Transforme o gerenciamento de interrupções da cadeia de suprimentos com a Agentic AI para superar obstáculos de prontidão de dados e automatizar a mitigação em minutos.
Casos de uso: Inteligência artificial, pesquisa inteligente
Setores: Manufatura e Mobilidade
Produtos: MongoDB Atlas, Atlas Search, MongoDB Atlas pesquisa vetorial, Voyage IA
Visão Geral da Solução
As interrupções na cadeia de suprimentos custam às empresas US$184 bilhões por ano a partir de 2026. A IA agente pode ajudar a reduzir o impacto dessas interrupções. O Gartner identificou a prontidão de dados como um dos obstáculos importantes para as cadeias de suprimentos.
Para que os agentes de IA passem de chatbots a colaboradores autônomos, eles exigem uma base de dados de alta qualidade e em tempo real atualmente armazenados em silos. A Agentic IA preenche essa lacuna por:
Resolver o problema de dados não estruturados: a Agentic IA usa o argumentos para extrair informações de milhares de PDFs, e-mails e imagens, convertendo-os em uma UNS que toda a empresa pode usar.
Reduzindo o tempo de resposta: os agentes podem diagnosticar uma interrupção e trigger ações corretivas em minutos, em vez de dias.
Habilitando a mitigação autônoma: os agentes sensíveis ao contexto podem raciocinar simultaneamente em vários fluxos de dados. Eles podem redirecionar remessas de forma autônoma, negociar com fornecedores alternativos e ajustar os cronogramas de produção dentro dos limites definidos. Essas capacidades transformam a prontidão de dados em uma vantagem comparativa.
A Arquitetura da Ação: IA agente no MongoDB Atlas
A solução proposta demonstra como vários agentes de IA podem colaborar em uma única base de dados pronta para IA. O aplicativo usa o MongoDB Atlas para transformar o desafio de prontidão de dados em uma vantagem comparativa nos seguintes momentos operacionais.
figura 1. Visão geral dos agentes de solução
Análise de interrupção: extraia lógica do caos
Longas cadeias de e-mail, faturas em PDF, relatórios de controle de qualidade ou notas de entrega geralmente ocultam o motivo de uma falha na remessa. Os bancos de dados tradicionais têm dificuldade em analisar essas informações porque procuram palavras exatas. Por exemplo, se um relatório disser atraso mecânico, mas um usuário pesquisar avaria do caminhão, o sistema perderá a conexão. Esta solução usa a IA do Voyage para transformar esse texto em incorporações.
Considere uma incorporação como uma representação matemática do significado. Em vez de apenas armazenar texto, o Atlas Vector Search mapeia o significado dos dados em um espaço de alta dimensão. Isso permite que o agente reconheça que termos como tempo rigoroso, tempestade de nuvem e rotas intransitáveis compartilham um significado semelhante.
Com essas informações, o agente pode analisar diferentes documentos e explicar por que uma operadora falhou. Ela entende a situação e transforma uma pilha de PDFs em uma análise clara e prática da interrupção.
Planejamento da cadeia de suprimentos: execute a recuperação
Quando o agente descobre a causa de uma falha, ele consegue uma vitória de diagnóstico, mas ainda pode precisar de um tempo significativo para encontrar alternativas. Nesse ponto, o agente muda de analista para coordenador e usa o Atlas Search com queries geoespaciais do MongoDB para identificar portadoras alternativas que podem entrar em ação imediatamente.
Em vez de fazer a referência cruzada manual de planilhas com um mapa, o agente trata a geometria como um ponto de dados ativo e consultável. O agente usa uma query geoWithin para encontrar rapidamente os clusters de Frota disponíveis em um raio específico da interrupção.
Análise de risco: reduzir vulnerabilidades
O agente final atua como um mecanismo preditivo, calculando o VAR para cada remessa, agregando dados de fontes como eventos meteorológicos e registros históricos de eventos. O MongoDB Atlas usa um document model flexível, permitindo que o agente ingira essas fontes diferentes sem o atrito de um esquema rígido.
Esse agente sugere efetivamente atualizações nos pesos de risco com base nas condições atuais. Por exemplo, se condições meteorológicas severas são esperadas, o agente pode recomendamos aumentar o peso da prioridade para padrões meteorológicos para fornecer uma avaliação de risco mais precisa e em tempo real.
Arquiteturas de referência
Apresenta um aplicativo de cadeia de suprimentos de vários agentes criado com:
MongoDB Atlas para armazenamento de dados, recuperação e pesquisa vetorial.
LangGraph para orquestração de agentes.
AWS Leia mais para argumentos do LLM.
Voyage IA para gerar incorporações.
Essas tecnologias criam um sistema inteligente no qual os agentes autônomos usam dados de Logística para lidar com a análise de interrupção, o planejamento de rotas e a avaliação de riscos.
Os benefícios dessa arquitetura
O MongoDB Atlas serve como a plataforma de dados unificada, lidando com dados de logstica estruturados, queries geoespaciais e pesquisa vetorial em um s único banco de dados, eliminando a necessidade de vários sistemas especializados.
O LangGraph orquestra agentes especializados, cada um com suas próprias ferramentas e prompts, para lidar com fluxos de trabalho complexos. Ele pode armazenar a memória da conversa e o gerenciamento de estado no MongoDB.
O AWS ReadRock atua como o hub central de tomada de decisão. Ao aproveitar modelos como Class 3.5 Habilite, a Cama de Rock funciona como um agente de argumento que não apenas corresponde às palavras-chave, mas também entende a intenção.
A IA do Voyage gera as representações vetoriais de alta qualidade necessárias para uma recuperação precisa. Os modelos de incorporação convertem dados não estruturados e complexos, como documentos, imagens e áudios, em vetores numéricos densos (ou seja, incorporações) que capturam seus significados semânticas.
Cada agente tem um conjunto exclusivo de ferramentas personalizadas para seu domínio. Por exemplo, uma ferramenta pode consultar padrões históricos de remessa e interrupções meteorológicas, outra pode encontrar portadoras próximas usando proximidade geoespacial e outra pode realizar pesquisas semânticas em relatórios de garantia de qualidade. A próxima seção explora as ferramentas do agente em detalhes.
figura 2. Diagrama de arquitetura de solução
Ferramentas de análise de interrupção
Acesse ferramentas que permitem descobrir as causas subjacentes das interrupções usando dados de remessa estruturados e relatórios não estruturados de controle de qualidade.
Recuperar histórico da portadora
Usa o histórico da operadora armazenado para detectar tendências no desempenho. Com esses dados, o agente tem inteligência para determinar se o atraso é um evento isolado ou parte de um padrão contínuo.
Recuperar relatórios de QA
Usa o Atlas pesquisa vetorial para permitir que o agente analise relatórios vetorizados de QA armazenados no banco de dados e encontre problemas semelhantes relacionados à operadora.
Gerar Relatórios de Incidentes de Remessa
Gera um relatório abrangente sobre a causa do atraso. Ele armazena este relatório no banco de dados, para que possa ser usado posteriormente para identificar problemas recorrentes.
Ferramentas de planejamento da cadeia de suprimentos
Encontra portadoras e rotas alternativas. Ele combina dados geográficos com funcionalidades da operadora para sugerir alternativas que possam concluir a entrega. O agente usa as seguintes ferramentas.
Encontre as operadoras mais próximas
Procura portadoras próximas à localização atual da remessa. Ele identifica quais operadoras podem assumir rapidamente uma remessa atrasada, minimizando o tempo de recuperação.
Validar cobertura e origem do serviço
Verifica quais operadoras operam na região de origem. Esta ferramenta considera apenas as operadoras com operações ativas dentro da área da localização de coleta.
Validar cobertura e destino do serviço
Identifica as operadoras que cobriram a origem e chegaram ao seu destino.
Alternativas de Formato
Recupera informações detalhadas da operadora do banco de dados e apresenta rotas e operadoras alternativas. Ele destaca os principais fatores de decisão, como custo, tempo estimado de entrega, classificações de confiabilidade e impacto ambiental.
Usando as funcionalidades geoespaciais do MongoDB, o agente garante alternativas viáveis e fornece perspicácias valiosas para tomar decisões orientadas por dados.
Ferramentas de análise de risco
Analisa os riscos potenciais para uma rota definida revendo as condições meteorológicas, interrupções na travessia de bordas e a confiabilidade histórica da operadora. Com esse contexto, o agente gera uma métrica var que estima o risco financeiro potencial. O agente tem disponíveis as seguintes ferramentas.
Recuperar eventos meteorológicos
Procura padrões meteorológicos históricos ao longo da rota, como furacões, tempestades de branca, cheias e outras condições que podem causar atrasos. O agente pode então alertar sobre riscos meteorológicos inesperados ao agendar uma remessa.
Recuperar instâncias de limite
Obtém e analisa interrupções históricas nas travessias de bordas, como atrasos na inspeção e fechamentos inesperados de travessias de bordas.
Recuperar o desempenho da operadora
Revise as remessas recentes da operadora selecionada para identificar padrões como atrasos, problemas de conformidade ou desempenho confiável. O agente usa esse histórico para avaliar se a mudança de operadora reduz o risco.
Calcule o VAR para estimar a exposição financeira
Coleta informações contextuais das ferramentas anteriores para gerar um var estimado. O cálculo combina o custo da rota base com valores ajustados ao risco, que são ponderados de acordo com as preferências do usuário para cada fator de risco.
Juntas, essas ferramentas fornecem uma análise de risco que ajuda as equipes a tomar decisões com base na inteligência operacional armazenada no MongoDB Atlas.
Construir a solução
Para replicar essa solução, siga o README no repositório GitHub, que orienta você pelas etapas a seguir.
Configurar os pré-requisitos
Certifique-se de ter configurado os seguintes requisitos:
Tempo de execução: Node.js 18.0 ou superior
Banco de dados: Um cluster MongoDB Atlas
Inteligência: acesso ao AWS BIDB (especificamente laudo 3.5 Haku) e uma chave de API do Voyage IA
CLI: AWS CLI configurada com credenciais ativas
Configurar o ambiente
Copie o modelo e crie seu arquivo de ambiente local:
cp .env.example .env
Abra o arquivo .env arquivo e atualize suas credenciais:
MONGODB_URI="mongodb+srv://<user>:<password>@<cluster>.mongodb.net/" DATABASE_NAME="supply_chain_demo" AWS_REGION="us-east-1" AWS_PROFILE="default" COMPLETION_MODEL="your_completion_model" EMBEDDING_MODEL="your_embedding_model" VOYAGE_API_KEY="your_voyage_key_here"
Por exemplo, você pode escolher us.anthropic.claude-4-5-haiku-20251001-v1:0 como seu modelo de conclusão e voyage-large-2-instruct como seu modelo de incorporação.
Acessar o aplicativo
Após o aplicativo estar em execução, navegue até seu navegador e vá para http://localhost:8080 para utilizar a solução.
Principais Aprendizados
Ordene as operações da cadeia de suprimentos com a IA por agentes: a IA por agentes pode mitigar as interrupções na cadeia de suprimentos - estimadas em US$184 bilhões por ano - transformando a prontidão dos dados em uma vantagem comparativa.
Unlock insights de dados não estruturados: use a IA Agentic para analisar dados não estruturados, como PDFs e e-mails, reduzindo o tempo de resposta de dias para minutos.
Consolide sua base de dados: Adote o MongoDB Atlas como sua única plataforma de dados. Unifique dados de Logística estruturados, Dados geoespaciais para otimização de rotas e Pesquisa vetorial para recuperação semântica de relatórios de controle de qualidade em um único banco de dados, eliminando a necessidade de vários bancos de dados especializados.
Implemente multiagentes especializados: implemente agentes gerenciados pela LangGraph para lidar com interrupções operacionais críticas. Crie um sistema que use o Voyage AI e o Atlas Vector Search para identificar a intenção de interrupção, utilize queries geoespaciais do MongoDB para encontrar portadoras alternativas e agregue fluxos de dados fragmentados em um flexível document model para estimar o var potencial durante eventos temporários.
Construa uma pilha de IA modular: Combine MongoDB Atlas, LangGraph, AWS Camaroch e Voyage AI para criar um mecanismo de argumentos de alto desempenho para os dados de sua cadeia de suprimentos.
Autores
Javier Guajardo, MongoDB
Dr. Humza Akhtar, MongoDB