Den Wissenszugang revolutionieren: Eine erfolgreiche Dokument-Q&A-Case Study
Stärkung von Experten und Straffung der Supportkanäle zusammen mit einem deutschen Hersteller mit der Kraft von LLM und Big Data.
Diese Lösung hat die Art und Weise, wie unsere Experten mit Maschinenhandbüchern umgehen, revolutioniert. Es ist, als hätten sie einen sachkundigen Assistenten zur Hand, der Zeit spart und die Effizienz verbessert.
Unser Ergebnis
Übersicht
Challenge
Lösung
Technologien
Impact
Unser Ergebnis
Unsere Lösung revolutionierte die Benutzererfahrung, reduzierte die Anzahl der Support-Tickets und steigerte die Effizienz. Durch die Integration der Anomalieerkennung wurde die Zuverlässigkeit verbessert und Problemen vorgebeugt, wodurch der Zugang zu Expertenwissen verbessert wurde.
Unser Ziel war klar: Wir wollten eine Lösung entwickeln, die das Nutzererlebnis verändert und die betriebliche Effizienz für Experten, die mit Maschinen arbeiten, verbessert.
- Als Reaktion auf die Herausforderungen, denen sich Experten beim Zugriff auf Maschinenhandbücher und bei der effizienten Fehlerbehebung gegenübersehen, haben wir ein Proof-of-Concept-Projekt (PoC) ins Leben gerufen.
- Daraus entwickelte sich ein MVP für die Produktion, das das Gemini-Modell von Googles LLMs und die Integration von Big Data für erweiterte Funktionen wie die Erkennung von Anomalien nutzte.
Suchst du einen
Innovationspartner?
KontaktChallenge
Herkömmliche Handbücher erschwerten es den Experten, schnell auf wichtige Informationen zuzugreifen, was zu Verzögerungen, einem höheren Aufkommen an Support-Tickets und einer geringeren Produktivität führte.
Rationalisierung der Fehlerbehebung und Befähigung der Benutzer
Herkömmliche Supportkanäle führen oft zu Verzögerungen und Ineffizienz bei der Behebung von Maschinenproblemen. Experten haben Mühe, relevante Informationen in Handbüchern schnell zu finden, was zu einem erhöhten Aufkommen an Support-Tickets und einer geringeren Produktivität führt. Unsere Aufgabe war es, eine Lösung zu entwickeln, die diesen Prozess rationalisiert und den Benutzern einen nahtlosen Zugriff auf Informationen ermöglicht.
Lösung
Unsere Lösung veränderte die Benutzererfahrung, reduzierte das Volumen der Support-Tickets und verbesserte die betriebliche Effizienz, während die Integration von Anomaly Detection die Zuverlässigkeit erhöhte und potenziellen Problemen zuvorkam und den Wissenszugang für Experten revolutionierte.
Herausforderung meistern in vier Schritten
Entwicklung eines PoC
Wir implementierten die Document Q&A Solution mit Hilfe von Maschinenhandbüchern, die auf der Motius-Infrastruktur gehostet wurden. Diese erste Phase diente als Testphase, in der wir unsere Lösung verfeinern und wertvolles Feedback von den Benutzern sammeln konnten.
Umstellung auf die Infrastruktur des Kunden
In dieser Phase wurde unsere Lösung auf die Infrastruktur des Kunden migriert, um eine nahtlose Integration und optimale Leistung zu gewährleisten. Durch die Nutzung von Google, einschließlich des leistungsstarken Gemini Large Language Model, verbesserten wir die Skalierbarkeit und Zuverlässigkeit und legten damit den Grundstein für zukünftige Iterationen. Die Migration von der Motius-Infrastruktur zur Infrastruktur des Kunden auf der Google Cloud Platform erforderte eine sorgfältige Planung und Ausführung. Wir ersetzten bestehende Dienste durch Google-Dienste, um eine nahtlose Integration und optimale Leistung zu gewährleisten.
Entwicklung eines Minimum Viable Product (MVP)
In dieser Phase sammelten wir Anforderungen auf der Grundlage von Feedback und der Gesamtvision für das Produkt. Außerdem erweiterten wir die Lösung um zusätzliche Dokumente, wie z. B. Dienstleistungsbeschreibungen und FAQs, was eine architektonische Herausforderung darstellte. Um diese zu bewältigen, implementierten wir robuste Datenstrukturen und Indizierungsmechanismen, die einen effizienten und kostengünstigen Abruf von Dokumenten und Wissenszugriff gewährleisten.
Integration von Big Data-Funktionen
In der dritten Phase unseres Ansatzes konzentrierten wir uns auf die Integration von Big-Data-Funktionen wie der Anomalieerkennung, um die Funktionalität und den Wert unserer Lösung weiter zu steigern. Wir nutzten Daten aus dem Data Warehouse des Kunden und implementierten fortschrittliche Algorithmen, um Unregelmäßigkeiten schnell zu erkennen und zu beheben, die Betriebssicherheit zu verbessern und potenziellen Problemen zuvorzukommen. Der Übergang von der PoC- zur MVP-Phase brachte einige technische Herausforderungen mit sich.
