MongoDBを使用して接続された車両のフリートを管理し、ルート計画を最適化し、ドライバーの安全性を向上させる方法を学びます。
業種: 製造およびモーション制御
製品およびツール: Atlas Database、Atlas Vector Search
ソリューション概要
このソリューションでは、MongoDB Atlas、投票AI、OpenAI、およびLingGraphを使用してビルドされた、AI強化の接続済みフィード アドバイザーをビルドします。
システムは、ドライバーの苦情や車両管理者の問い合わせを受け取り、車両のテレメトリ データを処理し、思考の連鎖を生成し、類似の問題のベクトル検索を実行し、データを MongoDB に保持し、最後に OpenAI LLM を使用して診断推奨事項を生成します。
エージェントは、世界を監視し、そのデータとツールを使用してそのデータを操作することで目的を実現しようとする運用アプリケーションです。「エージェント」というタームは、 AIエージェントとしてエージェントが存在し、人間が継続的に監視することなく目的を実現するためにアクションを実行することを指します。例、接続されたテレメトリデータ分析に基づいて自動車の異常をレポート作成するだけではなく、接続されたチームのエージェント的なAIシステムは、既知の問題に対して例外を排他的にチェックし、クリティカルかどうかを判断し、メンテナンス予定をすべて単独で予定します。
図 1. AI エージェントの基本構成要素
将来の成長と挑戦
自動車とモダナイゼーション業界は、自動車接続、オートメーション システム、共有モビリティ、選挙化の一環により、大幅な変化を経験しています。自動車は現在、大量のデータを生成する高度なマシンです。自動車需要は今後 20 年間、3% 増加し、接続済みおよび電気ドライバーへの優先順位が高まります。自動車ドライバーは、競合上の利点を維持するために、人工知能（AI）、 電源回路（BVE）、 ソフトウェア定義データベース（SDV） を使用します。グローバル 接続済み車両のグローバルなマーケットサイズは、 ずつ約 USD.446 006 億に達すると予想され、 20331952024から の間で. % の CAG2033接続されたビルドを管理する場合、挑戦が生じます。自動車が高度に機能し、内部システムと外部システムとが統合されるにつれて、データ量は増加します。新しいビジネス機会のロックを解除するには、さまざまな下流のアプリケーションでこのデータを保存し、転送し、消費する必要があります。グローバル キー マネジメント マーケットは USD.65 007 億に達することが予測されており、ほぼ. 2030108% のレートで増加します。年次。
Webflet が実行した 2024 に関する調査 では、フリート マネージャーの 32% がAIと機械学習が今後数年でフリートの操作に大きく影響と認識していることが示されています。これは、プライマリのゲームチャンクとして ev を使用した 30% をわずかに超えます。ルート計画の最適化とドライバーの安全性の向上は、ファイル マネージャーがAIが作業日を変更する可能性を認識する方法として最もよく引用されています。フルタイムマネジメントのソフトウェアプロバイダーがAIに継続的に効果を発揮するため、リアルタイムの決定を行うことができるオートメーション システムである エージェントAIとの統合は、ルートの最適化やドライバーの安全性の向上などのユースケースで大きく役立ちます。例、 AIエージェントはリアルタイムのトラフィック更新と気象条件を処理してルートを動的に調整し、必要に応じてドライバーに警告を発しながら、時間順の配達を確保します。この先を見越したアプローチは、自動車の使用率を向上させ、運用と保守のコストを削減する従来のリアクティブメソッドと対照的です。
参照アーキテクチャ
以下に示す参照アーキテクチャは、 AIエージェントの内部動作とデータフローを示しています。このワークフローは、ドライバーであるユーザーが潜在的な問題に関するクエリを提出したときに開始されます。例えとして、クローンします。次に、LangGraph ベースのエージェントオーケストレーターは、LLM（OpenAI GPT-4o）を使用してこのリクエストを処理し、リクエストを解釈し、考えの連鎖（CoT）推論とワークフローを作成します。ワークフローは、Atlas ベクトル検索などのツールを使用してエージェントによって実行されます。
エージェントは、問題レポートを次のように処理します。
テレメトリ データを読み取ります: CSVファイル（または本番環境設定のAPI）から自動車センサーデータを取り込みます。
埋め込みを生成します: Voyage AI埋め込みAPIを使用して、クレームテキストを数値表現に変換します。
Uses Atlas Vector Search: 生成された埋め込みを使用して、MongoDB Atlasで同様の問題を検索します。
データの永続化: テレメトリ データ、セッション ログ、推奨事項をMongoDB Atlasで保存します。
最後の推奨事項を提供します: OpenAI チャットAPIを使用して実行可能な診断アドバイスを生成します。
図2。提案されたソリューションのリファレンスアーキテクチャ
データモデルアプローチ
エージェントを機能させるには、さまざまなタイプのデータが必要です。MongoDB の document model を使用すると、このデータのすべてを 1 つのデータベースで簡単にモデル化できます。以下は、フリートマネジメント用のエージェント的AIアプリケーションにあるさまざまなデータ型ごとの 1 つの例です。ドキュメントモデルの柔軟性がストレージに必要なデータのタイプに合わせて調整されていることに注意してください。
エージェントプロファイル
このデータには、指示、目的、制約など、エージェントの ID が含まれています。
エージェントプロファイルの例
{ "_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." }
短期メモリ
短期記憶は、エージェントがリアルタイムで使用する一時的なコンテキスト情報（最近のデータ入力や進行中のインタラクションなど）を保持します。例、短期メモリには、過去数時間の自動車アクティビティのセンサーデータが保存されます。LangGraph のような特定のエージェントAIフレームワークでは、短期間のメモリはチェックポイントを介して実装されます。チェックポイントには、エージェントのアクションと理由付けの中間状態が保存されます。このメモリにより、エージェントは操作をシームレスに一時停止および再開できます。
短期メモリーの例: テレメトリー データを時系列コレクションに格納
{ "_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" }
長期メモリー
長期メモリには、エージェントの期間蓄積された知識が保存されます。これには、パスワードなし、傾向、ログ、履歴としての推奨、決定が含まれる場合があります。
長期メモリーの例: 接続された車両に関する過去の問題をベクトル化し、MongoDB に保存することで記録管理します
{ "_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, ... ] }
ソリューションのビルド
このソリューションを構築するには、 Frate Management Agent Githubリポジトリ の手順に従います。リポジトリには、アプリケーションを設定するための手順付きのガイダンスが提供されています。
前提条件
Python 3.11+（バックエンド）
Node.js（Next.jsフロントエンド用）
MongoDB Atlas アカウント
OpenAI API キー
Voyage AI API キー
システム アーキテクチャ
バックエンドワークフロー
次のように、LingGraph を使用して複数ステップの診断ワークフローを実装します。
エージェントはドライバーの問題レポートを受け取ります。例、「エンジンのエンジン消費量が過去 1 週間で大幅に増加しました。エンジンまたはエンジンで問題が発生する可能性はありますか？
エージェントはテレメトリ データを検索し、更新をログに記録します。
エージェントは、 Vyage3 AI排他的埋め込みAPIを使用してクレームの埋め込みを生成します。
次に、システムは MongoDB 内の過去の問題に対してベクトル検索を実行し、類似のケースを見つけます。
MongoDB は、トレーサビリティを確保するために、すべてのテレメトリ、埋め込み、およびセッション ログを保存します。
最後に、エージェントはOpenAI の ChatCompletion APIを使用して最終推奨を生成します。
MongoDB Atlas
柔軟なdocument modelデータベースには、エージェントプロファイル、履歴推奨、テレメトリー データ、セッション ログなどが保存されます。この永続的なストレージは、トレーサビリティのために診断プロセスのすべてのステップがログに記録され、過去のデータの効率的なクエリと再利用が可能になるため、システムは高いトレーサビリティとスケーラブルな特性を備えています。
フロントエンド インターフェイス
Next.js フロントエンドは 2 列のビューを提供します。
左の列: 思考連鎖推論、更新メッセージ、最終的な提案事項など、エージェントのワークフローの更新をリアルタイムで表示します。
右列: セッションの詳細、テレメトリー ログ、履歴推奨、エージェントのプロファイル、過去の問題のサンプルなど、エージェントの実行中にMongoDBに挿入されたドキュメントが表示されます。
アプリケーションを設定する
アプリケーションを設定するには、次の手順を実行します。
issue_index という名前と、embeddings というパスを指定した Atlas Vector Search インデックスの作成
ベクトル検索インデックスの設定方法の詳細については、ベクトル検索インデックスの作成を参照してください。
メイン.py でプロンプトを調整したり、telemetry_data.csvファイルのテレメトリー データを更新したりできます。
ソリューションを調べる
新しい診断の開始
フロントエンドを開き、[新しい診断] を選択します。
テキストボックスに問題レポートを入力します（例: ）。
低速で回していると、King という請求もあります。
低速で加速すると、自動車は永続的なラッパー ノイズを発生します。
エンジン温度がわずかに増加するとともに、エンジン負荷が一時的に低下していることがわかります。
エンジンのエンジン消費量が過去 1 週間で大幅に増加しました。エンジンまたはエンジンでは、どのような問題が発生しますか。
最近ダッシュボードに警告ライトが表示され、映画が加速しようとしているとき
「実行エージェント」ボタンをクリックし、エージェントが実行を完了するまで1分か2分待ちます。
ワークフローを確認する
ワークフロー、選択肢の出力、最終推奨は左側の列に表示されます。
ワークフローはリアルタイムでを生成し、エージェントの決定決定プロセスでの透過性を確保します。
図 3: AIエージェントワークフローのシーケンス図
MongoDBドキュメントを検討する
右の列に表示されているドキュメントは、現在のエージェントの実行中に挿入されたレコードです。
agent_sessions: セッションのメタデータおよびスレッド ID を含んでいます。
historical_recommendations：最終的な推奨事項と関連する診断を保存します。
telemetry_data: テレメトリセンサーの読み取り値を保持します。
ログ: 診断プロセスのログエントリを含んでいます。
agent_profiles: 診断中に使用されたエージェントのプロファイルを表示します。
past_issues：（利用可能な場合）過去の問題のサンプルを表示します。
checkpoints: （チェックポイント用データベースから）最後に保存された状態を表示し、復旧に活用できます。
再開機能
必要に応じて、「診断を再開」機能をデモでご紹介できます。スレッド ID を入力すると、システムが該当セッションを取得して表示します。
キーポイント
スケーラビリティと柔軟性: 車両マネジメントシステムなどの接続済み自動車プラットフォームは、極端なデータ量とさまざまなデータを取り扱います。MongoDB Atlas はクラウドクラスター全体で水平方向に増やすため、1 分あたり数百万のテレメトリ イベントを取り込み、テラバイトのテレメトリ データを保存します。例、ZF SCALAR は MongoDB を使用して、接続された自動車からの 90、000 車両メッセージ／分（1 日あたり 50 GB 以上のデータ）を処理します。MongoDBドキュメントモデルは、フィールドの規模が大きくなるにつれて変化します。新しいセンサーや機能を追加することで、スキーマを進化させることができます。この柔軟性により、開発が迅速化され、データモデルがドライバー、行程、インシデントなどの実際のエンティティと整合性が保たれるようになります。
組み込みベクトル検索を実装する: AIエージェントを操作するには、堅牢なツール セットが必要です。ベクトル検索では、エージェントがドライバーログ、エラーコードの説明、修理マニュアルなどの非構造化データをセマンティックに検索することができます。MongoDB Atlas はベクトル検索のネイティブ サポートを備えており、運用データと一緒に高次元ベクトルを保存およびインデックスし、それらに対して高速類似性クエリを実行します。実際には、 AI埋め込みは、データベース内の関連するデータベース テレメトリと運用データの横に存在することを意味します。これにより、 接続されたインシデント アドバイザーなどの自動車ユースケースのアーキテクチャが簡素化されます。コンテキストを LLM に渡す前に、問題が発生した過去の問題と照合できます。 （自動車 OEM が MongoDB Atlas Vector Search を使用して、可用性ベースの診断にベクトル検索を活用する方法を参照してください）。
時系列コレクションとリアルタイムデータ処理の配置: MongoDB Atlasはリアルタイムアプリケーション用に設計されています。これは、接続された自動車テレメトリ ストレージの時系列コレクション、変更ストリーム、および新しいデータに即座にreactしトリガーする機能を提供します。リアルタイムの可視性が最新のフリートマネジメントシステムの最上位機能であることを考慮すると、AIエージェントに即座のインサイトを勤めるMongoDBの能力により、AIエージェントの決定が最新情報に基づいて行われます。これは、継続的なデータの取り込みと学習が継続的に行われるエージェント的AIフィードバックループにとって重要です。
投票AIでクラスのベスト埋め込みモデルを使用します : MongoDB は最近、埋め込みと再ランク付けを担当する MongoDB AIを取得しました。MongoDB Atlas がVoyage AI埋め込みモデルを統合するため、開発者は外部埋め込み API、スタンドアロン保存、または複雑な検索パイプラインを管理する必要がなくなりました。AI検索がデータベース自体にビルドされるため、セマンティック検索、ベクトル検索、ランキングは従来のクエリと同様にシームレスになります。これにより、エージェントAIアプリケーションの開発に必要な時間が短縮されます。
著者
Humza Akhtar、MongoDB