Agentic AI 가 포함된 차량 관리 소프트웨어

MongoDB 기반 AI 챗봇, 지리 공간적 추적, 실시간 인사이트로 차량 관리 시스템을 최적화하세요.

사용 사례: Gen AI, IoT

제품 및 도구: MongoDB Atlas, MongoDB Atlas Vector Search, MongoDB Time Series 컬렉션, 지리 공간적 쿼리, MongoDB Atlas Charts

솔루션 개요

차량 관리는 차량 및 차량 상태 추적, 연료 효율성 최적화, 시기 적절한 유지 관리 예정, 규정 컴플라이언스 보장 등 여러 중요한 작업을 포함합니다.

이러한 작업을 관리하려면 차량, 센서 및 운영 로그에서 생성된 데이터가 필요합니다. 이 정보를 단일 소스로 통합하면 인공 지능이 예측 가능한 인사이트와 권장 사항을 생성할 수 있습니다. 이를 통해 차량 관리자가 차량을 효율적으로 실행 수 있습니다.

Leafy Fleet으로 명명된 이 솔루션은 생성 및 에이전트 AI 사용하여 차량 관리자의 워크로드를 지원 데모입니다. 이 솔루션은 MongoDB Atlas 사용하여 실시간 분석 및 복잡한 지리 공간적 쿼리를 지원하는 유연한 통합 데이터 기반을 제공하여 차량 관리 작업을 개선합니다. 주요 기능은 다음과 같습니다.

Agentic AI 어시스턴트: 플릿의 상태에 대한 언어 질문을 통해 실시간 인사이트, 실행 가능한 권장 사항 및 의사 결정 지원 받을 수 있습니다. 이를 통해 실시간 운영 데이터를 즉시 처리 보류 중인 문제를 식별함으로써 컴플라이언스 및 유지 관리 일정을 개선할 수 있습니다.
대시보드 제어: MongoDB Atlas Charts 사용하여 연료 수준에 모니터 그래프, 시간 경과에 따른 전체 장비 효율성(OEE) 추세, 자주 이동하는 도시 지점에 대한 히트 맵, 도시 탐색을 위한 경로 맵 등 차량 성능 및 상태를 모니터링할 수 있습니다. OEE 및 연료 추세를 시각화하면 연료 최적화 및 유지 관리 계획이 향상됩니다.
차량 위치 추적: MongoDB 의 네이티브 지리 공간적 쿼리를 사용하여 특정 지오펜스 영역 내 또는 근처에서 차량을 찾습니다. 이는 정확하고 효율적인 차량 관리 보장합니다. 이 역량 경로 최적화를 강화하고 정확한 실시간 상태 추적을 보장합니다.

그림 1. Leafy Fleet의 주요 3가지 기능

참조 아키텍처

이 솔루션은 MongoDB Atlas time-series, 지리 공간적 및 벡터 데이터를 집계하고 운영화하여 Agentic AI 애플리케이션을 활성화하는 단일 데이터 플랫폼으로 사용합니다.

아래 아키텍처 다이어그램은 데모의 주요 기능과 상호 연결된 워크플로를 보여줍니다.

그림 2. Leafy Fleet의 상위 레벨 아키텍처

원격 분석 수집 시뮬레이션: FastAPI microservices 호출은 실시간 자동차 원격 분석 데이터를 생성하고 백엔드로 전송하여 차량 지표 의 지속적인 스트림 시뮬레이션합니다.
처리 및 저장: 이 솔루션은 수집된 원격 분석 데이터를 처리하여 MongoDB Atlas 내의 time series 컬렉션에 저장합니다.
언어 상호 작용: 사용자는 언어로 질문하여 에이전트 시스템과 상호 작용. LangGraph 프레임워크는 여러 도구를 조정하여 관련 데이터를 조회 하고 결과를 LLM으로 전송하여 일관되고 컨텍스트 인식 응답을 생성합니다.
서비스 통합: 모든 구성 요소가 FastAPI 마이크로서비스를 통해 원활하게 연결됩니다.

데이터 모델 접근 방식

MongoDB 컬렉션은 데이터 구성을 위한 유연하고 효율적인 설정 제공하며, 특수 Time Series 컬렉션은 원격 분석 데이터 저장 최적화합니다. 이러한 기능을 활성화 .

Leafy Fleet은 다음 컬렉션들을 사용하여 데이터를 구성합니다.

vehicleTelemetry: 차량이 경로를 따라 이동할 때 실시간 센서 데이터, GPS 좌표 및 성능 지표 저장합니다. 데모의 범위에서 이 컬렉션 시간 후에 문서를 제거하는 TTL(Time to Live) 인덱스 12 있습니다.
vehicles: VIN, 연식, 모델 및 할당된 드라이버와 같은 일반 차량 정보를 포함합니다.
agent_session: 사용자 상호 작용 및 차량 관리 세션을 추적합니다.
geofences: 차량 관리 시스템에 중요한 지리적 경계와 운영 구역을 정의합니다. 지오펜스는 특정 영역 내의 차량 활동을 모니터 하고 관리 데 사용되는 가상 경계입니다. 각 지오펜스 문서에는 문서가 다루는 영역을 정의하는 GeoJSON 다각형 있습니다.
checkpoints: LangGraph 결정을 추적합니다.
checkpoint_writes: 스레드 ID로 체크포인트를 로그합니다.
historical_recommendations: 과거 AI 생성 권장 사항을 저장하여 과거 패턴을 기반으로 정보에 입각한 의사 결정을 내릴 수 있습니다.
agent_profiles: 각각 플릿 분석 작업에 대한 특정 역할, 지침 및 목표가 있는 다양한 AI 에이전트 구성을 정의합니다.

Time Series 컬렉션

time series 컬렉션 은 time series 데이터 효율적으로 저장하고 관리하도록 설계된 특수 컬렉션입니다. 시간이 지남에 따라 생성된 정보를 성능과 확장성 향상시키는 최적화된 형식으로 구성하여 원격 분석 판독값 및 센서 데이터 와 같은 Time Series 처리를 간소화합니다.

차량 관리 시스템과 관련하여 시계열 컬렉션은 센서 지표 및 GPS 좌표를 포함한 차량 원격 측정 데이터를 저장 대량의 시간 기반 데이터를 효과적으로 프로세스 할 수 있습니다.

아래 문서 는 vehicleTelemetry time series 컬렉션 에 저장된 데이터의 예시 입니다.

{
    "timestamp": {
      "$date": "2025-09-22T07:08:54.095Z"
    },
    "metadata": {
      "car_id": 206
    },
    "_id": {
      "$oid": "68d104144dd67072732b9327"
    },
    "sessions": [
      "68d10411665f68254c898943"
    ],
    "max_fuel_level_lt": 65,
    "traveled_distance_km": 9735.08,
    "current_geozone": "riverside",
    "is_engine_running": true,
    "engine_oil_level_lt": 4.5,
    "current_route": 206,
    "quality_score": -0.16,
    "fuel_leve_lt": 23.3,
    "performance_score": 0.82,
    "availability_score": 1,
    "oil_temperature": 95.47,
    "is_oil_leak": false,
    "run_time": 2.8,
    "is_moving": true,
    "speed_km_hr": 25.7,
    "is_crashed": false,
    "average_speed": 25,
    "coordinates": {
      "type": "Point",
      "coordinates": [
        -97.76570129394531,
        30.232519149780273
      ]
    },
    "oee": -0.13
}

이 문서 구조는 다음과 같은 이점을 제공합니다.

포괄적인 실시간 데이터: 차량 ID, 위치, 센서 판독값 및 주요 성능 지표 단일 문서 에 통합하여 즉각적인 모니터링 과 실행 가능한 인사이트를 제공합니다.
실행 가능한 인사이트: 성능 점수, 가용성, OEE, 연료 수준과 같은 파생 지표 포함하여 AI 기반 의사 결정 및 운영 최적화의 기반을 제공합니다.
유연성 및 확장성: 데이터베이스 재구성 없이 다양한 센서로 다양한 차량 유형을 지원하므로 차량의 진화에 따라 쉽게 적응할 수 있습니다.

솔루션 빌드

이 GitHub 리포지토리 를 사용하여 로컬 환경에서 이 데모를 실행. README 는 다음 단계를 가이드합니다.

전제 조건 설정

로컬 환경에 다음 종속성을 설치합니다.

Python 버전 3.10
Node.js(Next.js에 필요)
MongoDB Atlas 계정
Voyage AI API 키
AWS CLI
Docker

리피 플릿을 배포 하려면 백엔드 제공 을 하는 여러 마이크로서비스와 프론트엔드 역할을 하는 Next.js 애플리케이션 실행 해야 합니다.

MongoDB Atlas 에 로그인하여 데이터베이스 채웁니다.

이 데모를 배포하려면 MongoDB Atlas 클러스터 를 생성하세요. 그런 다음 MongoDB 연결 문자열 URI를 가져옵니다. 도움이 더 필요하면 이 가이드 에 따라 연결 문자열 받으세요.

다음으로, 데모에 필요한 데이터와 메타데이터 로 데이터베이스 채웁니다. 애플리케이션 코드에서 덤프/리프리 플리트 디렉토리 찾습니다. 이 디렉토리 agent profiles, checkpoints, geofences, vehicles` and ``vehicles telemetry 컬렉션의 데이터와 메타데이터 들어 있는 .bson 및 .json 파일이 포함되어 있습니다.

터미널에서 애플리케이션 코드의 루트 레벨로 이동한 후 다음 mongorestore 명령을 사용하여 데이터베이스 덤프의 데이터를 클러스터 내의 새 데이터베이스 로 로드합니다. --uri 의 인수를 MongoDB 연결 문자열 로 바꿉니다.

mongorestore --uri "mongodb+srv://<user>:<password>@<cluster-url>" ./dump/leafy_fleet

AWS 자격 증명 받기

AWS 계정을 생성하고 베드락을 사용하도록 AWS CLI 구성합니다. Leafy Fleet은 AWS 베드락을 LLM 제공자 로 사용합니다.

Voyage AI 계정 만들기

임베딩을 생성하는 Voyage AI API 키를 생성합니다. Voyage AI voyage-3.5 임베딩 모델은 4가지 임베딩 차원을 지원하며 고품질의 범용 다국어 검색 역량을 제공합니다.

파일 만들기 `.env`

다음 구성을 사용하여 leafy-fleet/backend 폴더 내에 .env 파일 만듭니다.

MONGODB_URI=<YOUR_MONGODB_ATLAS_CONNECTION_STRING>
APP_NAME="leafy_fleet"
AWS_REGION=<THE_AWS_REGION_YOU_SET_UP_YOUR_ACCOUNT_IN>
AWS_PROFILE=<YOUR_AWS_PROFILE_NAME>
ORIGINS="http://localhost:3000" # your local dev server
VOYAGE_API_KEY=<YOUR_VOYAGE_API_KEY>
STATIC_SERVICE_ENDPOINT="http://static-vehicle-service"
TIMESERIES_POST_ENDPOINT="http://timeseries-post-service"
GEOFENCES_SERVICE_ENDPOINT="http://geofence-get-service"

그런 다음 다음 구성을 사용하여 leafy-fleet/frontend 폴더 내에 .env 파일 만듭니다.

NEXT_PUBLIC_AGENT_SERVICE_URL="localhost:9000"
NEXT_PUBLIC_TIMESERIES_GET_SERVICE_URL="localhost:9001"
NEXT_PUBLIC_SESSIONS_SERVICE_URL="localhost:9003"
NEXT_PUBLIC_GEOSPATIAL_SERVICE_URL="localhost:9004"
NEXT_PUBLIC_SIMULATION_SERVICE_URL="localhost:9006"
NEXT_PUBLIC_STATIC_SERVICE_URL="localhost:9005"

프로젝트 실행

먼저 다음 명령을 실행 하여 Docker 네트워크를 생성합니다.

docker network create -d bridge simulation-network

AWS CLI 통해 AWS에 액세스 할 수 있는지 확인합니다.

그런 다음 프로젝트의 루트 디렉토리 로 이동하여 Docker 파일에 액세스할 수 있는지 확인합니다. 다음 명령을 실행하여 Docker Compose로 데모를 실행합니다.

docker compose up -d

마지막으로 브라우저에서 https://localhost:3000 로 이동하여 시뮬레이션을 시작합니다.

주요 학습 사항

플릿 관리의 기반으로 MongoDB 사용: MongoDB의 document model, time series 컬렉션 및 지리 공간적 역량은 복잡한 플릿 관리 사용 사례에 이상적인 데이터 플랫폼입니다. 실시간 원격 분석 데이터, 위치 추적 및 운영 로그를 처리하는 데 필요한 확장성, 유연성 및 성능을 제공합니다.
데이터를 활용하여 프로세스 간소화 및 의사 결정 향상: 이 솔루션은 실시간 원격 측정, 지오펜스 모니터링 및 성능 지표 통합하여 데이터가 차량 운영 효율성 개선하고 차량 관리자가 더 빠르고 정확한 정보에 입각한 결정을 내릴 수 있는 방법을 보여줍니다.
에이전트형 AI 로 차량 관리 강화: Leafy Fleet은 에이전트형 AI 사용하여 언어 쿼리를 해석하고, 도구를 조정하고, 상황 인식 인사이트를 생성합니다. 이를 통해 의사 결정이 간소화되고 성능이 향상되어 차량 관리자에게 반응성이 뛰어난 경험이 제공됩니다.

작성자

Fernando Moran, MongoDB
키릴 마키엔코, MongoDB
다니엘 자미르, MongoDB

자세히 알아보기

Atlas Vector Search 시맨틱 검색 강화하고 실시간 분석 가능하게 하는 방법을 학습하려면 Atlas Vector Search 페이지를 방문하세요.
조회 보강 생성 아키텍처를 구현 하려면 Atlas Vector Search 사용한 조회 보강 생성(RAG)을 참조하세요.
MongoDB 차량 관리 및 기타 사용 사례를 어떻게 혁신하는지 알아보려면 제조 및 이동성 페이지를 방문하세요.
연결된 차량 신호 데이터를 위한 데이터 모델링 전략에 대해 자세히 학습 Agentic AI-Powered Connected Fleet Incident Advisor를 참조하세요.

돌아가기

에이전트 AI 기반 차량 사고 조언자

공항 작업을 위한 Agentic Voice 어시스턴트