Local LLM×AIエージェントで挑むNOC DevOps — 商用AIOpsのリアル

概要

我々NTTフィールドテクノ及びNTT-MEのNOCでは, NECを始めとするNWデバイス保守ベンダと連携し24時間365日大規模なNW設備の監視・運用保守を行っており, 大規模かつ成長し続けるインフラネットワークを限りある人員で保守するため, 生成AI等を活用したNetwork Automation(NW運用自動化)による業務の生産性向上に取り組んでいます. すでに様々なユースケースが提案されており, JANOG56では我々3社でもMCP(Model Context Protocol)及びA2A(Agent2Agent)によるアラームコリレーションというより踏み込んだNWデバイス自動化の事例を共有させていただきました（https://www.janog.gr.jp/meeting/janog56/correlation/）

また, 2025年8月にリリースされたgpt-ossなどLocal LLMモデルの大幅な性能向上がなされたことを踏まえ, Local LLMで商用運用の最大の問題となるセキュリティ・運用コスト問題を抑えつつAIエージェントの運用を商用NW自動化のDevOpsプロセスへ組み込むことに取り組んできました.
AIを検討段階から運用へ持ち込むプロセスで見えてきた現実的な壁と突破口を実際のNOC運用事例を交えてご紹介します.

□主な技術ポイント

・非構造化データの構造化・集約 　
トラブルチケットやNW構成情報のNOCデータに関してはSSoT化・MCPによりAI利用が進みました. 　一方で, 実際のAIエージェントの利用傾向を分析するとNW方式の図解や, 装置のモジュール構成の画像など非構造化状態のデータのニーズが多いことがわかりました 　これに対して, Unstructured APIなどを用いたタグ付けなど非構造化データを運用可能にするアプローチを紹介します

・プロコード・ローコード開発を組み合わせたDevOps体制 　
AI・NW・開発のスキルをすべて備えた人材によるプロコード開発はスケールが限られるため, LangFlow等ローコードツールを活用し業務チームごとに特化エージェントを開発する体制を組みました 　プロコード開発とローコード開発をどの粒度で分担すればDevOpsが機能するか、NOCでの実例をもとに議論します.

・LLM入出力のフィルタリング・モデレーション 　商用AIエージェントでの安全な入出力制御は不可欠となります 　
NOC業務における実装例とその効果を紹介します. AIの実業務への活用については様々な組織の皆様に関連する要素があるかと思いますので, 是非「フラッと」立ち寄り議論に参加いただけたらと思います.

議論ポイント

・生成エージェントを実際のNOC業務に用いる際の課題点
・実際にどのようなユースケースの実現に取り組むべきか
・開発運用体制に必要な要素はなにか

場所

本会議場2 グラングリーン大阪北館6F 6-1

日時

Day3 2026年2月13日(金) 13:40～14:40 (1時間)

発表者

公開資料

各種情報

アーカイブ配信

本会議終了後、順次配信予定です