LangChain Blog: Monte Carlo、LangGraph と LangSmith を活用したデータおよび AI 観測エージェントの構築

![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cbaa78bf847dfe35ef103d_data-src-image-dd30ebdc-8c0a-4c5a-9060-1e2d8ccbf975.png) Monte Carlo の [トラブルシューティングエージェント](https://www.montecarlodata.com/platform/observability-agents?ref=blog.langchain.com) アーキテクチャのハイレベルな概要[Monte Carlo](https://www.montecarlodata.com/?ref=blog.langchain.com) は、エンタープライズ向けのデータおよび AI 観測性（Observability）プラットフォームのリーダーであり、組織がデータの信頼性と AI の信頼性の問題を監視し、根本原因まで遡って追跡することを支援します。洗練されたデータモニタリングおよびトラブルシューティングツールの構築に長年取り組んできた結果、Monte Carlo は、自らが無意識のうちに次世代のフラッグシップ AI エージェントの基盤を築いていたことに気づきました。これは、数百ものサブエージェントを起動してデータの問題を検証し、魅力的かつ実行可能な方法で根本原因分析を加速させるシステムです。 ## エンタープライズ規模でのデータパイプライントラブルシューティングの自動化 エンタープライズ組織のデータエンジニアは、データアラートの手動トラブルシューティングに無数の時間を費やしています。具体的には、失敗したジョブの調査、コード変更の追跡、そして問題が即座の解決を要するものか、優先度を下げて後回しにしてもよいものかを判断することです。この手作業プロセスは、エンジニアに単一の調査パスを順次たどることを強いるため、並行して発生している問題を見過ごしたり、複雑で相互接続されたデータシステムにおいて根本原因の特定に時間がかかりすぎたりする結果となります。 モンテカルロの顧客は主に、データが大きな収益を生み出す大企業です。これらの顧客にとって、**不正確なまままたは利用できないデータは数百万ドル規模のビジネスに影響を及ぼす可能性があります**。モンテカルロは包括的なトラブルシューティングツールを構築していましたが、さらにこの「データダウンタイム」を削減する機会を見出しました。具体的には、AI エージェントが数百もの仮説を並列的に処理・推論させることで、データおよび AI チームが特定のデータ品質インシデントの根本原因を迅速に特定し修正する能力を加速させることです。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cbaa78bf847dfe35ef1040_data-src-image-5f2b6d8f-dd02-4bc0-af6b-242a7289c03d.png) ## LangGraph を用いたマルチパスのトラブルシューティング モンテカルロは、調査プロセスが本質的にグラフベースの意思決定フローに自然に対応することから、AI トラブルシューティングエージェントの基盤として**LangGraph**を選択しました。アラートが発生すると、同社のシステムは熟練したデータエンジニアが問題に取り組むアプローチを模倣しつつ、スケールして実行される構造化されたトラブルシューティング手法に従います。 アラート → コード変更の確認 → タイムラインの分析 → 依存関係の調査 → 発見事項の報告 彼らの LangGraph の実装はアラートから始まり、調査ノードの動的なグラフを作成します。各ノードは発見内容に基づいてサブノードを生成することができ、これによりエージェントは以下のことが可能になります： - 過去 7 日間のコード変更を確認する - 特定のデータパイプラインに影響を与える変更点に絞り込む - 問題発生数時間前に起きたイベントを調査する - 複数の潜在的な根本原因を同時に調査する **最大の利点**: 人間のトラブルシューターが一度に一つの経路しか追えないのに対し、Monte Carlo のエージェントは複数の調査分岐を並列で探索でき、個人の手作業では処理しきれないはるかに多くのシナリオをチェックできます。 Monte Carlo のプロダクトマネージャーである Bryce Heltzel は、LangGraph の価値は市場投入までのスピードを実現した点にあると指摘しています。主要な業界サミットを前に 4 週間という厳しい納期の中で、チームはカスタムビルドのソリューションでは不可能だった顧客へのエージェントデモンストレーションに自信を持って臨むことができました。 ## LangSmith を用いたデバッグ Monte Carlo は開発初日から LangSmith を用いたデバッグを開始しました。Heltzel 氏によると、「LangGraph でエージェントを構築し始めた際、LangSmith は自然な選択でした。私たちはグラフベースのワークフローで何を開発しているかを可視化するために LangSmith を必要としていました」。 プロダクトマネージャーである Heltzel 氏は、自社のエージェント向けのプロンプトエンジニアリングプロセスに深く関与しています。顧客ユースケースに関する深い文脈知識を持つ彼により、エンジニアリングサイクルを経るのではなく、プロンプトを直接迅速に反復できるようになりました。 Monte Carlo チームは、LangSmith が起動するために必要な設定が最小限であるため、ツールセットアップに時間を割くのではなく、エージェントロジックの構築と顧客へのデータ課題解決に集中できるようになりました。 ## Monte Carlo のアーキテクチャ このアーキテクチャでは、複数の AWS サービスを活用し、Monte Carlo の既存モノリスプラットフォームと新しい AI エージェントスタックを接続する、スケーラブルで安全かつ疎結合なシステムを構築しています。私たちは、インフラストラクチャの管理が不要な最新のファウンデーションモデル（foundational models）をエージェントに提供するために **Amazon Bedrock** を活用しています。**Auth Gateway Lambda** は、軽量なサーバーレスのエントリーポイントとして認証処理を担当し、専用サーバーを維持することなく安全なアクセスを実現します。**Monolith Service** は、コア API（GraphQL および REST）の提供を継続し、信頼性と自動メンテナンスを提供する管理型リレーショナルデータベースである **Amazon RDS** にアプリケーションデータを永続化しています。 AI 側では、**AI Agent Service** が **Amazon ECS Fargate** で実行されており、これによりコンテナ化されたマイクロサービスが基盤インフラの管理なしで自動的にスケールします。AI Agent Service への着信トラフィックはネットワークロードバランサ（NLB）を介して分散され、Fargate タスク間で高性能かつ低遅延なルーティングを提供します。これらの AWS コンポーネントにより、レガシーなモノリスと現代的な AI マイクロサービスが安全な認証、耐障害性の高いデータストレージ、弾力的なコンピューティングスケーリングを備えつつ効率的に相互運用する堅牢なシステムが実現されています。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69cbaa78bf847dfe35ef1033_monte-carlo-aws.png) ## 今後の展望 Monte Carlo は現在、可視性と検証に注力しています。つまり、トレース上でバグがどこで発生しているかを理解し、エージェントが一貫して顧客に価値を提供し続けるための堅牢なフィードバックメカニズムを構築することです。彼らは、各調査においてエージェントが根本原因を正しく特定できているかを測定するための検証シナリオに取り組んでいます。 将来に向けて、Monte Carlo はコアとなるバリュープロポジション——**データチームがこれまで以上に迅速かつ包括的に課題を解決できるように支援する**——を維持しつつ、エージェントの機能を拡張する計画です。データと AI の観測性（observability）ツール構築における先行者としての優位性に加え、LangGraph の柔軟なアーキテクチャと LangSmith のデバッグ機能を活用することで、データおよび [AI 観測性](https://www.langchain.com/articles/ai-observability) の分野で引き続きリーダーシップを発揮していくことが期待されます。

LangChain Blog: Monte Carlo、LangGraph と LangSmith を活用したデータおよび AI 観測エージェントの構築

背景や根拠まで確認しますか？

調べる

選ぶ

サイト