AI agenti pro výrobu a techniky v terénu: jak je navrhnout

Krátká odpověď: AI agent pro výrobu a techniky v terénu má čtyři povinné vlastnosti: dokumentace je dostupná i bez signálu, ke každé odpovědi se ukáže zdroj v dokumentaci, agent je omezený na svou doménu a data jsou šifrovaná v zařízení i při přenosu. Nejlepší první nasazení je asistent nad manuály, který technikovi odpoví na konkrétní otázku u zařízení. Automatizace procesů v terénu začíná tím, že technik nemusí hledat, ale dostane odpověď.

Proč na tom záleží

Technik v terénu je nejdražší místo, kde se hledá informace. Stojí u zařízení, má omezený čas a často žádný signál, a odpověď je ve stovkách stránek manuálů nebo u přetížené interní podpory. Každá minuta hledání je minuta, kdy se nepracuje, a každá chybná instalace je výjezd navíc. Automatizace procesů ve výrobě a servisu proto nezačíná v kanceláři, ale v tomhle bodě.

AI agent, tedy program, který s pomocí jazykového modelu sám plní zadaný úkol nad připojenými daty, tenhle problém umí řešit. Ale jen pokud je navržený pro terén. Agent, který hádá parametry nebo odpoví na cokoli, je v dílně nebezpečnější než žádný agent. U nás v MeguMethod jsme to řešili u aplikace pro instalační techniky 2N a v rámci AI Infrastructure pomáháme firmám nastavit, co takový agent potřebuje a kde má hranice.

Chcete vědět, jestli by AI asistent pomohl vašim technikům a co by musel mít? Rezervujte si 30 minut online s námi. Řekneme vám, co bychom řešili jako první. Domluvit online call

Jaké use cases ve výrobě a servisu dávají smysl

Nejlepší první nasazení je to, které technikovi šetří hledání a nic za něj nerozhoduje. Z našeho pohledu se ve výrobě a servisu opakují čtyři situace.

Asistent nad manuály a dokumentací. Technik položí konkrétní otázku („jaký je postup zapojení tohoto modulu“) a agent prohledá dokumentaci, odpoví a ukáže přesné místo v manuálu. Takhle funguje asistent Lennie v aplikaci pro instalační techniky 2N: dokumentaci jsme převedli na vektorová data, agent v ní vyhledá konkrétní pasáž a k odpovědi připojí zdroj, místo aby hádal parametry. Tenhle typ má nejmenší riziko a nejrychlejší přínos, protože agent nic nemění, jen zkracuje cestu k odpovědi.

Dokumentace v terénu. Technik musí zdokumentovat stav zařízení, průběh testu nebo instalace, a v terénu to dnes dělá fotkami a poznámkami, které někdo později třídí. Aplikace, která ho vede krok za krokem a nic nevynechá, je základ; agent může navíc kontrolovat úplnost nebo z poznámek sestavit protokol. V Photo Creation Guide jsme pro automobilový průmysl postavili aplikaci, která techniky vede fotodokumentací crash testů tak, aby žádný povinný záběr nechyběl, s offline šifrovaným úložištěm a synchronizací, až se vrátí signál.

Správa zařízení a senzorů. Technik konfiguruje, kontroluje a opravuje zařízení v síti. Dobré rozhraní s validací snižuje chyby víc než jakýkoli model; agent pak může pomoct s diagnostikou. Pro Jablotron jsme navrhli webovou aplikaci pro techniky spravující zařízení a senzory se zadáním nahradit rozhraní stavěné jen pro experty něčím, co zkrátí zaučení a omezí chyby.

Hlasové ovládání. Technik má špinavé ruce nebo drží nářadí a potřebuje se zeptat bez psaní. Hlasová vrstva dává smysl, ale přidává nároky na filtrování hluku dílny. Je to nadstavba nad fungujícím textovým agentem, ne první krok.

Co musí AI agent pro terén mít

Čtyři vlastnosti nejsou volitelné. Když některá chybí, technici agenta přestanou používat, nebo hůř, budou mu věřit tam, kde nemají.

Dokumentace dostupná bez signálu. Dílny, montážní místa a testovací dráhy nemají spolehlivý signál. Manuály a data, která technik potřebuje nejčastěji, proto musí být v zařízení a hledání v nich musí fungovat offline. Samotné odpovědi AI ale obvykle potřebují připojení, protože jazykový model běží na serveru. Aplikace proto musí technikovi říct, co bez připojení zvládne (hledání ve stažených informacích) a co ne (odpověď AI). U 2N jsou manuály dostupné offline přímo v aplikaci a aktualizace stahuje jen to, co se změnilo; offline funguje vyhledávání ve stažených informacích, AI asistent funguje pouze online. U Photo Creation Guide se fotky šifrují v paměti telefonu a synchronizují, až se spojení vrátí.

Zdroj odpovědi. Agent u zařízení nesmí hádat. Každá odpověď má odkazovat na konkrétní místo v dokumentaci, aby si ji technik mohl ověřit. Technicky je to RAG (retrieval-augmented generation): model odpovídá jen z toho, co vyhledal ve schválených dokumentech, ne z obecné znalosti. Je to ochrana před halucinacemi, tedy odpověďmi, které zní správně, ale v datech nemají oporu. V terénu může špatná rada poškodit hardware, proto u Lennieho platí nulová tolerance.

Omezení na doménu. Agent řeší jedno téma: technickou podporu vašich produktů. Cokoli mimo má odmítnout. U 2N je asistent nastavený na podporu produktů 2N a primárně se nemá nechat odvést k jiným tématům. Vymezená doména chrání před zneužitím a dává technikům jistotu, že agent ví, o čem mluví. Co se stane, když agent hranici nemá, popíšeme v samostatném článku o prompt injection a AI agentech.

Šifrování a bezpečnost dat. Zařízení v terénu se ztrácejí a kradou. Data musí být šifrovaná v zařízení i při přenosu a aplikace má projít bezpečnostním posouzením dřív, než ji dostanou technici. Photo Creation Guide prošla bezpečnostním posouzením a penetračním testem bez nálezu, na první pokus. Ptejte se i na to, kam odcházejí dotazy techniků a kde model běží; pro některé obory to znamená provoz v EU nebo ve vlastním prostředí.

Jak postupovat při návrhu

Návrh začíná u techniků, ne u modelu. Postup, který doporučujeme, má pět kroků a model přichází až v posledním.

1. Pozorujte techniky při práci. Jaké otázky si kladou, kde hledají odpověď, kde dělají chyby a ztrácejí čas. U 2N jsme vycházeli z dat produktového manažera, rozhovorů a pozorování uživatelů, výzkumu v terénu a analýzy konkurence. Bez tohoto kroku stavíte agenta pro problém, který možná neexistuje.
2. Vyberte jeden use case a změřte výchozí stav. Kolik dotazů dostává podpora, jak dlouho trvá najít postup, kolik výjezdů je kvůli chybné instalaci. Číslo před nasazením je jediný způsob, jak později poznat přínos.
3. Dejte do pořádku dokumentaci. Agent je přesně tak dobrý jako zdroj. Rozhodněte, co je zdroj pravdy a kdo ho udržuje. Dokumentaci je často potřeba rozdělit tak, aby agent zachoval kontext tabulek a schémat zapojení; u 2N jsme manuály dělili po kapitolách.
4. Navrhněte hranice a dozor. Co agent smí, co nesmí, kdy řekne „nevím“ a kdy odkáže na člověka. Určete, kdo odpovědi kontroluje v pilotu a kdo agenta dál udržuje. Šířeji o tom píšeme v článku AI agent: co to je a jak ho využije firma.
5. Pilot s vybranými techniky, pak rozšíření. U 2N testovali první verzi vybraní technici a teprve pak šla aplikace do App Store a Google Play. Z pilotu vyjde seznam toho, co doplnit do dokumentace a co upravit v hranicích agenta.

Kdy AI agent pro techniky dává smysl a kdy ne

Dává smysl, když:

• technici opakovaně hledají postupy v rozsáhlé dokumentaci nebo volají podpoře s podobnými dotazy,
• dokumentace existuje a někdo ji udržuje,
• technici často pracují bez stabilního signálu, a proto potřebují mít dokumentaci po ruce přímo v zařízení,
• chybná instalace nebo servis znamená výjezd navíc nebo poškozené zařízení,
• umíte změřit výchozí stav (dotazy na podporu, čas hledání, opakované výjezdy).

Nedává smysl, když:

• dokumentace je zastaralá, roztříštěná nebo neexistuje; pak je prvním krokem ona, ne agent,
• chcete, aby agent rozhodoval o zásazích do zařízení bez kontroly člověkem,
• technici pracují jen na pár typech zařízení a odpovědi znají zpaměti,
• nemáte, kdo by agenta po pilotu udržoval a sledoval,
• hlavní motivace je mít AI, ne vyřešit konkrétní problém v terénu.

Pokud jste se našli v prvním seznamu, napište nám pár vět o tom, co vaši technici dnes řeší. Ozveme se s tím, jak bychom postupovali. Poslat poptávku

Jak k tomu přistupuje MeguMethod

Asistenty pro techniky stavíme na dvou pravidlech, která máme ověřená z práce pro 2N: nulová tolerance halucinací a přísné omezení na doménu. Lennie funguje jako vyhledávač nad dokumentací 2N, odpovídá jen z ní, ke každé odpovědi připojí zdroj a je nastavený na technickou podporu produktů 2N. Manuály jsou v aplikaci dostupné offline včetně vyhledávání ve stažených informacích; samotný AI asistent funguje online. Stejný přístup popisujeme na stránce AI asistentů pro B2B, kde je vedle Lennieho i transakční bot nad interním API s daty v EU.

Širší rámec řešíme v AI Infrastructure: zmapujeme, co ve firmě běží, nastavíme pravidla pro stack a nasazení, vybavíme a proškolíme tým a dál dohlížíme na kód. Začínáme 30minutovou online konzultací bez závazků.

Další krok

Chcete AI asistenta, který vašim technikům odpoví u zařízení a nic si nevymyslí? Podívejte se, jak funguje AI Infrastructure od MeguMethod, nebo si rovnou domluvte 30 minut online a projdeme, co by takový agent u vás musel mít. Pokud chcete nejdřív kontext, přečtěte si AI agent: co to je a jak ho využije firma, nebo starší článek o digitalizaci interních procesů.