MongoDB와 Google Cloud로 드라이버 경험 혁신

내장 구성 요소

이 시스템들은 차량 내 운전자 가까이에서 실행되며, 실시간 음성 상호작용을 가능하게 합니다.

• 차량 콘솔: 차량 내부 인터페이스로, 사용자가 어시스턴트와 대화하고 응답을 받는 곳입니다. 이 데모에서는 웹 앱이지만 실제 차량의 내장 시스템을 나타냅니다.

• 로컬 데이터 저장: 차량은 SQLite를 기반으로 한 경량 에지 데이터베이스인 PowerSync SDK를 사용하여 주요 신호를 로컬에 저장합니다. 이것은 진단 데이터에 빠르게 액세스할 수 있도록 보장하며, 데이터를 MongoDB Atlas와 동기화 상태로 유지합니다.

• 어시스턴트 백엔드: 이 구성 요소는 대화를 관리합니다. Google Cloud 음성-텍스트를 사용하여 음성 전사를 처리하고 운전자의 의도를 파악합니다. 쿼리에 따라 직접 응답하거나 도구를 호출하여 추가 데이터를 가져오거나 조치를 취할 수 있습니다. 데모 버전에는 네 가지 샘플 도구가 포함되어 있습니다.

  • 매뉴얼 참조: Atlas Vector Search를 사용하여 자동차 매뉴얼에서 관련 정보를 조회합니다.

  • 진단 실행: 로컬 차량 데이터에서 현재 진단 코드를 가져옵니다.

  • 경로 재계산: 운전자가 정차 지점을 추가하면 경로를 조정합니다.

  • 채팅 종료: 대화를 원활하게 종료합니다.

const functionDeclarations = [
  {
    functionDeclarations: [
      {
        name: "closeChat",
        description:
          "Closes the chat window when the conversation is finished. By default it always returns to the navigation view. Ask the user to confirm this action before executing.",
        parameters: {
          type: FunctionDeclarationSchemaType.OBJECT,
          properties: {
            view: {
              type: FunctionDeclarationSchemaType.STRING,
              enum: ["navigation"],
              description:
                "The next view to display after closing the chat.",
            },
          },
          required: ["view"],
        },
      },
      {
        name: "recalculateRoute",
        description:
          "Recalculates the route when a new stop is added. By default this function will find the nearest service station. Ask the user to confirm this action before executing.",
        parameters: {
          type: FunctionDeclarationSchemaType.OBJECT,
          properties: {},
        },
      },
      {
        name: "consultManual",
        description:
          "Retrieves relevant information from the car manual.",
        parameters: {
          type: FunctionDeclarationSchemaType.OBJECT,
          properties: {
            query: {
              type: FunctionDeclarationSchemaType.STRING,
              description:
                "A question that represents an enriched version of what the user wants to retrieve from the manual. It must be in the form of a question.",
            },
          },
          required: ["query"],
        },
      },
      {
        name: "runDiagnostic",
        description:
          "Fetches active Diagnostic Trouble Codes (DTCs) in the format OBD II (SAE-J2012DA_201812) from the vehicle to assist with troubleshooting.",
        parameters: {
          type: FunctionDeclarationSchemaType.OBJECT,
          properties: {},
        },
      },
    ],
  },
];

클라우드 구성 요소

이들은 AI 인텔리전스, 확장 가능한 저장소, 데이터 처리 역량을 제공합니다.

• 데이터 수집: 자동차 설명서와 같은 비정형 콘텐츠는 Google Cloud 저장소에 업로드됩니다. 이 작업은 Pub/Sub, Cloud Run, 및 Document AI를 사용하여 PDF를 청크로 분할하는 파이프라인을 트리거합니다. Vertex AI는 이러한 청크에 대한 임베딩을 생성하고, 시맨틱 검색을 위해 MongoDB Atlas에 저장합니다.

• 음성 API 제공: Google Cloud의 텍스트-음성과 음성-텍스트는 자연스러운 음성 상호작용을 처리합니다. Vertex AI: 검색 쿼리에 대한 텍스트 임베딩을 제공하며, 어시스턴트에서 사용하는 LLM(Gemini)을 지원합니다.

• 데이터 저장 및 검색: MongoDB Atlas는 다음을 저장합니다.

  • Atlas Vector Search를 통해 검색하기 위한 수동 청크 임베딩.

  • 사용자 기본 설정 및 세션 데이터.

  • 차량 신호 — 최신 값과 전체 time-series 텔레메트리.

Atlas Vector Search는 사용자의 질문을 가장 관련성 높은 매뉴얼 섹션과 연결하여 검색 증강 생성(RAG) 흐름을 지원합니다. MongoDB의 네이티브 지원으로 구조화된 데이터, 반구조화된 데이터, 벡터 데이터를 한 곳에서 관리하면 보조 로직이 간소화되고 개발 속도가 빨라집니다.

• 데이터 동기화: 차량과 클라우드 간의 양방향 동기화를 위해 PowerSync를 사용합니다.

  • 차량에서 클라우드로: 차량은 진단 코드, 속도 또는 가속도와 같은 원격 분석 데이터를 전송합니다. 클라우드 실행 함수는 이를 Atlas에서 처리하고 저장합니다.

  • 클라우드에서 차량으로: OTA 업데이트나 원격 잠금과 같은 업데이트 또는 조치를 원격으로 차량에 전송할 수 있습니다.

대화형 AI에서 MongoDB의 역할

MongoDB Atlas는 이 솔루션을 지원하는 개발자 데이터 플랫폼입니다. 아키텍처 개선 방법은 다음과 같습니다.

• 운영 및 벡터 데이터 통합: 차량 신호, 벡터 임베딩, 사용자 세션이 단일하고 일관적인 플랫폼에 함께 저장됩니다.

• 더 관련성 있는 응답이 가능: Atlas Vector Search는 대용량 문서에서 적절한 청크를 즉시 조회하여 정확하고 맥락이 풍부한 응답을 제공합니다.

• 엔터프라이즈 규모에 맞춘 설계: 단일 모델이든 글로벌 플릿이든, MongoDB Atlas는 내장형 확장성, 고가용성 및 엔터프라이즈급 보안을 제공합니다.

• 엣지와 클라우드 동기화 간소화: PowerSync와 MongoDB는 차량 내 환경과 클라우드 환경을 원활하게 연결하여 동기화를 실현합니다.

이 아키텍처는 지원하는 차량처럼 확장, 진화 및 적응하도록 설계되었습니다. MongoDB를 핵심으로 하여, 자동차 제조사들은 데이터 관리에 덜 집중하고 도로에서 진정한 차이를 만드는 스마트하고 유용한 차량 내 경험을 제공하는 데 더 집중할 수 있습니다.

혁신과 속도를 고려한 빌드

문서 모델은 개발자가 생각하는 방식에 맞게 설계되었습니다. 진단 데이터에 메타데이터를 추가해야 하나요? 또는 여러 콘텐츠 유형을 하나의 매뉴얼 섹션에 연결해야 하나요? MongoDB에서는 스키마를 다시 작성할 필요 없이 몇 줄의 코드만 있으면 됩니다. 각 문서가 독립적이기 때문에 쿼리가 더 빠르고 간단해집니다. 조인 수가 적고, 움직이는 부분이 적으며, 빌드에 더 많은 시간을 할애할 수 있습니다.

이러한 유연성은 또한 더 빠른 혁신 주기를 가능하게 합니다. 신규 차량 기능이 출시되거나 사용자 기대치가 변화함에 따라 팀은 비용이 많이 드는 마이그레이션이나 앱 다운타임 없이 데이터 모델을 즉석에서 조정할 수 있습니다.

AI 워크로드를 위한 최적의 선택

생성형 인공지능은 풍부하고 다양하며, 비정형 데이터를 기반으로 발전합니다. 임베딩, 컨텍스트 메타데이터, 구조화된 참조 등은 모두 더 스마트한 AI 시스템 구축에 도움이 됩니다. MongoDB는 특히 이러한 유형의 MongoDB 애플리케이션에 적합합니다.

• 벡터 임베딩, 메타데이터 및 소스 콘텐츠를 하나의 문서에 저장합니다.

• 시스템 간 이동 없이 구조화된 데이터와 벡터 데이터를 결합합니다.

• 쿼리 벡터 필드와 비벡터 필드를 함께 사용하여 문맥에 맞는 정확한 결과를 얻으세요.

그 결과, 더 간단한 아키텍처, 더 나은 성능, 그리고 더 관련성 있는 AI 응답이 가능해집니다.

예시 1: 자동차 매뉴얼 임베딩

검색 증강 생성(RAG) 접근법을 사용할 때, 청크와 임베딩의 품질은 AI의 응답 품질에 직접적인 영향을 미칩니다. 잘못 분할된 콘텐츠나 누락된 컨텍스트는 모호하거나 부정확한 답변을 초래할 수 있습니다. 기술 매뉴얼은 본질적으로 복잡합니다. 이들은 종종 조밀한 텍스트, 다이어그램 및 도메인별 용어를 포함하고 있어 올바른 정보를 조회하기 어렵습니다.

이 문제를 해결하기 위해 매뉴얼의 각 청크를 문서로 나타냅니다. 문서에는 텍스트와 벡터 임베딩뿐만 아니라 콘텐츠 유형(예: 안전, 진단), 페이지 번호, 청크 길이, 관련 청크로의 링크와 같은 메타데이터도 포함됩니다. 이 추가적인 컨텍스트는 시스템이 정보의 조각들이 서로 어떻게 연관되어 있는지를 이해하는 데 도움을 주며, 특히 고도로 기술적이거나 상호 의존적인 주제에서 매우 중요합니다.

MongoDB의 유연한 문서 모델을 활용하면 이러한 복잡성을 쉽게 파악할 수 있습니다. 매뉴얼이 발전하거나 새로운 요구가 발생할 경우, 전체 스키마 마이그레이션 없이도 점진적으로 필드를 추가하거나 구조를 조정할 수 있습니다. 이를 통해 더 정밀한 조회가 가능해지며, 궁극적으로 AI 응답의 유용성이 개선됩니다.

{
  "_id": {
    "$oid": "67cc4b09c128338a8133b59a"
  },
  "text": "Oil Pressure Warning Lamp. If it illuminates when the engine is running this indicates a malfunction. Stop your vehicle as soon as it is safe to do so and switch the engine off. Check the engine oil level. If the oil level is sufficient, this indicates a system malfunction.",
  "page_numbers": [
    23
  ],
  "content_type": [
    "safety",
    "diagnostic"
  ],
  "metadata": {
    "page_count": 1,
    "chunk_length": 1045
  },
  "id": "chunk_0053",
  "prev_chunk_id": "chunk_0052",
  "next_chunk_id": "chunk_0054",
  "related_chunks": [
    {
      "id": "chunk_0048",
      "content_type": [
        "safety"
      ],
      "relation_type": "same_context"
    },
    {
      "id": "chunk_0049",
      "content_type": [
        "safety"
      ],
      "relation_type": "same_context"
    },
    ...
  ],
  "embedding": [
    -0.002636542310938239,
    -0.005587903782725334,
    ...
  ],
  "embedding_timestamp": "2025-03-08T13:50:00.887107"
}

예시 2: 차량 신호 데이터

차량 신호에 대해 우리는 COVESA 차량 신호 사양(VSS)을 사용하여 데이터를 모델링했습니다. VSS는 속도, 가속도 또는 진단 문제 코드(DTC)와 같은 실시간 신호를 설명하기 위한 표준화된 계층적 구조를 제공합니다. 이는 차량 플랫폼 전반에서 협업, 시스템 통합 및 데이터 재사용을 용이하게 하는 개방적이고 확장 가능한 형식입니다.

MongoDB 문서 모델은 중첩 구조를 기본적으로 처리하므로 VSS 계층 구조를 표현하는 것이 간단합니다. 신호는 VSS 모델에 나타나는 것처럼 논리적으로 그룹화할 수 있으며, 이는 사양의 트리 기반 구조와 완벽하게 일치합니다.

그림 3. VSS 데이터 모델 은 유연하게 결합할 수 있는 모듈로 구축된 계층적 트리 구조입니다. 출처: https://covesa.global/vehicle-signal-specification/

이 구조는 개발을 가속화할 뿐만 아니라 AI 도구와 워크플로가 깨끗하고 구조화된 의미 있는 데이터에 일관되게 접근할 수 있도록 보장합니다.

{
  "_id": {
    "$oid": "67e58d5f672b23090e57d478"
  },
  "VehicleIdentification": {
    "VIN": "1HGCM82633A004352"
  },
  "Speed": 0,
  "TraveledDistance": 0,
  "CurrentLocation": {
    "Timestamp": "2020-01-01T00:00:00Z",
    "Latitude": 0,
    "Longitude": 0,
    "Altitude": 0
  },
  "Acceleration": {
    "Lateral": 0,
    "Longitudinal": 0,
    "Vertical": 0
  },
  "Diagnostics": {
    "DTCCount": 0,
    "DTCList": []
  }
}

MongoDB의 문서 모델은 단순히 데이터를 저장하는 것 이상의 기능을 제공합니다. 이는 현실 세계의 복잡성을 반영하여, 실시간으로 응답하고, 사용자 요구에 적응하며, 플랫폼과 함께 성장하는 더 스마트한 시스템을 쉽게 구축할 수 있게 합니다. 차량 진단 데이터나 벡터로 인코딩된 매뉴얼을 저장하든, MongoDB는 지능형 경험을 더 빠르게 구축할 수 있는 도구를 제공합니다.

MongoDB 개발자 데이터 플랫폼

• MongoDB Atlas Database

• MongoDB Atlas Vector Search

• MongoDB 노드 드라이버

• 집계 파이프라인

• 변경 스트림

파트너 기술

• Google Cloud

• PowerSync

• Vercel