Transforme a experiência do driver com MongoDB e Google Cloud

Componentes integrados

Eles são executados no veículo, próximo ao motorista, e permitem a interação por voz em tempo real.

• Console do carro: a interface do carro onde os usuários conversam com o assistente e obtêm respostas. Esta demonstração usa um aplicativo da web que representa o sistema embarcado em um veículo real.

• Armazenamento de dados local: os veículos armazenam sinais essenciais localmente usando o PowerSync SDK, um banco de dados leve de borda criado no SQLite. Isso garante acesso rápido aos dados de diagnóstico e mantém os dados em sincronização com o MongoDB Atlas.

• Backend do assistente: este componente gerencia a conversa. Ele lida com a transcrição de voz usando o Google Cloud Feature-to-Text. Dependendo da query, ela responde diretamente ou chama FERRAMENTAS para buscar mais dados ou executar ação. Esta demonstração inclui quatro ações de exemplo:

  • Consultar manual: usa o Atlas Vector Search para recuperar informações relevantes do manual do veículo.

  • Executar diagnósticos: obtém os códigos de diagnóstico atuais dos dados locais do veículo.

  • Recalcular rota: ajusta a viagem se o motorista adicionar uma parada.

  • Fechar chat: encerra a conversa de forma gentil.

Esta solução utiliza o seguinte objeto para definir ferramentas para o assistente de backend. A solução passa o objeto para o Google Cloud quando inicia a funcionalidade de chat.

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: {},
        },
      },
    ],
  },
];

Componentes de nuvem

Esses componentes são armazenados no Google Cloud ou MongoDB Atlas e fornecem inteligência de IA, armazenamento dimensionável e funcionalidades de processamento de dados.

• Ingestão de dados: conteúdos não estruturados, como manuais de automóveis, são carregados no Google Cloud Storage. Isso aciona um pipeline usando Pub/Sub, Cloud Run e Document AI para dividir os PDFs em partes. O Vertex AI gera incorporações para essas partes, que são armazenados no MongoDB Atlas para pesquisa semântica.

• Serviço de APIs de voz: as APIs de texto para voz e de voz para texto do Google Cloud lidam com a interação por voz natural. A IA do Vertex fornece incorporações de texto para queries de pesquisa e alimenta o Gêmeos, que é o LLM usado pelo assistente.

• Armazenamento e recuperação de dados: O MongoDB Atlas armazena:

  • Incorporações manuais de partes para recuperação por meio do Atlas Vector Search.

  • Preferências do usuário e dados da sessão.

  • Sinais de veículos — tanto os valores mais recentes quanto a telemetria completa de séries temporais.

O Atlas Vector Search é usado para combinar as perguntas do usuário com as seções do manual mais relevantes, permitindo um fluxo de geração aumentada de recuperação (RAG). O suporte nativo do MongoDB para dados estruturados, semiestruturados e vetoriais em um só lugar simplifica a lógica do assistente e acelera o desenvolvimento.

• Sincronização de dados: essa solução usa o PowerSync para sincronização bidirecional entre o veículo e a nuvem:

  • Do veículo para a nuvem: o veículo envia dados de telemetria, como códigos de diagnóstico, velocidade e aceleração. Uma função de execução na nuvem os processa e armazena no Atlas.

  • Nuvem para veículo: permite atualizações ou ações enviadas remotamente para o carro, como atualizações OTA ou bloqueio remoto.

MongoDB na IA conversacional

O MongoDB Atlas melhora esta arquitetura de soluções das seguintes maneiras:

• Unifica dados operacionais e vetoriais: sinais de veículo, incorporações vetoriais e sessões de usuário são armazenados juntos em uma única plataforma.

• Permite respostas mais relevantes: o Atlas Vector Search recupera as partes corretas de documentos grandes instantaneamente, alimentando respostas precisas e ricas em contexto.

• Criado para ter escala empresarial: seja um único modelo ou uma frota global, o MongoDB Atlas oferece escalabilidade horizontal integrada, alta disponibilidade e segurança de nível empresarial.

• Simplifica a sincronização entre a borda e a nuvem: o PowerSync e o MongoDB trabalham juntos para integrar ambientes automotivos e de nuvem sem atrito.

Essa arquitetura foi projetada para dimensionar, desenvolver e se adaptar, assim como os veículos que ela suporta. Com o MongoDB no núcleo, as montadoras podem se concentrar menos no encanamento de dados e mais na entrega de experiências inteligentes e úteis no carro que realmente fazem a diferença na motorista.

Criado para inovação e velocidade

O document model foi projetado para desenvolvedores. O esquema flexível do MongoDB permite que você altere e atualize facilmente seu modelo de dados. À medida que novos recursos de veículos são lançados ou as expectativas do usuário mudam, as equipes podem desenvolver o modelo de dados dinamicamente, sem migrações dispendiosas ou tempo de inatividade do aplicativo. Além disso, como cada documento é autônomo, as queries são mais rápidas e simples.

A escolha natural para cargas de trabalho de AI

A IA generativa depende de dados ricos, diversos e não estruturados. Incorporações, metadados contextuais, referências estruturadas contribuem para melhorar os sistemas de IA. Você pode executar as seguintes ações com o MongoDB:

• Armazenar incorporações vetoriais, metadados e conteúdo de origem em um único documento.

• Combine dados estruturados e vetoriais sem alternar entre sistemas.

• Faça a query de campos vetoriais e não vetoriais juntos para obter resultados contextuais e precisos.

Exemplo 1: Incorporações de manuais de carros

Ao usar uma abordagem de geração aumentada de recuperação (RAG), a qualidade dos blocos e das incorporações afeta diretamente a qualidade das respostas da IA. Conteúdo mal segmentado ou contexto ausente pode levar a respostas vazias ou imprecisas. Os manuais técnicos geralmente contêm texto denso, diagramas e terminologia específica do domínio, tornando difícil recuperar as informações corretas.

Esta solução representa cada parte do manual como um documento. O documento inclui não apenas o texto e sua incorporação vetorial, mas também metadados como tipo de conteúdo (por exemplo segurança e diagnóstico), números de página, comprimento de parte e links para partes relacionadas. Esse contexto adicional ajuda o sistema a entender como as informações se relacionam entre si, o que é especialmente importante em tópicos altamente técnicos ou interdependem.

O modelo de documento flexível do MongoDB facilita a captura dessa complexidade. À medida que o manual avança ou à medida que novas necessidades surgem, você pode adicionar campos ou ajustar a estrutura de forma incremental sem exigir uma migração completa do esquema. Isso permite uma recuperação mais precisa e respostas de IA mais úteis.

O seguinte documento de exemplo representa uma parte manual:

{
  "_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"
}

Exemplo 2: Dados de Sinal do Veículo

Para sinais de veículos, esta solução modela dados usando a Especificação de Sinal de Automóvel (VSS) da COVESA. O VSS fornece uma estrutura hierárquica padronizada para descrever sinais em tempo real, como velocidade, aceleração ou códigos de problemas de diagnóstico (DTCs). É um formato aberto e extensível que facilita a colaboração, a integração de sistemas e a reutilização de dados em plataformas de veículos.

Como o modelo de documento do MongoDB lida nativamente estruturas aninhadas, representar a hierarquia do VSS é simples. Os sinais podem ser agrupados logicamente, assim como aparecem no modelo VSS, que se alinha à estrutura baseada em árvore da especificação.

figura 3. O modelo de dados VSS é uma estrutura hierárquica de árvore construída com módulos que podem ser combinados de forma flexível. Fonte: https://covesa.global/vehicle-signal-specification/

Essa estrutura acelera o desenvolvimento e garante que as ferramentas e os fluxos de trabalho de IA tenham acesso consistente a dados limpos, estruturados e significativos.

O documento a seguir é um exemplo de representação de um sinal de veículo que está em conformidade com o VSS.

{
  "_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": []
  }
}

O modelo de documento do MongoDB não apenas armazena seus dados. Ele espelha a complexidade do mundo real, facilitando a criar de sistemas mais inteligentes que respondam em tempo real, se adaptem às necessidades do usuário e cresçam com sua plataforma. Esteja você armazenando diagnósticos de veículos ou manuais codificados por vetores, o MongoDB fornece as FERRAMENTAS para criar experiências inteligentes com mais rapidez.