Para agentes de IA: um índice de documentação está disponível em https://www.mongodb.com/pt-br/docs/llms.txt — as versões de markdown de todas as páginas estão disponíveis anexando .md a qualquer caminho de URL.
Menu Docs

Acompanhamento e rastreamento com tecnologia de IA para fabricação

Transforme dados não estruturados do chão de fábrica em registros de rastreabilidade prontos para auditar. Atenda aos requisitos do EPCIS 2.0 e do passaporte digital de produtos da UE em tempo real.

Casos de uso: IA agentic, Visualização única

Produtos: MongoDB Atlas, Atlas Stream Processing

Parceiros: Amazon Web Services

Acompanhar e rastrear é a prática de registrar cada evento na jornada de um produto, desde a obtenção de matérias-primas até a fabricação, distribuição e entrega, em uma linha do tempo conectada e auditável.

O mercado global de acompanhamento e rastreamento deve atingir US$ 312 bilhões 2030 até. Três prazos regulatórios estão forçando os fabricantes a se moverem:

  • US DSCSA: Requer serialização de medicamentos em nível de item para rastrear todos os medicamentos prescritos em toda a cadeia de suprimentos.

  • Passaporte de bateria da UE: exige que os fabricantes documentem o ciclo de vida completo das baterias EV e industriais até fevereiro de 2027.

  • Passaporte Digital da UE: exige um registro digital verificável para todos os produtos vendidos na UE até 2030.

Cada um desses mandatos compartilha o mesmo requisito: os fabricantes devem provar, a qualquer momento, exatamente onde um produto esteve e o que aconteceu com ele. O custo de não atingir o objetivo é alto. Por exemplo, os recalls de dispositivos médicos aumentaram 8.6% ano após ano em 2024, e um único recall farmacêutico pode custar até $600 milhões.

Atender a esses requisitos depende de dados, e a maioria dos fabricantes já os gera. O problema é que 90% deles nunca são usados. Ele fica em silos fragmentados: log de operador de texto livre, carimbos de data/hora inconsistentes e unidades de medida mistas que os pipeline ETL tradicionais não conseguem lidar sem esquema rígidos e regras de análise frágeis. Quando os dados são limpos e estruturados, a janela para evitar um recall ou cumprir um prazo de compliance já se fechou.

A lacuna entre dados fragmentados de fábrica e registros prontos para conformidade é um problema de engenharia. Essa solução o fecha conectando eventos brutos de fábrica a um histórico de produto estruturado e consultável usando o MongoDB Atlas e o AWS ReadRock.

Os eventos brutos do chão de fábrica chegam ao MongoDB à medida que chegam e, em seguida, passam por um pipeline de limpeza de IA alimentado pelo AWS Bedrock. O pipeline normaliza cada evento em um registro estruturado e compatível com EPCIS 2.0. A jornada completa do produto vive em um único documento, para que um auditor de compliance ou gerente da cadeia de suprimentos recupere toda a cadeia de custódia em uma leitura, sem junções e sem sistema separado para query.

Setores regulamentados já executam essa arquitetura em escala:

  • McKesson rastreia 1.2 bilhões de números de série farmacêuticos por ano e cumpriu seu prazo federal DSCSA no MongoDB Atlas.

  • A GE HealthCare reduz o tempo de recuperação de dados em 83% usando Change Streams e Atlas Search.

  • A Bosch acompanha 6 milhões de eventos de fixação por aeronave com um registro de auditoria completo em conformidade com a FAA.

A arquitetura proposta depende dos seguintes componentes:

  • O MongoDB Atlas serve como a plataforma de dados unificada.

  • O Amazon Web Services Bedrock lida com o raciocínio de IA.

  • Um aplicativo Web Next.js exibe a jornada do produto em tempo real.

Arquitetura da solução de rastreamento e rastreamento

Figura 1. Arquitetura da solução de acompanhamento e rastreamento

O fluxo de trabalho começa quando os eventos do chão de fábrica chegam ao MongoDB sem validação ou pré-processamento. Em seguida, o Atlas Stream Processing encaminha cada evento para uma fila de processamento. A partir daí, um Change Stream aciona o Amazon Web Services Bedrock, que normaliza o texto bruto não estruturado em um registro estruturado e compatível com EPCIS 2.0. Por fim, o MongoDB armazena o evento limpo e atualiza o documento de jornada do produto, concluindo todo o processo em segundos.

O histórico completo do produto reside em um único documento. O aplicativo Web recupera a cadeia de custódia completa em uma query, sem joins.

Um documento de produto no MongoDB começa simples e cresce a cada etapa de fabricação. Os dois documentos abaixo mostram essa evolução.

Os eventos do chão de fábrica chegam exatamente como os operadores os gravam, sem validação e pré-processamento.

{
"text": "ALERT | BATCH-GM005-037 | ShenZhn WH | 06:15:00Z - rcvd \n raw mat'ls from Tianhe Biosci. Qty: 1000u glucose oxidase. \n Temp: 4.2C avg. Purity: 99.3%. 12 units MISSING — QA hold \n ref#QH-2024-001.",
"stage": "Raw Materials Sourcing",
"_timestamp": "2025-01-15T06:15:00.000Z"
}

Após o processamento, o evento limpo atualiza o documento do produto. Cada estágio de fabricação anexa uma nova entrada ao array journey. A cadeia de custódia completa está em um só lugar, conforme mostrado abaixo.

{
"_id": "GM-005",
"productName": "Continuous Glucose Monitor",
"status": "in_production",
"currentStage": "Enzyme Coating",
"journey": [
{
"stage": "Raw Materials Sourcing",
"status": "completed",
"location": "Shenzhen, CN",
"startTime": "2025-01-15T06:15:00.000Z",
"eventCount": 3
},
{
"stage": "Electrode Fabrication",
"status": "completed",
"location": "Penang, MY",
"startTime": "2025-01-16T07:00:00.000Z",
"eventCount": 4
},
{
"stage": "Enzyme Coating",
"status": "in_progress",
"location": "Penang, MY",
"startTime": "2025-01-17T08:00:00.000Z",
"eventCount": 1
}
]
}

Siga as etapas no README do repositório do GitHub para replicar esta solução.

1

Certifique-se de atender aos seguintes requisitos:

  • Node.js 18 ou superior

  • Um cluster do MongoDB Atlas (M10 ou maior) com o Stream Processing habilitado

  • Conta AWS com acesso Bedrock (Claude Haiku ativado em sua região)

2

Use os seguintes comandos para configurar seu projeto:

git clone https://github.com/mongodb-industry-solutions/track-and-trace.git
cd track-and-trace
npm install
3

Copie o arquivo .env.example para o arquivo .env e adicione suas credenciais:

MONGODB_URI=mongodb+srv://<user>:<password>@<cluster>.mongodb.net/
DATABASE_NAME=track-and-trace
AWS_ACCESS_KEY_ID=<your-access-key>
AWS_SECRET_ACCESS_KEY=<your-secret-key>
AWS_REGION=us-east-1
4

Siga as instruções no repositório para criar uma instância de Stream Processing, configurar as conexões de origem e destino do Atlas e implantar o pipeline.

5

Execute o seguinte comando para preencher o banco de dados:

npm run seed
6

Inicie o aplicativo localmente executando o seguinte comando:

npm run dev

Navegue até http://localhost:8080 e clique em Start Simulation para iniciar o processamento de eventos através do pipeline.

  • Desacople a ingestão do processamento: os eventos brutos chegam ao MongoDB imediatamente, independentemente da carga downstream. O Atlas Stream Processing lida com o roteamento de forma independente, mantendo a camada de ingestão rápida e simples.

  • Use Change Streams para criar pipeline de IA reativos: um Change Stream aciona o processamento de IA no momento em que cada evento chega, eliminando a necessidade de pesquisa ou filas de mensagens com risco zero de eventos perdidos.

  • Aceite qualquer esquema na ingestão; imponha a estrutura na saída: a camada de ingestão opera sem validação; em vez disso, a estrutura é imposta no pipeline de limpeza de IA, onde cada evento é normalizado para EPCIS 2.0 antes de ser gravado na coleção de eventos.

  • Incorpore a jornada, não apenas o estado mais recente: Cada estágio, localização e anomalia reside em um único documento de produto, permitindo que os auditores de compliance recuperem a cadeia de custódia completa em uma única leitura, sem nenhuma junção.

  • Transforme dados desorganizados em informações utilizáveis com IA: um pipeline de limpeza orientado por IA pode lidar com abreviações, erros de digitação, unidades inconsistentes e campos ausentes. Quando os padrões mudam, você pode atualizar o prompt, em vez de reescrever o código ETL complexo.

  • Humza Akthar, MongoDB

  • Javier Guajardo, MongoDB