制造业的 AI 驱动追踪和追溯

将非结构化的工厂车间数据转变为可供 Atlas 审核的可追溯性记录。实时满足 EPCIS 2.0 和欧盟数字产品护照要求。

使用案例： Agentic AI、单一视图

产品： MongoDB Atlas、Atlas Stream Processing

合作伙伴： Amazon Web Services

解决方案概述

追踪和追溯是一种做法，即将产品從原材料采购到制造、分销和交付的整个过程中的每个事件记录到连接的可审计时间轴中。

行动的压力是真实的

全球追踪和追溯市场预计到 2030 年达到 $12 亿。三个监管期限正在迫使制造商进行转型：

美国《药品供应链安全法》：要求对药品进行项级序列化，以追踪供应链中的每个处方药。
欧盟电池护照：要求制造商在 2027 年 2 月前记录 EV 和工业电池的完整生命周期。
欧盟数字产品护照：要求对 2030 在欧盟销售的所有产品提供可验证的数字记录。

这些强制性规定都有相同的要求：制造商必须在任何时刻证明产品的准确位置和发生的情况。达不到要求的费用很高。例如，医疗设备召回在 2024 年同比上涨 8.6%，单次药品召回可能会花费高达 $600 百万美元。

数据已存在：问题是访问数据

满足这些要求取决于数据，大多数制造商已经在生成数据。问题是 90% 的数据从未使用。它存在于碎片的信息孤岛中：自由文本操作符日志、不一致的时间戳和混合的测量单位，传统 ETL 管道在没有固定模式和脆弱的解析规则的情况下无法处理。当数据被清理和构建时，防止召回或满足合规截止日期的窗口已经关闭。

此解决方案的工作原理

碎片化工厂数据与合规就绪记录之间的差距是一个工程问题。该解决方案使用 MongoDB Atlas 和 Amazon Web Services Bedrock 将原始工厂车间事件连接到结构化、可查询的产品历史中，从而弥补了该差距。

原始工厂车间事件在到达时会存入 MongoDB，然后通过 Amazon Web Services Bedrock 提供支持的 AI 清理管道进行处理。该管道将每个事件规范化为结构化的 EPCIS 2.0 兼容记录。完整的产品旅程存储在单个文档中，因此，合规审核员或供应链经理可以一次检索完整的产品监管链，无需连接，也无需查询单独系统。

受监管行业已大规模运行此架构：

McKesson 每年追踪 1.2 亿个药品序列号，并在 MongoDB Atlas 上达到了 DSCSA 联邦截止日期。
GE HealthCare 使用 Change Streams 和 Atlas Search 将数据检索时间缩短了 83% 。
Bosch 通过完整的 FAA 合规 Atlas 审核追踪，每架飞机可追踪 6 百万个紧固事件。

参考架构

拟议的架构依赖于以下组件：

MongoDB Atlas 提供统一数据平台服务。
AWS Bedrock 处理 AI 推理。
Next.js 网络应用程序可实时展现产品旅程。

图 1。追踪和追溯解决方案架构

工厂车间事件在没有验证或预处理的情况下进入 MongoDB 时，工作流就开始了。接下来，Atlas Stream Processing 将每个事件路由到处理队列。从那里，变更流会触发 Amazon Web Services Bedrock，将非结构化的原始文本规范化为结构化的符合 EPCIS 2.0 的记录。最后，MongoDB 存储清理后的事件并更新产品的旅程文档，在几秒内完成整个过程。

完整的产品历史存储在单个文档中。Web 应用程序在一次查询中检索完整的保管链，无需连接。

数据模型方法

MongoDB 中的产品文档从简单开始，并随着每个制造阶段的进度而增长。以下两个文档展示了这一演变。

原始事件

工厂车间事件完全按照操作员的写入方式到达，无需验证和预处理。

{
   "text": "ALERT | BATCH-GM005-037 | ShenZhn WH | 06:15:00Z - rcvd \n  raw mat'ls from Tianhe Biosci. Qty: 1000u glucose oxidase. \n  Temp: 4.2C avg. Purity: 99.3%. 12 units MISSING — QA hold \n  ref#QH-2024-001.",
   "stage": "Raw Materials Sourcing",
   "_timestamp": "2025-01-15T06:15:00.000Z"
}

产品文档

处理后，清理后的事件会更新产品文档。每个制造阶段都会向 journey 数组添加一个新条目。完整的保管链存储在一个位置，如下所示。

{
   "_id": "GM-005",
   "productName": "Continuous Glucose Monitor",
   "status": "in_production",
   "currentStage": "Enzyme Coating",
   "journey": [
      {
         "stage": "Raw Materials Sourcing",
         "status": "completed",
         "location": "Shenzhen, CN",
         "startTime": "2025-01-15T06:15:00.000Z",
         "eventCount": 3
      },
      {
         "stage": "Electrode Fabrication",
         "status": "completed",
         "location": "Penang, MY",
         "startTime": "2025-01-16T07:00:00.000Z",
         "eventCount": 4
      },
      {
         "stage": "Enzyme Coating",
         "status": "in_progress",
         "location": "Penang, MY",
         "startTime": "2025-01-17T08:00:00.000Z",
         "eventCount": 1
      }
   ]
}

构建解决方案

按照 Github 存储库 README 中的步骤复制此解决方案。

配置先决条件

请确保您满足以下要求：

Node.js 18 或更高版本
启用 Stream Processing 的 MongoDB Atlas 集群（M10 或更大）
具有 Bedrock 访问权限的 Amazon Web Services 账户（在您的区域中启用 Claude Haiku）

克隆存储库并安装项目

使用以下命令设置项目：

git clone https://github.com/mongodb-industry-solutions/track-and-trace.git
cd track-and-trace
npm install

配置环境

将 .env.example 文件复制到 .env 文件，然后添加凭证：

MONGODB_URI=mongodb+srv://<user>:<password>@<cluster>.mongodb.net/
DATABASE_NAME=track-and-trace
AWS_ACCESS_KEY_ID=<your-access-key>
AWS_SECRET_ACCESS_KEY=<your-secret-key>
AWS_REGION=us-east-1

部署 Atlas Stream Processing 管道

按照存储库中的说明创建 Stream Processing 实例，配置 Atlas 源和汇连接，并部署管道。

为数据库播种

运行以下命令以填充数据库：

npm run seed

运行应用程序。

通过运行以下命令在本地启动应用程序：

npm run dev

导航到 http://localhost:8080，然后单击 Start Simulation 以开始通过管道处理事件。

关键要点

将摄取与处理解耦：无论下游负载如何，原始事件都会立即进入 MongoDB。Atlas Stream Processing 独立处理路由，使摄取层快速简单。
使用 Change Streams 构建反应式 AI 管道：Change Stream 会在每个事件到达的瞬间触发 AI 处理，从而无需进行轮询或消息队列，且不会出现事件丢失的风险。
在摄取时接受任何模式；在输出时实施结构：摄取层在没有验证的情况下运行；相反，结构在 AI 清理管道中得以实施，在写入事件集合之前，每个事件都会被规范为 EPCIS 2.0。
嵌入整个过程，而不仅仅是最新状态：每个阶段、位置和异常都存在于单个产品文档中，使合规审计员可以在一次读取中检索完整的保管链，而无需任何连接。
利用 AI 将杂乱数据转变为可用信息：AI 驱动的清理管道可以处理缩写、打字错误、单位不一致和缺少字段。当标准变更时，您可以更新提示，而不是重写复杂的 ETL 代码。

作者

Humza Akthar, MongoDB
Javier Guajardo, MongoDB

了解详情

后退

AI驱动的库存分类

来年

事件驱动的库存管理系统