一つのエージェントで世界を支配できるのか？

2025年は、Agentic AIの夜明けとして広く認識されており、インテリジェントシステムの進化における重要な転換点となります。昨年、私はマルチエージェントコラボレーションが持つ変革の可能性について探求し、さらに最近では、人間とAIのチームワークが、私たちがAIとどのように関わり、共に働くかをどのように再定義するのかについて考察しました。こうした自律型エージェントが主流となるにつれ、人のチームとの統合は、単に効率化をもたらすだけでなく、コラボレーション、創造性、生産性へのアプローチを、業界全体で大きく進化させることが期待されます。

AI分野のエキスパートたちは、中央集権型、分散型、階層型など、さまざまなタイプのマルチエージェントアーキテクチャを検証し、スケーラビリティから適応性まで、それぞれが提供する明確なメリットを検討してきました。例えば、Sahin Ahmed氏はMediumの記事で、マルチエージェントアーキテクチャの基本的なタイプとそれぞれの強みを概説しています。また、Nathan Lambert氏の論文では、エージェントベースシステムの将来についてさらに深く掘り下げ、自律的な推論と動的なコラボレーションが可能な新しいアーキテクチャを紹介しています。

AI導入の意図的な方向性

私たちは意図的に方向性を選び、その結果、2024年秋にいくつかの特許を出願しました。成功の鍵は、計画がどのように策定されるかにかかっています。さまざまな推論とリフレクションテクニックを使用して、適切なエージェントが適切なタスクに割り当てられるようにします。これらの方法を検討する中で、1つの洞察が明らかになりました。エラーはすぐに増殖する可能性があるということです。各ステップやタスクが90パーセンタイルまで最適化されていたとしても、プランナーエージェントが効果的な実行戦略を慎重に構築していなければ、全体的な成果は大幅に不足する可能性があります。プランナーエージェントの役割については、このブログの後半で取り上げます。プランナーエージェントは、複数のエージェントによる成果を成功に導く上で中心的な役割を果たします。

ネットワークおよびセキュリティにおける実世界での応用

企業向けプラットフォームは、幅広い接続デバイス、クライアント、ユーザー、アプリケーションから、構造化データと非構造化データの両方を大量に収集、処理、保存するように設計されています。これには、運用データ、企業知識、サービス契約、購読、ライセンス情報、文書、マニュアル、リリースノートなどのコンテンツが含まれます。ITインフラストラクチャのデータをより幅広いビジネス情報と統合することで、これらのプラットフォームは、意思決定、推論、タスクの自動化、顧客体験の向上のための洞察を可能にします。

これらの目標は、大手プロバイダーのほとんどが現在提供している市販のコンポーネントで構築された単一のエージェント、つまり単純なチャットボットでは達成できません。その能力は範囲が限定的すぎるため、私たちは当初のアーキテクチャを、ネットワークおよびセキュリティ運用向けにカスタマイズされた特定のツールセットを活用するマルチエージェントシステムへと拡張しました。

当社のシステムは、環境を認識し、推論し、意思決定を行い、定義された目標を達成するためのアクションを実行できる、目標指向型のエージェントによって自律的なネットワーク運用を可能にするように設計されています。これらのエージェントは、複雑なタスクを効率的に、かつ適応的に処理するように構築されており、人間による監視はほとんど、あるいはまったく必要ありません。もちろん、成功はテクノロジー自体だけでなく、ユーザーがテクノロジーに寄せる信頼の度合いにも依存します。そのため、ユーザーには、特に重要な変更を実行する前には、人が関与する必要があるタイミングや場所を決定する能力を含め、エージェントの度合いをコントロールしたいと考えることを期待しています。

このアーキテクチャでは、人は、全体的な戦略を策定し、AIエージェントのインテリジェントなネットワークと協働します。そのネットワークは、戦略的コーディネーターとして、定義された目標を達成するために適切なエージェントを呼び出す役割を担うプランナーエージェントが主導します。プランナーエージェントは、幅広いツールやシステムを備えた専門のワーカーエージェントのチームを動的に管理します。これらのワーカーエージェントは、他のモデルやエンタープライズツールとやりとりをしたり、RESTまたはGraphQL APIを呼び出したり、SQL、NoSQL、グラフ構造を含むさまざまなタイプのデータベースに問い合わせたりすることができます。また、ベクトルストアや検索エンジンと連携し、ライブデータストリームを活用して、自らの行動を通知し最適化します。

AIアーキテクチャへのアプローチ

エージェント間の通信を調整するアプローチには、中央集権型、分散型、ハイブリッド型など、さまざまなものがあります。それぞれの運用ニーズに合わせて最適化されています。中央集権型アーキテクチャでは、プランナーエージェントがワーカーエージェント間のすべての通信を調整し、管理の簡素化と効率的なリソースの割り当てを実現します（ただし、タスクが順次実行されるため、遅延が発生します）。特に、一貫性と統一された制御を必要とする複雑性の低いタスクに適しています。

これに対し、分散型アーキテクチャでは、自律型エージェントが直接協働できるため、大規模なタスクや分散タスクの拡張性と耐障害性が向上します。しかし、調整の中心となるポイントがないため、これらのシステムはすぐに管理が難しくなり、エージェントが一定の結果や定義された一連の結果に収束させることが困難になります。ハイブリッドアプローチは、両方のモデルを組み合わせ、タスクの複雑性とネットワークの状態に応じて動的にアーキテクチャを適応させます。戦略目標の集中管理と、専門的なサブタスクの分散実行です。

AIと人間の関わり

エージェントシステムは、その自律性レベルに応じて自律的に動作しますが、それでも重要な局面では人の関与が必要となります。この関与は、ユーザーによって開始される場合もあれば、スケジュールに従って開始される場合、あるいは特定のインフラストラクチャ特性を監視するモデルによる継続的なモニタリングの結果として発生するイベントによって開始される場合もあります。例えば、ネットワークの問題を特定し解決するために、トラブルシューティングの専門エージェントで構成されるチームによるエージェントシステムへのトラブルシューティングのリクエストが考えられます。プランナーエージェントが、ワイヤレス、有線、およびファブリックに特化した各領域の診断にそれぞれ焦点を当てた各ワーカーエージェントを含むワークフローを開始する、といったことが考えられます。

作業担当エージェントは、割り当てられたタスクを実行するための特定のツールとともに、履歴およびリアルタイムのモニタリングデータへのアクセス権限が与えられています。エージェントに割り当てられたタスクは、潜在的な根本原因を特定し、改善策を推奨する統一された結果に集約され、人間の検証と承認を経て、自律的な是正措置が開始されます。

Extreme Platform ONE

Extreme Networksでは、AIを最初からExtreme Platform ONEに組み込んでいます。このインテリジェントなシステムは、ネットワーク、セキュリティ、ITの各領域にわたる複雑なワークフローを自動化することで、運用を簡素化および自動化し、セキュリティを強化し、ユーザー体験を向上させることを可能にします。

今後、このブログシリーズでは、このアーキテクチャの技術的な側面についてより深い洞察を共有し、インテリジェントエージェントが現実のシナリオで有意義な影響をもたらす様子を強調する、より実践的な例も紹介していきます。