Consideramos flujos de TCP multipath (MPTCP) sobre la dinámica de redes de datos de IEEE 802.11ay para la vigilancia de áreas utilizando transmisión de video en alta definición. Las transferencias inducidas por movilidad son críticas en IEEE 802.11ay (debido a la menor cobertura de las ondas milimétricas), lo que afecta negativamente el rendimiento de tales flujos de transmisión de datos. Como resultado de los eventos y características mejoradas de la red 802.11ay (activados por la formación de haces, la unión de canales, MIMO, transferencias inducidas por movilidad, compartición de canales, retransmisiones, etc.), el tiempo que tardan los paquetes en viajar de extremo a extremo en 802.11ay es inherentemente variable en el tiempo. Varias suposiciones fundamentales inherentes a los modelos de TCP estocástico, incluyendo llegadas de paquetes de Poisson, procesos gaussianos y certeza de parámetros, son desafiadas por la dinámica de tráfico de datos mejorada en las redes IEEE 802.11ay. La estimación del estado del modelo MPTCP difiere en gran medida de los valores reales de la red. Desarrollamos un nuevo marco estocástico basado en datos para abordar las deficiencias actuales de los modelos MPTCP y diseñar una arquitectura fundamental para la programación multipath inteligente (en la capa de transporte) considerando la formación de haces (híbrida) de capa inferior. En el corazón de nuestra arquitectura de capas cruzadas hay un agente de aprendizaje inteligente para actuar e interfaciar, que aprende de la experiencia la clonación óptima de paquetes, la programación, la agregación y la formación de haces utilizando características exitosas de bandidos de múltiples brazos y aprendizaje federado. Demostramos que el marco propuesto puede estimar y optimizar conjuntamente (explorar-explotar) y es más práctico para diseñar la próxima generación de modelos MPTCP de baja latencia y robustos.