Descubre cómo usar MongoDB para gestionar flotas de vehículos conectados, optimizar la planificación de rutas y mejorar la seguridad del driver.
caso de uso: Análisis impulsados por aplicaciones, Gen IA, IoT
Industrias: Manufactura y movimiento
Productos y herramientas: Base de datos Atlas, Búsqueda vectorial 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 conductores o consultas de gestores de flotas, procesa los datos de telemetría de los vehículos, genera una cadena de pensamiento, realiza una búsqueda vectorial de problemas similares, almacena los datos en MongoDB y, finalmente, ofrece una recomendación diagnóstica utilizando un modelo 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 futuro y desafíos
La industria automotriz y de movilidad está experimentando una transformación significativa, impulsada por los avances en la conectividad de los vehículos, los sistemas autónomos, la movilidad compartida y la electrificación. Los vehículos son ahora máquinas sofisticadas que generan grandes cantidades de datos. La demanda automotriz crece al 3% anual durante los próximos 20 años, con una preferencia cada vez mayor hacia los vehículos conectados y eléctricos. Los actores de la industria automovilística adoptan la inteligencia artificial (IA), los vehículos eléctricos con batería (VEB) y los vehículos definidos por software (VDS) para mantener su ventaja competitiva. Se espera que el tamaño del mercado mundial de vehículos conectados alcance alrededor de 446.6 mil millones USD para el 2033, creciendo a una CAGR de 19.5% entre 2024 y 2033. Gestionar flotas de vehículos conectados presenta un desafío. A medida que los autos se vuelven más sofisticados e integrados con sistemas internos y externos, el volumen de datos aumenta. Debes almacenar, transferir y usar estos datos con distintas aplicaciones descendentes para descubrir nuevas oportunidades de negocio. Se proyecta que el mercado mundial de gestión de flotas alcance los 65.7 mil millones de USD para 2030, con una tasa de crecimiento de casi 10.8% anualmente.
Un 2024 estudio realizado por Webfleet reveló que el 32% de los administradores de flotas creen que la IA y el aprendizaje automático tendrán un impacto significativo en las operaciones de flotas en los próximos años. Esto supera por poco al 30% que citó los vehículos eléctricos como el primario factor transformador. Optimizar la planificación de rutas y mejorar la seguridad de los drivers son las dos formas mencionadas con mayor frecuencia en las que los administradores de flotas consideran 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 agentica, 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 driver. Por ejemplo, los agentes de IA procesan informes de tráfico en tiempo real e información meteorológica para ajustar rutas de manera dinámica, garantizando entregas puntuales y alertando a los conductores sobre el estado de sus vehículos cuando sea necesario. Este enfoque proactivo contrasta con los métodos reactivos tradicionales, mejorando la utilización de los vehículos 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 driver, envía una query sobre un posible problema. Por ejemplo, escuchar un sonido de golpeteo. Luego, el orquestador de agentes basado en LangGraph procesa esta solicitud utilizando un LLM (OpenAI GPT-4o) para interpretar la solicitud y crear una cadena de razonamiento (CoT) y flujo de trabajo. El flujo de trabajo lo ejecuta el agente utilizando herramientas como Atlas búsqueda vectorial.
El agente procesa un informe de incidente, de la siguiente manera:
Lecturas de datos de telemetría: Ingresa datos de sensores del vehículo de un archivo CSV (o de una API en una configuración de producción).
Genera una incrustación: utiliza la API de incrustación de Voyage IA 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 los datos: Guarda los datos de telemetría, los registros de sesión y las recomendaciones en MongoDB Atlas.
Proporciona una recomendación final: utiliza la API de chat de OpenAI para generar consejos diagnósticos prácticos.
Figura 2. Arquitectura de referencia de la solución propuesta.
Enfoque de modelo de datos
Un agente requiere diferentes tipos de datos para funcionar. El modelo orientado a documentos de MongoDB le permite modelar fácilmente todos estos datos en una sola base de datos. A continuación, encontrará un ejemplo de cada tipo de dato encontrado en una aplicación de IA ágil para la gestión de flotas. Fíjese cómo la flexibilidad del modelo orientado a documentos se adapta para ajustarse al tipo de datos requeridos para el almacenamiento.
Perfil del agente
Estos datos contienen la identidad del agente, incluyendo instrucciones, objetivos y limitaciones.
Ejemplo de 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 durante el 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, ... ] }
Compilar la solución
Para compilar esta solución, sigue las instrucciones en el repositorio de GitHub del agente de gestión de flotas. El repositorio proporciona una orientación paso a paso para configurar la aplicación.
Requisitos previos
Python 3.11+ (backend)
Node.js (para el frontend de Next.js)
Cuenta de MongoDB Atlas
Clave API de OpenAI
Clave de API de Voyage IA
Arquitecturas del sistema
Flujo de trabajo de backend
Implementas un flujo de trabajo de diagnóstico de múltiples pasos utilizando LangGraph, como sigue:
El agente recibe un informe de problemas del conductor. Por ejemplo, "El consumo de combustible de mi vehículo ha aumentado significativamente en la última semana. ¿Qué podría estar mal con el motor o el sistema de combustible?".
El agente recupera los datos de telemetría y registra la actualización.
El agente genera un embedding para la queja usando la API de embedding Voyage IA voyage-3-large.
A continuación, el sistema realiza una búsqueda vectorial en los incidentes históricos de MongoDB para encontrar casos similares.
MongoDB almacena toda la telemetría, las incrustaciones y los registros de sesión 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 Frontend
El frontend de Next.js proporciona una vista de dos columnas:
Columna izquierda: Muestra las actualizaciones en tiempo real del flujo de trabajo del agente, como el razonamiento de encadenamiento de pensamientos, mensajes de actualización y 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:
Configura variables de entorno
Crear un(a) .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, vea Crear índices de búsqueda vectorial.
Siéntete libre de ajustar el aviso en main.py o actualizar los datos de telemetría en el archivo telemetry_data.csv.
Explorar la solución
Iniciar un nuevo diagnóstico
Abra el frontend y elija "Nuevo diagnóstico".
Ingresa un informe de incidencias 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 junto 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 al coche le cuesta 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, proporcionando transparencia en el 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 derecha, los documentos mostrados son los registros que se insertaron 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 las entradas de registro del proceso de diagnóstico.
agent_profiles: Muestra el perfil del agente que se utilizó durante el diagnóstico.
Problemas_historicos: (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.
Lecciones clave
Escalabilidad y flexibilidad: Las plataformas de automóviles conectados, como los sistemas de gestión de flotas, gestionan volúmenes y variedad de datos extremos. MongoDB Atlas se escala horizontalmente a través de clústeres en la nube, lo que permite incorporar millones de eventos de telemetría por minuto y almacenar terabytes de datos de telemetría. Por ejemplo, ZF SCALAR utiliza MongoDB para procesar 90,000 mensajes de vehículos por minuto (más de 50 GB de datos al día) de cientos de miles de autos conectados. El modelo orientado a documentos de MongoDB se adapta a medida que la flota crece. Puedes evolucionar los esquemas a medida que los vehículos añaden nuevos sensores o funcionalidades. Esta flexibilidad acelera el desarrollo y garantiza que tu modelo de datos permanezca alineado con las entidades del mundo real, como vehículos, viajes o incidentes, que representa.
Implementa una búsqueda vectorial integrada: los Agentes de IA requieren un conjunto robusto de herramientas para trabajar. La búsqueda vectorial permite a los agentes buscar semánticamente en datos no estructurados, como registros de conductores, descripciones de códigos de error y manuales de reparación. MongoDB Atlas cuenta con soporte nativo para búsqueda vectorial, lo que permite almacenar e indexar vectores de alta dimensionalidad junto con los datos operativos y ejecutar consultas de similitud rápidas sobre ellos. En la práctica, esto significa que sus incrustaciones de IA se encuentran junto a la telemetría relevante del vehículo y los datos operativos en la base de datos. Esto simplifica las arquitecturas para casos de uso como el asesor de incidentes de automóviles conectados, donde un problema puede coincidir con problemas anteriores encontrados antes de pasar el contexto a la LLM. (Vea cómo un OEM automotriz 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.
Author
Humza Akhtar, MongoDB