MongoDB Atlas Vector Search と AWS Bedrock を活用し、高度な根本原因診断を行い、さまざまなデータ型を統合してリアルタイム分析とプロアクティブなメンテナンスを実現します。
ユースケース: Gen AI
業種: 製造業・モビリティ、航空宇宙・防衛
製品: MongoDB Atlas、Atlas Vector Search
パートナー: Amazon Bedrock
ソリューション概要
製造業は、在庫管理から接続された機器や製品に至るまで、複雑なバリューチェーンによって支えられています。問題を解決し、プロセスを改善し、このバリューチェーンの全体的な効率と品質を向上させる鍵は、根本原因診断です。予知保全が症状のマネジメントに焦点を当てるのに対し、根本原因診断は問題の基礎の根本原因を特定するために深く掘り下げ、問題が恒久的に修正され、再発しないようにします。
根本原因診断には、いくつかの利点があります。
繰り返される問題を解消します: 真の根本原因に対処することで、一時的な応急処置ではなく、同じ問題の再発を防ぎ、時間、費用、リソースを節約します。
プロセスの効率向上：ボトルネックや非効率の要因をその発生源で特定することで、生産量の増加と製造コストの削減につながります。
安全性と環境保護の実践を促進: 積極的な介入とリスク軽減により、より安全で環境に優しい操作を実現します。
継続的な改善を推進: 根本原因診断の体系的なアプローチは、継続的なプロセス改善と革新を推進します。
ただし、製造業において根本原因診断を実装するのは難しい場合があります。センサーやマシンからの大量の複雑でエラーのあるデータと、さまざまなデータ型を統合する必要があるため、手強いタスクとなります。従来の方法は、人間の専門知識、知識、経験に大きく依存しています。
当社のソリューションは、音声入力を使用した高度な根本原因診断を行い、AWS Bedrock との統合により検出された異常に関するリアルタイムレポートを生成し、リアルタイムの監視とメンテナンスを強化するための AI と MongoDB Atlas Vector Search のアプリケーションを検討します。
参照アーキテクチャ
MongoDB で
デモアーキテクチャは、データのキャプチャ、保存、分析、レポートのために連携するいくつかの主要なコンポーネントで構成されています。
エンジンと Raspberry Pi
エンジン制御：Raspberry Pi はエンジンに接続され、リレーを介してエンジンを制御します。
テレメトリセンサー: Raspberry Pi には、温度や湿度などのテレメトリデータを測定するためのセンサーが搭載されています。
車両のデジタルツインとモバイルアプリ
仮想と物理の統合: JavaScript で作成された自動車のデジタル ツインと iPhone アプリが設定に接続されています。アプリからのコマンドは MongoDB に送信され、MongoDB はそれらを Raspberry Pi にストリーミングし、リレーをトリガーして物理エンジンとデジタル ツインの両方を起動します。
オーディオ診断
音声録音：エンジン音が1秒ごとに録音されます。
ベクトル変換： オーディオクリップはエンベッダーを介してベクトルに変換され、MongoDB に保存されます。
ベクトル検索： Atlas Vector Search を使用して、システムはエンジンの状態（オフ、通常運転中、金属音またはソフトヒットを検出）を予測します。この情報はアプリに表示され、リアルタイムで診断を提供します。
AWS Bedrock 統合
自動レポート作成：異常（例：異常な音声）が検出されると、Atlas がテレメトリデータと音声分析結果を AWS Bedrock に送信する機能を起動します。
レポートの生成：AWS Bedrock は調査結果に基づいて詳細なレポートを生成し、そのレポートはダッシュボードに送信されてレビューされます。
このアーキテクチャは、エッジ デバイスがリアルタイム制御とモニタリングのためのデータを生成するフィードバック ループを作成し、現在はベクトルを用いた音声診断で強化されています。この統合は、根本原因診断に Atlas Vector Search を利用する能力を紹介し、製造操作の効率、信頼性、イノベーションを大幅に改善します。
図1。デモアーキテクチャ
ソリューションを構築する
ハードウェアを準備してください
このデモを再現するには、次のものが必要です。
マシンの実際のユースケースをシミュレートするエンジン。4 気筒の Teching DM13エンジンレプリカを使用していますが、このデモは、実行して音を出すことができる任意のハードウェア（実際のマシンであっても）で実行できます。
Raspberry Pi 5 は、クラウドと通信するソフトウェアをホストするためのブリッジとなります。
To find the detailed information about our hardware and how to set it up, visit this GitHub page.
MongoDB Atlas のセットアップ
デモを最初から最後まで動作させるには、バックエンドを設定する必要があります。
最初のステップは、MongoDB クラスターを作成することです。Atlas アカウントをお持ちでない場合は、次の手順に従ってアカウントを作成してください。完了したら、データサービスタブの下で、サイドバーの「データベース」をクリックし、「+作成」をクリックして、希望リージョンに新しい MongoDB クラスターを作成します。
クラスターが準備できたら、アプリケーションデータベースを複製する必要があります。このデータベースには、アプリの使用を開始するために必要なサンプルの車両データおよびセンサーデータが含まれています。このデータをロードするには、GitHub リポジトリにあるダンプファイルを使用してください。これを mongorestore コマンドで使用して、データをクラスターにインポートできます。
音声入力による異常検出
分析ダッシュボードの設定方法、正しいデータソースへのリンク方法、ベクトル検索インデックスの作成方法など、完全な手順はこの GitHub ページでご覧いただけます。
AWS Bedrock を統合して、AI によって強化された分析を活用
AWS Bedrock との統合には、シンプルなアプローチを採用しました。このアプローチは、センサーからのより多くのリアルタイムデータを実装し、検索拡張生成（RAG）アーキテクチャを実装する、より複雑なアプローチのベースラインとして活用できます。
To learn how to integrate AWS Bedrock with Atlas Triggers, see our GitHub page.
Web ポータル UI を実行する
Next.js でビルドされたウェブポータルには、車両のデジタルツイン、オーディオストリーミングおよび訓練用の音響診断インターフェース、分析ダッシュボードが含まれています。セットアップするには、MongoDB クラスターの接続文字列と Atlas Charts ダッシュボードの URL で環境変数を更新してください。更新したら、Next.js アプリケーションを実行します。具体的なコマンドと追加の設定の詳細は GitHub リポジトリを参照してください。
キーポイント
診断機能の強化：Atlas Vector Search を音声診断と統合することで、エンジンの状態や異常を正確に特定し、根本原因についてより深いインサイトを得ることができます。
リアルタイムモニタリング: MongoDB と Atlas Vector Search を使用することで、リアルタイムデータのプロセシングと異常への即時対応が可能となり、予防的なメンテナンスには不可欠です。
データ統合：MongoDB の document model は、多様なデータ型を効率的に処理し、構造化されたテレメトリデータと非構造化オーディオデータの統合を簡素化します。
スケーラビリティ： このアーキテクチャは、スケーラブルなデータ管理をサポートし、製造環境で生成される大量の IoT シグナルを処理します。
オートメーション: AWS Bedrock は、検出された異常に基づいて詳細なレポートを自動生成し、レポート作成プロセスを効率化します。
使用した技術と製品
MongoDB 開発者データ プラットフォーム
提携技術
Audio embedding with panns-inference
作成者
Humza Akthar, MongoDB
Rami Pinto、MongoDB
Ainhoa Mugica、MongoDB