에이전틱 AI 기반 커넥티드 차량 사고 조언 시스템

미래 성장과 과제

자동차 및 모빌리티 산업은 차량 연결, 자율 시스템, 공유 모빌리티, 전기화의 발전으로 인해 중요한 변화를 겪고 있습니다. 자동차는 이제 대량의 데이터를 생성하는 정교한 기계입니다. 자동차 수요는 연결된 자동차 및 전기 자동차에 대한 선호도가 증가함에 따라 다음 20 년 동안 매년3%씩 성장합니다. 자동차 제조업체는 경쟁우위를 유지하기 위해인공 지능(AI), 배터리 전기 자동차(BEV), 소프트웨어 정의 자동차(SDV)를 도입합니다. 전 세계 커넥티드 카 시장 규모는 USD 446.6 억 에 이를 것으로 예상하며, 2033까지 2024 ~ 2033 사이에서 CAGR 19.5%로 성장할 것으로 예상됩니다. 연결된 차량을 관리하는 것은 과제 입니다. 자동차가 점점 정교해지고 내부 및 외부 시스템과 통합됨에 따라 데이터의 양이 증가합니다. 새로운 비즈니스 기회를 활용하려면 다양한 다운스트림 애플리케이션으로 이 데이터를 저장, 전송 및 소비해야 합니다. 글로벌 차량 관리 시장은 까지 USD.65 7 십억에 도달하여 거의.2030 108%의 비율로 성장할 것으로 예상합니다. 매년.

Webfleet에서 2024 실시한 연구 에 따르면 차량 관리자의 32%가 향후 몇 년 동안 AI 와 머신 러닝 차량 운영에 큰 영향 것으로 예상합니다. 이는 EV를 프라이머리 게임 체인저로 언급한 30%를 근소하게 앞섭니다. 경로 계획 최적화와 드라이버 안전 개선은 차량 관리자가 AI가 근무 방식에 변화를 준다고 생각하는 가장 일반적으로 인용되는 두 가지 방법입니다. 차량 관리 소프트웨어 제공자가 AI 에 지속적으로 투자함에 따라, 실시간 의사 결정을 내릴 수 있는 자율 시스템인 에이전트형 AI 를 통합하면 경로 최적화 및 운전자 안전 향상과 같은 사용 사례에 크게 도움이 될 수 있습니다. 예시 를 들어, AI 에이전트는 실시간 교통 업데이트와 기상 조건을 프로세스 경로를 동적으로 조정하여 적시 배송을 보장하고 필요에 따라 운전자에게 자동차 상태를 조언합니다. 이러한 사전 예방적 접근 방식은 기존의 사후 대응 방식과 대조되므로 차량 활용도를 높이고 운영 및 유지 관리 비용을 절감할 수 있습니다.

에이전트 프로필

이 데이터에는 지침, 목표, 제약 조건 등 에이전트 의 ID가 포함됩니다.

에이전트 프로필 예시

{
  "_id": "67c20cf886f35bcb8c71e53c",
  "agent_id": "default_agent",
  "profile": "Default Agent Profile",
  "instructions": "Follow diagnostic procedures meticulously.",
  "rules": "Ensure safety; validate sensor data; document all steps.",
  "goals": "Provide accurate diagnostics and actionable recommendations."
}

단기 기억

단기 기억은 에이전트 실시간 으로 사용하는 일시적인 상황별 정보(최근 데이터 입력 또는 진행 중인 상호 작용)를 보유합니다. 예시 를 들어, 단기 기억은 지난 몇 시간 동안의 차량 활동에 대한 센서 데이터 저장합니다. LangGraph와 같은 특정 에이전트형 AI 프레임워크에서 단기 기억은 체크포인터를 통해 구현됩니다. 체크포인터는 에이전트의 조치 및 추론의 중간 상태를 저장합니다. 이 메모리를 통해 에이전트 작업을 원활하게 일시 중지했다가 다시 시작할 수 있습니다.

단기 기억의 예시: time series 컬렉션에 저장된 텔레메트리 데이터

{
  "_id": "67cb23ee370eb8f40c9bf677",
  "timestamp": "2025-02-19T13:00:00",
  "vin":"5TFUW5F13CX228552",
  "engine_temperature": "90",
  "oil_pressure": "35",
  "avg_fuel_consumption": "8.5",
  "thread_id": "thread_20250307_125027"
}

장기 기억

장기 기억은 시간이 지남에 따라 축적된 지식을 에이전트 에 저장합니다. 여기에는 패턴, 추세, 로그, 기록 권장 사항 및 결정이 포함될 수 있습니다.

장기 기억의 예시: 연결된 차량의 역사적 문제를 벡터화하여 MongoDB에 저장

{
  "_id": "67ca173679c7c286f44f4a24",
  "issue": "Engine knocking when turning",
  "recommendation": "Inspect spark plugs and engine oil.",
  "embedding": [
    -0.021414414048194885,
    -0.0031116530299186707,
    0.014275052584707737,
    -0.030444633215665817,
    0.018614845350384712,
    0.06425976008176804,
    0.0060801152139902115,
    -0.012883528135716915,
    -0.007000760640949011,
    -0.04991862177848816,
...
  ]
}

전제 조건

• Python 3.11+ (백엔드)

• Node.js(Next.js 프론트엔드용)

• MongoDB Atlas 계정

• OpenAI API 키

• Voyage AI API 키

시스템 아키텍처

백엔드 워크플로

다음과 같이 LangGraph를 사용하여 다단계 진단 워크플로를 구현 .

• 에이전트가 드라이버 문제 보고서를 받습니다. 예시 를 들어 "지난 주에 내 차량의 연료 소비가 크게 증가했습니다. 엔진 이나 연료 시스템에 어떤 문제가 있을 수 있나요?"

• 에이전트 원격 분석 데이터를 검색하고 업데이트 기록합니다.

• 에이전트 Voyage AI voyage-3-large 임베딩 API 사용하여 수신 거부에 대한 임베딩을 생성합니다.

• 그 후 MongoDB에 저장된 과거 문제를 대상으로 벡터 검색을 수행해 유사한 사례를 찾습니다.

• MongoDB 추적 가능성을 보장하기 위해 모든 원격 분석, 임베딩 및 세션 로그를 저장합니다.

• 마지막으로 에이전트 는 OpenAI의 채팅 완성 API 사용하여 최종 권장 사항을 생성합니다.

MongoDB Atlas

• 유연한 document model 데이터베이스는 에이전트 프로필, 기록 권장 사항, 원격 분석 데이터, 세션 로그 등을 저장합니다. 이 영구 저장 는 추적성을 위해 진단 프로세스 의 모든 단계를 기록하고 과거 데이터의 효율적인 쿼리 및 재사용을 가능하게 하여 시스템의 추적성과 확장 가능한 높입니다.

프론트엔드 인터페이스

Next.js 프론트엔드는 2열로 구성된 뷰를 제공합니다.

• 왼쪽 열: 실시간 에이전트 워크플로 업데이트를 표시합니다. 예를 들어, 사고 과정 추론, 업데이트 메시지, 최종 추천 사항을 포함합니다.

• 오른쪽 열: 세션 세부 정보, 원격 분석 로그, 기록 권장 사항, 에이전트 프로필 및 샘플 과거 문제를 포함하여 에이전트 실행 중에 MongoDB 에 삽입된 문서를 표시합니다.

애플리케이션 설정

애플리케이션 설정하다 하려면 다음 단계를 수행하세요.

cd agent/backend

python -m venv venv
source venv/bin/activate   # On Windows: venv\Scripts\activate

pip install -r requirements.txt

OPENAI_API_KEY=your_openai_api_key_here
VOYAGE_API_KEY=your_voyage_api_key_here
MONGO_URI=your_mongo_uri_here
DATABASE=fleet_issues
TELEMETRY_PATH=data/telemetry_data.csv
VECTOR_SEARCH_INDEX=issues_index

uvicorn main:app --host 0.0.0.0 --port 8000 --reload

cd ../frontend
npm install

npm run dev

자유롭게 main.py에서 프롬프트를 조정하거나 telemetry_data.csv 파일 에서 원격 분석 데이터를 업데이트 .

솔루션 살펴보기

새 진단 시작

• 프론트엔드 열고 '새 진단'을 선택합니다.

• 텍스트 상자에 문제 보고서를 입력합니다( 예시:

  • 저속으로 회전할 때 노크 소리가 들립니다.

  • 내 차가 저속으로 가속할 때 지속적으로 딸깍 하는 소리가 납니다.

  • 엔진 온도가 약간 상승하면 오일 압력이 갑자기 제거하는 것을 알 수 있었습니다.

  • 지난 주에 내 차량의 연료 소비가 크게 증가했습니다. 엔진 이나 연료 시스템에 어떤 문제가 있을 수 있나요?

  • 최근에 대시 대시보드 에 경고등이 표시되어 차가 가속하기가 어렵습니다.

• "에이전트 실행" 버튼을 클릭하고 에이전트 실행이 완료될 때까지 1~2분 정도 기다립니다.

워크플로 확인

• 워크플로, 생각 체인 출력 및 최종 권장 사항이 왼쪽 열에 표시됩니다.

• 워크플로는 실시간 생성되어 에이전트의 의사 결정 프로세스 투명하게 공개합니다.

그림 3: AI 에이전트 워크플로의시퀀스 다이어그램

MongoDB 문서 검토

• 오른쪽 열에 표시된 문서는 현재 에이전트 실행 중에 삽입된 기록입니다.

  • agent_sessions: 세션 메타데이터 및 스레드 ID를 포함합니다.

  • historical_recommendations: 최종 권장 사항과 관련 진단 정보를 저장합니다.

  • telemetry_data: 원격 분석 센서 데이터를 저장합니다.

  • 로그: 진단 프로세스를 위한 로그 항목을 포함합니다.

  • agent_profiles: 진단 중 사용된 에이전트의 프로필을 보여줍니다.

  • past_issues: (가능한 경우) 과거 문제의 샘플을 표시합니다.

  • 체크포인트: (체크포인트 데이터베이스에서) 잠재적 복구를 위해 마지막으로 저장된 상태를 보여줍니다.

재개 기능

• 선택적으로, 스레드 ID를 입력하여 시스템이 해당 세션을 조회하는 방법을 보여주는 "Resume Diagnosis" 기능을 시연할 수 있습니다.