Consultor de incidentes de frota conectada com tecnologia de AI agêntica

Visão Geral da Solução

A indústria automotiva e de mobilidade está passando por uma transformação significativa, impulsionada por avanços na conectividade dos veículos, nos sistemas autônomos, na mobilidade compartilhada e na eletrificação. Os veículos de hoje são máquinas sofisticadas que geram grandes quantidades de dados. A demanda automotiva crescerá 3% anualmente nos próximos 20 anos, com aumento da preferência por veículos conectados e elétricos. Os fabricantes automotivos estão adotando inteligência artificial (IA), veículos elétricos a bateria (BEVs) e veículos definidos por software (SDVs) para manter sua vantagem competitiva. O tamanho do mercado global de veículos conectados deve valer cerca de US$ 446,6 bilhões até 2033, crescendo a uma taxa de crescimento média anual de 19,5% entre 2024 e 2033. Gerenciar frotas de veículos conectados é um desafio. À medida que os carros se tornam mais sofisticados e integrados com sistemas internos e externos, o volume de dados aumenta significativamente. Esses dados precisam ser armazenados, transferidos e consumidos por vários aplicativos para desbloquear novas oportunidades de negócios. Projeta-se que o mercado global de gerenciamento de frotas vai chegar a US$ 65,7 bilhões até 2030, crescendo a uma taxa de quase 10,8% anualmente.

Um estudo de 2024 realizado pela Webfleet revelou que 32% dos gerentes de frotas acreditam que a IA e o aprendizado de máquina terão um impacto significativo nas operações das frotas nos próximos anos. Isso supera por pouco os 30% que citaram os veículos elétricos como principais fatores de mudança. Os gerentes de frotas mencionaram acreditar que as maiores mudanças causadas pela IA serão na otimização do planejamento de rotas e na melhoria da segurança dos motoristas. À medida que os provedores de software de gerenciamento de frotas continuam a investir em IA, a integração de sistemas autônomos de IA agêntica capazes de tomar decisões em tempo real pode ajudar significativamente em casos de uso como otimização de rotas e melhoria da segurança dos motoristas. Por exemplo, os agentes de IA podem processar atualizações de trânsito e condições climáticas em tempo real para ajustar as rotas dinamicamente, garantindo entregas pontuais enquanto informam os motoristas sobre a condição do veículo conforme necessário. Essa abordagem proativa contrasta com os métodos reativos tradicionais, melhorando a utilização dos veículos e reduzindo os custos operacionais e de manutenção.

Um agente é um aplicativo operacional que busca atingir um objetivo ao observar o mundo e agir sobre ele, utilizando os dados e as ferramentas disponíveis. O termo "agêntico" refere-se a ter agência como um agente de IA, tomando medidas proativas para atingir objetivos sem supervisão humana constante. Por exemplo, em vez de apenas gerar um relatório de anomalia com base na análise de dados de telemetria de carros conectados, um sistema de AI agêntica para uma frota conectada poderia autonomamente verificar essa anomalia em relação a problemas conhecidos, decidir se é crítica ou não, e agendar uma manutenção por conta própria.

Nesta solução, criaremos um consultor de frota conectada com tecnologia de AI, utilizando o MongoDB Atlas, Voyage AI, OpenAI e LangGraph.

O sistema recebe reclamações de motoristas ou queries de gerentes de frota, processa dados de telemetria de veículos, gera uma cadeia de raciocínio, realiza uma pesquisa vetorial por problemas semelhantes, armazena os dados no MongoDB e, por fim, produz uma recomendação de diagnóstico usando um LLM da OpenAI.

Figura 1. Componentes básicos de um agente de AI

Arquiteturas de referência

A arquitetura de referência mostrada abaixo ilustra o funcionamento interno e o fluxo de dados do agente de AI. O fluxo de trabalho começa quando é recebida uma query do usuário (motorista) acerca de um possível problema (por exemplo, ouvir um som de batida). Essa solicitação é processada pelo orquestrador de agentes baseado em LangGraph, que utiliza um LLM (GPT-4o da OpenAI) para interpretar a solicitação, bem como para criar um raciocínio e um fluxo de trabalho da cadeia de pensamento (Chain of Thought, CoT). O fluxo de trabalho, então, é executado pelo agente utilizando ferramentas como o Atlas Vector Search.

O agente processa um relatório de problema da seguinte forma:

• Leitura de dados de telemetria: ingestão de dados do sensor do veículo a partir de um arquivo CSV (ou de uma API em uma configuração de produção).

• Gerar uma incorporação: utiliza a API de incorporação da Voyage AI para converter o texto da reclamação em uma representação numérica.

• Atlas Vector Search: busca por problemas semelhantes no MongoDB Atlas utilizando a embedding gerada.

• Persistência de dados: salva dados de telemetria, logs de sessão e recomendações no MongoDB Atlas.

• Recomendação final: usa a API de chat da OpenAI para gerar conselhos diagnósticos úteis.

Figura 2. Arquitetura de referência da solução proposta

Abordagem do modelo de dados

Um agente requer diferentes tipos de dados para funcionar. O document model da MongoDB permite que você modele facilmente todos esses dados em um único banco de dados. A seguir, você encontra um exemplo para cada tipo de dados encontrado em um aplicativo de AI agêntica para gerenciamento de frota. Observe como a flexibilidade do document model pode ser adaptada para se adequar ao tipo de dados que precisam ser armazenados.

{
  "_id": "67c20cf886f35bcb8c71e53c",
  "agent_id": "default_agent",
  "profile": "Default Agent Profile",
  "instructions": "Follow diagnostic procedures meticulously.",
  "rules": "Ensure safety; validate sensor data; document all steps.",
  "goals": "Provide accurate diagnostics and actionable recommendations."
}

{
  "_id": "67cb23ee370eb8f40c9bf677",
  "timestamp": "2025-02-19T13:00:00",
  "vin":"5TFUW5F13CX228552",
  "engine_temperature": "90",
  "oil_pressure": "35",
  "avg_fuel_consumption": "8.5",
  "thread_id": "thread_20250307_125027"
}

{
  "_id": "67ca173679c7c286f44f4a24",
  "issue": "Engine knocking when turning",
  "recommendation": "Inspect spark plugs and engine oil.",
  "embedding": [
    -0.021414414048194885,
    -0.0031116530299186707,
    0.014275052584707737,
    -0.030444633215665817,
    0.018614845350384712,
    0.06425976008176804,
    0.0060801152139902115,
    -0.012883528135716915,
    -0.007000760640949011,
    -0.04991862177848816,
...
  ]
}

Construindo a Solução

A solução integra várias tecnologias essenciais. Para criar esta solução, existem alguns pré-requisitos.

cd agent/backend

python -m venv venv
source venv/bin/activate   # On Windows: venv\Scripts\activate

pip install -r requirements.txt

OPENAI_API_KEY=your_openai_api_key_here
VOYAGE_API_KEY=your_voyage_api_key_here
MONGO_URI=your_mongo_uri_here
DATABASE=fleet_issues
TELEMETRY_PATH=data/telemetry_data.csv
VECTOR_SEARCH_INDEX=issues_index

uvicorn main:app --host 0.0.0.0 --port 8000 --reload

cd ../frontend
npm install

npm run dev

Executando a Solução

Iniciando um Novo Diagnóstico

• Abra o frontend e escolha “Novo diagnóstico”.

• Insira um relatório de problema na caixa de texto (por exemplo, a reclamação de amostra já exibida).

  • Exemplos de prompts:

    • Estou ouvindo um som de batida ao fazer curvas em baixa velocidade.

    • Meu carro fica fazendo um ruído estridente quando acelero em baixas velocidades.

    • Notei uma queda repentina na pressão do óleo, além de um ligeiro aumento na temperatura do motor.

    • O consumo de combustível do meu veículo aumentou significativamente na última semana. O que pode estar errado com o motor ou o sistema de combustível?

    • Uma luz de alerta apareceu há pouco tempo no painel do carro e agora não consigo acelerar.

• Clique no botão "Executar agente" e aguarde um ou dois minutos enquanto o agente conclui sua execução.

Visualizar o fluxo de trabalho

• O fluxo de trabalho, a cadeia de raciocínio e a recomendação final são mostrados na coluna da esquerda.

• O fluxo de trabalho é gerado em tempo real, proporcionando transparência ao processo de tomada de decisão do agente.

Revisando documentos do MongoDB

• Na coluna à direita, os documentos exibidos são os registros inseridos durante a execução atual do agente:

  • agent_sessions: contém metadados da sessão e o ID da thread.

  • historical_recommendations: armazena as recomendações finais e os diagnósticos relacionados.

  • telemetry_data: contém as leituras dos sensores de telemetria.

  • logs: contêm entradas de logs para o processo de diagnóstico.

  • agent_profiles: mostram o perfil do agente que foi utilizado durante o diagnóstico.

  • past_issues: (se disponível) exibe uma amostra do histórico de problemas.

  • checkpoints: (do banco de dados de checkpointing) mostra o último estado salvo para possível recuperação.

Funcionalidade retomada

• Opcionalmente, podemos demonstrar o recurso "Retomar diagnóstico" inserindo um ID de thread e mostrando como o sistema recupera a sessão correspondente.

Figura 3: diagrama de sequência do fluxo de trabalho do agente de AI

Principais Aprendizados

Desenvolver soluções com AI agêntica para o setor de mobilidade requer uma infraestrutura de dados robusta. O MongoDB Atlas oferece várias vantagens essenciais — trata-se de uma base ideal para essas arquiteturas orientadas por AI.

• Escalabilidade e flexibilidade: plataformas de carros conectados, como sistemas de gerenciamento de frotas, precisam lidar com grandes volumes e variedade de dados. O MongoDB Atlas dimensiona facilmente de forma horizontal em clusters de nuvem, permitindo que você ingira milhões de eventos de telemetria por minuto e armazene terabytes de dados de telemetria com facilidade. Por exemplo, o ZF SCALAR usa o MongoDB para processar 90.000 mensagens de veículos por minuto (mais de 50 GB de dados por dia) de centenas de milhares de carros conectados. O document model se adapta perfeitamente à medida que a frota cresce. Os desenvolvedores conseguem evoluir esquemas conforme os veículos adicionam novos sensores ou funcionalidades. Essa flexibilidade acelera o desenvolvimento e garante que seu modelo de dados permaneça alinhado com as entidades do mundo real (veículos, viagens, incidentes).

• Pesquisa vetorial integrada: os agentes de AI precisam de um conjunto robusto de ferramentas para operar. Uma das ferramentas mais amplamente utilizadas é a pesquisa vetorial, que permite ao agente realizar pesquisa semântica em dados não estruturados, como logs de drivers, descrições de códigos de erro e manuais de reparo. O MongoDB Atlas oferece suporte nativo para pesquisa vetorial, permitindo que você armazene e indexe vetores de alta dimensão junto com seus dados operacionais e realize queries rápidas de similaridade sobre eles. Na prática, isso significa que suas incorporações de AI estão localizadas ao lado dos dados de telemetria e operacionais relevantes do veículo no banco de dados. Isso simplifica drasticamente as arquiteturas para casos de uso como o consultor de incidentes de carros conectados, onde um problema pode ser comparado com problemas anteriores encontrados antes de o contexto ser passado para o LLM (veja como um OEM automotivo aproveita a pesquisa vetorial para fazer diagnósticos baseados em áudio com o MongoDB Atlas Vector Search).

• Coleções de séries temporais e processamento de dados em tempo real: o MongoDB Atlas é projetado para aplicativos em tempo real. Ele fornece coleções de séries temporais para armazenamento de dados de telemetria de carros conectados, fluxos de alteração e triggers que podem reagir instantaneamente a novos dados. Considerando que a visibilidade em tempo real é um dos principais recursos nos sistemas modernos de gerenciamento de frotas, a capacidade do MongoDB de fornecer insights atualizados aos agentes de AI garante que as decisões tomadas sejam baseadas nas informações mais recentes. Isso é crucial para os ciclos de feedback da AI agênica, em que a ingestão contínua de dados e a aprendizagem estão ocorrendo continuamente.

• Modelos de incorporação de primeira linha com a Voyage AI: recentemente, a MongoDB adquiriu a Voyage AI, líder em modelos de incorporação e reclassificação. À medida que os modelos de incorporação da Voyage AI são integrados no MongoDB Atlas, os desenvolvedores não precisarão mais gerenciar APIs de incorporação externas, armazenamentos de vetores autônomos ou pipelines de pesquisa complexos. A recuperação de AI será criada no banco de dados, tornando a pesquisa semântica, a recuperação de vetores e a classificação tão integradas quanto as queries tradicionais. Isso reduzirá o tempo necessário para o desenvolvimento de aplicativos de AI agêntica.

Autor(a)

Humza Akhtar, MongoDB