Optimiza 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, incluyendo el rastreo de vehículos y su estado, la optimización de la eficiencia del combustible, la programación oportuna del mantenimiento y el aseguramiento del cumplimiento de la normativa.
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 agentiva: Haz preguntas en lenguaje natural sobre el estado de tu flota para recibir perspectiva en tiempo real, recomendaciones accionables y apoyo en la toma de decisiones. Esto mejora el cumplimiento y el cronograma del mantenimiento al procesar instantáneamente los datos operativos en tiempo real para identificar incidencias pendientes.
Control del tablero: Utiliza MongoDB Atlas Charts para supervisar el rendimiento y estado de la flota, incluyendo gráficos para niveles de combustible, tendencias de eficacia general de los equipos (OEE) a lo largo del tiempo, mapas de calor para puntos de la ciudad más transitados y mapas de rutas para la navegación urbana. Visualizar la Eficiencia General de los Equipos (OEE) y las tendencias de combustible mejora la optimización del combustible y la planificación del mantenimiento.
Seguimiento de ubicación de vehículos: Localice vehículos dentro o cerca de áreas geográficas específicas utilizando las consultas geoespaciales nativas de MongoDB. Esto asegura una gestión precisa y eficiente de la flota. Esta capacidad mejora la optimización de rutas y garantiza el seguimiento preciso del estado en tiempo real.
Figura 1. Las tres funcionalidades principales de Leafy Fleet
Arquitecturas de Referencia
Esta solución utiliza MongoDB Atlas como una única plataforma de datos que agrega y operacionaliza datos de series de tiempo, geoespaciales y vectoriales para habilitar aplicaciones de IA Agente.
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 de FastAPI generan y envían datos de telemetría de automóviles 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 agentic haciendo consultas en lenguaje natural. El marco LangGraph orquesta varias herramientas para recuperar datos relevantes y envía los resultados a un LLM, que genera una respuesta coherente y consciente del contexto.
Integración de servicios: Todos los componentes se conectan sin problemas a través de los microservicios de FastAPI.
Enfoque de 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 en tiempo real de sensores, coordenadas GPS y métricas de rendimiento a medida que los vehículos avanzan por sus rutas. Para el alcance de la demostración, esta colección tiene 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: Rastrea las interacciones del usuario 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: Rastrea decisiones de LangGraph.checkpoint_writes: Registra puntos de control con ID de subprocesos.historical_recommendationsAlmacena recomendaciones previas generadas por IA, lo que permite tomar decisiones informadas basadas en patrones históricos.agent_profiles: Define diferentes configuraciones de agentes de IA, cada una con roles, instrucciones y objetivos específicos para tareas de análisis de flotas.
Colecciones de series de tiempo
Las colecciones de series de tiempo están diseñadas para almacenar y gestionar eficientemente datos de series de tiempo. Simplifican el manejo de series de tiempo, 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 colecciones de series temporales pueden almacenar datos de telemetría de vehículos, incluidas métricas de sensores y coordenadas GPS, lo que permite procesar eficazmente grandes volúmenes de datos temporales.
El siguiente documento 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 documentos ofrece las siguientes ventajas:
Datos completos y en tiempo real: Consolida la identidad del vehículo, la ubicación, las lecturas de los sensores y los principales indicadores de rendimiento en un solo documento, lo que facilita la supervisión instantánea y la obtención de conocimientos prácticos.
Información procesable: Incluye métricas derivadas como puntuación de rendimiento, disponibilidad, OEE y niveles de combustible, proporcionando una base para la toma de decisiones impulsadas por IA y la optimización operativa.
Flexible y ampliable: Da soporte a diversos tipos de vehículos con sensores variados sin requerir la reestructuración de la base de datos, lo que facilita la adaptación a medida que la flota evoluciona.
Compilar la solución
Establecer requisitos previos
Instale las siguientes dependencias en su entorno local:
Versión de Python 3.10
Node.js (requerido para Next.js)
Cuenta de MongoDB Atlas
Clave de API de Voyage IA
AWS CLI
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, navega al nivel raíz del código de la aplicación y utiliza el siguiente comando mongorestore para cargar los datos del vaciado de la base de datos en tu nueva base de datos dentro de tu clúster. Reemplaza el argumento de --uri con tu 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 de API de Voyage IA para generar las incrustaciones. El Voyage AI voyage-3.5 El modelo de embedding admite cuatro dimensiones y ofrece capacidades de recuperación multilingüe, de propósito general y de alta calidad.
Crea tus archivos .env
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, crea una red de 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, navega hacia el directorio raíz del proyecto para asegurarte de que los archivos Docker sean accesibles. Ejecuta la demo con Docker Compose ejecutando el siguiente comando:
docker compose up -d
Por último, navegá a https://localhost:3000 en tu navegador y comienza la simulación.
Lecciones clave
Usa MongoDB como base para la gestión de flotas: el modelo orientado a documentos de MongoDB, las colecciones de series de tiempo y las capacidades geoespaciales lo convierten en una plataforma de datos ideal para casos de uso complejos de gestión de flotas. Proporciona la escalabilidad, flexibilidad y rendimiento necesarios para gestionar datos de telemetría en tiempo real, seguimiento de ubicación y registros operativos.
Aprovecha los datos para optimizar los procesos y mejorar la toma de decisiones: Al consolidar la telemetría en tiempo real, la supervisión de geocercas y las métricas de rendimiento, la solución demuestra cómo los datos pueden mejorar la eficiencia operativa de la flota, permitiendo a los gestores de flotas tomar decisiones más rápidas y fundamentadas.
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 potenciado con IA, lee la entrada de blog Creando una solución de gestión de flotas con agentes.
Para saber cómo Atlas búsqueda vectorial impulsa la búsqueda semántica y permite el análisis en tiempo real, visite la página de Atlas búsqueda vectorial.
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 aprender más sobre estrategias de modelado de datos para datos de señales de vehículos conectados, consulta Asesor de incidentes de flotas conectadas impulsado por IA de Agentic.