ams OSRAM hyödyntää generatiivista tekoälyä tuotantohenkilöstön dokumenttihakujen tehostamiseen. Tekoälyavustaja auttaa tunnistamaan ja löytämään tuotannon kannalta olennaisia teknisiä asiakirjoja nopeasti.

1. Yrityksen kuvaus

• ams OSRAM on globaali johtaja valaistusratkaisuissa.
• Tuotantolaitoksissaan yritys keskittyy valmistamaan raaka-aineita, kuten lankoja ja keraamisia levyjä, jotka ovat välttämättömiä lamppujen ja hehkulamppujen valmistuksessa.
• Tapaustutkimusaineistossa ei mainita yrityksen tarkkaa henkilöstömäärää.

2. Mikä ongelma tekoälyn oli tarkoitus ratkaista?

• Ams OSRAMin suurin ongelma oli aikaa vievä prosessi, jolla haettiin tuotantolaitosten sisällä sijaitsevia menettely- ja laitekohtaisia dokumentteja.
• Työntekijät T&K-henkilöstöstä tuotantolinjan työntekijöihin käyttivät usein liikaa aikaa etsiessään tarkkaa dokumentaatiota laitehuollosta tai toimintamenettelyistä.
• Tämä tehottomuus heikensi kokonaistuottavuutta ja vaikutti yrityksen kykyyn puuttua nopeasti tuotantolinjan ongelmiin, mikä vaikutti suoraan liiketoiminnan menestykseen.

3. Miten ongelma ratkaistiin ja millä työkaluilla?

• Kumppani Adastra kehitti generatiiviseen tekoälyyn perustuvan chatbot-ratkaisun, joka räätälöitiin sujuvoittamaan pääsyä kaikkeen tuotantoympäristön dokumentaatioon.
• Ratkaisu rakennettiin vankan AWS-infrastruktuurin ja CI/CD-putken päälle, ja se käsittelee kaikki oleelliset dokumentit vektoroinnin ja hakupohjaisen generoinnin (RAG) tekniikoiden avulla vastatakseen kyselyihin osuvimmilla tiedostoilla.
• Chatbot on suunniteltu ymmärtämään käyttäjien kysymyksiä tietyistä prosesseista tai koneista, antamaan vastauksia ja ohjaamaan käyttäjät suoraan oikeisiin dokumentteihin.
• Lisäksi järjestelmässä on sisäänrakennettu palautesilmukka käyttäjien omaksumisen ja tyytyväisyyden seurantaan.
• Tekninen kokonaisuus koostuu Amazon Bedrockista, Amazon OpenSearchista, AWS EC2: sta, AWS Lambdasta ja AWS S3:sta.

4. Mitä tuloksia saavutettiin?

• Ratkaisu vähensi dramaattisesti aikaa, jonka työntekijät käyttivät tiettyjen dokumenttien etsimiseen; käyttäjät löytävät tarvitsemansa tiedon sekunneissa, ja manuaalinen etsintä poistui.
• Tämä välitön pääsy näkyi suoraan lisääntyneenä operatiivisena tuottavuutena, kustannussäästöinä ja parempana päätöksentekona, kun tuotantohaasteisiin pystyttiin reagoimaan ketterämmin.
• Sisäänrakennettu palautesilmukka mahdollisti myös jatkuvan työkalun kehittämisen todellisten käyttäjävuorovaikutusten perusteella, mikä nosti työntekijöiden tyytyväisyyttä ja sitoutumista.
• Alusta tarjoaa myös saumattoman skaalautuvuuden, joten uusien dokumenttien ja käyttäjien lisääminen ajan myötä on helppoa.

5. Mitä ongelmia ilmeni?

• Tapaustutkimus ei mainitse negatiivisia häiriöitä, järjestelmävikoja tai teknisiä virheitä toteutusvaiheessa.
• Se korostaa ainoastaan alkuperäistä operatiivista ongelmaa, jossa dokumenttien löytäminen viivästyi ja työntekijät käyttivät liikaa aikaa laitehuolto- ja toimintamenettelytiedostojen manuaaliseen etsimiseen.

6. Aika- ja rahainvestoinnit

• Tapaustutkimuksen dokumentaatio ei paljasta konkreettisia lukuja taloudellisista investoinneista, sopimushinnasta tai projektin toteutusaikataulusta.

7. Millaista osaamista tarvittiin ja mitä yhteistyökumppaneita käytettiin?

• Projekti vaati erikoisosaamista ja asiantuntemusta tekoälystä (AI) ja generatiivisesta tekoälystä.
• Teknisestä suunnittelusta ja toteutuksesta vastannut päästrateginen kumppani oli Adastra, joka toteutti ratkaisun Amazon Web Services (AWS) -pilviteknologioilla.

8. Liiketoimintafunktion luokitus

• Projekti liittyy ensisijaisesti tuotantotoimintaan ja valmistuksen tietämyksenhallintaan, sillä se automatisoi ja sujuvoittaa dokumenttien hakua päivittäisissä tuotantoprosesseissa.
• Se tukee myös kunnossapitotoimintaa ja tutkimusta ja kehitystä (T&K) tarjoamalla välittömän pääsyn laiteohjeisiin ja tekniseen dokumentaatioon.

9. Lähde

ams OSRAM: GenAI Chatbot Finds Relevant Documents Within Seconds