Aprender como usar o MongoDB para gerenciar frotas de veículos conectados, otimizar o planejamento de rotas e melhorar a segurança do driver.
Casos de uso: Análise orientada por aplicativo, AI generativa, IoT
Setores: Manufatura e movimento
Produtos e ferramentas: Banco de dados do Atlas, Atlas Vector Search
Visão Geral da Solução
Nesta solução, criamos um Connected Frota Advisor baseado em IA, criado usando 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.
Um agente é um aplicativo operacional que tenta atingir um objetivo observando o mundo e agindo sobre ele usando os dados e as FERRAMENTAS que tem à sua disposição. O termo "agente" denota ter um agente como um agente de IA, realizando ações proativas para atingir os objetivos sem a supervisão constante do ser humano. Por exemplo, em vez de apenas fazer um relatório de uma anomalia com base na análise de dados de telemetria de carros conectados, um sistema de IA agente para uma frota conectada verifica autonomamente essa anomalia em relação a problemas conhecidos, decide se é crítica e agenda uma manutenção por conta própria.
Figura 1. Componentes básicos de um agente de AI
Desenvolvimento futuro e desafios
O setor Automotivo e de Mobilidade está passando por uma transformação significativa, impulsionado por progressos na Conectividade do veículo, Sistemas autônomos, Mobilidade compartilhada e Eletrificação. Os veículos agora são máquinas sofisticadas que geram quantidades enormes de dados. A demanda automática cresce 3% ao ano nos próximos 20 anos, com uma preferência crescente por veículos conectados e eléctricos. Os operadores automotivos usam inteligência artificial (IA), veículos elétricos a bateria (BEVs) e veículos definidos por software (SDVs) para manter a sua vantagem comparativa. O tamanho do mercado global de veículos conectados espera chegar a cerca de US$ 446,6 bilhões até 2033, crescendo a um CADR de 19.5% entre 2024 e 2033. Gerenciar Frotas de veículos conectados apresenta um desafio. À medida que os automóveis ficam mais sofisticados e integrados com sistemas internos e externos, o volume de dados aumenta. Você precisa armazenar, transferir e consumir esses dados com vários aplicativos downstream para desbloquear novas oportunidades de negócios. O mercado global de gerenciamento de Frotas projeta atingir US$ 65.7 bilhões até 2030, crescendo a uma taxa de quase 10.8% anual.
Um pesquisa2024 realizado pela Webfleet concluiu que 32% dos gerentes de Frota acreditam que a IA e o aprendizado de máquina terão um impacto significativo nas operações de Frota nos próximos anos. Isso supera por pouco os 30% que apontaram os EVs como a mudança primária no jogo. Otimizar o planejamento de rotas e melhorar a segurança do driver são as duas maneiras mais citadas pelos gerentes de frota que acreditam que a IA muda seu dia de trabalho. À medida que os provedores de software de gerenciamento de frotas continuam investindo em IA, a integração da IA por agentes e sistemas autônomos capazes de tomar decisões em tempo real pode ajudar significativamente em casos de uso, como otimização de rotas e aprimoramento da segurança do driver. Por exemplo, os agentes de IA processam atualizações de tráfego em tempo real e condições meteorológicas para ajustar dinamicamente as rotas, garantindo entregas pontuais enquanto orientam os driver sobre a condição de seus carros, conforme necessário. Esta abordagem proativa contrasta com os métodos reativos tradicionais, melhorando a utilização do veículo e reduzindo os custos operacionais e de manutenção.
Arquiteturas de referência
A arquitetura de referência mostrada abaixo ilustra o funcionamento interno e o fluxo de dados do agente de IA. O fluxo de trabalho começa quando um usuário, um driver, envia uma query sobre um possível problema. Por exemplo, ouvir um som de batimento. O orquestrador de agente baseado em LangGraph processa então essa solicitação usando um LLM (OpenAI GPT-4o) para interpretar a solicitação e criar uma cadeia de pensar (CoT) de lógica e fluxo de trabalho. O fluxo de trabalho é executado pelo agente usando ferramentas como o Atlas Vector Search.
O agente processa um relatório de problema, da seguinte forma:
Lê dados de telemetria: Ingere dados do sensor de veículo de um arquivo CSV (ou de uma API em uma configurar de produção).
Gera uma incorporação: usa a API de incorporação da Voyage IA para converter o texto da reclamação em uma representação numérica.
Usa Atlas Vector Search: pesquisa problemas semelhantes no MongoDB Atlas usando a incorporação gerada.
Dados persistentes: Salva dados de telemetria, log de sessão e recomendações no MongoDB Atlas.
Fornece uma recomendação final: usa a API de bate-papo OpenAI para produzir conselhos de diagnóstico acionáveis.
Figura 2. Arquitetura de referência da solução proposta
Abordagem do modelo de dados
Um agente exige diferentes tipos de dados para funcionar. document model do MongoDB permite modelar facilmente todos esses dados em um banco de dados. Abaixo você encontra um exemplo por tipo de dados diferente encontrado em um aplicativo de IA agente para gerenciamento de veículos. Observe como a flexibilidade do document model se adapta para se adequar ao tipo de dados necessários para armazenamento.
Perfil do agente
Esses dados contêm a identidade do agente, incluindo instruções, objetivos e restrições.
Exemplo de um Perfil de Agente
{ "_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." }
Memória de curto prazo
A memória de curto prazo contém informações contextuais temporárias – entradas de dados recentes ou interações contínuas – que o agente usa em tempo real. Por exemplo, a memória de curto prazo armazena dados do sensor das últimas horas de atividade do veículo. Em certos frameworks de IA agentiva, como o LangGraph, a memória de curto prazo implementa por meio de um checkpointer. O checkpointer armazena estados intermediários das ações e argumentos do agente. Essa memória permite que o agente pause e retome as operações sem problemas.
Exemplo de memória de curto prazo: dados de telemetria armazenados em coleção de séries temporais
{ "_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" }
Memória de longo prazo
A memória de longo prazo armazena o conhecimento acumulado ao longo do tempo para o agente. Isso pode incluir padrões, tendências, logs, recomendações históricas e decisões.
Exemplo de memória de longo prazo: problemas históricos com veículos conectados vetorizados e armazenados no MongoDB.
{ "_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, ... ] }
Construir a solução
Para criar essa solução, siga as instruções no repositório do Github do agente de gerenciamento de cargas. O repositório fornece orientações passo a passo para configurar o aplicação.
Pré-requisitos
Python 3.11+ (backend)
Node.js (para o frontend do Next.js)
Conta do MongoDB Atlas
Abrir chave de API AI
Chave de API do Voyage AI
Arquiteturas de Sistemas
Fluxo de trabalho de backend
Você implementa um fluxo de trabalho de diagnóstico em várias etapas usando o LangGraph, da seguinte forma:
O agente recebe um relatório de problema do driver. Por exemplo, "O consumo de gás do meu veículo aumentou significativamente na última semana. O que pode estar de errado com o mecanismo ou o sistema de combustivel?".
O agente recupera dados de telemetria e loga a atualização.
O agente gera uma incorporação para a reclamação usando a API de incorporação de Voyage IA voyage-3-large.
Em seguida, o sistema realiza uma pesquisa vetorial no histórico de problemas do MongoDB para identificar casos semelhantes.
O MongoDB armazena toda a telemetria, incorporações e log de sessão para garantir a rastreabilidade.
Finalmente, o agente usa a API ChartCompletion da OpenAI para produzir uma recomendações final.
MongoDB Atlas
O banco de dados do document model flexível armazena perfis de agente, recomendações históricas, dados de telemetria, logs de sessões e muito mais. Esse log persistente registra cada etapa do processo de diagnóstico para rastreabilidade e permite a consulta eficiente e a reutilização de dados anteriores, tornando o sistema altamente rastreável e dimensionável.
Interface de frontend
O frontend do Next.js fornece uma visualização de duas colunas:
Coluna da esquerda: exibe as atualizações em tempo real do fluxo de trabalho do agente, como a cadeia de raciocínio, mensagens de atualização e recomendações finais.
Coluna direita: mostra os documentos inseridos no MongoDB durante a execução do agente, incluindo detalhes da sessão, logs de telemetria, recomendações históricas, perfis do agente e amostras de problemas anteriores.
Configurar o aplicativo
Para configurar o aplicativo, execute as seguintes etapas:
Criar um índice do Atlas Vector Search com o nome issues_index e incorporações de caminho
Para obter mais detalhes sobre como configurar o índice de pesquisa vetorial, consulte Criar índices de pesquisa vetorial.
Sinta-se livre para ajustar o prompt em principal.py ou atualizar os dados de telemetria no arquivo telemetry_data.csv.
Explore a solução
Iniciar um novo diagnóstico
Abra o frontend e escolha "Novo Diagnóstico".
Insira um relatório de problema na caixa de texto, por exemplo:
Ouço um estalo enquanto viro em baixa velocidade.
Meu carro faz um ranger persistente quando acelero em baixa velocidade.
Notei um descartar súbito na pressão do óleo com um ligeiro aumento na temperatura do mecanismo.
O consumo de gás do meu veículo aumentou significativamente na última semana. O que pode estar errado com o mecanismo ou o sistema de gás?
Uma luz de aviso apareceu recentemente no meu painel e o carro se esforça para acelerar.
Clique no botão "Executar agente" e aguarde um ou dois minutos enquanto o agente termina de executar.
Verificar o fluxo de trabalho
O fluxo de trabalho, a saída da cadeia de reflexão e a recomendações final são exibidos na coluna da esquerda.
O fluxo de trabalho gerado em tempo real, dando clareza ao processo de tomada de decisão do agente.
Figura 3: diagrama de sequência do fluxo de trabalho do agente de AI
Revise os 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.
Principais Aprendizados
Escalabilidade e flexibilidade: as plataformas de carros conectados, como sistemas de gerenciamento de Frotas, lidam com volumes e variedade extremos de dados. O MongoDB Atlas é dimensionado horizontalmente em clusters de nuvem, permitindo a ingestão de milhões de eventos de telemetria por minuto e o armazenamento de terabytes de dados de telemetria. Por exemplo, o ZF SCALAR usa o MongoDB para processar 90,000 mensagens de veículo por minuto (mais de 50 GB de dados por dia) de centenas de milhares de carros conectados. O MongoDB document model se adapta à medida que a Frota cresce. Você pode desenvolver esquemas à medida que os veículos adicionam novos sensores ou recursos. Essa flexibilidade acelera o desenvolvimento e garante que seu modelo de dados permaneça alinhado com as entidades do mundo real, como veículos, viagens ou incidentes que ele representa.
Implemente a pesquisa vetorial integrada: os agentes de IA exigem um conjunto robusto de ferramentas para trabalhar. A pesquisa vetorial permite que os agentes pesquisem semanticamente dados não estruturados, como logs de drivers, descrições de códigos de erro e manuais de reparo. O MongoDB Atlas tem suporte nativo para pesquisa vetorial, que armazena e indexa vetores de alta dimensão junto com seus dados operacionais e executa consultas rápidas de similaridade sobre eles. Na prática, isso significa que suas incorporações de IA residem ao lado da telemetria do veículo relevante e dos dados operacionais no banco de dados. Isso simplifica as arquiteturas para caso de uso, como o consultor de incidentes de carros conectados, em que um problema pode ser correspondido com problemas anteriores encontrados antes de passar o contexto para o LLM. (Veja como um fabricante de automóveis aproveita a pesquisa vetorial para diagnósticos baseados em áudio com o MongoDB Atlas Vector Search).
Implantar coleções de séries temporais e em processamento de dados em tempo real: O MongoDB Atlas foi projetado para aplicativos em tempo real. Ele fornece coleções de séries temporais para armazenamento de dados de telemetria de carros conectados, change streams e acionadores que reagem a novos dados instantaneamente. Como a visibilidade em tempo real é um recurso importante nos sistemas modernos de gerenciamento de Frotas, a capacidade do MongoDB de fornecer perspicácias imediatas aos agentes de IA garante que as decisões que eles tomarem sejam baseadas nas informações mais recentes. Isso é crucial para os loops de feedback da IA por agentes, em que a ingestão e o aprendizado contínuos de dados ocorrem continuamente.
Use os melhores modelos de incorporação da classe com a Voyage IA: o MongoDB adquiriu recentemente a Voyage IA, especializada em incorporação e reclassificação de modelos. Como o MongoDB Atlas integra modelos de incorporação da Voyage IA, os desenvolvedores não precisam mais gerenciar APIs de incorporação externas, armazenamentos de vetores autônomos ou pipelines de pesquisa complexos. A criação de IA é feita no próprio banco de dados, tornando a pesquisa semântica, a recuperação de vetores e a classificação tão perfeita quanto as queries tradicionais. Isso reduz o tempo necessário para desenvolver aplicativos Agentic IA.
Autor(a)
Humza Akhtar, MongoDB