Optimice los sistemas de gestión de flotas con chatbots de IA, seguimiento geoespacial e información en tiempo real impulsada por MongoDB.
Industrias: Manufactura y movimiento
Productos y herramientas: MongoDB Atlas, MongoDB Atlas Vector Search, Colecciones de series de tiempo de MongoDB, Consultas geoespaciales, MongoDB Atlas Charts
Resumen de la solución
La gestión de flotas implica múltiples tareas críticas, incluido el seguimiento de los vehículos y su estado, la optimización de la eficiencia del combustible, la programación del mantenimiento oportuno y la garantía del cumplimiento de las regulaciones.
La gestión de estas tareas requiere datos generados por vehículos, sensores y registros operativos. Cuando consolidas esta información en una sola fuente, la inteligencia artificial puede generar perspectivas predictivas y recomendaciones. Esto ayuda a los administradores de flotas a ejecutar sus flotas de manera eficiente.
Esta solución, llamada Leafy Fleet, es una demostración que utiliza IA generativa y agente para gestionar las cargas de trabajo de los gestores de flotas. La solución utiliza MongoDB Atlas para optimizar las operaciones de gestión de flotas, proporcionando una base de datos flexible y unificada que impulsa el análisis en tiempo real y las consultas geoespaciales complejas. Sus principales características incluyen:
Asistente de IA de Agentic: Haga preguntas en lenguaje natural sobre el estado de su flota para recibir información en tiempo real, recomendaciones prácticas y apoyo para la toma de decisiones. Esto mejora el cumplimiento normativo y la programación del mantenimiento al procesar instantáneamente datos operativos en tiempo real para identificar problemas pendientes.
Control del panel: Utilice MongoDB Atlas Charts para supervisar el rendimiento y el estado de la flota, incluyendo gráficos de niveles de combustible, tendencias de la eficiencia general del equipo (OEE) a lo largo del tiempo, mapas de calor para puntos de la ciudad con mayor frecuencia y mapas de rutas para la navegación urbana. Visualizar las tendencias de la OEE y el combustible mejora la optimización del combustible y la planificación del mantenimiento.
Rastreo de ubicación de vehículos: Localice vehículos dentro o cerca de áreas geocercadas específicas mediante las consultas geoespaciales nativas de MongoDB. Esto garantiza una gestión de flotas precisa y eficiente. Esta función optimiza las rutas y garantiza un seguimiento preciso del estado en tiempo real.
Figura 1. Las tres características principales de Leafy Fleet
Arquitecturas de Referencia
Esta solución utiliza MongoDB Atlas como una única plataforma de datos que agrega y operacionaliza series de tiempo, datos geoespaciales y vectoriales para habilitar aplicaciones de inteligencia artificial de Agentic.
El diagrama de arquitectura a continuación ilustra las características clave de la demostración y sus flujos de trabajo interconectados:
Figura 2. Arquitectura de alto nivel de Leafy Fleet
Simulación de ingestión de telemetría: las llamadas de microservicio FastAPI generan y envían datos de telemetría del automóvil en tiempo real al back-end, simulando un flujo continuo de métricas del vehículo.
Procesamiento y almacenamiento: la solución procesa los datos de telemetría ingeridos y los almacena en una colección de series de tiempo dentro de MongoDB Atlas.
Interacción en lenguaje natural: Los usuarios interactúan con el sistema agéntico formulando preguntas en lenguaje natural. El marco LangGraph organiza varias herramientas para recuperar datos relevantes y envía los resultados a un LLM, que genera una respuesta coherente y contextual.
Integración de servicios: todos los componentes se conectan sin problemas a través de microservicios FastAPI.
Enfoque del modelo de datos
Las colecciones MongoDB ofrecen una configuración flexible y eficaz para organizar tus datos, mientras que las colecciones especializadas de series de tiempo optimizan el almacenamiento de datos de telemetría. Estas capacidades te permiten crear una fuente unificada de verdad para los datos de tu flota.
Leafy Fleet organiza sus datos utilizando las siguientes colecciones:
vehicleTelemetryAlmacena datos de sensores en tiempo real, coordenadas GPS y métricas de rendimiento a medida que los vehículos recorren sus rutas. Para la demostración, esta colección cuenta con un índice de tiempo de vida (TTL) que elimina los documentos después de 12 horas.vehicles:Incluye información general del vehículo, como VIN, año, modelo y conductor asignado.agent_session:Realiza un seguimiento de las interacciones de los usuarios y las sesiones de gestión de flotas.geofencesDefine límites geográficos y zonas operativas cruciales para los sistemas de gestión de flotas. Las geocercas son límites virtuales que se utilizan para supervisar y gestionar la actividad de los vehículos en áreas específicas. Cada documento de geocerca contiene un polígono GeoJSON que define el área que cubre.checkpoints:Realiza un seguimiento de las decisiones de LangGraph.checkpoint_writes:Registra puntos de control con identificadores de subprocesos.historical_recommendations:Almacena recomendaciones anteriores generadas por IA, lo que permite una toma de decisiones informada basada en patrones históricos.agent_profiles:Define diferentes configuraciones de agentes de IA, cada una con roles, instrucciones y objetivos específicos para las tareas de análisis de la flota.
Colecciones de series de tiempo
Las colecciones de series temporales son colecciones especializadas diseñadas para almacenar y gestionar eficientemente datos de series temporales. Simplifican la gestión de series temporales, como las lecturas de telemetría y los datos de sensores, organizando la información generada a lo largo del tiempo en un formato optimizado que mejora el rendimiento y la escalabilidad.
En el contexto de los sistemas de gestión de flotas, las recopilaciones de series temporales pueden almacenar datos de telemetría de vehículos, incluidas métricas de sensores y coordenadas GPS, lo que les permite procesar grandes volúmenes de datos basados en el tiempo de manera eficaz.
El documento a continuación es un ejemplo de los datos almacenados en la colección de series de tiempo vehicleTelemetry:
{ "timestamp": { "$date": "2025-09-22T07:08:54.095Z" }, "metadata": { "car_id": 206 }, "_id": { "$oid": "68d104144dd67072732b9327" }, "sessions": [ "68d10411665f68254c898943" ], "max_fuel_level_lt": 65, "traveled_distance_km": 9735.08, "current_geozone": "riverside", "is_engine_running": true, "engine_oil_level_lt": 4.5, "current_route": 206, "quality_score": -0.16, "fuel_leve_lt": 23.3, "performance_score": 0.82, "availability_score": 1, "oil_temperature": 95.47, "is_oil_leak": false, "run_time": 2.8, "is_moving": true, "speed_km_hr": 25.7, "is_crashed": false, "average_speed": 25, "coordinates": { "type": "Point", "coordinates": [ -97.76570129394531, 30.232519149780273 ] }, "oee": -0.13 }
Esta estructura de documento ofrece las siguientes ventajas:
Datos completos en tiempo real: consolida la identidad del vehículo, la ubicación, las lecturas de los sensores y las métricas de rendimiento clave en un solo documento, lo que permite un monitoreo instantáneo y conocimientos prácticos.
Información procesable: incluye métricas derivadas como puntuación de rendimiento, disponibilidad, OEE y niveles de combustible, lo que proporciona una base para la toma de decisiones impulsada por IA y la optimización operativa.
Flexible y extensible: admite diversos tipos de vehículos con distintos sensores sin necesidad de reestructuración de la base de datos, lo que facilita la adaptación a medida que la flota evoluciona.
Construir la solución
Establecer requisitos previos
Instale las siguientes dependencias en su entorno local:
Versión de Python 3.10
Node.js (necesario para Next.js)
Cuenta de MongoDB Atlas
Clave API de Voyage AI
CLI de AWS
Docker
Para implementar Leafy Fleet, debes ejecutar múltiples microservicios que sirvan como back-end y una aplicación Next.js como front-end.
Inicie sesión en MongoDB Atlas y complete la base de datos
Cree un clúster de MongoDB Atlas para implementar esta demostración. Luego, obtenga la URI de la cadena de conexión de MongoDB. Si necesita más ayuda, siga esta guía para obtener la cadena de conexión.
A continuación, complete su base de datos con los datos y metadatos necesarios para la demostración. En el código de la aplicación, localice el directorio dump/leafy_fleet. Este directorio contiene .bson .json los archivos y que contienen los datos y metadatos de agent profiles lascheckpoints colecciones,, y. geofencesvehicles` and ``vehicles telemetry
En tu terminal, accede a la raíz del código de la aplicación y usa el siguiente mongorestore comando para cargar los datos del volcado de la base de datos en la nueva base de datos del clúster. Reemplaza el argumento --uri con la cadena de conexión de MongoDB.
mongorestore --uri "mongodb+srv://<user>:<password>@<cluster-url>" ./dump/leafy_fleet
Crear una cuenta de Voyage IA
Cree una clave API de Voyage AI para generar las incrustaciones. El modelo de incrustación voyage- de Voyage AI3.5 admite cuatro dimensiones de incrustación y ofrece capacidades de recuperación multilingües, de alta calidad y de propósito general.
Crea tus .env archivos
Crea un archivo .env dentro de la carpeta leafy-fleet/backend usando la siguiente configuración:
MONGODB_URI=<YOUR_MONGODB_ATLAS_CONNECTION_STRING> APP_NAME="leafy_fleet" AWS_REGION=<THE_AWS_REGION_YOU_SET_UP_YOUR_ACCOUNT_IN> AWS_PROFILE=<YOUR_AWS_PROFILE_NAME> ORIGINS="http://localhost:3000" # your local dev server VOYAGE_API_KEY=<YOUR_VOYAGE_API_KEY> STATIC_SERVICE_ENDPOINT="http://static-vehicle-service" TIMESERIES_POST_ENDPOINT="http://timeseries-post-service" GEOFENCES_SERVICE_ENDPOINT="http://geofence-get-service"
Luego, crea un archivo .env dentro de la carpeta leafy-fleet/frontend usando la siguiente configuración:
NEXT_PUBLIC_AGENT_SERVICE_URL="localhost:9000" NEXT_PUBLIC_TIMESERIES_GET_SERVICE_URL="localhost:9001" NEXT_PUBLIC_SESSIONS_SERVICE_URL="localhost:9003" NEXT_PUBLIC_GEOSPATIAL_SERVICE_URL="localhost:9004" NEXT_PUBLIC_SIMULATION_SERVICE_URL="localhost:9006" NEXT_PUBLIC_STATIC_SERVICE_URL="localhost:9005"
Ejecutar el proyecto
Primero, cree una red Docker ejecutando el siguiente comando:
docker network create -d bridge simulation-network
Asegúrese de tener acceso a AWS a través de la AWS CLI.
Luego, navegue al directorio raíz del proyecto para asegurarse de que los archivos de Docker sean accesibles. Ejecute la demostración con Docker Compose con el siguiente comando:
docker compose up -d
Finalmente, navegue a https://localhost:3000 dentro de su navegador e inicie la simulación.
Aprendizajes clave
Utilice MongoDB como base para la gestión de flotas: El modelo documental, las colecciones de series temporales y las capacidades geoespaciales de MongoDB lo convierten en una plataforma de datos ideal para casos de uso complejos de gestión de flotas. Ofrece la escalabilidad, la flexibilidad y el rendimiento necesarios para gestionar datos de telemetría en tiempo real, seguimiento de ubicación y registros operativos.
Aproveche los datos para optimizar los procesos y mejorar la toma de decisiones: al consolidar la telemetría en tiempo real, el monitoreo de geocercas y las métricas de rendimiento, la solución demuestra cómo los datos pueden mejorar la eficiencia operativa de la flota, lo que permite a los administradores de flotas tomar decisiones más rápidas e informadas.
Empodera la gestión de flotas con IA agente: Leafy Fleet usa IA agente para interpretar queries en lenguaje natural, orquestar herramientas y generar perspectivas contextuales. Esto agiliza la toma de decisiones y mejora el rendimiento, creando una experiencia ágil para los administradores de flotas.
Autores
Fernando Moran, MongoDB
Kirill Makienko, MongoDB
Daniel Jamir, MongoDB
Obtén más información
Para descubrir cómo desarrollar un sistema de gestión de flotas impulsado por IA, lea la publicación del blog Creación de una solución de gestión de flotas Agentic.
Para saber cómo Atlas Vector Search potencia la búsqueda semántica y permite el análisis en tiempo real, visita la página Atlas Vector Search.
Para implementar una arquitectura de generación aumentada por recuperación, consulte Generación aumentada por recuperación (RAG) con búsqueda vectorial Atlas.
Para descubrir cómo MongoDB transforma la gestión de flotas y otros casos de uso, visita la página de Fabricación y movilidad.
Para obtener más información sobre las estrategias de modelado de datos para datos de señales de vehículos conectados, consulte Asesor de incidentes de flotas conectadas impulsado por IA de Agentic.