Artykuły zebrane według problemu, branży i rodzaju systemu.
Przed spotkaniem o jakości pracownik znów czyta reklamacje i zaznacza, które opisują podobny problem. Klienci piszą różnymi słowami, więc wyszukanie jednej frazy nie wystarcza. AI może pomóc zebrać te opisy we wspólne grupy. Warto zacząć od ustalenia ich znaczenia i próby z gotowym modelem, a dodatkowe uczenie rozważyć wtedy, gdy konkretne pomyłki stale wracają.
Pracownik obsługi dostaje od AI poprawną odpowiedź, po czym usuwa uroczysty wstęp, skraca zdania i przenosi najważniejszą informację na początek. Przy kolejnej wiadomości robi to samo. Fine-tuning może pomóc modelowi lepiej odtwarzać takie powtarzalne wybory redakcyjne. Warto go rozważyć, gdy uzgodnione wskazówki i szablony nadal pozostawiają zespołowi dużo przepisywania.
Pracownik przenosi dane z formularza ubezpieczeniowego do systemu. Narzędzie odczytało adres bez literówki, ale wpisało siedzibę firmy także jako lokalizację magazynu. Poprawienie takiego wyniku wymaga powrotu do dokumentu. Przydatna pomoc pokazuje każdy adres przy właściwej części formularza, tak aby pracownik mógł sprawdzić dane przed ich zapisaniem.
Osoba przygotowująca zestawienie dla kierownika projektu po raz kolejny poprawia ten sam błąd AI: otwarte pytanie trafia do podsumowania jako zakończona praca. Jeśli przyczyną jest firmowy skrót, warto najpierw sprawdzić słownik i kontekst. Fine-tuning ma sens wtedy, gdy podobne pomyłki wracają mimo tych poprawek, a zespół potrafi wskazać prawidłowe odczytanie notatek.
Załóżmy, że klient odsyła umowę po poprawkach. Zmienia układ akapitu, a w innym miejscu częstotliwość przekazywania raportu. Porównanie dokumentów zaznacza oba miejsca. Koordynator musi jeszcze ustalić, komu przekazać je do przeglądu. Model AI może zaproponować kategorie zmian według zasad uzgodnionych przez firmę, z widocznym zapisem przed zmianą i po niej.
W przykładowej rozmowie technik proponuje sprawdzenie przy kolejnym kontakcie, czy po zalogowaniu nadal pojawia się błąd aplikacji. Podsumowanie mówi jednak, że błąd już sprawdzono i nadal występuje. Osoba przejmująca obsługę musi wrócić do rozmowy, żeby ustalić, co rzeczywiście zrobiono. Gdy takie poprawki wracają, warto ocenić sposób tworzenia podsumowań: ich format, instrukcje dla AI i dopiero potem potrzebę dostosowania modelu.
Klient chwali instrukcję, a w tym samym zdaniu opisuje uciążliwe przygotowanie urządzenia do kolejnego zadania. Jedna ocena „pozytywna” lub „negatywna” niewiele mówi zespołowi produktowemu. AI może pomóc zebrać uwagi według tego, czego dotyczą, i zachować oba doświadczenia. Własny model warto rozważyć, gdy dostępne narzędzia stale gubią rozróżnienia ważne dla waszego produktu.
Kierownik projektu szuka osoby, która prowadziła warsztaty zbierania wymagań. W profilach i opisach projektów podobna praca występuje pod różnymi nazwami, więc znów pyta kilku kolegów. AI może pomóc odnaleźć konkretne fragmenty dokumentacji i pokazać, co dana osoba robiła. Przydatny wynik daje punkt wyjścia do rozmowy o doświadczeniu.
Kupiec przepisuje z oferty termin dostawy: sześć tygodni. W dokumencie jest jednak dalszy ciąg: po zatwierdzeniu rysunku. Gdy ta część znika z tabeli, osoba czytająca zestawienie traci informację, od czego biegnie termin. AI może pomóc przenosić pełne warunki z dokumentów do systemu zakupowego.
W kolejce infrastruktury pojawia się zgłoszenie „Nie mogę się zalogować. Pilne!”. Dyżurny musi ustalić, czy problem dotyczy jednej osoby, czy zatrzymał pracę całego działu, oraz kiedy potrzebne jest przywrócenie dostępu. Model AI może zebrać te informacje z treści i pokazać, o co jeszcze trzeba dopytać. Priorytet wynika z firmowych zasad i oceny uprawnionego pracownika.
Klient mówi, że nie chce już obecnego pakietu internetu. Konsultant potrzebuje jeszcze jednej informacji: chodzi o zmianę oferty czy zakończenie usługi? Model AI może pomóc rozpoznać cel rozmowy, ale przy tak krótkiej wypowiedzi przydatniejsze od szybkiego przypisania jest pytanie doprecyzowujące. Dostosowanie modelu warto rozważyć przy powracających pomyłkach w wypowiedziach, których sens jest już jasny.
Pracownik biura serwisu odsyła dokumentację po zdjęcie wymontowanej części. Technik odpowiada, że niczego nie wymieniał, tylko wyregulował istniejący moduł. Takie wyjaśnienia wracają, gdy każdą wizytę sprawdza się według tej samej listy. Model AI może pomóc rozpoznać opisany rodzaj pracy, aby biuro zastosowało właściwe wymagania i poprosiło o rzeczywiście potrzebne materiały.
Dostawca przysyła nowy katalog, a pracownik zakupów sprawdza, które z oferowanych produktów firma już ma we własnej kartotece. Nazwy są inne, kody dostawcy nie pasują do wewnętrznych indeksów, a kilka pozycji wygląda niemal identycznie. Model AI może pomóc zawęzić poszukiwania. Własne dostosowanie modelu warto jednak rozważać dopiero wtedy, gdy zwykłe wyszukiwanie i gotowy model regularnie pomijają właściwe produkty.
Klient pisze e-mail, a potem dzwoni w tej samej sprawie. Dwie osoby zaczynają wyjaśniać ten sam problem, bo zgłoszenia brzmią inaczej i trafiły różnymi kanałami. AI może podsunąć pracownikowi powiązaną sprawę, zanim powtórzy on wykonaną już pracę. Przy wyborze rozwiązania trzeba sprawdzić, czy proponowane powiązania dotyczą tego samego zdarzenia.
Do kancelarii trafia PDF z umową, aneksem i wydrukiem wiadomości. W spisie dokumentów cały plik dostaje nazwę „umowa”, więc osoba szukająca aneksu musi go otworzyć i przejrzeć strony. Model AI może zaproponować osobne pozycje z oznaczeniem rodzaju dokumentu i jego miejsca w pliku. Takie uporządkowanie pomaga zespołowi trafić od razu do potrzebnego materiału.
Analityk zbiera komunikaty z różnych urządzeń i widzi wiele wpisów z tym samym kodem. Wspólna etykieta wygląda wygodnie, ale może łączyć zupełnie różne znaczenia. Raport powinien uwzględniać, z jakiej maszyny pochodzi komunikat. Znane kody można przypisać do kategorii przez tabelę powiązań. Model AI warto sprawdzić przy swobodnych opisach i skrótach, których tabela nie rozpoznaje.
Dostawca podał osobno szerokość produktu i szerokość opakowania, ale import zapisał obie jako „szerokość”. Pracownik katalogu musi wrócić do arkusza, żeby ustalić, która wartość powinna trafić na kartę produktu. Model AI może pomóc przypisać opis dostawcy do właściwego pola. Najpierw warto sprawdzić, czy błąd usunie poprawa importu lub uzgodniony słownik nazw.
Koordynator otwiera raport z uruchomienia drukarki i widzi: „Instalacja zakończona”. Pole jest wypełnione, ale nadal trzeba zadzwonić do technika, żeby poznać wynik wydruku próbnego. AI może wychwycić taki brak jeszcze podczas pisania raportu. Zanim firma zamówi dostosowanie modelu, warto sprawdzić, czy wystarczy osobne pytanie w formularzu i jasne ustalenie, co technik ma opisać.
W przykładowym biurze serwisu pracownik przepisuje papierowe zgłoszenie: numer urządzenia i odręczny opis problemu. Odczyt z obrazu może przygotować te dane, ale pomylona cyfra nadal wymaga powrotu do kartki. Przy zakupie rozwiązania warto zobaczyć, jak pracownik sprawdzi proponowane pola i ile przepisywania pozostanie po użyciu modelu.
Kosztorysant dostaje zestawienie robót opisanych inaczej niż w firmowym katalogu. Zanim wykorzysta znane pozycje, musi je odszukać i sprawdzić, czy obejmują ten sam zakres. AI może podpowiedzieć pasujące wpisy, pokazując obok opis i jednostkę. Wartość takiej pomocy zależy od tego, czy skraca poszukiwania bez dokładania błędnych dopasowań do poprawienia.