Lyhyt kuvaus: 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

Case-kuvaus on tekoälyn koostama lähteestä:
ams OSRAM: GenAI Chatbot Finds Relevant Documents Within Seconds