Docs Menu
Docs Home
/

지능형 자동차 애프터 진단 앱 빌드

자동차 진단 앱 개발합니다. MongoDB Atlas 와 Voyage 임베딩 모델을 결합하여 복잡한 차량 결함을 해결하고 보증 비용을 절감하세요.

사용 사례: 인공 지능, 지능형 검색

산업: 제조

제품: MongoDB Voyage AI, MongoDB Atlas

1부: 컨텍스트 인식 RAG는 자동차 매뉴얼에서 정적 텍스트를 검색하는 문제를 해결했습니다. 그러나 최신 자동차 애프터 지원 에는 요구 사항이 점점 더 복잡해지고 있습니다. 오늘날의 차량은 광범위한 소프트웨어 통합을 갖춘 정교한 시스템입니다.

차량의 복잡성이 증가함에 따라 판매점 서비스 베이에 대한 수요도 증가하고 있습니다. 계획되지 않은 서비스 다운타임은 매년 업계에 상당한 비용 발생시킵니다. 기술자는 수리에 집중하는 대신 정보를 검색하는 데 상당한 시간(경우에 따라 최대 30%)을 보낼 수 있습니다. 일반적인 과제 소프트웨어 코드인 진단 문제 코드(DTC)를 물리적 hardware 문제에 연결하는 것이며, 이는 올바른 도구가 없으면 시간이 많이 걸릴 수 있습니다.

NFF 이벤트는 보증 비용의 거의 %를 차지합니다. 이는 부품이 올바르게 작동했음에도 불구하고 불완전하거나 불분명한 진단 정보를 기반으로 구성 요소를 교체할 30 때 발생합니다. 표준 검색 도구는 화면 깜박임과 같은 증상을 느슨한 접지선과 같은 기본 원인과 연결하는 데 필요한 문맥 추론이 부족할 수 있으므로 이러한 과제 완전히 주소 하지 못할 수 있습니다.

이 솔루션은 MongoDB Atlas 에서 진단 길잡이 앱 빌드 데 도움이 됩니다. Voyage AI 모델을 사용하여 기술자가 문제 해결에 접근하는 방식을 개선합니다.

  1. 결함 트리자동화(GraphRAG): 키워드 검색 그 이상. MongoDB의 를 사용하여 $graphLookup 차량 종속성을 모델링합니다. 증상에서 시스템, 루트 원인으로 이동하여 실제 장애 경로를 식별합니다.

  2. 비주얼 검색 활성화(멀티모달): 특정 부품 변형을 식별하는 것은 특히 전문성 쌓고 있는 기술자에게 어려울 수 있습니다.Voyage AI의 voyage-multimodal- 를 통합하여3.5 앱 부품 사진을 허용하고 올바른 교체 SKU를 반환할 활성화 모든 사용자가 부품을 더 빠르고 정확하게 식별할 수 있도록 합니다.

  3. 정밀도 우선 순위 지정(재순위 지정): Voyage AI의 rerank-2.5 을 사용하여 결과를 재정렬합니다. 안전 경고와 확인된 수정 사항이 결과에 눈에 띄게 표시되도록 도와주세요.

증상 수정 엔진 빌드합니다. 앱 데이터, 벡터 임베딩, 진단 그래프를 MongoDB Atlas 로 통합하세요. 이렇게 하면 기술자의 워크플로가 단일 앱 백엔드 로 통합됩니다.

1
  • 텍스트: OEM 서비스 매뉴얼을 청크로 breadcrumb_trail Model Y Powertrain High Voltage처리합니다. 를 보존합니다( 예시: > >).

  • 그래프 구성: 서비스 게시판에서 논리적 링크를 추출합니다. "X이면 Y 확인" 로직을 에지 정의로 저장합니다.

  • 시각 자산: Voyage AI 사용하여 회로도 및 구성 요소 사진을 임베드합니다. 바이너리를 MongoDB GridFS 에 저장합니다.

2
  • 데이터베이스: 수동 청크, 장애 트리 및 사용자 세션을 에 diagnostics_db 저장합니다.

  • Vector Store: 이중 벡터 인덱스를 유지합니다. Voyage AI 의 MRL(Matryoshka Representation Learning)을 사용하여 모바일 앱 지연 시간 최적화합니다.

  • 그래프 스토어: 문서 참조를 통해 차량 토폴로지 암시적으로 모델링합니다.

3
  • 오케스트레이션: 복구 세션 흐름을 관리합니다.

  • 조회: 벡터 검색을 실행하여 결함을 식별하고 그래프 순회를 통해 컨텍스트를 확장합니다.

  • 최적화: 프론트엔드 UI 에 대한 결과의 순위를 재지정합니다.

  1. 입력: 정비공이 VIN을 스캔하고 증상을 입력('AC 블로잉 웜')하거나 사진을 업로드합니다.

  2. 식별: 앱이 특정 차량 컨텍스트(트림, 연도) 및 관련 매뉴얼 섹션을 검색합니다.

  3. 추론: 앱이 $graphLookup 을(를) 사용하여 관련 하위 시스템을 확인합니다( 예시: '컴프레서 릴레이 확인').

  4. 검증: 앱은 시각적 검증 보조 도구와 함께Voyage AI Reranker가 순위를 매긴 가능성 있는 수정 사항 상위 3개를 표시합니다.

다음을 위한 통합 벡터, 그래프 및 멀티모달 아키텍처

그림 1. MongoDB Atlas 의 자동차 진단을 위한 통합 벡터, 그래프 및 멀티모달 아키텍처

GraphRAG에 대한 스키마 설계합니다.사전 구체화된 에지 패턴 사용하여 문서 모델 에서 직접 증상을 수정 사항에 연결합니다.

수동 청크에 relationships 배열 추가합니다. 이를 통해 앱 마스터 테크니션의 추론을 시뮬레이션할 수 있습니다.

{
"_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"
}
}

임베딩을 GridFS 에 연결하여 이미지를 앱 UI 에 직접 제공 .

{
"_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"
}
}

세 가지 핵심 앱 기능을 구현합니다.GitHub 리포지토리 에서 전체 소스 코드 액세스하세요.

1

진단 버튼을 빌드합니다. 벡터 검색 사용하여 매뉴얼 섹션을 찾고 을 사용하여 $graphLookup 다음 논리적 단계를 제안합니다.

// 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

부품 카메라 기능 빌드합니다. Voyage AI 사용하여 이미지를 삽입하고 부품 데이터베이스 쿼리 .

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

결과를 앱 으로 보내기 전에 구체화합니다.

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
)
  • 멀티모달 임베딩 사용: 기존의 멀티모달 모델은 별도의 네트워크를 통해 텍스트와 이미지를 프로세스 혼합 콘텐츠에 검색 편향이 발생합니다. Voyage AI의 voyage-multimodal-3.5 은 동일한 백본을 통해 두 모달리티를 모두 처리하는 통합 변환기 아키텍처를 사용하여 모달리티 격차를 제거합니다. 이 아키텍처를 사용하면 복잡한 구문 분석 파이프라인 없이 문서 스크린샷, PDF 및 다이어그램을 원활하게 검색할 수 있습니다.

  • 구조가 키워드를 능가합니다: 역학은 키워드가 아닌 시스템을 생각합니다. 배터리가 소모된 경우, 트렁크 래치(기생 사용)로 인해 발생할 수 있습니다. 표준 검색 이 연결이 누락됩니다. GraphRAG는 이 인과 관계를 포착합니다. 사용자가 배터리에 대해 쿼리할 때 앱 이 트렁크 래치 확인을 제안할 수 있습니다.

  • 통합 백엔드 로 개발 간소화: 벡터, 그래프 및 이미지에 대한 별도의 백엔드를 구축하면 개발 속도가 느려집니다. MongoDB Atlas 이를 통합합니다. 전체 진단 앱 스택 에 대해 하나의 데이터베이스 연결을 관리 . 이러한 통합은 기능 속도를 가속화하고 유지 관리를 간소화합니다.

  • Mehar Grewal, MongoDB

  • Humza Akhtar, MongoDB

  • 다니엘 자미르, MongoDB

돌아가기

자동차 진단

이 페이지의 내용