歡迎閱讀“MongoDB和AI 賦能行業應用”系列的第一篇。

本系列重點介紹AI應用于不同行業的關鍵用例，涵蓋制造業和汽車行業、金融服務、零售、電信和媒體、保險以及醫療保健行業。

隨著人工智能（AI）在制造業和汽車行業的集成，傳統的價值鏈正在經歷一場革命性的轉變。工業物聯網（IoT）的引入使得企業能夠從資產中收集和分析大量數據，這不僅提升了庫存管理的智能化水平，還使得預測性維護成為可能，極大地提高了運營效率和可靠性。

庫存管理

高效的供應鏈不僅可以確保準時向客戶交付，而且還可以控制運營成本。為了實現這個目標，管理并優化庫存水平、規劃需求波動以及削減成本都是至關重要的。然而，高效的庫存管理也給制造商帶來了復雜的數據挑戰，主要是在準確預測需求和優化庫存水平方面。這些正是AI可以提供幫助的地方。

圖1：使用MongoDB 進行的生成式人工智能（Gen AI）需求預測

AI算法可以分析復雜的數據集，從而預測客戶對產品或組件未來的需求。需求預測的準確性越高，則越有利于維持最佳的庫存水平。

●預測需求量：客戶需求是在快速變化的，而基于AI的時間序列預測可以幫助制造商快速適應，通過分析歷史銷售數據和市場趨勢，確定最合適的庫存水平，甚至避免人工錯誤。

●制定需求管理模式：Gen AI可以幫助生成庫存的綜合數據和時令性調整的需求模式。

●場景模擬：Gen AI可以幫助創建模擬供應鏈中斷的場景。

MongoDB 可以讓這些過程更輕松地實現。在倉庫中，可以使用移動設備掃描庫存，并將這些數據持久化到MongoDB中，并使用Device Sync同步到MongoDB（此方案已有MongoDB客戶在使用，如Grainger）。一旦數據進入MongoDB，它就可以作為所有庫存相關數據的中央存儲庫，同時為AI應用程序提供數據來源，從而消除數據孤島，提高整體庫存水平和動態的可見性。通過使用MongoDB 的Vector Search和Gen AI，制造商可以輕松地根據時令屬性對產品進行分類，對具有相似時令需求模式的產品進行聚類，并為基礎模型提供上下文，從而提高庫存的綜合數據生成的準確性。

預測性維護

如今，最基本的維護方法是被動的——讓資產保持運行，直到實際發生故障為止。資產僅根據需要維護，因此很難進行預估。然而，預防性維護則根據保守的時間表更換系統或組件，從而防止常見故障的發生，但由于要在產品報廢前頻繁更換組件，因此預防性維護的實施成本很高。

圖2：使用MongoDB進行基于音頻的異常檢測

AI可以讓預測性維護更加高效，利用物聯網傳感器從機器上收集數據，并通過對數據進行訓練來檢測異常情況，從而有效地進行預測性維護。

●異常預警：ML/AI 算法（如回歸模型或決策樹）在預處理數據上進行訓練，部署在現場環境進行推理，并持續分析傳感器數據。檢測到異常情況時，會生成警報通知維護人員，這樣就可以主動規劃和執行維護操作，最大限度地減少停機時間，優化設備可靠性和性能。為了提高準確性，可以部署檢索增強生成（RAG）架構來生成或管理數據預處理器，從而補充專業的數據科學知識，同時也可以讓領域專家為大型語言模型提供正確的指令。

●維修指導：一旦AI模型生成了維修警報，Gen AI就可以進一步提出維修策略建議，并將備件庫存數據、維修預算和個人可用性考慮在內。最后，還可以將維修手冊可以處理成向量，輸入給智能問答機器人，從而指導技術人員進行實際維修。

MongoDB能夠有效支撐以上場景。

一方面，MongoDB固有的靈活的文檔模型支持開發者隨時進行數據管理。由于機器健康預測模型不僅需要傳感器數據，還需要維護歷史和庫存數據，因此文檔模型非常適合對這些不同的數據源進行建模，從而支撐預測模型的訓練。

另一方面，在物理產品的維護和支持過程中，必須提供產品信息和備件文檔等信息，并方便支持人員訪問，而MongoDB 提供的全文檢索功能就可以幫助工作人員從集群中輕松檢索信息。制造商可以使用MongoDB 探索簡化機器診斷的方法，比如從機器中錄制音頻文件并轉化為向量，通過向量檢索獲得類似的案例。還可以使用RAG實現一個智能問答機器人，技術人員通過與機器人對話獲得最符合當下情況的維修指導，了解如何一步一步進行維修操作。

自動駕駛

隨著車聯網的興起，汽車制造商不得不將其業務模式轉變為軟件優先型。汽車制造商開始利用聯網汽車產生的數據創建更好的輔助駕駛系統，然而，要制造出比人類駕駛更安全的全自動駕駛汽車是非常難的。一些專家估計，實現 5 級自動駕駛的技術已開發了約 80%，但剩下的 20% 是非常難攻克的，需要大量時間來完善。

圖3：MongoDB在自動駕駛中的應用

汽車應用中基于AI的圖像和目標識別存在不確定性，但制造商仍然要利用雷達、激光雷達、攝像頭和車輛遙測數據來不斷進行模型訓練。現代汽車就像一個數據中心，不斷收集和處理來自車載傳感器和攝像頭的信息，從而產生大量的數據。強大的存儲和分析能力對于管理這些數據至關重要，而實時分析對于作出即時決策以確保安全導航至關重要。MongoDB可以在這些挑戰面前發揮重要作用。

●MongoDB能夠處理大量非結構化數據，是同時容納傳感器讀數、遠程信息處理、地圖和模型結果等各種數據類型的絕佳方式。

●MongoDB支持在運行時隨時添加新字段，讓開發人員能夠輕松地為原始遙測數據添加上下文信息。

●MongoDB的Search提供了一個高性能搜索引擎，允許數據科學家迭代其感知AI模型。

其他用例

AI在實現工業4.0的承諾中發揮著關鍵作用。MongoDB 還可支持許多其他AI用例，其中包括：

●物流優化：AI可以幫助優化路線，從而減少延誤并提高日常配送的效率。

●質量控制和缺陷檢測：在產品生產過程中，計算機或機器視覺可用于識別產品中的異常，確保產品精度達標。

●生產優化：通過分析生產線上安裝的傳感器的時間序列數據，可以識別并減少浪費，從而提高產量和效率。

●智能售后支持：制造商可以利用AI驅動的對話機器人和預測分析，為客戶提供主動維護、故障排除和個性化幫助等服務。

●個性化產品推薦：AI可用于分析用戶行為和偏好，通過移動或Web應用提供個性化產品推薦，從而提高客戶滿意度并促進銷售。

AI與制造業和汽車業的融合已經徹底改變了傳統流程，為效率和創新帶來了大量的機會。借助工業物聯網和先進的分析技術，企業現在可以利用大量數據來加強庫存管理和預測性維護。AI驅動的需求預測可確保最佳庫存水平，而預測性維護技術可最大限度地減少停機時間并優化設備性能。

此外，隨著汽車制造商對實現自動駕駛的投入，AI驅動的圖像識別和實時數據分析能力變得至關重要。MongoDB 是一個有效的解決方案，通過提供靈活的文檔建模和強大的存儲功能，應對工業 4.0 的復雜問題。

除制造業和汽車行業外，MongoDB 具備的AI潛力還可擴展到物流優化、質量控制、生產效率、智能售后支持和個性化客戶體驗等領域，從而塑造工業 4.0 及更遠的未來。

以上是本篇的全部內容，在本系列的下一篇文章中，我們將討論MongoDB+AI在電信和媒體行業的應用。敬請持續關注MongoDB數據平臺官方公眾號。

敬請期待阿里云MongoDB 的檢索和向量新特性

---

👉點擊訪問 MongoDB中文官網
👉立即免費試用 MongoDB Atlas
??需要支持？歡迎聯系我們：400-8662988
?歡迎關注MongoDB微信訂閱號（MongoDB-China），及時獲取最新資訊。