OODA Loop × AI

OODA ループをネットワーク運用に適用し、各フェーズを AI で再考する。「監視 → アラート → 人間が対応」から「観測 → 理解 → 判断 → 対処 → 検証」の自律ループへ。

OODA ループとは

ジョン・ボイド大佐が提唱した意思決定フレームワーク: Observe → Orient → Decide → Act。変化する状況に適応するために素早く循環させる。

従来の監視はオープンループだ — アラートが発火し、人間が調査し、手動で復旧する。OODA は各アクションの結果を次の観測サイクルにフィードバックすることでループを閉じる。

各フェーズにおける AI

ここでの AI は LLM に限定されない。各フェーズはそれぞれ異なる技術 — ルールエンジン、統計的 ML、ベクトル検索、言語モデル — が最も効果的な場面で適用される。

Observe

静的なダッシュボード、閾値ベースのアラート、手動でのログ確認

継続的なマルチソース取り込み。非構造化データ（syslog、ベンダードキュメント）の NLP 解析。時系列データに対する統計モデルによる異常検知

Orient

オペレーターが頭の中でアラートを相関させ、ランブックを確認

過去のインシデントに対するベクトル類似検索（Qdrant）。グラフベースのトポロジー相関。ランブックやドキュメントに対する RAG を活用した LLM による因果推論

Decide

人間が経験に基づいて復旧方法を判断

既知パターン向けのルールエンジン。影響範囲の ML リスクスコアリング。ポリシーに対する LLM のオプション評価。高リスク判断における Human-in-the-loop

Act

手動での設定変更、スクリプト実行

宣言的ワークフロー実行（Keep）。結果は次の Observe サイクルにフィードバックされ、ループを閉じる。自動検証で回復を確認

↻ Act の結果が Observe にフィードバックされ、ループが閉じる

従来型 vs. AI 駆動型

	従来の監視	OODA × AI
ループ	オープン（アラート → 人間 → 対処）	クローズド（自動フィードバック）
相関分析	人間の記憶と経験	ベクトル検索 + 因果推論
インタラクション	PromQL / SQL クエリ	自然言語（「最も障害の多いクラスタはどれか？」）
姿勢	リアクティブ（症状の検知）	プロアクティブ（前兆の検知）
ナレッジ	個人に属人化	RAG により組織横断で構造化

a10y スタックへのマッピング

各 a10y コンポーネントが OODA ループのどのフェーズに対応するか。

フェーズ

コンポーネント

役割

Observe

OpenObserve + Vector

テレメトリの収集、正規化、保存。Vector がデータを整形し、OpenObserve が格納する。

Orient

Keep + Qdrant

Keep がアラートを集約・相関させる。Qdrant が過去のパターンに対する類似検索を提供する。

Decide

correlation-engine

因果推論、リスク評価、復旧計画 — ルール、ML、LLM を適宜活用。

Act

Keep workflows

宣言的ワークフローにより復旧アクションを実行。

Verify

OpenObserve + engine

アクション後にテレメトリを再観測し、回復を確認する。

All

NATS

全フェーズ間のイベント転送。ループを接続する神経系。

AI の転換点

従来のルールベース自動化は既知のパターンしか扱えない。AI はこれを三つの方法で変える — しかも LLM だけではない。

1. 非構造化データの理解 — syslog メッセージ、ベンダー固有の CLI 出力、自然言語のチケット記述。NLP と LLM がこれまで解析不可能だったデータを構造化され実行可能なシグナルに変換する。

2. ルールを超えた推論 — 統計的異常検知は人間がルールを書かないようなパターンも捕捉する。ベクトル類似検索は完全一致なしに「以前似たものを見たことがある」を発見する。LLM は一般知識と検索されたコンテキストを使って未知の障害を推論する。

3. あらゆる判断に組織知を活用 — ランブック、設計ドキュメント、ポストモーテムに対する RAG が、あらゆる判断に組織の知識を活かす。属人的な知識が共有インフラになる。

ゴールは人間をより速くページングするネットワークではない。自ら治癒するネットワークだ。