AI エージェント向け: ドキュメントインデックスは https://www.mongodb.com/ja-jp/docs/llms.txt で利用できます。すべてのページの markdown バージョンは、いずれかの URL パスに .md を追加することで利用できます。

インテリジェントな自動車アフターサービス診断アプリをビルドする

自動車診断アプリを開発します。MongoDB Atlas と Voyage 埋め込みモデルを組み合わせて使用すると、複雑な車両の欠陥を解決し、保証費用を削減できます。

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 Voyage AI、MongoDB Atlas

パート1:コンテキスト・アウェアRAGは、車のマニュアルから静的なテキストを検索する問題を解決しました。しかし、現代の自動車のアフターセールス・サポートには、ますます複雑な要件が含まれています。今日の自動車は、広範なソフトウェアが統合された高度なシステムです。

自動車販売店のサービスベイは、車両の複雑さが増すとともに多くの需要に直面しています。サービスが予期せず停止した場合、業界に年間で重大なコストがかかります。技術者は修理に集中する代わりに、一部の場合は最大30%と、かなりの時間を情報検索に費やしています。一般的な課題としては、ソフトウェアコードである「故障コード(DTC)」と物理的なハードウェアの問題の関連付けがあり、これは適切なツールがなければ時間がかかってしまいます。

NFF イベントは保証費用のほぼ30%を占めています。これらは、部品が正常に機能していたにもかかわらず、不完全または不明瞭な診断情報に基づいて部品が交換された場合に発生します。画面のちらつきなどの症状を、アース線の緩みなどの基礎的な原因と結びつけるために必要な文脈的推論が欠けている場合があり、標準的な検索ツールではこの課題に完全に対処できない可能性があります。

このソリューションは、MongoDB Atlas で診断アシスタントアプリをビルドするのに役立ちます。Voyage AI モデルを使用して、技術者が問題解決に取り組む方法を強化します。

  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 を使用してデータベース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。Voyage AI's voyage-multimodal-3.5アプリが部分の画像を受け入れ、正しい置換 SKU を返すようにするために、Voyage を統合します。

  3. 精度の優先順位付け(リランキング): Voyage AI のリランキング2.5 を使用して結果を並べ替えます。安全に関する警告や検証済みの解決策が検索結果に目立つように表示されるのを確実にします。

症状から修理エンジンをビルドします。アプリデータ、ベクター埋め込み、診断グラフを MongoDB Atlas に統合します。これにより、技術者のワークフローは単一のアプリのバックエンドに統合されます。

1
  • テキスト: OEM サービスマニュアルをチャンクに分割処理します。breadcrumb_trail を保持します(例: Model Y > Powertrain > High Voltage)。

  • グラフ構築: サービス速報から論理的リンクを抽出します。「Xの場合は、Yを確認」ロジックをエッジの定義として保存します。

  • ビジュアルアセット: Voyage AI を使用して回路図とコンポーネントの写真を埋め込みます。バイナリを MongoDB GridFS に保存します。

2
  • アプリデータベース: 手動チャンク、フォールトツリー、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 のマトリョーシカ表現学習(CRL)を使用します。

  • グラフストア: ドキュメント参照経由で車両トポロジーを暗黙的にモデル化します。

3
  • オーケストレーション: 修理セッションの流れを管理します。

  • 検索: ベクトル検索を実行して障害を特定し、グラフ探索を通じ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。

  1. 入力: メカニックは VIN をスキャンし、症状(「エアコンから温風が出る」)を入力するか、写真をアップロードします。

  2. 識別: アプリは特定の車両のコンテキスト(グレード、年式)と関連するマニュアルセクションを取得します。

  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: コンプレッサーリレーを確認)。

  4. 検証: アプリは、Voyage AI Reranker によってランク付けされた修理候補の上位3つを、視覚的な検証捕捉情報とともに表示します。

統合ベクトル、グラフ、マルチモーダル アーキテクチャ

図 1. MongoDB Atlas での自動車診断の統合ベクトル、グラフ、マルチモーダルアーキテクチャ

GraphRAG のスキーマを設計します。事前に実体化されたエッジパターンを使用して、症状から修理をドキュメントモデルに直接リンクします。

relationships 配列を手動チャンクに追加します。これにより、アプリは熟練技術者の論理をシミュレートできます。

{ "_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" }}

埋め込みを GridFS にリンクして、画像をアプリの UI に直接提供します。

{ "_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" }}

3つの主要アプリ機能を実装します。ソースコードの全文は GitHub リポジトリで入手できます。

1

診断ボタンをビルドします。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

部品カメラ機能をビルドします。Voyage AI を使用して画像を埋め込み、部品データベースをクエリします。

# Python / FastAPI snippetfrom voyageai import Client vo = Client(api_key="VOYAGE_API_KEY") # Feature: User takes a picture of a corroded connectorquery_emb = vo.multimodal_embed( inputs=[{"image": user_image_bytes}], model="voyage-multimodal-3.5").embeddings[0] # Search for the partresults = collection.aggregate([ { "$vectorSearch": { "index": "vector_index_images", "path": "multimodal_embedding", "queryVector": query_emb, "limit": 5 } }])
3

結果は絞り込んでからアプリに送信します。

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)
  • 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を通じて処理するため、コンテンツが混在する検索バイアスにつながります。Voyage AI のvoyage-multimodal-3.5は、同じバックボーンを介して両方のモダリティを処理する統一された Transformer アーキテクチャを使用して、モダリティのギャップを排除します。このアーキテクチャにより、複雑な解析パイプラインを必要とせずに、ドキュメントのスクリーンショット、PDF、図表をシームレスに取得できます。

  • 構造はキーワードを超える: 整備士はキーワードではなくシステムで考えます。バッテリー切れはトランク ラッチ(寄生ドロー)が原因かもしれません。標準検索では、この関連性が見逃されます。GraphRAG はこの因果関係を捉えます。ユーザーがバッテリーについてクエリを実行する際に、アプリがトランク ラッチを確認するよう提案するのを可能にします。

  • 統合されたバックエンドで開発を簡素化: ベクトル、グラフ、画像用に個別のバックエンドを構築すると、開発速度が低下します。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するだけで済みます。この統合により機能の速度が加速し、メンテナンスが簡素化されます。

  • Mehar Grewal、MongoDB

  • Humza Akhtar、MongoDB

  • MongoDB、 MongoDB