Otimize os sistemas de gerenciamento de frotas com chatbots de IA, rastreamento geoespacial e perspicácias em tempo real com a tecnologia MongoDB.
Setores: Manufatura e movimento
Produtos e ferramentas: MongoDB Atlas, MongoDB Atlas Vector Search, Coleções de séries temporais do MongoDB, Queries geoespaciais, Charts
Visão Geral da Solução
O gerenciamento de frotas envolve várias tarefas críticas, incluindo rastreamento de veículos e seu status, otimização da eficiência de consumo de energia, agendar manutenção pontual e garantir o compliance com as normas.
O gerenciamento dessas tarefas requer dados gerados por veículos, sensores e logs operacionais. Quando você consolida essas informações em uma única fonte, a inteligência artificial pode gerar perspicácia e recomendações preditivas. Isso ajuda os gerentes de veículos a executar suas operações com eficiência.
Essa solução, chamada de Leafy Fire, é uma demonstração que usa IA generativa e de agentes para dar suporte às cargas de trabalho dos gerentes de Frota. A solução usa o MongoDB Atlas para melhorar as operações de gerenciamento de veículos, fornecendo uma base de dados flexível e unificada que alimenta a análise em tempo real e queries geoespaciais complexas. Os principais recursos incluem:
Assistente de IA agente: faça perguntas em linguagem natural sobre o status da sua Frota para receber perspicácia em tempo real, recomendações práticas e suporte à tomada de decisões. Isso melhora a compliance e o agendar da manutenção ao estar em processamento instantaneamente dados operacionais em tempo real para identificar problemas pendentes.
Controle do dashboard: Use Charts para monitorar o desempenho e o status da Frota, incluindo grafos para níveis de gás, tendências de Efetividade Geral do Equipamento (OEE) ao longo do tempo, mapas de calor para pontos da cidade percorridos com frequência e mapas de rotas para navegação na cidade. A visualização das tendências do OEE e do Combustível melhora a otimização do Combustível e o planejamento de manutenção.
Rastreamento de localização de veículos: Localize veículos dentro ou próximos a áreas específicas com geocerca usando as queries geoespaciais nativas do MongoDB. Isto garante um gerenciamento de frota preciso e eficiente. Essa funcionalidade aprimora a otimização de rotas e garante o rastreamento preciso do status em tempo real.
figura 1. Três principais funcionalidades do Leafy Frota
Arquiteturas de referência
Essa solução usa o MongoDB Atlas como uma plataforma de dados única que agrega e operacionaliza dados de séries temporais, geoespaciais e vetoriais para habilitar aplicativos de IA Agentic.
O diagrama de arquitetura abaixo ilustra os principais recursos da demonstração e seus fluxos de trabalho interconectados:
figura 2. Arquitetura de alto nível do Leafy Frota
Simulação de ingestão de telemetria: As chamadas de microsserviço FastAPI geram e enviam dados de telemetria do carro em tempo real para o back-end, simulando um fluxo contínuo de métricas do veículo.
Processamento e armazenamento: A solução processa os dados de telemetria ingeridos e os armazena em uma coleção de séries temporais no MongoDB Atlas.
Interação em linguagem natural: os usuários interagem com o sistema de agentes fazendo perguntas em linguagem natural. A framework LangGraph orquestra várias FERRAMENTAS para recuperar dados relevantes e envia os resultados para um LLM, que gera uma resposta coerente e sensível ao contexto.
Integração de serviços: todos os componentes se conectam perfeitamente por meio de microsserviços FastAPI.
Abordagem do modelo de dados
As coleções do MongoDB fornecem uma configuração flexível e eficiente para organizar seus dados, enquanto coleções especializadas de coleções de séries temporais otimizam o armazenamento de dados de telemetria. Essas funcionalidades permitem que você crie uma fonte unificada da verdade para os dados da sua Frota.
O Leafy Express organiza seus dados usando as seguintes coleções:
vehicleTelemetry: Armazenar dados do sensor tempo real, coordenadas de GPS e métricas de desempenho à medida que os veículos se movem por suas rotas. Para o escopo da demonstração, essa coleção tem um índice Time to Live (TTL) que remove documentos após 12 horas.vehicles: inclui informações gerais do veículo, como VINs, ano, modelo e driver atribuído.agent_session: acompanha as interações do usuário e as sessões de gerenciamento de navegação.geofences: Define limites geográficos e zonas operacionais críticas para sistemas de gerenciamento de navegação. As cercas geográficas são limites virtuais usados para monitorar e gerenciar a atividade de veículos em áreas específicas. Cada documento de geofence tem um polígono GeoJSON para definir a área que cobre.checkpoints: acompanha as decisões do LangGraph.checkpoint_writes: registra logs de checkpoints com IDs de thread.historical_recommendations: Armazena recomendações anteriores geradas por IA, permitindo a tomada de decisões informadas com base em padrões históricos.agent_profiles: Define diferentes configurações de agente de IA, cada um com funções, instruções e objetivos específicos para tarefas de análise de veículos.
Coleções de Time Series
Coleções de séries temporais são coleções especializadas, projetadas para armazenar e gerenciar dados de séries temporais de forma eficiente. Eles simplificam o manuseio de séries temporais, como leituras de telemetria e dados do sensor, organizando as informações geradas ao longo do tempo em um formato otimizado que melhora o desempenho e a escalabilidade.
No contexto dos sistemas de gerenciamento de veículos, as coleções de séries temporais podem armazenar dados de telemetria de veículos, incluindo métricas de sensores e coordenadas de navegação, permitindo que eles processem grandes volumes de dados baseados em tempo de forma eficaz.
O documento abaixo é um exemplo dos dados armazenados na coleção de séries temporais vehicleTelemetry:
{ "timestamp": { "$date": "2025-09-22T07:08:54.095Z" }, "metadata": { "car_id": 206 }, "_id": { "$oid": "68d104144dd67072732b9327" }, "sessions": [ "68d10411665f68254c898943" ], "max_fuel_level_lt": 65, "traveled_distance_km": 9735.08, "current_geozone": "riverside", "is_engine_running": true, "engine_oil_level_lt": 4.5, "current_route": 206, "quality_score": -0.16, "fuel_leve_lt": 23.3, "performance_score": 0.82, "availability_score": 1, "oil_temperature": 95.47, "is_oil_leak": false, "run_time": 2.8, "is_moving": true, "speed_km_hr": 25.7, "is_crashed": false, "average_speed": 25, "coordinates": { "type": "Point", "coordinates": [ -97.76570129394531, 30.232519149780273 ] }, "oee": -0.13 }
Essa estrutura de documento oferece as seguintes vantagens:
Dados tempo real, abrangentes: Consolida a identidade, a localização, as leituras do sensor e as principais métricas de desempenho do veículo em um único documento, permitindo o monitoramento instantâneo e perspicácias acionáveis.
Perspicácias aplicáveis: inclui métricas derivadas, como pontuação de desempenho, disponibilidade, OEE e níveis de gás, fornecendo uma base para a tomada de decisões orientada por IA e a otimização operacional.
Flexível e extensível: oferece suporte a diversos tipos de veículos com sensores variados sem exigir a reestruturação do banco de dados, facilitando a adaptação à medida que a frota evolui.
Construir a solução
Use este repositório GitHub para executar esta demonstração em seu ambiente local. O README guia você nas seguintes etapas:
Configurar pré-requisitos
Instale as seguintes dependências em seu ambiente local:
Python versão 3.10
Node.js (necessário para Next.js)
Conta do MongoDB Atlas
Chave de API do Voyage AI
AWS CLI
Docker
Para implantar o Leafy Fleet, você deve executar vários microsserviços que servem como back-end e um aplicativo Next.js como front-end.
Conecte-se ao MongoDB Atlas e preencha o banco de dados
Crie um cluster MongoDB Atlas para implantar esta demonstração. Em seguida, obtenha o URI da string de conexão do MongoDB. Se precisar de mais ajuda, siga este guia para obter a string de conexão.
Em seguida, preencha seu banco de dados com os dados e metadados necessários para a demonstração. No código do aplicativo, localize o diretório dump/leafy_fleet. Este diretório contém arquivos .bson e .json que contêm os dados e metadados das coleções agent profiles, checkpoints, geofences, vehicles` and ``vehicles telemetry.
Em seu terminal, navegue até o nível raiz do código do aplicativo e use o seguinte mongorestore comando para carregar os dados do despejo do banco de dados para o novo banco de dados dentro do seu cluster. Substitua o argumento para --uri por sua string de conexão MongoDB.
mongorestore --uri "mongodb+srv://<user>:<password>@<cluster-url>" ./dump/leafy_fleet
Criar uma conta Voyage IA
Crie uma chave de API Voyage IA para gerar as incorporações. A viagem da Voyage AI-3.5 O modelo de incorporação oferece suporte a quatro dimensões de incorporação e oferece funcionalidades de recuperação multilíngue e de alta qualidade.
Crie seus .env arquivos
Crie um arquivo .env dentro da pasta leafy-fleet/backend utilizando a seguinte configuração:
MONGODB_URI=<YOUR_MONGODB_ATLAS_CONNECTION_STRING> APP_NAME="leafy_fleet" AWS_REGION=<THE_AWS_REGION_YOU_SET_UP_YOUR_ACCOUNT_IN> AWS_PROFILE=<YOUR_AWS_PROFILE_NAME> ORIGINS="http://localhost:3000" # your local dev server VOYAGE_API_KEY=<YOUR_VOYAGE_API_KEY> STATIC_SERVICE_ENDPOINT="http://static-vehicle-service" TIMESERIES_POST_ENDPOINT="http://timeseries-post-service" GEOFENCES_SERVICE_ENDPOINT="http://geofence-get-service"
Em seguida, crie um arquivo .env dentro da pasta leafy-fleet/frontend utilizando a seguinte configuração:
NEXT_PUBLIC_AGENT_SERVICE_URL="localhost:9000" NEXT_PUBLIC_TIMESERIES_GET_SERVICE_URL="localhost:9001" NEXT_PUBLIC_SESSIONS_SERVICE_URL="localhost:9003" NEXT_PUBLIC_GEOSPATIAL_SERVICE_URL="localhost:9004" NEXT_PUBLIC_SIMULATION_SERVICE_URL="localhost:9006" NEXT_PUBLIC_STATIC_SERVICE_URL="localhost:9005"
Execute o projeto
Primeiro, crie uma rede Docker executando o seguinte comando:
docker network create -d bridge simulation-network
Verifique se você tem acesso à AWS por meio da AWS CLI.
Em seguida, navegue até o diretório raiz do projeto para garantir que os arquivos do Docker estejam acessíveis. Execute a demonstração com o Docker Compose executando o seguinte comando:
docker compose up -d
Por fim, navegue até https://localhost:3000 dentro do seu navegador e inicie a simulação.
Principais Aprendizados
Use MongoDB como base para o gerenciamento de frotas: o document model do MongoDB, as coleções de séries temporais e as funcionalidades geoespaciais fazem dele uma plataforma de dados ideal para casos de uso complexos de gerenciamento de frotas. Ele fornece a escalabilidade, a flexibilidade e o desempenho necessários para lidar com dados de telemetria em tempo real, rastreamento de localização e logs operacionais.
Aproveite os dados para simplificar os processos e aprimorar a tomada de decisões: ao consolidar a telemetria em tempo real, o monitoramento de geofence e as métricas de desempenho, a solução demonstra como os dados podem melhorar a eficiência operacional da Frota, permitindo que os gerentes de Frota tomem decisões mais rápidas e informadas.
Habilite o gerenciamento de Frotas com IA de Agente: o Leafy Frota usa IA de Agente para interpretar queries de linguagem natural, orquestrar FERRAMENTAS e gerar perspicácias sensíveis ao contexto. Isso simplifica a tomada de decisões e melhora o desempenho, criando uma experiência responsiva para os gerentes de navegação.
Autores
Fernando Moran, MongoDB
Cyrll Makemiko, MongoDB
Daniel Jamir, MongoDB
Saiba mais
Para saber como o Atlas Vector Search aprimora a pesquisa semântica e habilita a análise em tempo real, visite a página do Atlas Vector Search.
Para implementar uma arquitetura de geração aumentada de recuperação, consulte Geração aumentada de recuperação (RAG) com Atlas Vector Search.
Para descobrir como o MongoDB transforma o gerenciamento de frotas e outros casos de uso, visite a página Manufacturing and Mobility.
Para saber mais sobre estratégias de modelagem de dados para dados de sinal de veículo conectado, consulte Consultor de Incidentes de Frota Conectada Habilitado para IA da Agentic.