Chatbot com tecnologia de IA para gerenciamento de rede

Visão Geral da Solução

Os provedores de serviços de comunicação (CSPs) gerenciam grandes volumes de dados gerados por bilhões de dispositivos conectados para garantir operações contínuas e ininterruptas. Para conseguir isso, elas dependem de sistemas de gerenciamento de rede com uso intensivo de dados que monitoram métricas críticas de desempenho, como latência, mantêm a confiabilidade durante o congestionamento da rede e mantêm rigorosas medidas de segurança para proteção contra ataques cibernéticos.

Esta solução integra o MongoDB com modelos de linguagem grandes (LLM) e adota uma estratégia de Geração Aumentada de Recuperação (RAG) para implementar um chatbot. O chatbot utiliza registros de rede, registros de manutenção, dados de cliente e dados de sensores armazenados no MongoDB para fornecer insights acionados para detecção de anomalias, análise de causa raiz, recomendações de mitigação e muito mais.

O chatbot habilita os operadores de rede a gerenciar fluxos de trabalho complexos com o mínimo de envolvimento humano, acelerando a implementação de novos serviços.

Arquiteturas de referência

Existem três componentes principais desta solução:

figura 1. Arquitetura de chatbot de rede com MongoDB

• Ingestão de dados na origem: esse componente ingere entradas de registro e eventos de telemetria em tempo real para capturar detalhes, como endereços IP, dados geográficos, caminhos de solicitação, carimbos de data/hora, registros de roteador e dados de sensores. Os recursos de processamento de fluxo do MongoDB permitem capturar e processar automaticamente os dados de entrada no MongoDB Atlas e criar uma visão abrangente da atividade da rede.

• Seleção de dados baseada em perguntas: Os gerentes de rede então fazem perguntas, como "O que pode causar problemas de transmissão de vídeo para um cliente em Toronto?" A query passa pelo processamento inicial em que o LLM gera um pipeline de agregação personalizado para selecionar os dados apropriados para análise. Ao mesmo tempo, os dados incorporados ao vetor são recuperados com eficiência por meio da pesquisa semântica, permitindo a extração de informações intimamente relacionadas.

• Inferência e saída de linguagem natural: um LLM subsequente traduz dados relevantes recuperados do MongoDB em explicações de linguagem natural para o usuário. O LLM analisa os dados para detectar padrões e anomalias, permitindo a identificação precisa de candidatos a causa raiz e apoiando a tomada de decisões informada. Por exemplo, ele pode descobrir que um nó de CDN local sobrecarregado, juntamente com muitas solicitações de roteadores mais antigos, estão causando o problema.

Abordagem do modelo de dados

Esta solução utiliza logs de rede do servidor, organizados como dados de série temporal, usando o seguinte 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 a solução

Essa solução de gerenciamento de rede com tecnologia de AI utiliza um framework RAG com o MongoDB Atlas para melhorar os diagnósticos orientados por dados em ambientes complexos de telecomunicações.

Figura 2. Frontend para o chatbot da rede

Principais Aprendizados

• MongoDB e gen AI transformam o gerenciamento de rede: integre os LLMs com os recursos do MongoDB, como pipelines de agregação e pesquisa vetorial, para simplificar o gerenciamento de rede, reduzindo a intervenção humana, otimizando processos e automatizando operações críticas.

• Gerenciamento de dados é crucial: os sistemas de gerenciamento de rede geram grandes volumes de dados a partir de logs de rede e solicitações de usuários, criando desafios significativos na interoperabilidade dos dados, na privacidade e no processamento eficiente. Soluções eficazes requerem bancos de dados flexíveis e dimensionáveis que possam armazenar e lidar com fluxos de dados complexos e de alta frequência.

• O MongoDB oferece ferramentas para gerar soluções alimentadas por IA: uma infraestrutura robusta de banco de dados , combinada com um modelo de documento flexível e recursos avançados de pesquisa vetorial, permite que os CSPs desenvolvam aplicativos de IA. A pesquisa vetorial simplifica a recuperação de conteúdo semanticamente relevante, aumentando o desempenho dos LLMs por trás das tecnologias de chatbot.

Autores

• Benjamin Lorenz, MongoDB

• Diego Canales, MongoDB

Saiba mais

• Consultor de incidentes de frota conectada com tecnologia de AI agêntica

• Assistência médica viabilizada por AI com a MongoDB e a Microsoft

• Lançar um Agentic RAG chatbot com MongoDB e Dataworkz