Sådan bevarer du dine teknikeres viden: En håndbog i reparation af udstyr baseret på AI

En tysk kunde bad om at digitalisere fabriksteknikernes viden: at samle indstillinger og reparationer af alt udstyr i en enkelt referencebog, der ville besvare spørgsmål på en menneskeligt læsbar måde – kortfattet og præcist, med deres egne ord, i stedet for ved at henvise til en tyk manual. Løsningen var en vektorbase af viden fra virksomhedens dokumentation plus Telegram bot med AI ovenpå.

Hvad der skete: En ordre jeg aldrig havde hørt om før

Jeg vidste slet ikke, at den slags projekter blev bestilt. Men klienten overbeviste mig hurtigt: Han sagde, at konkurrenter allerede brugte AI-drevne databaser over indstillinger og reparationer i produktionen, men han havde ikke sådan en opslagsbog – videnen var lagret i hovederne på erfarne justeringsteknikere.

Hvad vi gjorde: sammensatte en database med instruktioner, videoer og udstyr

Vi sammensatte en vektordatabase over alt virksomhedens udstyr. Vi brugte proprietære manualer, YouTube træningsvideoer og to færdige tjenester:

• iFixit er et fællesskab og en database med trinvise reparations- og demonteringsvejledninger, komplet med fotos og tips.
• ManualsLib er et af de største gratis onlinebiblioteker med originale manualer, datablade og diagrammer i PDF-format.

Dette var ikke bare en enkelt maskine, men en hel produktionslinje: rulleafvikling, påføring af belægning, varmebehandling, aktivering af laserlag, kvalitetskontrol og opvikling af det færdige materiale. Hver af disse enheder har sin egen opsætningslogik, og før dette projekt var al viden om den lagret i hovederne på de mennesker, der arbejdede på linjen – der var ingen måde at sammenligne noter på.

Sådan ser en del af denne linje ud - det udstyr, som referencebogen blev udarbejdet til.

Fundamentet for databasen er fabriksdokumentation: betjeningsvejledninger, afsnit om udstyrets formål, sikkerhedsmekanismer og nødnedlukning samt monteringsdiagrammer. Det er disse sider, som AI'en omdanner til øjeblikkelige svar og erstatter manuelle søgninger i papirdokumenter.

Installationsprogrammets brugerflade er en almindelig Telegram chat på QuestFlow- tjenesten: du kan skrive eller diktere dit spørgsmål, vedhæfte et billede og modtage et svar med trinvise instruktioner.

Hvad er vektorsøgning i enkle termer?

En standard dokumentsøgning leder efter præcise ordmatchninger: Hvis ordet "fastlåst" ikke er i teksten, finder den ikke det ønskede afsnit, selvom det findes under et andet navn. Vektorsøgning fungerer anderledes: Dokumenter opdeles i fragmenter og konverteres til en numerisk repræsentation af deres betydning. Når en tekniker stiller et spørgsmål med sine egne ord, søger systemet efter fragmenter, der er tættest på i betydning. Derfor, uanset hvordan spørgsmålet er formuleret - "fastlåst" eller "vil ikke bevæge sig" - vil AI'en finde det ønskede afsnit i manualen.

Sådan fungerer det: fra et spørgsmål eller et billede til færdiglavede instruktioner

AI forstår forespørgsler af enhver kompleksitet: fra grundlæggende opsætninger ("Jeg placerede emnet, anvendte en lineal - hvad nu?") til nedbrudsscenarier. Hvis der opstår et problem, tager justeringsteknikeren et billede af komponenten, skriver ned "hvorfor det ikke virker" og modtager instruktioner med specifikke trin i stedet for generelle råd fra internettet. Justeringsteknikeren behøver ikke at kende det nøjagtige komponentnavn eller sektionsnummer - de beskriver problemet med deres egne ord, som de ville forklare det til en kollega, og modtager et svar baseret på virksomhedens specifikke dokumentation.

Hvorfor forvirrer svaret ikke udstyrsmodeller?

Svaret er baseret på dokumenterne fra den specifikke virksomhed. En standard sprogmodel uden en sådan database kunne blande instruktioner fra en lignende, men forskellig maskine, hvilket resulterer i, at opsætningsoperatøren modtager trin, der ikke gælder for deres udstyr. En vektordatabase begrænser AI'en til kundens faktiske dokumenter, hvilket forhindrer den i at blande modeller og misrepræsentere andre personers procedurer som sine egne.

Hvor meget koster det, og hvor meget tid sparer det?

Dette var mit første projekt som dette, så jeg gav et rimeligt estimat: hele projektet kostede kunden, hvad der svarer til en månedsløn for én opsætningstekniker. Gevinsten er tydelig uden komplicerede beregninger: en ny medarbejder venter ikke længere på, at en ledig opsætningstekniker river sig løs fra maskinen og forklarer tingene på en enkel måde, og erfarne specialister bliver mindre distraherede af gentagne spørgsmål. Fremtidige lignende ordrer vil være enklere og hurtigere – processen er veletableret. Jeg tror, at tidsbesparelserne kommer fra de små ting: I en lignende situation skulle en person tidligere lede efter en papirmappe med instruktioner eller ringe til en kollega, men nu åbner de blot en chat med botten.

Hvem er denne AI-mappe egnet til?

For dem, der ønsker at digitalisere alle erfarne opstillingsoperatørers viden og samle den i én enkelt opslagsbog – og dermed undgå at være afhængige af, at en af dem går på pension på et ubelejligt tidspunkt. Dette er velegnet til ethvert produktionsanlæg med en forskelligartet udstyrsflåde: jo flere maskinmodeller og jo sjældnere procedurer ændres, jo hurtigere tjener en sådan database sig selv ind. For en linje med en eller to maskiner er det mindre praktisk – en erfaren opstillingsoperatør kan allerede holde styr på alt uden at miste overblikket, men når der er snesevis af udstyr fra forskellige producenter, bliver manuel hukommelse uhåndterlig.

Tre tegn på, at denne opgave er den rigtige for dig:

1. En ny medarbejder bruger uger på at følge en erfaren takstmand i stedet for at arbejde selvstændigt.
2. De samme spørgsmål om opsætning og typiske nedbrud gentages fra vagt til vagt.
3. Der findes dokumentation for udstyret, men den er spredt: noget er på papir, noget er i PDF-format fra leverandøren, og noget er kun i tankerne hos den person, der snart skal på ferie eller gå på pension.

Hvis mindst ét punkt stemmer overens, er dette normalt nok til at dække omkostningerne ved at samle en sådan base på grund af den tid, som justeringspersonalet sparer.

Hvad har 1001site AI med dette at gøre?

Dette projekt handler om, hvordan AI arbejder med rigtige forretningsdata. 1001site AI bruger den samme logik, men til hjemmesider: Builderen opretter en hjemmeside baseret på dit link eller din beskrivelse, og derefter redigerer dashboardets AI-assistent indholdet og imødekommer dine specifikke behov. Forskellen ligger i opgaven – den ene er en mappe til et værksted, og den anden er en hjemmeside til kunder, men princippet om, at "AI arbejder med dine data" er det samme. Du kan prøve denne logik på din hjemmeside her.

Kilder

• QuestFlow - en tjeneste til Telegram bots med AI
• iFixit - fællesskab og database med reparationsvejledninger
• ManualsLib - et bibliotek med manualer og datablade til udstyr
• Opslag og diskussion i Telegram kanalen

Du kan se, hvordan en lignende AI-platform til Telegram fungerer, i analysen af QuestFlow, som er det, botten til dette projekt er bygget på.

Spørgsmål og svar

Hvad er en vektorvidensbase kort sagt?

Dokumenter opdeles i fragmenter og gemmes, så AI'en kan finde det rigtige fragment baseret på spørgsmålets kontekst. Svaret er samlet ud fra dokumenter, der er specifikke for din virksomhed, ikke ud fra modellens generelle viden.

Er det muligt at tilføje den viden om taksatorer, som ikke er inkluderet i nogen instruktioner?

Ja. Talebeskeder og fotos fra Telegram er også inkluderet i databasen, og AI'en bruger dem i efterfølgende svar sammen med officiel dokumentation.

Er det nødvendigt at oplære medarbejdere i at arbejde med sådan en fortegnelse?

Brugerfladen er en standard Telegram chat: du skriver et spørgsmål i tekst eller tale og vedhæfter et billede. Træningen tager et par minutter, og der er ingen grund til at installere en særlig app.