Agenter

Netflix skapar kunskapsgraf för AI-driven övervakning

16 november 2026 · 2 min läsning

Även publicerad på Deutsch, Español, עברית, العربية

white iMac turned off
Jessy Smith / Unsplash

Netflix utvecklar en ontologidriven kunskapsgraf för att påskynda utredningar i produktionsmiljön och ge AI-agenter en gemensam förståelse för den operativa miljön.

Plattformen kopplar samman information om applikationer, incidenter, driftsättningar, varningar och beroenden i infrastrukturen. Detta adresserar ett problem där ingenjörer kan spendera timmar på att sammanställa information som är utspridd över olika system.

Företaget hanterar mer än 2 miljarder förfrågningar dagligen och över 38 miljoner logghändelser i realtid varje sekund. Under matchen mellan Jake Paul och Mike Tyson i november 2024 stödde infrastrukturen ungefär 65 miljoner samtidiga strömmar. Trots detta kan utredningen av en typisk applikationsregression ta omkring fyra timmar, där mycket av tiden går åt till att återskapa relationer mellan system.

Lösningen är att göra dessa relationer explicita genom en operativ ontologi och kunskapsgraf. Detta skapar en grund för automatiserad analys av grundorsaker och i förlängningen en självläkande infrastruktur. Netflix samlar redan in mätvärden, händelser, loggar och spårningar, men dessa signaler är spridda över system för varningar, incidenthantering, verktyg för driftsättning och kommunikationsplattformar för ingenjörer.

Övervakningsontologin definierar operativa entiteter, deras egenskaper och relationerna mellan dem. Den använder standarder som RDF, OWL, SHACL och SPARQL. Kunskapsgrafen lagras i QuipuDB, vilket är en distribuerad RDF-databas byggd på lagringsmotorn redb i språket Rust.

Grafen fylls via komponenter som kallas berikare, vilka omvandlar information från operativa system till strukturerade relationer i form av subjekt, predikat och objekt. Viss berikning är deterministisk, medan andra steg använder stora språkmodeller och probabilistiska tekniker för att tolka mindre strukturerad information. Netflix använder strikta valideringsregler för att begränsa dessa resultat.

Företaget fångar även upp information från incidentdiskussioner, såsom hypoteser och beslut om åtgärder. En korrelationsmotor granskar 13 typer av signaler, inklusive loggfel, avvikelser i mätvärden, spårningar, varningar, incidenter, driftsättningar, konfigurationsändringar, experiment och kodändringar för att producera rankade hypoteser.

Kunskapsgrafen utgör grunden för AutoRCA, ett internt agentbaserat AI-system för analys av grundorsaker. Istället för att specialiserade agenter utbyter löst strukturerade fynd använder de ontologin som ett gemensamt gränssnitt. Netflix avser att använda detta för att skapa bevisstödda förklaringar till incidenter, där människor behåller beslutsmakten över föreslagna ändringar. Företaget planerar även att utforska integration med sin enhetliga dataarkitektur för att koppla operativ information till bredare affärs- och teknikområden.