欢迎阅读“MongoDB和AI 赋能行业应用”系列的第一篇。

本系列重点介绍AI应用于不同行业的关键用例，涵盖制造业和汽车行业、金融服务、零售、电信和媒体、保险以及医疗保健行业。

随着人工智能（AI）在制造业和汽车行业的集成，传统的价值链正在经历一场革命性的转变。工业物联网（IoT）的引入使得企业能够从资产中收集和分析大量数据，这不仅提升了库存管理的智能化水平，还使得预测性维护成为可能，极大地提高了运营效率和可靠性。

库存管理

高效的供应链不仅可以确保准时向客户交付，而且还可以控制运营成本。为了实现这个目标，管理并优化库存水平、规划需求波动以及削减成本都是至关重要的。然而，高效的库存管理也给制造商带来了复杂的数据挑战，主要是在准确预测需求和优化库存水平方面。这些正是AI可以提供帮助的地方。

图1：使用MongoDB 进行的
生成式人工智能（Gen AI）需求预测

AI算法可以分析复杂的数据集，从而预测客户对产品或组件未来的需求。需求预测的准确性越高，则越有利于维持最佳的库存水平。

●预测需求量：客户需求是在快速变化的，而基于AI的时间序列预测可以帮助制造商快速适应，通过分析历史销售数据和市场趋势，确定最合适的库存水平，甚至避免人工错误。
●制定需求管理模式：Gen AI可以帮助生成库存的综合数据和时令性调整的需求模式。
●场景模拟：Gen AI可以帮助创建模拟供应链中断的场景。

MongoDB 可以让这些过程更轻松地实现。在仓库中，可以使用移动设备扫描库存，并将这些数据持久化到MongoDB中，并使用Device Sync同步到MongoDB（此方案已有MongoDB客户在使用，如Grainger）。一旦数据进入MongoDB，它就可以作为所有库存相关数据的中央存储库，同时为AI应用程序提供数据来源，从而消除数据孤岛，提高整体库存水平和动态的可见性。通过使用MongoDB 的Vector Search和Gen AI，制造商可以轻松地根据时令属性对产品进行分类，对具有相似时令需求模式的产品进行聚类，并为基础模型提供上下文，从而提高库存的综合数据生成的准确性。

预测性维护

如今，最基本的维护方法是被动的——让资产保持运行，直到实际发生故障为止。资产仅根据需要维护，因此很难进行预估。然而，预防性维护则根据保守的时间表更换系统或组件，从而防止常见故障的发生，但由于要在产品报废前频繁更换组件，因此预防性维护的实施成本很高。

图2：使用MongoDB进行基于音频的异常检测

AI可以让预测性维护更加高效，利用物联网传感器从机器上收集数据，并通过对数据进行训练来检测异常情况，从而有效地进行预测性维护。

●异常预警：ML/AI 算法（如回归模型或决策树）在预处理数据上进行训练，部署在现场环境进行推理，并持续分析传感器数据。检测到异常情况时，会生成警报通知维护人员，这样就可以主动规划和执行维护操作，最大限度地减少停机时间，优化设备可靠性和性能。为了提高准确性，可以部署检索增强生成（RAG）架构来生成或管理数据预处理器，从而补充专业的数据科学知识，同时也可以让领域专家为大型语言模型提供正确的指令。
●维修指导：一旦AI模型生成了维修警报，Gen AI就可以进一步提出维修策略建议，并将备件库存数据、维修预算和个人可用性考虑在内。最后，还可以将维修手册可以处理成向量，输入给智能问答机器人，从而指导技术人员进行实际维修。

MongoDB能够有效支撑以上场景。

一方面，MongoDB固有的灵活的文档模型支持开发者随时进行数据管理。由于机器健康预测模型不仅需要传感器数据，还需要维护历史和库存数据，因此文档模型非常适合对这些不同的数据源进行建模，从而支撑预测模型的训练。

另一方面，在物理产品的维护和支持过程中，必须提供产品信息和备件文档等信息，并方便支持人员访问，而MongoDB 提供的全文检索功能就可以帮助工作人员从集群中轻松检索信息。制造商可以使用MongoDB 探索简化机器诊断的方法，比如从机器中录制音频文件并转化为向量，通过向量检索获得类似的案例。还可以使用RAG实现一个智能问答机器人，技术人员通过与机器人对话获得最符合当下情况的维修指导，了解如何一步一步进行维修操作。

自动驾驶

随着车联网的兴起，汽车制造商不得不将其业务模式转变为软件优先型。汽车制造商开始利用联网汽车产生的数据创建更好的辅助驾驶系统，然而，要制造出比人类驾驶更安全的全自动驾驶汽车是非常难的。一些专家估计，实现 5 级自动驾驶的技术已开发了约 80%，但剩下的 20% 是非常难攻克的，需要大量时间来完善。

图3：MongoDB在自动驾驶中的应用

汽车应用中基于AI的图像和目标识别存在不确定性，但制造商仍然要利用雷达、激光雷达、摄像头和车辆遥测数据来不断进行模型训练。现代汽车就像一个数据中心，不断收集和处理来自车载传感器和摄像头的信息，从而产生大量的数据。强大的存储和分析能力对于管理这些数据至关重要，而实时分析对于作出即时决策以确保安全导航至关重要。MongoDB可以在这些挑战面前发挥重要作用。

●MongoDB能够处理大量非结构化数据，是同时容纳传感器读数、远程信息处理、地图和模型结果等各种数据类型的绝佳方式。
●MongoDB支持在运行时随时添加新字段，让开发人员能够轻松地为原始遥测数据添加上下文信息。
●MongoDB的Search提供了一个高性能搜索引擎，允许数据科学家迭代其感知AI模型。

其他用例

AI在实现工业4.0的承诺中发挥着关键作用。MongoDB 还可支持许多其他AI用例，其中包括：

●物流优化：AI可以帮助优化路线，从而减少延误并提高日常配送的效率。
●质量控制和缺陷检测：在产品生产过程中，计算机或机器视觉可用于识别产品中的异常，确保产品精度达标。
●生产优化：通过分析生产线上安装的传感器的时间序列数据，可以识别并减少浪费，从而提高产量和效率。
●智能售后支持：制造商可以利用AI驱动的对话机器人和预测分析，为客户提供主动维护、故障排除和个性化帮助等服务。
●个性化产品推荐：AI可用于分析用户行为和偏好，通过移动或Web应用提供个性化产品推荐，从而提高客户满意度并促进销售。

AI与制造业和汽车业的融合已经彻底改变了传统流程，为效率和创新带来了大量的机会。借助工业物联网和先进的分析技术，企业现在可以利用大量数据来加强库存管理和预测性维护。AI驱动的需求预测可确保最佳库存水平，而预测性维护技术可最大限度地减少停机时间并优化设备性能。

此外，随着汽车制造商对实现自动驾驶的投入，AI驱动的图像识别和实时数据分析能力变得至关重要。MongoDB 是一个有效的解决方案，通过提供灵活的文档建模和强大的存储功能，应对工业 4.0 的复杂问题。

除制造业和汽车行业外，MongoDB 具备的AI潜力还可扩展到物流优化、质量控制、生产效率、智能售后支持和个性化客户体验等领域，从而塑造工业 4.0 及更远的未来。

以上是本篇的全部内容在本系列的下一篇文章中，我们将讨论MongoDB+AI在电信和媒体行业的应用

敬请期待阿里云MongoDB 的检索和向量新特性