Transformação da experiência do motorista com a MongoDB e o Google Cloud

Componentes integrados

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

• Console do carro: interface do carro onde os usuários interagem com o assistente e recebem respostas. É um aplicativo da web nesta demonstração, mas ele 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: esse componente gerencia a conversa. Ele lida com a transcrição de voz utilizando o Google Cloud Speech-to-Text e interpreta a intenção do motorista. Dependendo da query, ele pode responder diretamente ou chamar ferramentas para obter mais dados ou agir. Para a versão de demonstração, incluímos quatro ferramentas 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.

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

Fornecem inteligência da AI, 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.

• Fornecer APIs de voz: as funções Text-to-Speech e Speech-to-Text do Google Cloud lidam com a interação de voz natural. Vertex AI: fornece incorporações de texto para queries de pesquisa e alimenta o LLM (Gemini) 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 utilizado para associar as perguntas dos usuários às seções de manuais mais relevantes, possibilitando um fluxo de geração aumentada de recuperação (RAG). O suporte nativo do MongoDB para dados estruturados, semiestruturados e vetoriais em um único local simplifica a lógica do assistente e acelera o desenvolvimento.

• Sincronização de dados: utilizamos 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.

A função do MongoDB na AI conversacional

O MongoDB Atlas é a plataforma de dados para desenvolvedores que alimenta esta solução. Como isso melhora a arquitetura:

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

• Permite respostas mais relevantes: o Atlas Vector Search recupera instantaneamente as partes corretas de documentos extensos, 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.

Esta arquitetura é projetada para dimensionar, evoluir e se adaptar, assim como os veículos aos quais ela oferece suporte. Com o MongoDB no centro, os fabricantes de automóveis podem se concentrar menos na infraestrutura de dados e mais em oferecer experiências inteligentes e úteis dentro do veículo, que realmente fazem a diferença na estrada.

Criado para inovação e velocidade

O document model é projetado para refletir a maneira como os desenvolvedores pensam. Precisa adicionar metadados aos seus dados de diagnóstico? Ou associar múltiplos tipos de conteúdo a uma única seção do manual? No MongoDB, trata-se de apenas algumas linhas de código e não de reescrever um esquema. E como cada documento é autônomo, as consultas são mais rápidas e simples. Menos junções, menos partes móveis e mais tempo para criar.

Essa flexibilidade também gera ciclos de inovação mais rápidos. As equipes podem fazer melhorias no modelo de dados com agilidade, sem precisar fazer migrações caras ou deixar o aplicativo inativo, para responder aos novos lançamentos de recursos para os veículos e às mudanças nas expectativas dos usuários.

A escolha natural para cargas de trabalho de AI

A IA generativa se desenvolve em dados ricos, diversos e não estruturados. Incorporações, metadados contextuais, referências estruturadas — tudo isso desempenha um papel em tornar os sistemas de AI mais inteligentes. O MongoDB é singularmente adequado para esses tipos de aplicativos:

• 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.

O resultado? Arquitetura mais simples, melhor desempenho e respostas de AI mais relevantes.

Exemplo 1: Incorporações de manuais de carros

Com a geração aumentada de recuperação (RAG), a qualidade da fragmentação e das incorporações impacta diretamente a qualidade das respostas da AI. Um conteúdo mal segmentado ou um contexto ausente podem gerar respostas vagas ou imprecisas. Os manuais técnicos são inerentemente complexos. Em geral, eles contêm textos densos, diagramas e terminologias específicas da área que dificultam a recuperação de informações corretas.

Para abordar isso, representamos cada parte do manual como um documento. O documento inclui não apenas o texto e sua incorporação vetorial, como também metadados, como tipo de conteúdo (por exemplo, segurança, diagnóstico), números de página, comprimento da 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 interdependentes.

O document model flexível do MongoDB simplifica a captura dessa complexidade. À medida que o manual evolui ou novas necessidades surgem, podemos adicionar campos de forma incremental ou ajustar a estrutura sem precisar de uma migração completa do esquema. Isso permite uma recuperação mais precisa e, em última análise, respostas de AI mais úteis.

{
  "_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, modelamos nossos dados usando a Especificação de Sinal de Veículo da COVESA (VSS). A VSS fornece uma estrutura hierárquica padronizada para descrever sinais em tempo real, como velocidade, aceleração ou códigos de falha de diagnóstico (DTCs). É um formato aberto e extensível que facilita a colaboração, a integração de sistemas e a reutilização de dados em várias plataformas de veículos.

O document model MongoDB lida nativamente com estruturas aninhadas, tornando direta a representação da hierarquia VSS. Os sinais podem ser agrupados logicamente, assim como aparecem no modelo VSS, o que se alinha perfeitamente à estrutura em árvore da especificação.

3figura. 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/vehcycle-signal-specification/

Essa estrutura não apenas acelera o desenvolvimento, mas também garante que as ferramentas e fluxos de trabalho de AI tenham acesso consistente a dados limpos, estruturados e significativos.

{
  "_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 document model do MongoDB não apenas armazena seus dados. Ele reflete a complexidade do mundo real, facilitando a criação de sistemas mais inteligentes que respondem em tempo real, se adaptam às necessidades do usuário e crescem com a sua plataforma. Seja para armazenar diagnósticos de veículos ou manuais codificados em vetor, o MongoDB fornece as ferramentas para desenvolver experiências inteligentes mais rapidamente.

Plataforma de dados para desenvolvedores MongoDB

• MongoDB Atlas Database

• MongoDB Atlas Vector Search

• Driver de nó do MongoDB

• Pipeline de agregação

• Fluxos de alterações

Tecnologias de parceiros

• Google cloud

• PowerSync

• Vercel