Desarrolla una aplicación de diagnóstico automotriz. Combine MongoDB Atlas con modelos de incrustación Voyage para resolver fallas complejas de vehículos y reducir los costos de garantía.
caso de uso: Inteligencia Artificial, Búsqueda Inteligente
Industrias: Manufactura
Productos: MongoDB Voyage IA, MongoDB Atlas
Descripción general de la solución
Parte 1: RAG consciente del contexto resolvió el problema de recuperar texto estático de manuales de automóviles. Sin embargo, el soporte moderno de posventa automotriz implica requisitos cada vez más complejos. Los vehículos de hoy son sistemas sofisticados con una amplia integración de software.
La Oportunidad Postventa
Los talleres de servicio de los concesionarios enfrentan crecientes demandas a medida que la complejidad de los vehículos aumenta. El tiempo de inactividad del servicio no planificado representa un costo significativo para la industria anualmente. Los técnicos podrían dedicar una cantidad considerable de tiempo, hasta un 30% en algunos casos, buscando información en lugar de centrarse en las reparaciones. Un desafío común implica vincular los códigos de software, los códigos de diagnostic de problemas (DTC, por sus siglas en inglés), a problemas físicos de hardware, lo que puede llevar mucho tiempo sin las herramientas adecuadas.
El desafío de fallo no encontrado (NFF)
Los eventos NFF representan casi el 30% de los costos de garantía. Esto ocurre cuando un componente es reemplazado debido a información de diagnóstico incompleta o poco clara, aunque la pieza funcionaba correctamente. Las herramientas de búsqueda estándar podrían no abordar completamente este desafío, ya que pueden carecer del razonamiento contextual necesario para conectar síntomas como un parpadeo de pantalla con causas subyacentes como un cable de tierra suelto.
La aplicación de diagnósticos inteligentes
Esta solución te ayuda a desarrollar una aplicación de Asistente de Diagnóstico sobre MongoDB Atlas. Utiliza modelos de IA de Voyage para mejorar la forma en que los técnicos se aproximan a la resolución de problemas:
Automatiza árboles de fallas (GraphRAG): Avanza más allá de la búsqueda por palabras clave. Utiliza la de MongoDB
$graphLookupmodelar las dependencias de los vehículos. Recorra de Síntoma a Sistema a Causa Raíz para identificar la verdadera ruta de falla.Habilitar la búsqueda visual (multimodal): Identificar variantes específicas de piezas puede ser un reto, especialmente para los técnicos que todavía están desarrollando su experiencia. Integre voyage-multimodal-3.5de Voyage IA permitir que la aplicación acepte una foto de una pieza y devuelva el SKU correcto de reemplazo, haciendo que la identificación de piezas sea más rápida y precisa para todos.
Prioriza la precisión (rerank): Utiliza rerank-2.5 de Voyage IA para reordenar los resultados. Ayude a garantizar que las advertencias de seguridad y las correcciones verificadas aparezcan prominentemente en los resultados.
Arquitecturas de Referencia
Cree un motor de Síntoma a Actividad correctiva. Consolida los datos de tu aplicación, los vectores de incrustación y los grafos de diagnóstico en MongoDB Atlas. Esto unifica el flujo de trabajo del técnico en un único backend de la aplicación.
Componentes del sistema
Servicio de ingestión
Texto: Procesa los manuales de servicio OEM en fragmentos. Conserve el
breadcrumb_trail(por ejemplo,Model Y>Powertrain>High Voltage).Construcción de grafos: extraer enlaces lógicos de los boletines de servicio. Almacena la lógica "Si X, entonces marca Y" como definiciones de bordes.
Activos visuales: Incorpora esquemas y fotos de componentes usando Voyage IA. Almacena binarios en MongoDB GridFS.
Data Layer (MongoDB Atlas)
Base de datos de la aplicación: Almacena fragmentos manuales, árboles de fallas y sesiones de usuarios en la
diagnostics_db.Almacén de vectores: Mantener dos índices vectoriales. Utiliza el Aprendizaje de Representación Matryoshka (MRL) de Voyage AI para optimizar la latencia de aplicaciones móviles.
Grafo Store: Modelar implícitamente la topología del vehículo mediante referencias de documentos.
Flujo de trabajo de la aplicación
Entrada: El mecánico escanea un VIN e ingresa un síntoma ("El aire acondicionado sopla aire caliente") o sube una foto.
Identificación: la aplicación recupera el contexto específico del vehículo (acabado, año) y las secciones relevantes del manual.
Razonamiento: La aplicación usa
$graphLookuppara comprobar los subsistemas relacionados (por ejemplo, "Comprobar relé del compresor").Verificación: La aplicación muestra las tres soluciones más probables, clasificadas por el Voyage IA Reranker, junto con ayudas visuales para la verificación.
Figura 1. Arquitectura Unificada de Vectores, grafo y Multimodal para Diagnóstico Automotriz en MongoDB Atlas
Enfoque de modelo de datos
Diseña tu esquema para GraphRAG. Utiliza un patrón de borde pre-materializado para vincular síntomas a correcciones directamente en el modelo orientado a documentos.
Colección diagnóstica (manual_chunks)
Agrega un arreglo relationships a tus fragmentos manuales. Esto permite que la aplicación simule el razonamiento de un técnico maestro.
{ "_id": ObjectId("..."), "chunk_id": "chunk_4059", "text": "Inspect the AC Compressor Clutch for engagement...", // Domain-specific embedding (voyage-context-3) "text_embedding": [0.02, -0.5, ...], // NEW: Diagnostic Logic Edges "relationships": [ { "type": "SEQUENTIAL_TO", "target_id": "chunk_4060", "description": "Next Step: Check Refrigerant Pressure" }, { "type": "CAUSES", "target_id": "dtc_b1000", "description": "Clutch failure triggers Code B1000" }, { "type": "APPLIES_TO", "target_id": "trim_performance", "description": "Only for Performance Trims" } ], "metadata": { "system": "HVAC", "component": "Compressor", "breadcrumb_trail": "HVAC > COOLING > DIAGNOSTICS" } }
Colección de partes visuales (manual_images)
Vincula las incrustaciones a GridFS para servir imágenes directamente en la interfaz de usuario de la aplicación.
{ "_id": ObjectId("..."), "image_id": "img_001", "gridfs_id": ObjectId("..."), // Link to binary image "description": "Connector View: AC Compressor C1", // 1024-dim Voyage AI Multimodal embedding "multimodal_embedding": [-0.1, 0.8, ...], "associated_chunks": ["chunk_4059"], "metadata": { "view_type": "connector_pinout", "model_year": "2024" } }
Compilar la solución
Implementa tres funcionalidades principales de la aplicación. Actúa sobre el código fuente completo en el repositorio de GitHub
Búsqueda inteligente de síntomas (GraphRAG)
Compila el botón Diagnosticar. Utiliza la búsqueda vectorial para encontrar la sección del manual y $graphLookup para sugerir el siguiente paso lógico.
// MongoDB Aggregation: Find Symptom -> Suggest Fix [ // Step 1: Find the relevant manual section { "$vectorSearch": { "index": "vector_index_text", "path": "text_embedding", "queryVector": <embedding_of_symptom>, "numCandidates": 100, "limit": 5 } }, // Step 2: Traverse the Fault Tree { "$graphLookup": { "from": "manual_chunks", "startWith": "$relationships.target_id", "connectFromField": "relationships.target_id", "connectToField": "chunk_id", "as": "suggested_path", "maxDepth": 1 } } ]
Captura para identificar (multimodal)
Compila la cámara de piezas funcionalidad. Utiliza Voyage IA para incrustar la imagen y query la base de datos de partes.
# Python / FastAPI snippet from voyageai import Client vo = Client(api_key="VOYAGE_API_KEY") # Feature: User takes a picture of a corroded connector query_emb = vo.multimodal_embed( inputs=[{"image": user_image_bytes}], model="voyage-multimodal-3.5" ).embeddings[0] # Search for the part results = collection.aggregate([ { "$vectorSearch": { "index": "vector_index_images", "path": "multimodal_embedding", "queryVector": query_emb, "limit": 5 } } ])
Clasificación de precisión
Refina los resultados antes de enviarlos a la aplicación.
import voyageai # Rerank: Prioritize "Safety Warnings" and "TSBs" (Technical Service Bulletins) reranking = voyageai.Client().rerank( query="AC blowing warm 2024 Model Y", documents=retrieved_docs, model="rerank-2.5", top_k=3 )
Lecciones clave
Usar incrustaciones multimodales: Los modelos multimodales tradicionales procesan texto e imágenes a través de redes separadas, lo que lleva a sesgos de recuperación con contenido mixto. voyage-multimodal-3 de la IA de Voyage.5 utiliza una arquitectura de transformador unificada que procesa ambas modalidades a través de la misma columna vertebral, eliminando la brecha de modalidad. Esta arquitectura permite una recuperación sin interrupciones entre capturas de pantalla de documentos, PDF y diagramas sin pipelines de análisis complejos.
La estructura supera a las palabras clave: los mecánicos piensan en sistemas, no en palabras clave. Una batería descargada podría ser causada por un pestillo del maletero (atracción parasitaria). La búsqueda estándar omite esta conexión. GraphRAG captura este vínculo causal. Permite que la aplicación sugiera comprobar el pestillo del maletero cuando el usuario consulta sobre la batería.
El backend unificado simplifica el desarrollo: Desarrollar backends separados para vectores, grafos e imágenes ralentiza el desarrollo. MongoDB Atlas unifica estas. Administra una conexión de base de datos para toda la pila de aplicaciones de diagnóstico. Esta unificación acelera la velocidad de las funcionalidades y simplifica el mantenimiento.
Autores
Mehar Grewal, MongoDB
Humza Akhtar, MongoDB
Daniel Jamir, MongoDB