Chatbot com tecnologia de IA para gerenciamento de rede

Visão Geral da Solução

Os provedores de serviços de comunicação (CSPs) gerenciam volumes massivos de dados gerados por bilhões de dispositivos conectados para assegurar operações perfeitas e ininterruptas. Para alcançar isso, eles precisam de sistemas de gerenciamento de rede intensivos em dados que monitoram métricas críticas de desempenho, como latência, mantêm a confiabilidade durante congestionamentos na rede e aplicam medidas de segurança rigorosas para proteger contra ataques cibernéticos.

Reconhecendo a complexidade e a escala dessas operações, nossa solução destaca o poder transformador da integração da inteligência artificial com o MongoDB para automatizar o gerenciamento de redes, simplificando significativamente os fluxos de trabalho das operadoras. Ao integrar o MongoDB com grandes modelos de linguagem (LLM) e adotar uma geração aumentada de recuperação (RAG), desenvolvemos um chatbot assistido por IA que transforma as operações de rede em um sistema conversacional, automatizado e informado. Esse chatbot acessa logs de rede, registros de manutenção, dados do cliente e dados do sensor armazenados no MongoDB para fornecer insights acionáveis para detecção de anomalias, análise de causa-raiz, recomendações de mitigação e muito mais.

Essa abordagem habilita os operadores de rede a gerenciar fluxos de trabalho complexos com o mínimo envolvimento humano, acelerando a implementação de novos serviços e potencialmente aumentando a receita anual dos CSPs em até 5% por meio de redes autônomas.

Arquiteturas de referência

Com o MongoDB

Existem três componentes principais desta solução:

figura 1. Arquitetura de chatbot de rede com MongoDB

1. Ingestão de dados de origem: antes de consultar os dados, os gerentes de rede precisam ingerir entradas de logs e eventos de telemetria em tempo real, capturando detalhes como endereços IP, dados geográficos, caminhos de solicitação, carimbos de data e hora, logs de roteadores e dados do sensor. Essa arquitetura utiliza as funcionalidades de processamento de fluxo do MongoDB para capturar e processar automaticamente os dados recebidos no MongoDB Atlas, criando uma visão abrangente da atividade da rede. Esse conjunto de dados enriquecido é então utilizado em nossa arquitetura RAG para a tomada de decisão.

2. Seleção de dados baseada em perguntas: o segundo componente dessa solução aborda as perguntas dos gerentes de rede, por exemplo, "O que pode estar causando o problema de streaming de vídeo do cliente em Toronto?" Essa query passa por um processamento inicial onde o LLM gera um pipeline de agregação personalizado para selecionar os dados adequados para análise. Concomitantemente, dados incorporados em vetores podem ser eficientemente recuperados por meio de pesquisa semântica, permitindo a extração de informações intimamente relacionadas.

3. Inferência e saída em linguagem natural: assim que o MongoDB identifica os dados relevantes, um LLM traduz essas informações em explicações em linguagem natural para o usuário. Durante esse processo, o LLM analisa os dados recuperados para detectar padrões e anomalias, permitindo a identificação precisa dos candidatos a causa raiz e apoiando a tomada de decisões informadas. Por exemplo, ele pode revelar que um nó CDN local sobrecarregado, juntamente com solicitações elevadas de roteadores mais antigos, está 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" }
}

Construindo 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 IA generativa transformam o gerenciamento de redes: a integração de LLMs com as funcionalidades do MongoDB, como pipelines de agregação e pesquisa vetorial, simplifica de forma eficaz o gerenciamento de redes, reduzindo a intervenção humana, otimizando processos e, por fim, 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 as ferramentas para impulsionar 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 com eficiência aplicativos de IA. Especificamente, a pesquisa vetorial simplifica a recuperação de conteúdo semanticamente relevante, aumentando o desempenho de LLMs que alimentam as tecnologias chatbot.

Tecnologias e produtos utilizados

Autores

• Benjamin Lorenz, MongoDB

• Diego Canales, MongoDB