로 장치 구성으로 변환하는 대신 자율에이전트가 목표를 해석하고, 변경 사항을 계획하고, 네트워크에 조치를 취하고, 결과를 확인합니다. IBN은 이 패턴 의 가장 명확한 표현식 입니다. 네트워크 결과를 간단한 비즈니스 용어로 상태 하면 시스템에서 추가 개입 없이 결과를 제공하고 방어합니다.

IBN을 사용하면 사업자의 고객이 빌드 방법이 아닌 필요한 사항을 설명할 수 있습니다. 예시: 새 플래그십 저장 엽니다.POS 트래픽에 우선 순위 부여하고, 게스트 WiFi를 엄격하게 분리하고, 카메라 업링크를 추가하고, POS 지연 시간 40 ms 미만으로 유지합니다.

중앙 에이전트 해당 의도를 네트워크 정책으로 변환하고, 서비스를 프로비저닝하고, 지속적으로 모니터링합니다. 네트워크가 약속에서 벗어나면 에이전트 원인을 진단하고 자체적으로 수정 사항을 적용합니다.

MongoDB Atlas 이 워크플로를 구동하는 운영 데이터 계층 역할을 합니다. 에이전트 에 필요한 모든 리소스 하나의 데이터베이스 에 통합하여 현재 네트워크 상태, 고객 계약, 이벤트 기록 및 연산자 인사이트에 대한 실시간 쿼리를 제공합니다. AI 계층은 데이터에 직접 연결되므로 메시지 버스, 캐시 또는 ETL 파이프라인이 필요하지 않습니다. 참조 아키텍처 섹션에서는 이 프레임워크 작동 방식을 자세히 설명합니다.

참조 아키텍처

이 솔루션은 MongoDB Atlas 지원하는 단일 에이전트 에서 실행됩니다. 그림 1 에는 주요 구성 요소가 나와 있습니다.

• ReAct 기반 오케스트레이터

• 2단계 시맨틱 라우터

• 특수 MCP 마이크로서비스 설정하다

• 네트워크 데이터와 에이전트의 메모리를 저장하는 Atlas 컬렉션

모든 서비스는 Atlas 에서 읽고 쓰기 작업을 수행하므로 메시지 버스, 캐시 또는 ETL 파이프라인을 유지할 필요가 없습니다. 이 기반은 확장 가능합니다: 동일한 오케스트레이터, 라우터 및 메모리 계층이 MCP 서비스 및 컬렉션을 추가하여 새로운 도메인을 차지합니다. 이 프레임워크 가상 용량 계획을 위한 디지털 네트워크 쌍과 같은 향후 사용 사례를 위한 단계를 설정합니다.

그림 1. 오케스트레이터는 서비스 카탈로그, IBN 컬렉션, 에이전트의 메모리를 저장하는 MongoDB Atlas 를 통해 각 쿼리 라우팅합니다.

데이터 모델 접근 방식

IBN은 다양한 데이터 형태로 작동하며 MongoDB Atlas 이러한 데이터 형태를 모두 한 곳에 보관합니다. 다음 컬렉션 각각은 워크플로의 일부에 매핑됩니다.

• ibn_intents: 구문 분석된 인텐트와 해당 수명 주기 상태 저장합니다. 여기에는 지연 시간 한도 또는 세분화 정책과 같이 요청 에 지정된 모든 필드 포함됩니다.

• ibn_sites: 지리 공간적 조회를 위해 2dsphere 인덱스 좌표가 있는 네트워크 사이트를 포함합니다.

• ibn_resources: 각 사이트 에서 사용할 수 있는 네트워크 리소스를 포함합니다.

• ibn_policy_snapshots: 전체 계획 기록을 보존하는 변경할 수 없는 계획 스냅샷을 저장합니다.

• ibn_telemetry. time series 컬렉션 에 지표 샘플을 저장합니다.

• ibn_compliance_events: 모든 위반 및 복구 기록 저장합니다.

• ibn_knowledge_chunks: 과거 인시던트, 런북 및 템플릿을 저장하며 벡터 검색 위한 Voyage AI 자동으로 포함됩니다.

에이전트의 메모리는 MongoDB 에도 상주하며, 네트워크 데이터와 함께 전용 컬렉션에 저장됩니다.

• agent_workstreams: 현재 작업 스레드에 대한 단기 컨텍스트를 저장합니다.

• agent_memories: 워크스트림이 종료되면 장기적인 팩트를 추출하고, 세션 전반에 걸쳐 리콜을 위해 벡터 인덱싱됩니다.

• user_preferences: 엔지니어가 에이전트 가르치는 지침을 저장합니다.

단일 Atlas Vector Search 인덱스 사용하면 4차원 진단 쿼리 가능합니다. Atlas 자동 임베딩을 사용하면 인덱스 가 텍스트 필드 점 Atlas 임베딩을 생성하고 저장합니다. 실행 위해 별도의 임베딩 파이프라인 이나 서비스가 필요하지 않습니다. 동일한 인덱스 자동 포함된 텍스트 필드 구조화된 필터, 시간 및 지리 공간적 필터와 쌍을 이룹니다. 결과적으로 $vectorSearch 단계는 여러 쿼리 엔진의 작업을 수행합니다.

{
   "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"
      }
   ]
}

솔루션 빌드

전체 데모는 이 GitHub 리포지토리 에서 확인할 수 있습니다. 리포지토리 를 복제한 후 다음 단계를 따르세요.

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

주요 학습 사항

• 단일 저장 에서 데이터 통합 : 하나의 운전자 와 하나의 파이프라인 으로 쿼리할 수 있는 단일 MongoDB Atlas 데이터베이스 에 의도 레코드, 지리 공간적 사이트, Time Series 원격 분석 및 벡터 인덱스 지식을 보관합니다.

• 하나의 쿼리 로 차원 전체 조회 : 애플리케이션 측 오케스트레이션 없이 단일 Atlas Vector Search 단계에서 벡터 유사성, 구조화된 필터, 시간 창 및 지리 공간적 경계를 결합합니다.

• 실시간 변경 사항 스트리밍: MongoDB Change Streams 사용하여 폴링 없이 인텐트 활성화, 위반 및 복구를 대시보드에 푸시합니다.

• 에이전트 에 메모리 제공: 단기 컨텍스트, 장기적인 사실 및 사용자 선호도를 컬렉션으로 저장하여 에이전트 재교육하는 대신 사용함에 따라 개선되도록 합니다.

• 전체 의도 수명 주기 자동화: 하나의 에이전트 라이브 데이터를 기반으로 네트워크 의도를 엔드 투 엔드로 구문 분석, 계획, 활성화, 보장 및 수정하도록 할 수 있습니다.

작성자

• Benjamin Lorenz, MongoDB

• MongoDB , Aditya Vikram Roy

• Diego Canales, MongoDB

자세히 알아보기

• AI 기반 미디어 개인화
• 네트워크 관리용 AI 기반 챗봇
• GenAI 기반 동영상 요약