エージェント的AIを搭載したフリートマネジメントソフトウェア

ソリューション概要

エンジン制御には、エンジンとそのステータスの追跡、 エンジン の最適化、適時効率のスケジュール、 規制コンプライアンス の確保など、複数の重要なタスクが含まれます。

これらのタスクを管理するには、車両、センサー、運用ログによって生成されたデータが必要です。この情報を単一のソースに統合すると、人工知能は予測インサイトと推奨事項を生成できます。これにより、フリート マネージャーはフリートを効率的に実行できます。

Leafy Frate と呼ばれるこのソリューションは、生成系AIを使用してフリーメント マネージャーのワークロードをサポートするデモです。このソリューションでは、MongoDB Atlasを使用して、リアルタイム分析と複雑な地理空間クエリを強化する柔軟で統一されたデータ基盤を提供し、フリートマネジメント操作を改善します。主な機能は、次のとおりです。

• エージェント的なAI支援: フリートのステータスに関する自然言語の質問をして、リアルタイムのインサイト、アクション可能な推奨、決定権のあるサポートを受け取ります。これにより、ライブ運用データを即座にプロセシングして保留中の問題を識別することで、コンプライアンスとメンテナンスの予定が向上します。

• ダッシュボード制御: MongoDB Atlas Chartsを使用して、ログフィールドのパフォーマンスとステータスを監視します。たとえば、フィールドレベルのグラフ、OE（OE）の傾向、頻繁に移動される都市ポイントのヒートマップ、都市ナビゲーションのルート マップなどです。OEA とエンジンの傾向を視覚化することで、エンジンの最適化とメンテナンスの計画が向上します。

• 自動車ロケーションの追跡: MongoDBのネイティブの地理空間クエリを使用して、特定の地理的フィールド内またはその近くの特定の地理的フィールドを検索します。これにより、正確かつ効率的なフィードマネジメントが可能になります。この機能により、ルートの最適化が強化され、正確なリアルタイムステータス追跡が可能になります。

図の 1。Leafy Flut の主要 3 つの機能

参照アーキテクチャ

このソリューションでは、時系列、地理空間、ベクトルデータを集計して操作し、エージェントAIアプリケーションを可能にする単一のデータプラットフォームとしてMongoDB Atlasを使用します。

以下のアーキテクチャ図は、デモの主要機能と相互に接続されたワークフローを示しています。

図の 2。Leafy Flut の高レベルのアーキテクチャ

• テレメトリ取り込みシミュレーション: FastAPI マイクロサービス呼び出しは、リアルタイムの自動車テレメトリ データを生成してバックエンドに送信し、サンプル メトリクスの連続ストリームをシミュレートします。

• プロセシングとストレージ: ソリューションは、取り込まれたテレメトリ データをプロセシングし、MongoDB Atlas内の時系列コレクションに保存します。

• 自然言語のインタラクション：ユーザーは 自然言語で質問をすることで、エージェント システムと交流します。LangGraph フレームワークは、いくつかのツールを統合して関連データを検索し、その結果を LLM に送信し、一貫性のある、コンテキストを認識する応答を生成します。

• サービス統合: すべてのコンポーネントは FastAPI マイクロサービスを介してシームレスに接続します。

データモデルアプローチ

MongoDBコレクションはデータを整理するための柔軟で効率的な設定を提供し、専用の時系列コレクションはテレメトリデータのストレージを最適化します。これらの機能により、エンジン データの統合ソースを作成できます。

Leafy Frate は、次のコレクションを使用してデータを整理します。

• vehicleTelemetry: 自動車がルートを移動する際のリアルタイムセンサーデータ、GPS 座標、パフォーマンス メトリクスを保存します。デモの範囲では、このコレクションには 12 時間後にドキュメントを除くTime to Live（TTL）インデックスがあります。

• vehicles: VI、年、モデル、割り当てられたドライバーなどの一般的なドライバー情報が含まれます。

• agent_session: ユーザー インタラクションとフリートマネジメント セッションを追跡します。

• geofences: フリートマネジメントシステムにとって重要な地理的境界と運用ゾーンを定義します。ジオフェンスは、特定の領域内での自動車のアクティビティをモニターおよびマネージドするために使用される仮想的な境界です。各ドキュメントには、カバーする領域を定義するGeoJSON多角形があります。

• checkpoints: LangGraph の決定を追跡します。

• checkpoint_writes: スレッド ID を持つチェックポイントをログに記録します。

• historical_recommendations: 過去のAI生成の推奨事項を保存し、履歴パターンに基づいた情報に基づいた決定を可能にします。

• agent_profiles: チーム分析タスクの特定のロール、指示、目的を持つさまざまなAIエージェント構成を定義します。

{
    "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
}

ソリューションのビルド

この GitHubリポジトリ を使用して、ローカル環境でこのデモを実行します。README が次の手順をガイドします。

mongorestore --uri "mongodb+srv://<user>:<password>@<cluster-url>" ./dump/leafy_fleet

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"

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"

docker network create -d bridge simulation-network

docker compose up -d

キーポイント

• MongoDB をフリートマネジメントの基盤として使用します： MongoDB の document model、時系列コレクション、地理空間機能により、複雑なフリートマネジメントのユースケースに最適なデータプラットフォームになります。リアルタイムテレメトリーデータ、ロケーション追跡、運用ログの取り扱いに必要なスケーラビリティ、柔軟性、パフォーマンスを提供します。

• データを活用してプロセスを効率化し、決定権を強化します: このソリューションは、リアルタイムテレメトリ、ジオ影響、パフォーマンス メトリクスを統合することで、データによって エンジンの運用効率が向上し、ビルド マネージャーがより迅速かつより情報のある決定を行うことができるようにします。

• エージェント的AIでフリートマネジメントを強化：Leafy Fleet は、エージェント的AIを使用して自然言語クエリを解釈し、ツールをオーケストレーションし、コンテキストを認識するインサイトを生成します。これにより、意思決定が効率化され、パフォーマンスが向上し、フリートマネージャーに応答性の高い体験が提供されます。

作成者

• Fernando Moran, MongoDB

• MongoDB（ MongoDB）のキリル 呼びます

• MongoDB、 MongoDB

詳細

• Atlas Vector Search がセマンティック検索を強化し、リアルタイム分析を可能にする方法を学ぶには、Atlas Vector Search pageをご覧ください。

• 検索拡張生成 (RAG)アーキテクチャを実装するには、Atlas ベクトル検索による検索拡張生成（RAG） を参照してください。

• MongoDB がフリートマネジメントやその他のユースケースをどのように変換するかについては、製造とモビリティのページにアクセスしてください。

• 接続された自動車のシグナル データのデータ モデリング戦略の詳細については、エージェントAIドライバー ドライバード 接続 Atlas アドバイザー を参照してください。