Crie um aplicativo inteligente de diagnóstico automotivo pós-venda

Desenvolva um aplicativo de diagnóstico automotivo. Combine o MongoDB Atlas com os modelos de incorporação do Voyage para resolver falhas complexas em veículos e reduzir os custos de garantia.

Casos de uso: Inteligência artificial, pesquisa inteligente

Setores: Indústria

Produtos: MongoDB Voyage AI, MongoDB Atlas

Visão Geral da Solução

Parte 1: RAG sensível ao contexto resolveu o problema de recuperar texto estático nos manuais de carros. No entanto, o suporte pós-venda automotivo moderno envolve requisitos cada vez mais complexos. Os veículos de hoje são sistemas sofisticados com extensa integração de software.

A oportunidade de pós-venda

As oficinas de serviço das concessionárias enfrentam demandas crescentes à medida que a complexidade dos veículos aumenta. A interrupção não planejada dos serviços representa um custo significativo para o setor anualmente. Técnicos podem gastar bastante tempo, até 30% em alguns casos, buscando informações em vez de focar em reparos. Um desafio comum envolve a vinculação de códigos de software, os Códigos de Diagnóstico de Problemas (DTCs), a problemas físicos de hardware, o que pode ser demorado sem as ferramentas adequadas.

O desafio No Fault Found (NNF)

Os eventos NFF representam cerca de 30% dos custos de garantia. Eles ocorrem quando um componente é substituído com base em informações de diagnóstico incompletas ou pouco claras, mesmo que a parte estivesse funcionando corretamente. As ferramentas de pesquisa padrão podem não abordar totalmente esse desafio, pois podem não ter o raciocínio contextual necessário para conectar sintomas como uma interrupção de tela a causas subjacentes, como um cabo de aterramento solto.

O Aplicativo de Diagnóstico Inteligente

Esta solução ajuda a criar um aplicativo de Assistente de Diagnóstico no MongoDB Atlas. Ela utiliza modelos da Voyage AI para aprimorar a forma como os técnicos abordam a resolução de problemas:

Automatizar árvores de falhas (GraphRAG): vá além da pesquisa de palavras-chave. Use o $graphLookup do MongoDB para modelar dependências de veículos. Percorrer de Symptom a System a Root Causa para identificar o verdadeiro caminho da falha.
Habilitar pesquisa visual (multimodal): identificar variantes de partes específicas pode ser um desafio, especialmente para técnicos que ainda estão construindo sua experiência. Integrate o voyage-multimodal-3.5da Voyage IA para permitir que o aplicativo aceite a imagem de uma peça e devolva o SKU de substituição correto, tornando a identificação de peças mais rápida e precisa para todos.
Priorize a precisão (reclassificação): use o rerank-2.5 da Voyage AI para reordenar os resultados. Ajude a garantir que os avisos de segurança e as correções verificadas apareçam em destaque nos resultados.

Arquiteturas de referência

Crie um mecanismo de sintomas para solução. Consolide os dados do aplicativo, as incorporações vetoriais e os grafos de diagnóstico no MongoDB Atlas. Isso unifica o fluxo de trabalho do técnico em um único backend do aplicativo.

Componentes do sistema

Serviço de Ingestão

Text: Processe os manuais de serviço do OEM em partes. Preserve o breadcrumb_trail (por exemplo, Model Y > Powertrain > High Voltage).
Construção de grafo: extraia links lógicos de boletins de serviço. Armazene a lógica "Se X, então verifique Y" como definições de edge.
Ativos visuais: incorpore esquemas e fotos de componentes usando a Voyage AI. Armazene arquivos binários no MongoDB GridFS.

Data Layer (MongoDB Atlas)

Banco de dados de aplicativos: armazene partes manuais, áreas de falhas e sessões de usuários no diagnostics_db.
Vector Store: mantenha índices vetoriais duplos. Use o Matryoshka Representation Learning (MRL) da Voyage AI para otimizar a latência de aplicativos para dispositivos móveis.
Armazenamento de Grafos: modele implicitamente a topologia do veículo por meio de referências de documentos.

App Logic (FastAPI)

Orquestração: gerencia o fluxo da sessão de reparo.
Recuperação: executa pesquisas vetoriais para identificar falhas e expande o contexto por meio da travessia de grafos.
Otimização: Reclassifica os resultados para a IU do front-end.

Fluxo de trabalho do aplicativo

Entrada: o mecânico escaneia um VIN e digita um sintoma ("o ar condicionado não gela") ou envia uma foto.
Identificação: o aplicativo recupera o contexto específico do veículo (Trim, Ano) e seções relevantes do manual.
Motivo: o aplicativo usa $graphLookup para verificar subsistemas relacionados (por exemplo, "Verifique o relé do compressor").
Verificação: o aplicativo exibe as três principais correções prováveis, classificadas pelo Reclassificador da Voyage AI, junto com as verificações visuais.

Arquitetura Unificada Vetorial, de Grafo e Multimodal para

Figura 1. Arquitetura vetorial unificada, de grafo e multimodal para diagnóstico automotivo no MongoDB Atlas

Abordagem do modelo de dados

Projete seu esquema para GraphRAG. Use um padrão de edge pré-materializado para vincular sintomas a correções diretamente no document model.

Coleção de Diagnóstico (`manual_chunks`)

Adicione uma relationships array às suas partes manuais. Isso permite que o aplicativo simule o raciocínio de um técnico especialista.

{
  "_id": ObjectId("..."),
  "chunk_id": "chunk_4059",
  "text": "Inspect the AC Compressor Clutch for engagement...",
  // Domain-specific embedding (voyage-context-3)
  "text_embedding": [0.02, -0.5, ...],
  // NEW: Diagnostic Logic Edges
  "relationships": [
    {
      "type": "SEQUENTIAL_TO",
      "target_id": "chunk_4060",
      "description": "Next Step: Check Refrigerant Pressure"
    },
    {
      "type": "CAUSES",
      "target_id": "dtc_b1000",
      "description": "Clutch failure triggers Code B1000"
    },
    {
      "type": "APPLIES_TO",
      "target_id": "trim_performance",
      "description": "Only for Performance Trims"
    }
  ],
  "metadata": {
    "system": "HVAC",
    "component": "Compressor",
    "breadcrumb_trail": "HVAC > COOLING > DIAGNOSTICS"
  }
}

Coleção de partes visuais (`manual_images`)

Vincule incorporações ao GridFS para servir imagens diretamente na IU do aplicativo.

{
  "_id": ObjectId("..."),
  "image_id": "img_001",
  "gridfs_id": ObjectId("..."), // Link to binary image
  "description": "Connector View: AC Compressor C1",
  // 1024-dim Voyage AI Multimodal embedding
  "multimodal_embedding": [-0.1, 0.8, ...],
  "associated_chunks": ["chunk_4059"],
  "metadata": {
    "view_type": "connector_pinout",
    "model_year": "2024"
  }
}

Construir a solução

Implemente três recursos principais do aplicativo. Acesse o código-fonte completo no repositório do GitHub.

Pesquisa Inteligente de Sintomas (GraphRAG)

Crie o botão Diagnose. Use a pesquisa vetorial para encontrar a seção manual e $graphLookup para sugerir a próxima etapa lógica.

// MongoDB Aggregation: Find Symptom -> Suggest Fix
[
  // Step 1: Find the relevant manual section
  {
    "$vectorSearch": {
      "index": "vector_index_text",
      "path": "text_embedding",
      "queryVector": <embedding_of_symptom>,
      "numCandidates": 100,
      "limit": 5
    }
  },
  // Step 2: Traverse the Fault Tree
  {
    "$graphLookup": {
      "from": "manual_chunks",
      "startWith": "$relationships.target_id",
      "connectFromField": "relationships.target_id",
      "connectToField": "chunk_id",
      "as": "suggested_path",
      "maxDepth": 1
    }
  }
]

Ajuste para identificar (multimodal)

Crie o recurso Câmera de peças. Use a Voyage AI para incorporar a imagem e faça query no banco de dados de peças.

# Python / FastAPI snippet
from voyageai import Client
vo = Client(api_key="VOYAGE_API_KEY")
# Feature: User takes a picture of a corroded connector
query_emb = vo.multimodal_embed(
    inputs=[{"image": user_image_bytes}],
    model="voyage-multimodal-3.5"
).embeddings[0]
# Search for the part
results = collection.aggregate([
    {
        "$vectorSearch": {
            "index": "vector_index_images",
            "path": "multimodal_embedding",
            "queryVector": query_emb,
            "limit": 5
        }
    }
])

Classificação de precisão

Filtre os resultados antes de enviá-los para o aplicativo.

import voyageai
# Rerank: Prioritize "Safety Warnings" and "TSBs" (Technical Service Bulletins)
reranking = voyageai.Client().rerank(
    query="AC blowing warm 2024 Model Y",
    documents=retrieved_docs,
    model="rerank-2.5",
    top_k=3
)

Principais Aprendizados

Use incorporações multimodais: os modelos multimodais tradicionais processam texto e imagens por meio de redes separadas, o que gera vieses de recuperação com conteúdo misto. O voyage-multimodal-3.5 da Voyage AI usa uma arquitetura de transformador unificada que processa ambas as modalidades por meio do mesmo backbone, eliminando a lacuna entre as modalidades. Essa arquitetura permite uma recuperação otimizada entre capturas de tela de documentos, PDFs e diagramas sem pipelines complexos de análise sintática.
A estrutura supera as palavras-chave: os mecânicos pensam em sistemas, não em palavras-chave. Uma bateria descarregada pode ser causada pela trava do porta-malas (consumo parasítico). A busca padrão não faz essa conexão. O GraphRAG captura essa relação causal. Ele permite que o aplicativo sugira verificar a trava do porta-malas quando o usuário faz query sobre a bateria.
O backend unificado simplifica o desenvolvimento: a construção de backends separados para vetores, grafos e imagens atrasa o desenvolvimento. O MongoDB Atlas os unifica. Você gerencia uma conexão de banco de dados para toda a sua pilha de aplicativos de diagnóstico. Essa unificação acelera o desenvolvimento de recursos e simplifica a manutenção.

Autores

Mehar Grewal, MongoDB
Humza Akhtar, MongoDB
Daniel Jamir, MongoDB

Saiba mais

Voltar

Diagnóstico automotivo

RAG sensível ao contexto para documentos técnicos