エージェント的AIにより プロバイダー チェーンの中断マネジメントを変換し、データ準備状況のインストールを完了し、数分で軽減を自動化します。
ユースケース: 人工知能、インテリジェント検索
業種: 製造 & モビリティ
製品: MongoDB Atlas、 MongoDB Atlas Search、 MongoDB Atlas Vector Search、 投票AI
パートナー: AWS、LgChuin
ソリューション概要
サブスクライブの中断によるコストは、 時点で $ 00 億でコスト、エージェント的なAI1842026 は、こうした中断の影響を軽減するのに役立ちます。ガーターは、データの準備状況を、サブライ チェーンの成功または限界の条件の 1 つとして特定しました。
AIエージェントがチャットボットからオートメーションエージェントに移行するには、現在サイロに保存されている高品質のリアルタイムデータの基礎が必要です。エージェントAI は、次の方法でこのギャップを埋めます。
非構造化データの問題を解決: エージェントAI は理由付けを使用して、数千の PDF、メール、画像から情報を抽出し、ビジネス全体で使用できる UN に変換します。
応答時間の短縮: エージェントは中断を診断し、修正アクションをトリガーするまでに数日ではなく 分で行います。
オートメーションの有効化: コンテキスト認識型エージェントは、複数のデータストリームを同時にリージョンできます。出荷遅延を自己再ルーティングしたり、代替プロバイダーとネゴシエートしたり、設定された制限内で本番スケジュールを調整したりできます。これらの機能により、データの準備状況が競合上の利点に変わります。
アクションのアーキテクチャ: MongoDB Atlasのエージェント的AI
提案されたソリューションは、 AI対応の単一のデータ基礎内で複数のAIエージェントが連携する方法を示しています。このアプリケーションはMongoDB Atlasを使用して、データ準備状況の障害を、次の運用段階で競合的な利点に変換します。
図の 1。ソリューション エージェントの概要
中断分析: ケイデンスからロジックを抽出します
長いメールチェーン、 PDF 請求書、QA レポート、または ドキュメント では、出荷失敗の理由がぼかして表示されることがよくあります。従来のデータベースは正確な単語を検索するため、この情報を解析するのが困難です。例、レポートに機械式遅延が表示されているが、ユーザーがトラックの障害を検索している場合、システムは接続を欠落します。このソリューションは、Ving AIを使用してこのテキストを埋め込みに変換します。
意味の数学的表現としての埋め込みを検討します。 Atlas ベクトル検索 はテキストを保存するだけでなく、高次元空間で意味のあるデータをマッピングします。これにより、エージェントは、重大気象、書込み条件などのタームが同様の意味を共有していることを認識できます。
この情報を使用すると、エージェントはさまざまなドキュメントを検討し、キャパシティーが失敗した理由を説明できます。状況を理解し、 PDF のスタックを中断に関する明確で実行可能な分析に変換します。
プライマリ チェーン プランニング: リカバリを実行する
エージェントが障害の原因を検出すると、診断勝利が得られますが、代替手段を見つけるにはかなりの時間が必要になる場合があります。この点で 、エージェントはアナリストからコーディネーターに移行し、 MongoDB地理空間クエリで Atlas Search を使用して、すぐにステップインできる代替コストを識別します。
スプレッドシートをマップと手動で相互参照する代わりに、エージェントは地理をライブのクエリ可能なデータ点として扱います。エージェントは、geoWithin クエリを使用して、中断の特定の半径内で利用可能なフリード ハブを迅速に見つけます。
リスク分析: 脆弱性の軽減
最後のエージェントは予測エンジンとして機能し、気象イベントや過去のインシデント ログなどのソースのデータを集計して各積の VAR を計算します。 MongoDB Atlas は柔軟なドキュメントモデルを使用するため、エージェントはこれらの異なるソースを、厳格なスキーマの競合なしで取り込むことができます。
このエージェントは、現在の条件に基づいてリスクの重みの更新を効果的に提案します。例、重大な気象が予想されている場合、エージェントは気象パターンの優先順位の重みを増やして、より正確なリアルタイムのリスク評価を提供することを推奨できます。
参照アーキテクチャ
次の要素を使用して構築されたマルチエージェント サブプライマリ チェーンアプリケーションを示します。
データストレージ、検索、ベクトル検索用のMongoDB Atlas 。
エージェント的オーケストレーション用の LingGraph を使用します。
LM 理由付けのためのAWS 。
埋め込みを生成するための投票AI 。
これらのテクノロジーにより、データを使って中断分析、ルート計画、リスク評価を取り扱うインテリジェント システムが実現されます。
このアーキテクチャの利点
MongoDB Atlas は統合データプラットフォームとして機能し、構造化ログデータ、地理空間クエリ、ベクトル検索を 1 つのデータベースで処理するため、複数の専用システムが不要になります。
LingGraph は、複雑なワークフローを処理するために、それぞれが独自のツールとプロンプトを持つ専用エージェントを調整します。通話メモリと状態マネジメントをMongoDBに保存できます。
AWS CPU は、中央値として機能します。 Clade 3.5 のようなモデルを活用することで、Bedlock はキーワードに一致するだけでなく、意図を理解する理由付けエージェントとして機能します。
投票AI は、正確な検索に必要な高品質のベクトル表現を生成します。埋め込みモデルは、ドキュメント、画像、レコードなどの非構造化かつ複雑なデータを、セマンティックな意味をキャプチャする高密度の数値ベクトル（埋め込み）に変換します。
各エージェントには、そのドメインにカスタマイズされたツールの固有のセットがあります。例、あるツールは過去の出荷パターンや気象上の中断をクエリでき、別のツールは地理空間近接性を使用して近くのオペレーターを見つけ、別のツールは品質保証レポート全体でセマンティック検索を実行できます。次のセクションでは、エージェントツールを詳しく説明します。
図の 2。ソリューション アーキテクチャ図
中断分析ツール
構造化出荷データと非構造化QA レポートを使用して、中断の基礎となる原因を明らかにするツールにアクセスします。
キャリア履歴の検索
保存された キャパシティーの履歴を使用して、パフォーマンスの傾向を検出します。このデータを使用すると、エージェントは、遅延が分離されたイベントであるか、進行中のパターンの一部であるかを判断する情報を持ちます。
QA レポートの取得
Atlas ベクトル検索を使用して、エージェントがデータベースに保存されているベクトル化された QA レポートを分析し、キャパシティーに関連する同様の問題を見つけられるようにします。
出荷インシデント レポートの生成
遅延の原因に関する包括的なレポートを生成します。このレポートはデータベースに保存されるため、後で定期的な問題を特定するために使用できます。
プライマリ チェーン プランニング ツール
代替のドライバーとルートを検索します。地理データとドライバーの機能を組み合わせて、配達を完了できる代替手段を提案します。エージェントは次のツールを使用します。
最も近いキャパシティーを検索
積の現在のロケーションの近くの層が検索されます。遅延出荷をすばやく対応できる転送を識別するため、リカバリ時間を最小限に抑えられます。
サービス範囲とオリジンを検証する
どのプロバイダーがオリジンリージョンで動作しているかを確認します。このツールでは、引数場所の 領域内でアクティブな操作を持つ層のみが考慮されます。
サービス範囲と宛先の検証
発信元をカバーし、宛先に到達した層を識別します。
形式の代替手段
データベースから詳細なキャパシティー情報を取得し、代替のルートとキャパシティーを提示します。コスト、推定配達時間、信頼性評価、 環境影響などの重要な決定要素が強調されています。
MongoDB の地理空間機能を使用して、エージェントは実行可能な代替手段を確保し、データに基づいた決定を行うための価値のあるインサイトを提供します。
リスク分析ツール
気象条件、境界を超える中断、キャパシティーの履歴信頼性を確認して、設定されたルートの潜在的なリスクを分析します。このコンテキストに応じて、エージェントは潜在的な金銭リスクを推定する VAR メトリクスを生成します。エージェントは次のツールを利用できます。
気象イベントの取得
ハッシュ、プレフィックス、停電など、遅延を引き起こす可能性のあるその他の条件など、ルート上の過去の気象パターンを検索します。その後エージェントは、出荷スケジュールを設定するときに、予期しない気象リスクを警告できます。
境界インシデントの検索
検査遅延や予期しない境界停止など、境界線をまたがる際の履歴中断を取得して分析します。
キャリア パフォーマンスの検索
選択したプロバイダーの最近の入荷数を確認して、遅延、コンプライアンスの問題、信頼できるパフォーマンスなどのパターンを特定します。エージェントはこの履歴を使用して、プロバイダーを切り替えることでリスクが軽減されるかどうかを評価します。
金融エクスペリエンスを見積もるための VAR を計算する
以前のツールからコンテキスト情報を収集して、推定される VAR を生成します。計算は、基本ルートのコストとリスク調整された値を組み合わせたものであり、リスク調整値はリスク要因ごとにユーザーの嗜好に応じて重み付けされます。
これらのツールを組み合わせることで、 MongoDB Atlasに保存されている運用インテリジェンスに基づいてチームが決定を行うのに役立つリスク分析が提供されます。
ソリューションのビルド
このソリューションを複製するには、README GitHubリポジトリの に従ってください。これにより、次の手順がガイドされます。
環境を設定する
テンプレートをコピーして、 ローカル環境ファイルを作成します。
cp .env.example .env
.envファイルを開き、認証情報を更新します。
MONGODB_URI="mongodb+srv://<user>:<password>@<cluster>.mongodb.net/" DATABASE_NAME="supply_chain_demo" AWS_REGION="us-east-1" AWS_PROFILE="default" COMPLETION_MODEL="your_completion_model" EMBEDDING_MODEL="your_embedding_model" VOYAGE_API_KEY="your_voyage_key_here"
例、完了モデルとして us.anthropic.claude-4-5-haiku-20251001-v1:0 を選択し、埋め込みモデルとして voyage-large-2-instruct を選択できます。
アプリケーションにアクセスする
アプリがを実行中たら、ブラウザに移動し、 http://localhost:8080 に移動してソリューションを使用します。
キーポイント
エージェント的AIによるストレージ チェーン操作の統合 : エージェント的AI184 は、データの準備状況を競合上の利点に変換することで、年間 $ 億のコストがかかると推定されるプライマリ チェーンの中断を軽減できます。
非構造化データからのインサイトのロックを解除します: エージェント的なAIを使用して PDF や電子メールなどの非構造化データを分析し、応答時間を 日から 分に短縮します。
データプラットフォームの統合: MongoDB Atlas を単一のデータプラットフォームとして採用します。構造化された地理的データ、ルート最適化のための地理空間データ、単一のデータベースでQAレポートのセマンティック取得のためのベクトル検索を統合し、複数の専用データベースが不要になります。
専用マルチエージェントの配置: LingGraph が管理するエージェントを配置して、重大な運用の中断を処理します。 Vorage AIと Atlas ベクトル検索を使用して中断の意図を識別するシステムを構築し、 MongoDB の地理空間クエリを使用して代替のキャパシティーを見つけ、フラグメントされたデータストリームを柔軟なドキュメントモデルに集計して、変動するイベント中に潜在的な VAR を推定します。
モジュール型AIスタックを構築 : MongoDB Atlas、LungGraph、 AWS Bears 、Voyage AIを組み合わせて、サブライ チェーン データ用の高性能理由エンジンを作成します。
作成者
Javier Guajardo, MongoDB
Dr. Humza Akhtar, MongoDB