Aprenda a utilizar MongoDB para administrar flotas de vehículos conectados, optimizar la planificación de rutas y mejorar la seguridad del conductor.
Casos de uso: Análisis impulsado por aplicaciones, inteligencia artificial de última generación, IoT
Industrias: Manufactura y movimiento
Productos y herramientas: Base de datos Atlas,Búsqueda vectorialen Atlas
Resumen de la solución
En esta solución, construimos un asesor de flotas conectado impulsado por IA utilizando MongoDB Atlas, Voyage AI, OpenAI y LangGraph.
El sistema recibe quejas de los conductores o consultas del administrador de la flota, procesa datos de telemetría del vehículo, genera una cadena de pensamiento, realiza una búsqueda vectorial de problemas similares, persiste los datos en MongoDB y, finalmente, produce una recomendación de diagnóstico utilizando un LLM de OpenAI.
Un agente es una aplicación operativa que intenta lograr un objetivo observando el mundo y actuando sobre él usando los datos y herramientas que tiene a su disposición. El término "agente inteligente" denota tener agencia como un agente de IA, tomando pasos proactivamente para lograr objetivos sin una supervisión humana constante. Por ejemplo, en lugar de simplemente reportar una anomalía basada en el análisis de datos de telemetría de autos conectados, un sistema de IA inteligente para una flota conectada verifica automáticamente esa anomalía contra problemas conocidos, decide si es crítica y agenda una cita de mantenimiento por sí mismo.
Figura 1. Componentes básicos de un agente de IA
Crecimiento y desafíos futuros
La industria automotriz y de la movilidad está experimentando una transformación significativa, impulsada por los avances en conectividad vehicular, sistemas autónomos, movilidad compartida y electrificación. Los vehículos son ahora máquinas sofisticadas que generan cantidades masivas de datos. La demanda automotriz crece un 3% anual.Durante los próximos 20 años, se observará una mayor preferencia por los vehículos conectados y eléctricos. Las empresas del sector automovilístico adoptarán la inteligencia artificial (IA), los vehículos eléctricos de batería (VEB) y los vehículos definidos por software (VED) para mantener su ventaja competitiva. Se espera que el tamaño del mercado global de vehículos conectados alcance los.446 6 mil millones de dólares para 2033 el, con un crecimiento anual compuesto (CAGR) 19 del.5% entre 2024 el y el.2033 Gestionar flotas de vehículos conectados supone un reto. A medida que los coches se vuelven más sofisticados y se integran con sistemas internos y externos, el volumen de datos aumenta. Es necesario almacenar, transferir y consumir estos datos con diversas aplicaciones posteriores para desbloquear nuevas oportunidades de negocio. Se proyecta que el mercado global de gestión de flotas alcance los.65 7 mil millones de dólares para 2030 el, con un crecimiento de casi 10 el.8% anual.
Un 2024 estudio realizado por Webfleet reveló que 32el % de los administradores de flotas cree que la IA y el aprendizaje automático impactarán significativamente las operaciones de flotas en los próximos años. Esto supera por poco al 30% que citó a los vehículos eléctricos como el principal factor de cambio. Optimizar la planificación de rutas y mejorar la seguridad del conductor son las dos formas más comúnmente citadas como los administradores de flotas creen que la IA cambia su jornada laboral. A medida que los proveedores de software de gestión de flotas continúan invirtiendo en IA, la integración de IA agéntica, sistemas autónomos capaces de tomar decisiones en tiempo real, puede ayudar significativamente en casos de uso como la optimización de rutas y la mejora de la seguridad del conductor. Por ejemplo, los agentes de IA procesan actualizaciones de tráfico en tiempo real y las condiciones meteorológicas para ajustar dinámicamente las rutas, garantizando entregas puntuales y asesorando a los conductores sobre el estado de su vehículo según sea necesario. Este enfoque proactivo contrasta con los métodos reactivos tradicionales, mejorando la utilización del vehículo y reduciendo los costos operativos y de mantenimiento.
Arquitecturas de Referencia
La arquitectura de referencia que se muestra a continuación ilustra el funcionamiento interno y el flujo de datos del agente de IA. El flujo de trabajo comienza cuando un usuario, un conductor, envía una consulta sobre un posible problema. Por ejemplo, escuchar un golpeteo. El orquestador del agente, basado en LangGraph, procesa esta solicitud mediante un LLM (OpenAI GPT-4o) para interpretarla y crear un razonamiento de cadena de pensamiento (CoT) y un flujo de trabajo. El agente ejecuta el flujo de trabajo mediante herramientas como Atlas Vector Search.
El agente procesa un informe de problemas de la siguiente manera:
Lee datos de telemetría: ingiere datos del sensor del vehículo desde un archivo CSV (o una API en una configuración de producción).
Genera una incrustación: utiliza la API de incrustación de Voyage AI para convertir el texto de la queja en una representación numérica.
Utiliza Atlas Vector Search: busca problemas similares en MongoDB Atlas utilizando la incrustación generada.
Persiste datos: guarda datos de telemetría, registros de sesión y recomendaciones en MongoDB Atlas.
Proporciona una recomendación final: utiliza la API de chat de OpenAI para producir consejos de diagnóstico prácticos.
Figura 2. Arquitectura de referencia de la solución propuesta.
Enfoque del modelo de datos
Un agente requiere diferentes tipos de datos para funcionar. Elmodelo de documento de MongoDB permite modelar fácilmente todos estos datos en una sola base de datos. A continuación, encontrará un ejemplo por cada tipo de dato presente en una aplicación de IA de Agentic para la gestión de flotas. Observe cómo la flexibilidad del modelo de documento se adapta al tipo de datos requeridos para el almacenamiento.
Perfil del agente
Estos datos contienen la identidad del agente, incluidas instrucciones, objetivos y restricciones.
Ejemplo de un perfil de agente
{ "_id": "67c20cf886f35bcb8c71e53c", "agent_id": "default_agent", "profile": "Default Agent Profile", "instructions": "Follow diagnostic procedures meticulously.", "rules": "Ensure safety; validate sensor data; document all steps.", "goals": "Provide accurate diagnostics and actionable recommendations." }
Memoria a corto plazo
La memoria a corto plazo almacena información contextual temporal (entradas de datos recientes o interacciones en curso) que el agente utiliza en tiempo real. Por ejemplo, almacena datos de sensores de las últimas horas de actividad del vehículo. En ciertos marcos de IA de agencia, como LangGraph, la memoria a corto plazo se implementa mediante un puntero de control. Este puntero almacena estados intermedios de las acciones y el razonamiento del agente. Esta memoria permite al agente pausar y reanudar operaciones sin problemas.
Ejemplo de memoria a corto plazo: Datos de telemetría almacenados en colecciones de series de tiempo
{ "_id": "67cb23ee370eb8f40c9bf677", "timestamp": "2025-02-19T13:00:00", "vin":"5TFUW5F13CX228552", "engine_temperature": "90", "oil_pressure": "35", "avg_fuel_consumption": "8.5", "thread_id": "thread_20250307_125027" }
Memoria a largo plazo
La memoria a largo plazo almacena el conocimiento acumulado a lo largo del tiempo para el agente. Esto puede incluir patrones, tendencias, registros, recomendaciones históricas y decisiones.
Ejemplo de memoria a largo plazo: Problemas históricos con vehículos conectados vectorizados y almacenados en MongoDB
{ "_id": "67ca173679c7c286f44f4a24", "issue": "Engine knocking when turning", "recommendation": "Inspect spark plugs and engine oil.", "embedding": [ -0.021414414048194885, -0.0031116530299186707, 0.014275052584707737, -0.030444633215665817, 0.018614845350384712, 0.06425976008176804, 0.0060801152139902115, -0.012883528135716915, -0.007000760640949011, -0.04991862177848816, ... ] }
Construir la solución
Para crear esta solución, siga las instrucciones del repositorio de GitHub del Agente de Gestión de Flotas. El repositorio proporciona instrucciones paso a paso para configurar la aplicación.
Requisitos previos
Python 3.11+ (backend)
Node.js (para la interfaz Next.js)
Cuenta de MongoDB Atlas
Clave API de OpenAI
Clave API de Voyage AI
Arquitecturas de sistemas
Flujo de trabajo de backend
Implementa un flujo de trabajo de diagnóstico de varios pasos utilizando LangGraph, de la siguiente manera:
El agente recibe un informe de problemas del conductor. Por ejemplo, "El consumo de combustible de mi vehículo ha aumentado significativamente durante la última semana. ¿Qué podría estar fallando en el motor o el sistema de combustible?".
El agente recupera datos de telemetría y registra la actualización.
El agente genera una incrustación para la queja utilizando la API de incrustación voyage-3-large de Voyage AI.
Luego, el sistema realiza una búsqueda vectorial de problemas históricos en MongoDB para encontrar casos similares.
MongoDB almacena toda la telemetría, las incrustaciones y los registros de sesiones para garantizar la trazabilidad.
Finalmente, el agente utiliza la API ChatCompletion de OpenAI para producir una recomendación final.
MongoDB Atlas
La base de datos flexible del modelo documental almacena perfiles de agentes, recomendaciones históricas, datos de telemetría, registros de sesiones y más. Este almacenamiento persistente registra cada paso del proceso de diagnóstico para facilitar la trazabilidad y permite la consulta eficiente y la reutilización de datos históricos, lo que hace que el sistema sea altamente trazable y escalable.
Interfaz de usuario
El frontend de Next.js proporciona una vista de dos columnas:
Columna izquierda: muestra las actualizaciones del flujo de trabajo del agente en tiempo real, como el razonamiento de la cadena de pensamiento, los mensajes de actualización y las recomendaciones finales.
Columna derecha: muestra los documentos insertados en MongoDB durante la ejecución del agente, incluidos los detalles de la sesión, los registros de telemetría, las recomendaciones históricas, los perfiles de los agentes y ejemplos de problemas anteriores.
Configurar la aplicación
Para configurar la aplicación, realice los siguientes pasos:
Configurar variables de entorno
Crear una .env archivo en el directorio backend con el siguiente contenido:
OPENAI_API_KEY=your_openai_api_key_here VOYAGE_API_KEY=your_voyage_api_key_here MONGO_URI=your_mongo_uri_here DATABASE=fleet_issues TELEMETRY_PATH=data/telemetry_data.csv VECTOR_SEARCH_INDEX=issues_index
Crear un índice de Atlas Vector Search con nombre issue_index y path embeddings.
Para obtener más detalles sobre cómo configurar el índice de búsqueda vectorial, consulte Crear índices de búsqueda vectorial.
Siéntete libre de ajustar el mensaje en main.py o actualizar los datos de telemetría en el archivo telemetry_data.csv.
Explorar la solución
Iniciar un nuevo diagnóstico
Abra la interfaz y seleccione "Nuevo diagnóstico".
Introduzca un informe de problema en el cuadro de texto, por ejemplo:
Escucho un sonido de golpeteo al girar a baja velocidad.
Mi coche hace un ruido de traqueteo persistente cuando acelero a baja velocidad.
Noté una caída repentina en la presión del aceite con un ligero aumento en la temperatura del motor.
El consumo de combustible de mi vehículo aumentó significativamente la semana pasada. ¿Qué podría estar fallando en el motor o el sistema de combustible?
Recientemente apareció una luz de advertencia en mi tablero y el auto tiene dificultades para acelerar.
Haga clic en el botón "Ejecutar agente" y espere uno o dos minutos mientras el agente finaliza su ejecución.
Comprobar el flujo de trabajo
El flujo de trabajo, el resultado de la cadena de pensamiento y la recomendación final se muestran en la columna izquierda.
El flujo de trabajo se genera en tiempo real, dando transparencia al proceso de toma de decisiones del agente.
Figura 3: Diagrama de secuencia del flujo de trabajo del agente de IA
Revisar los documentos de MongoDB
En la columna de la derecha, los documentos que se muestran son los registros insertados durante la ejecución actual del agente:
agent_sessions: Contiene los metadatos de sesión y el ID del subproceso.
historical_recommendations: almacena las recomendaciones finales y los diagnósticos relacionados.
telemetry_data: contiene las lecturas del sensor de telemetría.
registros: contiene entradas de registro para el proceso de diagnóstico.
agent_profiles: muestra el perfil del agente que se utilizó durante el diagnóstico.
past_issues: (si está disponible) Muestra una muestra de problemas históricos.
puntos de control: (de la base de datos de puntos de control) Muestra el último estado guardado para una posible recuperación.
Funcionalidad del currículum
Opcionalmente, podemos demostrar la funcionalidad "Reanudar Diagnóstico" ingresando un ID de hilo y mostrando cómo el sistema recupera la sesión correspondiente.
Aprendizajes clave
Escalabilidad y flexibilidad: Las plataformas de vehículos conectados, como los sistemas de gestión de flotas, gestionan volúmenes y una gran variedad de datos. MongoDB Atlas escala horizontalmente entre clústeres en la nube, lo que permite procesar millones de eventos de telemetría por minuto y almacenar terabytes de datos de telemetría. Por ejemplo, ZF SCALAR utiliza MongoDB para 90 procesar,000 mensajes de vehículos por minuto (más de 50 GB de datos al día) de cientos de miles de vehículos conectados. El modelo de documentos de MongoDB se adapta al crecimiento de la flota. Puede desarrollar esquemas a medida que los vehículos incorporan nuevos sensores o funciones. Esta flexibilidad acelera el desarrollo y garantiza que su modelo de datos se mantenga alineado con las entidades del mundo real, como vehículos, viajes o incidentes, que representa.
Implemente la búsqueda vectorial integrada: Los agentes de IA requieren un conjunto sólido de herramientas. La búsqueda vectorial permite a los agentes realizar búsquedas semánticas en datos no estructurados, como registros de conductores, descripciones de códigos de error y manuales de reparación. MongoDB Atlas ofrece compatibilidad nativa con la búsqueda vectorial, que almacena e indexa vectores de alta dimensión junto con sus datos operativos y realiza consultas rápidas de similitud sobre ellos. En la práctica, esto significa que sus incrustaciones de IA se integran con la telemetría y los datos operativos del vehículo en la base de datos. Esto simplifica las arquitecturas para casos de uso como el asesor de incidentes de vehículos conectados, donde un problema puede compararse con problemas anteriores detectados antes de pasar el contexto a LLM. (Vea cómo un fabricante de equipos originales (OEM) de automóviles aprovecha la búsqueda vectorial para diagnósticos basados en audio con MongoDB Atlas Vector Search).
Implementa colecciones de series de tiempo y procesamiento de datos en tiempo real: MongoDB Atlas está diseñado para aplicaciones en tiempo real. Proporciona colecciones de series de tiempo para almacenamiento de datos de telemetría de autos conectados, flujos de cambios y activadores que reaccionan instantáneamente a nuevos datos. Dado que la visibilidad en tiempo real es una funcionalidad clave en los sistemas modernos de gestión de flotas, la capacidad de MongoDB para proporcionar perspectivas inmediatas a los agentes de IA garantiza que las decisiones que toman estén basadas en la información más reciente. Esto es crucial para los bucles de retroalimentación de IA agentic, donde la ingestión y el aprendizaje continuo de datos ocurren de manera continua.
Utilice los mejores modelos de incrustación con Voyage AI: MongoDB adquirió recientemente Voyage AI, empresa especializada en la incrustación y reclasificación de modelos. Gracias a que MongoDB Atlas integra los modelos de incrustación de Voyage AI, los desarrolladores ya no necesitan gestionar API de incrustación externas, almacenes de vectores independientes ni complejos procesos de búsqueda. La recuperación de IA se integra en la propia base de datos, lo que permite que la búsqueda semántica, la recuperación de vectores y la clasificación sean tan fluidas como las consultas tradicionales. Esto reduce el tiempo necesario para desarrollar aplicaciones de IA de Agentic.
Autor
Humza Akhtar, MongoDB