생성형 AI 와 MongoDB Atlas Vector Search를 사용하여 비정형 데이터를 인벤토리 분류에 통합하여 더 나은 의사 결정을 내릴 수 있습니다.
제품 및 도구: MongoDB Atlas 데이터베이스, MongoDB Atlas Vector Search, MongoDB Node.js 드라이버
파트너: AWS, Amazon 베드락, Atronic, Cohere, Vercel
솔루션 개요
글로벌 자동차 사업은 복잡한 혼란에 직면해 있습니다. 불안정한 지정학과 관세 반환으로 인해 모델 연도 전환이 지연되고 심각한 재고 부족이 발생했습니다. 2025 6월을 기준으로 차세대 자동차는 미국 재고의 3%로 구성되어 있습니다. 이렇게 제한된 공급을 헤쳐나가며 마진을 보호하려면 간단한 재무 지표 뛰어넘는 도구가 필요합니다.
일반적으로 조직은 재고를 세분화하기 위해 ABC 분석에 의존합니다. 이 방법은 달러 사용량만을 기준으로 항목의 우선 순위를 지정하며, '카테고리 A'가 가장 많은 수익 발생시키고 '카테고리 C'가 가장 적게 발생합니다. 이 접근 방식은 간단하지만 리드 타임, 내구성 또는 진부화와 같은 중요한 변수를 무시합니다.
그림 1. 재고 분류를 위한 ABC 분석.
MCIC(Multi-Criteria Inventory Classification)는 양적 데이터 포인트를 추가하여 이를 개선하지만, 여전히 맹점인 비정형 데이터로 인해 어려움을 겪고 있습니다. 고객 리뷰, 유지 관리 로그, 소셜 감정은 글로벌 데이터의 80%를 차지하지만 기존 모델에서는 이를 프로세스 할 수 없습니다. 이 솔루션은 그 격차를 해소합니다. 생성형 AI 와 MongoDB Atlas Vector Search를 결합하면 질적 피드백 실행 가능한 점수 기능으로 변환할 수 있습니다.
그림 2. 비정형 데이터를 머신 러닝 모델의 기능으로 변환합니다.
이 솔루션을 사용하면 반응형 재고 추적에서 예측 가능한 고객 중심 의사 결정으로 이동할 수 있습니다. MongoDB 4단계 방법론을 통해 차세대 AI 기반 인벤토리 분류를 지원합니다.
비정형 데이터에서 벡터 임베딩을 생성하고 저장 .
비즈니스 목표와 관련된 평가 기준을 설계하고 저장 .
해당 기준에 따라 데이터 변환을 수행하는 에이전트 애플리케이션 만듭니다.
새로운 기능이 추가된 인벤토리 분류 모델을 다시 실행합니다.
그림 3. Gen AI 기반 인벤토리 분류를 위한 방법론 및 요구 사항.
이 솔루션은 질적 기준의 수동 평가를 자동화하는 것 외에도 전체 데이터 전략을 운영화합니다. 벡터 임베딩, 메타데이터 및 운영 데이터를 단일 플랫폼으로 통합하면 분리된 배치 분석 파이프라인의 지연 시간 제거할 수 있습니다. 새 SKU가 도착하는 즉시 프로세스 할 수 있으므로 대규모 제품 카탈로그를 실시간 정밀도와 확장하다 로 관리 할 수 있습니다.
참조 아키텍처
이 아키텍처는 4단계 방법론을 운영합니다. 이 솔루션은 MongoDB Atlas 데이터 백본 역할을 하는 동적 에이전트 워크플로를 사용합니다.
벡터 임베딩 생성 및 저장
제품 리뷰, 공급업체 노트 또는 지원 기록과 같은 구조화되지 않은 데이터를 MongoDB Atlas 로 수집합니다. 임베딩 모델(예:Voyage AI 의 모델)을 사용하여 이 텍스트를 벡터화합니다. 그런 다음 결과 임베딩을 MongoDB 문서의 원본 소스 텍스트와 함께 직접 저장 . 이 통합 접근 방식을 통해 인프라 복잡성을 줄이고 단일 API 통해 지연 시간이 짧은 시맨틱 검색을 실행 수 있습니다.
그림 4. 제품 리뷰는 MongoDB Atlas 에 벡터 임베딩으로 저장할 수 있습니다.
디자인 및 저장 평가 기준
비용 절감, 재고 부족 최소화, 고객 경험 향상 등 특정 비즈니스 목표에 따라 분류 규칙을 정의하세요. 이전에는 이러한 목표를 데이터에 매핑하기 위해 많은 수작업과 심층적인 전문 지식이 필요했습니다. 이제 AI 에이전트 이 프로세스 자동화하고 확장합니다.
에이전트 사용 가능한 데이터와 컨텍스트를 분석하여 목표에 부합하는 최적의 매개변수와 데이터 소스 조합을 제안합니다. 이러한 동적 정의는 MongoDB 에 유연한 JSON 문서로 저장 . 이를 통해 대규모 인벤토리에 걸쳐 일관적인 되고 정보에 입각한 의사 결정을 적용 하고 변화하는 비즈니스 요구 사항에 즉시 적응할 수 있습니다.
그림 5. AI 에이전트 는 구조화되지 않은 데이터와 구조화된 데이터를 사용하여 기능 생성 기준을 만듭니다.
에이전트 애플리케이션 으로 데이터 변환
이 단계에서는 두 번째 AI 에이전트 인벤토리의 실제 점수를 계산합니다. 에이전트 제품 카탈로그를 반복하고 MongoDB Atlas Vector Search를 사용하여 2단계에서 정의된 기준과 관련된 특정 고객 리뷰를 조회 합니다.
에이전트 이 검색 설정하다 분석하고 숫자 기능 점수를 계산하고 이 새 데이터로 원본 제품 문서 업데이트합니다. 이 역량 이제 양적 지표 와 수학적으로 비교할 수 있는 질적 인사이트로 데이터 세트를 풍부하게 합니다.
그림 6. AI 에이전트 벡터화된 검토 데이터로 제품 기능을 보강하여 새로운 기능을 생성합니다.
데이터 모델 접근 방식
MongoDB 문서 모델 엄격한 스키마 제약 없이 다양한 데이터 유형을 통합합니다. 이 역량 복잡한 데이터를 확장하다 로 표현하는 방법을 간소화합니다. 다음 예제는 이 에이전트적 워크플로에 필요한 데이터 구조를 보여줍니다.
양적 지표
일반적으로
orders와 같은 재고 트랜잭션에는 연간 달러 사용량, 평균 단가, 총 연간 사용량 및 리드 타임과 같은 표준 MCIC 지표 계산하는 데 필요한 원시 데이터가 포함되어 있습니다.관계형 시스템에서는 주문 데이터가 헤더, 품목 및 물류에 대한 여러 테이블에 분산되는 경우가 많습니다. 읽기 성능을 최적화하고 애플리케이션 로직을 간소화하기 위해 이 데이터를 단일 주문 컬렉션 에 저장 수 있습니다.
확장 참조 패턴을 사용하면 주문의 품목 목록에 제품 정보를 포함할 수 있습니다. 이 접근 방식을 사용하면 단일 데이터베이스 작업으로 트랜잭션 의 전체 컨텍스트를 조회 할 수 있습니다.
{ "_id": "order_55021", "status": "delivered", "purchaseTimestamp": { "$date": "2024-05-08T16:05:31.000Z" }, "items": [ { "price": 85.00, "productId": "part_9921_brake_pad", "productName": "Ceramic Brake Pads - Front Pair" } ], "reviews": [ { "reviewId": "rev_7721", "score": 5, "commentTitle": "Great fit", "commentMessage": "Arrived on time and fit perfectly on my 2020 Sedan." } ] } 구조화되지 않은 소스에서 파생된 지표
귀중한 재고 신호는 유지 관리 로그, 지원 티켓 또는 고객 피드백 과 같은 구조화되지 않은 텍스트로 존재하는 경우가 많습니다. 이 예시 에서는 리뷰를 사용하여 제목 및 메시지 콘텐츠에 대한 벡터 임베딩을 생성하여 의미론적 분석을 수행할 수 있습니다.
원본 텍스트 필드와 함께 벡터 임베딩(emb)을 저장하여 MongoDB Atlas Vector Search를 사용하여 하이브리드 검색을 활성화 합니다. 또한 검토 점수와 같은 메타데이터 사용하면 시맨틱 쿼리( 예시: '안정성'에 대한 리뷰 찾기)를 구조화된 필터( 예시:
"score": 5)와 결합할 수 있습니다.{ "_id": "rev_99812", "productId": "part_9921_brake_pad", "score": 5, "title": "Excellent durability", "message": "I've put 20k miles on these pads and they still look new. Much better than OEM.", "emb": [0.02, -0.15, 0.44, 0.12, ... ] } 기준 정의
이 솔루션의 중요한 단계는 유연한 데이터 기반 분류 기준을 정의하는 것입니다. 하드 코딩된 규칙에 의존하는 대신 기준 컬렉션 에 '지식 객체'로 기준을 저장합니다. AI 에이전트 비즈니스 목표( 예시: 'Durability')와 사용 가능한 데이터를 기반으로 이러한 정의를 생성합니다.
이 문서 구조에는 가중치, 명시적 점수 척도 및 데이터 소스가 포함됩니다. 이 문서 구조는 에이전트 가 재고 전체에서 제품을 일관되게 평가하는 데 사용할 수 있는 스키마 제공합니다.
{ "criteriaName": "Durability", "criteriaDefinition": "Measures how customers perceive the product’s durability relative to their expectations.", "elements": [ { "name": "Expected Durability", "weight": 0.30, "description": "The level of durability customers believe the product should have based on price and category." }, { "name": "Perceived Durability", "weight": 0.40, "description": "How customers describe the actual durability, build quality, and sturdiness after usage." } ], "scoringScale": [ { "description": "Highly durable item that meets or exceeds expectations, strongly positive sentiment", "score": 1 }, { "description": "Low durability item that fails to meet expectations, negative sentiment", "score": 0.01 } ], "dataSources": ["inventory", "reviews"] }
솔루션 빌드
이 방법론이 조치 되는지 시연하기 위해 팀 이전 단계에 제시된 개념을 실행하는 간단한 애플리케이션 구축했습니다. 이 데모는 에이전트 워크플로를 운영화하여 기존 MCIC에서 AI 보강 분류로의 전환을 경험할 수 있습니다.
GitHub 리포지토리내에서 전체 소스 코드 와 설명서 액세스 할 수 있습니다.
그림 8. 데모 애플리케이션 고급 아키텍처입니다.
다음 단계에 따라 애플리케이션 설정하다 하고 에이전트 워크플로를 탐색합니다.
데이터베이스 초기화 : MongoDB Atlas cluster 생성하고 제공된 인벤토리 및 검토 데이터로 데이터베이스 시드합니다.
환경을 설정합니다:
.env.local리포지토리 복제하고, MongoDB Atlas 및 AWS 침대록 자격 증명 사용하여 파일 구성하고, 을(를) 사용하여 앱npm run dev시작합니다.기존 분석 실행: 왼쪽 패널에서 연간 달러 사용량과 같은 표준 수량 기준을 선택하고 분석 실행을 클릭하여 기준 분류를 설정합니다.
새 기준 정의: 새 기준 추가를 클릭하고 '고객 충성도가 높은 제품 식별'과 같은 비즈니스 목표를 설명합니다. 에이전트 구조화된 정의와 데이터 소스를 제안합니다.
점수 생성: 생성을 클릭합니다. 에이전트 인벤토리를 반복하고, 구조화되지 않은 데이터를 분석하고, 각 제품에 점수를 할당합니다.
분류 세분화: 새 기준을 선택 항목에 통합하고 가중치를 조정한 다음 분석 실행을 다시 클릭하여 질적 인사이트가 재고 카테고리를 어떻게 변화시키는지 확인합니다.
다음 섹션에서 데모 애플리케이션 의 조치 확인하세요.
그림 9. 생성형 AI 사용한 인벤토리 분류.
주요 학습 사항
이 솔루션은 생성형 AI 와 문서 모델 의 유연성을 결합하여 재고 분류를 현대화하는 방법을 보여줍니다. 이 아키텍처를 구현 때 다음과 같은 핵심 이점을 고려하세요.
숨겨진 인벤토리가치 활용: 기존 재무 지표 텍스트에 포함된 중요한 인사이트를 놓치고 있습니다. 고객 리뷰 및 유지 관리 로그와 같은 비정형 데이터를 벡터화하면 질적 피드백 분류 정확도를 향상시키는 양적 기능으로 변환할 수 있습니다.
기준 생성 자동화: 수동 규칙 설정은 느리고 엄격합니다. 에이전트적 워크플로를 사용하면 높은 수준의 비즈니스 목표를 기반으로 평가 기준을 동적으로 생성하고 점수를 매길 수 있습니다. 이를 통해 대규모 제품 카탈로그에서 전문가의 의사 결정을 확장할 수 있습니다.
데이터 아키텍처 간소화: 분리된 시스템으로 인해 지연 시간 발생합니다. 운영 데이터, 메타데이터 및 벡터 임베딩을 단일 MongoDB 문서 모델 에 저장하면 복잡한 ETL(추출, 변환, 로드) 파이프라인이 필요 없고 새로운 인벤토리 항목을 실시간 분석 활성화 .
의사결정의 질 향상: 재무 지표 만으로도 인사이트 의 격차가 발생할 수 있습니다. 고객 심리와 제품 안정성 점수를 통합하면 재고 가치에 대한 전체론적 보기가 생성되므로 기존의 ABC 분석에서는 무시되는 영향도가 높은 항목의 우선 순위를 지정할 수 있습니다.
작성자
Humza Akhtar, MongoDB
Rami Pinto Prieto, MongoDB
다니엘 자미르, MongoDB