Docs Menu
Docs Home
/
Atlas Architecture Center
Docs Home
/
Atlas Architecture Center
Docs Home
/
Atlas Architecture Center

インテリジェント自動販売後診断アプリの構築

自動車診断アプリを開発します。 MongoDB Atlasと Vyage 埋め込みモデルを組み合わせて使用すると、複雑な自動車障害を解決し、保証コストを削減できます。

ユースケース: 人工知能、インテリジェント検索

業種: 製造業

製品: MongoDB投票AI、 MongoDB Atlas

ソリューション概要

1部分: コンテキスト認識型 RAG は、自動車マニュアルから静的テキストを取得する問題を解決しました。しかし、最新のオートメーション後サポートには、ますます複雑な要件が含まれています。現在の自動車は、広範なソフトウェアを統合する高度なシステムです。

売上後の機会

トランザクションサービスは、マシンの複雑さが増加するにつれて、需要の増加に対応します。計画されていないサービスのダウンタイムは、業界にとって年間重大なコストとなります。技術者は、修復に集中するのではなく、情報を検索することで、場合によっては最大 30% までのかなりの時間を費やすことがあります。ソフトウェア コードと診断トラブルシューティング コード（DTC）を物理的なハードウェアの問題にリンクすることがよくあります。これには適切なツールがないと時間がかかる可能性があります。

フォールトは見つかりませんでした（NFF）チャレンジ

NLF イベントは保証コストのほぼ30 % を占める。このような状況は、正常に機能していても、不完全または不明な診断情報に基づいてコンポーネントが交換された場合に発生します。標準の検索ツールでは、画面がちらつくなどの句読点を基礎となる原因（

インテリジェント診断アプリ

このソリューションは、 MongoDB Atlasで 診断支援アプリを構築するのに役立ちます。 MongoDB AIモデルを使用して、エンジニアが問題を解決する方法を強化します。

  1. フォールト ツリーの自動化（GraphRAG）: キーワード検索を超えました。 MongoDB の$graphLookup を使用して、車両の依存関係をモデル化します。シンボルからシステム、ルート原因まで走査して、true の障害パスを特定します。

  2. 視覚検索の有効化（マルチモーダル）: 特定の部分のバリアントを識別するのは困難になる可能性があり、まだ専門知識を構築している技術者にとってその傾向が特に顕著です。アプリが部分の画像を受け入れ、正しい置換 SKU 3.5を返すようにするために、それを使用して

  3. 精度を優先する（再ランク付け）: 結果の順序を変更するには、Voyage AI の rerank-2.5 を使用します。安全な警告と確認済みの修正が結果に明確に表示されるようにします。

参照アーキテクチャ

Symbol-to-Fixエンジンを構築します。アプリデータ、ベクトル埋め込み、診断グラフをMongoDB Atlasに統合します。これにより、エンジニアのワークフローが単一のアプリバックエンドに統合されます。

システム コンポーネント

1

取り込みサービス

  • テキスト: OEM サービス マニュアルをチャンクに処理します。breadcrumb_trail を保持します（例、Model Y >Powertrain >High Voltage ）。

  • グラフ構築: サービスお知らせから論理リンクを抽出します。 「X の場合、Y を確認」ロジックをエッジ定義として保存します。

  • 視覚的アセット: 使用済みのスキームとコンポーネントのAIショットを埋め込みます。 MongoDB GridFSにバイナリを保存します。

2

Data Layer (MongoDB Atlas)

  • アプリ データベース: 手動チャンク、障害ツリー、ユーザー セッションをdiagnostics_db に保存します。

  • ベクトルストア: 二重ベクトルインデックスを維持します。モバイルアプリのレイテンシを最適化するには、Vorage AIの マテリアライズド表現学習（CRL）を使用します。

  • グラフ保存:ドキュメント参照を使用して自動車トポロジーを暗黙的にモデル化します。

3

アプリロジック（FastAPI）

  • オーディエンス: 修復セッションのフローを管理します。

  • 検索:ベクトル検索を実行して障害を識別し、グラフの走査によってコンテキストを拡張します。

  • 最適化:フロントエンドUIの結果を再ランク付けします。

アプリワークフロー

  1. 入力: Mechanic は VI をスキャンし、サイン（「AC ブロッキングウォーム」）を入力するか、画像をアップロードします。

  2. 識別: アプリは特定のドライバーのコンテキスト（Trim、年）と関連するマニュアル セクションを検索します。

  3. 理由: アプリは$graphLookup を使用して関連サブシステムを確認します（例: Compressor Relay の確認）。

  4. 検証: アプリでは、Vorage AI Reranker によって順位付けされた上位 3 つの可能性のある修正が、視覚的な検証支援とともに表示されます。

統合ベクトル、グラフ、マルチモーダル アーキテクチャ

図の 1。 MongoDB Atlasの自動診断のための統合ベクトル、グラフ、マルチモーダル アーキテクチャ

データモデルアプローチ

GraphRAG のスキーマを設計します。事前にマテリアライズドされたエッジパターンを使用して、ドキュメントモデルでのフィックスへの影響を直接リンクします。

診断コレクション（manual_chunks ）

relationships 配列を手動チャンクに追加します。これにより、アプリはマスターマスターの理由をシミュレートすることができます。

{
  "_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"
  }
}

ビジュアル部分コレクション（manual_images ）

埋め込みをGridFSにリンクして、アプリUIにイメージを直接提供する

{
  "_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"
  }
}

ソリューションのビルド

3 つの主要アプリ機能を実装します。 GitHubリポジトリの完全なソースコードにアクセスします。

1

インテリジェント記号検索（GraphRAG）

[診断] ボタンを構築します。ベクトル検索を使用して手動セクションを見つけ、$graphLookup を使用して次の論理ステップを提案します。

// 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
    }
  }
]
2

識別するスナップショット（マルチモーダル）

分割ショット 機能をビルドします。投票AIを使用してイメージを埋め込み、 部分データベース をクエリします。

# 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
        }
    }
])
3

精度ランキング

アプリに結果を送信する前に、結果を調整します。

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
)

キーポイント

  • マルチモーダル埋め込みの使用: 従来のマルチモーダル モデルでは、テキストとイメージを別々のネットワーク経由で処理するため、混合内容を含む検索のバイナリが生じます。投票 AI の 取得 - multimodal-3.5 は、同じバックグラウンドで両方のモーダルを処理する統合変換アーキテクチャを使用することで、モーダルのギャップを排除します。このアーキテクチャにより、パイプラインを複雑に解析することなく、ドキュメントスクリーンショット、 PDF、図版にわたるシームレスな取得が可能になります。

  • 構造体はキーワードを超える: Mechanics は、キーワードではなくシステム内で考えられます。デッド アプリの原因としては、トランク ラッチ（依存関係）が原因で発生する可能性があります。標準検索では、この接続が欠落します。 GraphRAG はこの因果リンクをキャプチャします。これにより、ユーザーがストレージについてクエリを実行するときに、アプリがトランク ラッチの確認を提案できるようになります。

  • 統合バックエンドにより開発が簡素化されます。ベクトル、グラフ、イメージ用に個別のバックエンドを構築すると開発が遅くなります。 MongoDB Atlas はこれらを統合します。診断アプリスタック全体に対して 1 つのデータベース接続を管理します。この統合により、機能の速度が向上し、メンテナンスが簡素化されます。

作成者

  • Mehar Grewal、MongoDB

  • Humza Akhtar、MongoDB

  • MongoDB、 MongoDB

詳細

戻る

自動車診断

次へ

技術ドキュメントのためのコンテキストを認識するための RG

項目一覧