자동차 진단 앱을 개발하세요. MongoDB Atlas와 Voyage 임베딩 모델을 결합하여 복잡한 차량 결함을 해결하고 보증 비용을 줄이세요.
산업: 제조
제품: MongoDB Voyage AI, MongoDB Atlas
솔루션 개요
파트 1: 컨텍스트 인식 RAG는 자동차 매뉴얼에서 정적 텍스트를 검색하는 문제를 해결했습니다. 그러나 최신 자동차 A/S 지원은 점점 더 복잡한 요구 사항을 포함합니다. 오늘날 차량은 광범위한 소프트웨어 통합을 갖춘 정교한 시스템입니다.
A/S 기회
서비스 센터의 자동차 정비 공간은 차량의 복잡성이 증가함에 따라 점점 더 많은 수요에 직면하고 있습니다. 예상치 못한 서비스 다운타임은 매년 업계에 상당한 비용을 초래합니다. 기술자들은 경우에 따라 최대 30%에 이르기까지 상당한 시간을 수리에 집중하기보다 정보 검색에 할애할 수 있습니다. 일반적인 과제는 소프트웨어 코드인 진단 문제 코드(DTC)를 물리적 하드웨어 문제와 연결하는 것인데, 올바른 도구가 없으면 시간이 오래 걸릴 수 있습니다.
NFF(No Fault Found) 과제
NFF 이벤트는 보증 비용의 거의 30%를 차지합니다. 이러한 문제는 부품이 올바르게 기능했음에도 불구하고 불완전하거나 불분명한 진단 정보를 기반으로 구성 요소가 교체되는 경우에 발생합니다. 표준 검색 도구는 화면 플리커와 같은 증상을 느슨한 접지선과 같은 기본 원인으로 연결하는 데 필요한 문맥 추론이 부족할 수 있으므로 이 문제를 완전히 해결하지 못할 수 있습니다.
지능형 진단 앱
이 솔루션은 MongoDB Atlas에서 진단 어시스턴트 앱을 빌드하는 데 도움이 됩니다. Voyage AI 모델을 사용하여 기술자가 문제 해결에 접근하는 방식을 개선합니다.
결함 트리 자동화(GraphRAG): 키워드 검색을 넘어 새로운 가능성을 탐구하세요. MongoDB의
$graphLookup을 사용하여 차량 종속성을 모델링하세요. 증상, 시스템, 근본 원인을 순회하여 실제 고장 경로를 식별합니다.시각적 검색 지원(멀티모달): 특정 부품 변형을 식별하는 것은 어려울 수 있으며, 특히 아직 전문 지식을 쌓고 있는 기술자에게는 더욱 그렇습니다. Voyage AI의 voyage-multimodal-3.5를 통합하면 앱에서 부품 사진을 수락하고 올바른 교체용 SKU를 반환하여 모든 사람이 부품을 더 빠르고 정확하게 식별할 수 있습니다.
정밀도 우선순위(순위 재지정): Voyage AI의 rerank-2.5를 사용해 결과를 재정렬하세요. 안전 경고와 검증된 수정 사항이 결과에 눈에 띄게 표시되도록 돕습니다.
참조 아키텍처
Symptom-to-Fix 엔진을 구축하세요. MongoDB Atlas에 앱 데이터, 벡터 임베딩, 진단 그래프를 통합하세요. 이를 통해 기술자의 워크플로가 하나의 앱 백엔드로 통합됩니다.
시스템 구성 요소
앱 워크플로
입력: 정비사가 VIN을 스캔하고 증상("에어컨에서 따뜻한 바람이 나옴")을 입력하거나 사진을 업로드합니다.
식별: 앱이 특정 차량 컨텍스트(트림, 연도) 및 관련 매뉴얼 섹션을 조회합니다.
추론: 앱은
$graphLookup을 사용하여 관련 하위 시스템을 확인합니다(예시: 'Compressor Relay 확인').확인: 앱이 시각적 확인 보조 도구와 함께 Voyage AI Reranker로 순위가 매겨진 상위 3개의 수정 가능성을 표시합니다.
그림 1. MongoDB Atlas의 자동차 진단을 위한 통합 벡터, 그래프 및 멀티모달 아키텍처
데이터 모델 접근 방식
GraphRAG를 위한 스키마를 설계하세요. 사전 구체화된 엣지 패턴을 사용하여 증상을 문서 모델의 수정 사항에 직접 연결할 수 있습니다.
진단 컬렉션(manual_chunks)
수동 청크에 relationships 배열을 추가하세요. 이를 통해 앱은 마스터 기술자의 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" } }
시각적 부품 컬렉션(manual_images)
임베딩을 GridFS에 연결하여 앱 UI에 이미지를 직접 제공합니다.
{ "_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" } }
솔루션 빌드
앱의 핵심 기능 3가지를 구현하세요. GitHub 리포지토리에서 전체 소스 코드에 액세스하세요.
지능형 증상 검색(GraphRAG)
진단 버튼을 만드세요. 벡터 검색을 사용해 매뉴얼 섹션 및 $graphLookup을 찾고 다음 논리적 단계를 제안하세요.
// MongoDB Aggregation: Find Symptom -> Suggest Fix [ // Step 1: Find the relevant manual section { "$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 } } ]
스냅하여 식별(멀티모달)
부품 카메라 기능을 구축하세요. Voyage AI를 사용하여 이미지를 삽입하고 부품 데이터베이스를 쿼리하세요.
# 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 } } ])
주요 학습 사항
멀티모달 임베딩 사용: 전통적인 멀티모달 모델은 텍스트와 이미지를 별도의 네트워크를 통해 처리하여 검색 편향과 혼합된 내용이 발생합니다. Voyage AI의 voyage-multimodal-3.5는 두 모달리티를 동일한 백본을 통해 처리하는 통합 트랜스포머 아키텍처를 사용하여 모달리티 격차를 제거합니다. 이 아키텍처는 복잡한 파싱 파이프라인 없이도 문서 스크린샷, PDF, 다이어그램 간 원활한 검색을 가능하게 합니다.
키워드를 능가하는 구조: 정비사는 키워드가 아니라 시스템으로 사고합니다. 배터리 방전은 트렁크 래치(암전류)로 인해 발생할 수 있습니다. 표준 검색은 이러한 연결을 포착하지 못합니다. GraphRAG는 이러한 인과 관계를 포착합니다. 이를 통해 사용자가 배터리에 대해 쿼리할 때 앱이 트렁크 래치를 확인하도록 제안할 수 있습니다.
통합 백엔드로 개발 간소화: 벡터, 그래프, 이미지를 위한 별도의 백엔드를 구축하면 개발 속도가 느려집니다. MongoDB Atlas는 이러한 것들을 통합합니다. 전체 진단 앱 스택에 대해 하나의 데이터베이스 연결을 관리합니다. 이러한 통합으로 기능 속도가 빨라지고 유지 관리가 단순화됩니다.
작성자
Mehar Grewal, MongoDB
Humza Akhtar, MongoDB
다니엘 자미르, MongoDB