A Kuken Industries, amely nagy épületek, bevásárlóközpontok és gyárak számára gyárt légkondicionáló és szellőztető berendezéseket, OpenAI-alapú keresőeszközt vezettetett be annak érdekében, hogy lerövidítse a cserealkatrész-rajzok megtalálásához szükséges időt. A cég Japán hűtőtornyok piacának egyik jelentős szereplője; ezek a tornyok a keringetett vízből a levegőbe juttatják a hőt, és így hűtik a nagy létesítményeket és például adatközpontok berendezéseit.
Mi volt a probléma?
Amikor egy hűtőtornyhoz alkatrészre van szükség, a mérnökök egy 70 évre visszanyúló rajzarchívumban keresik meg az eredeti dokumentációt. A régebbi berendezésekhez készített alkatrészek ma már gyakran nem illeszkednek az újabb változatokhoz, és ha nincs meg az eredeti rajz, a mérnököknek újratervezniük kell az alkatrészt.
A papíralapú archívum időszakában egy keresés akár fél napot is igénybe vett. A dokumentumok digitalizálása után is az jelentette a nehézséget, hogy a kereséshez a mérnököknek tudniuk kellett a megfelelő modellt vagy alkatrésznevet, valamint azt, hol található a fájl. Különösen az újabb, tapasztalatlan mérnökök töltöttek sok időt azzal, hogy megtalálják ezeket az információkat és értelmezzék a korábbi döntéseket.
Az AI-megoldás és az együttműködés
A Kuken a megoldás keresése során együttműködésbe lépett a japán startuptal, a Recursive-kel, amely hivatalos OpenAI-partner. A két cég közösen fejlesztette a keresőrendszert és a terepen használható alkalmazást az OpenAI API-jára építve. Több különböző AI-modellt is teszteltek a rajzok különböző típusain, hogy megmérjék mind a pontosságot, mind a költségeket; az OpenAI modellek mindkettőben jó teljesítményt nyújtottak, és az API rugalmassága lehetővé tette a keresés közvetlen beépítését az alkalmazásba.
A fejlesztés során a Kuken terepi mérnökeivel folytatott beszélgetések határozták meg az alkalmazás működését. A mérnökök többféleképpen indíthatnak keresést: beírhatnak rajz- vagy alkatrészszámot, illetve feltölthetnek rajzokról vagy alkatrészlistákról készült képeket vagy PDF-eket. Egy részletesebb munkafolyamatnál elég egy képernyőkép beillesztése a listáról, az alkalmazás kiolvassa a cikkszámokat, és lehetséges találatokat ad vissza, köztük a hasonló terveket is. A megfelelő rajz megtalálásához a mérnökök összevetik a tornyok specifikációit és a korábbi cserékre vonatkozó feljegyzéseket.
Eredmények és hatás
A Kuken által közölt eredmények szerint a keresőeszköz használatával az egy rajz megtalálására fordított átlagidő a korábbi, majdnem egy órás értékről körülbelül 4,5 percre csökkent. A vállalat arra számít, hogy az eszköz egy év alatt körülbelül 90%-kal csökkenti a rajzok keresésére fordított órákat.
A rövidebb keresési idők többféle pozitív hatással járnak:
- A tapasztalt mérnökök a megtakarított idő egy részét mentorálásra fordítják, így a fiatalabb kollégák gyorsabban önállósodhatnak.
- A mérnökök az alkalmazáson belül meg tudják tekinteni a rajzokat, ami csökkenti a nyomtatási költségeket.
- Több idő jut a rajzok tanulmányozására, tervezési fejlesztések átgondolására és korábbi ötletek részletesebb vizsgálatára.
A Kuken azt is fejleszti, hogy az AI segítségével ellenőriztesse a partnerektől érkező rajzokat: ma még a mérnökök szemrevételezéssel hasonlítják össze a rajzokat a specifikációkkal, és keresik a mennyiségi vagy részletbeli eltéréseket. A prototípus-tesztekben az AI által jelölt eltérések körülbelül 90%-a valós problémának bizonyult; ha az eszköz élesbe kerül, a vállalat szerint jelentősen csökkenhet a rajzellenőrzésre fordított idő.
Miért számít ez?
Minden egyes rajz rögzíti egy mérnöki döntés történetét egy konkrét telepítésnél. Azzal, hogy ezekhez a döntésekhez könnyebb hozzáférést biztosítanak és gyorsabban meg lehet érteni őket, a Kuken célja, hogy az így felhalmozott tapasztalat átadódjon a következő mérnökgenerációnak. Az eszköz bevezetése nemcsak hatékonyságnöveléssel jár, hanem a szaktudás rendszeres megosztását és továbbörökítését is támogatja.
