Bromma: palvelutoimintojen johtaminen tekoälypohjaisen haun ja automaation avulla

Bromma on maailmanlaajuinen johtava toimija satamien ja terminaalien nosturien levittimien valmistuksessa. Yrityksen menestys ei perustu pelkästään korkealaatuisten laitteiden rakentamiseen, vaan myös siihen, että tuki toimii saumattomasti silloin, kun huolto- tai laatuongelmia ilmenee. Vanhentuneet järjestelmät alkoivat kuitenkin tehdä tästä yhä haastavampaa.

Yrityksen sisäinen järjestelmä laatuongelmien kirjaamiseen ja diagnosointiin oli peräisin 2000-luvun alusta, ja se oli sekä monimutkainen että tehoton. Tiedot olivat hajallaan, ja kriittiset huoltoon liittyvät yksityiskohdat sekä historiatiedot sijaitsivat jäsentymättömissä tietokentissä vanhassa tietokannassa. Järjestelmän rajalliset hakutoiminnot pakottivat insinöörit käymään läpi aiempia raportteja manuaalisesti ja nojaamaan omaan kokemukseensa löytääkseen relevantteja ratkaisuja.

Tehottomuuksien ratkaisemiseksi Bromma teki yhteistyötä Futuricen ja Futurice Family -datayhtiö Recordlyn kanssa ja otti käyttöön retrieval-augmented generation - (RAG-) agentin – mullistavan generatiiviseen tekoälyyn perustuvan ratkaisun, joka on suunniteltu tehostamaan huoltotoimintoja.

Sujuvan vuorovaikutuksen varmistamiseksi ratkaisuun sisältyy käyttäjäystävällinen käyttöliittymä, jonka kautta huoltoinsinöörit voivat olla suoraan vuorovaikutuksessa tekoälyagentin kanssa luonnollisen keskustelun avulla. Intuitiivinen toteutus varmistaa, että insinöörit saavat nopeasti tarvitsemansa tiedot, mikä parantaa tehokkuutta ja päätöksentekoa.

Luonnollisen kielen käsittelyä ja älykästä hakua hyödyntämällä agentti käsittelee Bromman laaturaportteja (Quality Service Reports, QSR) ja poimii niistä olennaiset tiedot vastaten välittömästi keskeisiin huoltoa koskeviin kysymyksiin, kuten: ”Mikä ongelma tässä QSR:ssä raportoitiin? Ratkesiko ongelma? Jos ratkesi, mikä oli ratkaisu?”

Dataputket poimivat ja käsittelevät tiedon agentille luettavaan muotoon ja mahdollistavat sen, että insinöörit voivat nyt hakea olennaisimmat tapaukset yksinkertaisilla, luonnollisen kielen kyselyillä. Sen sijaan, että heidän tarvitsisi käydä manuaalisesti läpi vanhoja raportteja, he voivat nyt kysyä esimerkiksi: ”Onko meillä ollut aiemmin ongelma X?” tai ”Miten ongelma X ratkaistaan?”

Agentti ei ainoastaan hae tietoa, vaan tuottaa myös vaiheittaiset vianmääritysohjeet ja paikan päällä tehtävät testausmenettelyt, jotka auttavat insinöörejä ratkaisemaan ongelmat nopeammin ja tehokkaammin.

Google Cloud Platformille rakennettu ratkaisu hyödyntää moderneja teknologioita ja kielimalleja toimintansa perustana. Se yhdistää Google BigQueryn, Google Dataformin ja Google Cloud Runin, joiden avulla data käsitellään, tallennetaan ja tarjotaan tehokkaasti RAG-agentille oikeassa muodossa.

Ratkaisu käyttää Google Geminiä ensisijaisena suurena kielimallina (LLM) käyttöliittymässä, kun taas taustalla toimii useita eri malleja dokumenttien hakemiseen ja hakutulosten relevanssin mukaiseen järjestämiseen.

Sovellukseen sisäänrakennetut ohjeistetut kehotteet opastavat käyttäjiä RAG-agentin toiminnallisuuksien hyödyntämisessä. Lisäksi agentti tarjoaa kuratoituja ehdotuksia silloin, kun käyttäjän syöte on liian epämääräinen. Käyttäjää voidaan myös ohjata tarkentamaan haun ehtoja suodattimien avulla.

Tekoälypohjainen agentti otettiin hiljattain onnistuneesti käyttöön, ja vaikka pitkän aikavälin tuottoa investoinnille (ROI) vielä mitataan, varhainen palaute keskeisiltä käyttäjiltä – mukaan lukien IT-sidosryhmät ja huoltoinsinöörit – on ollut erittäin myönteistä.

Poistamalla aikaa vievät manuaaliset haut ja tarjoamalla insinööreille nopeat, tekoälyyn perustuvat oivallukset Bromma on uudistanut huoltotoimintonsa: aikaa säästyy, käyttökatkot vähenevät ja asiakaspalvelukokemus on entistä sujuvampi.