Artykuły zebrane według problemu, branży i rodzaju systemu.
Zespół ma archiwum zdjęć, ale nazwy plików nie pomagają odnaleźć konkretnego ujęcia. Pracownik pamięta wygląd miejsca lub przedmiotu i przegląda kolejne foldery. Prywatne wyszukiwanie obrazów po opisie może skrócić drogę do kandydatów, których człowiek obejrzy przed użyciem.
Po kolejnych pilotażach firma może mieć kilka prywatnych modeli i aplikacji, których przeznaczenie częściowo się pokrywa. IT nadal zajmuje się ich utrzymaniem, choć nie zawsze wie, kto potrzebuje poszczególnych narzędzi. Przed dalszą rozbudową warto ustalić, które usługi wspierają rzeczywistą pracę, a które można połączyć lub wycofać.
Inżynier przygotowuje zmianę w procesie i szuka instrukcji oraz formularzy, które mogą wymagać aktualizacji. Przeszukanie nazw plików nie wystarcza, gdy odwołania do przyrządu są w treści instrukcji lub formularza. Lokalny asystent AI może zebrać te fragmenty do przeglądu, tak aby inżynier oceniał ich znaczenie bez ciągłego przechodzenia między folderami.
Sekretariat kompletuje materiały na posiedzenie zarządu i przygotowuje krótkie wprowadzenie do lektury. Członkowie zarządu potrzebują wiedzieć, czego dotyczy każdy temat i gdzie znajdą szczegóły. Lokalny asystent AI może pomóc ułożyć taki przewodnik z odsyłaczami do dokumentów. Musi przy tym zachować różnicę między propozycją przedstawioną do dyskusji a zapisaną decyzją.
Projektant instalacji szuka wymagania w specyfikacji, a potem sprawdza, czy materiały dostawcy na nie odpowiadają. Przechodzenie między plikami zajmuje czas, zwłaszcza gdy nazwy dokumentów niewiele mówią. Lokalny asystent AI może wskazać potrzebny fragment i pokazać go obok materiału dostawcy, aby projektant miał podstawę do dalszego pytania.
Pracownik kończy wizytę w terenie i chce uporządkować notatki, ale nie ma połączenia z firmowym systemem. Lokalny model AI może pomóc przygotować szkic raportu z zapisanych materiałów i nowych obserwacji. Gotowy szkic nadal czeka na sprawdzenie i przekazanie do centrali.
Tłumacz poprawia płynnie napisany tekst, bo model użył terminologii innego klienta. Przy kolejnych zleceniach wraca ta sama praca: sprawdzanie słownika projektu i poprawianie propozycji. Lokalna aplikacja AI może przygotowywać szkice z uwzględnieniem zasobów wybranego klienta, obok narzędzia CAT. Warto sprawdzić, czy takie połączenie zmniejsza nakład korekty i mieści się w uzgodnionym środowisku przetwarzania.
Klient przesyła zmieniony brief, a konsultant musi ustalić, co zmienia się w pracy zespołu. Lokalny model AI może pomóc porównać dokumenty na wskazanej stacji roboczej. Przy projekcie objętym umową o poufności (NDA) trzeba także wiedzieć, jak kolega przejmie wynik i co zostanie na komputerze, gdy konsultant zacznie pracę dla innego klienta.
Technolożka znajduje nowszą recepturę, ale potrzebuje ustalić, która wersja jest zatwierdzona dla konkretnej linii. Odpowiedź wymaga zajrzenia do dokumentu i historii zmian. Lokalny asystent AI może zebrać te odsyłacze przy jednym pytaniu, aby pracownik szybciej dotarł do właściwego zapisu i odróżnił wersję zatwierdzoną od próbnej.
Pracownik przy stanowisku w fabryce szuka tabeli w instrukcji, ale komputer nie ma dostępu do internetu. Lokalny model AI może pomóc odnaleźć właściwą stronę, jeśli na miejscu dostępne są również zatwierdzone dokumenty i wyszukiwarka. Przed zakupem warto sprawdzić, czy pracownik otworzy tę stronę także po ponownym uruchomieniu komputera bez połączenia.
Przed spotkaniem po awarii inżynier musi zebrać historię zdarzenia: zgłoszenie, zapis postoju, uwagi operatora i działania serwisu. Gdy te materiały są w różnych miejscach, samo odtworzenie kolejności wymaga wracania do dokumentów i pytania współpracowników. Lokalna aplikacja AI może przygotować chronologię z odsyłaczami do źródeł oraz pytaniami do wyjaśnienia podczas przeglądu.
Kierownik serwisu chce znaleźć urządzenia, przy których opisano wyciek podczas więcej niż jednej wizyty. Notatki są napisane różnym językiem, a część treści powtarza się w kolejnych dokumentach. Lokalny model AI może pomóc zebrać opisy wizyt i wskazać fragmenty do przeczytania. Przydatne zestawienie musi jednak odróżniać stwierdzony wyciek od kontroli, podczas której go nie znaleziono.
Pracownik producenta otwiera dokument zakupu, zdjęcie oznaczenia i protokół oględzin. Zanim wykorzysta je przy reklamacji, musi ustalić, czy opisują ten sam egzemplarz. Lokalny asystent AI może zebrać numery i fragmenty źródeł w jednym widoku, aby łatwiej było zauważyć rozbieżność i poprosić o właściwy dokument.
Redaktor techniczny ma przygotować polski opis produktu z krótkiej, zatwierdzonej notatki katalogowej. Chce poprawić zdania, zachowując nazwy części i zakres wyposażenia. Lokalny model AI może pomóc w tej pracy, lecz płynna polszczyzna nie wystarczy do oceny wyniku. Trzeba sprawdzić, czy po redakcji opcjonalny dodatek nadal pozostaje opcjonalny.
Po poufnym spotkaniu zespołu ktoś musi wrócić do wypowiedzi i przygotować tekst do wspólnej pracy. Ręczne odsłuchiwanie całego nagrania wymaga czasu, a używany serwis chmurowy może nie być dopuszczony do tych materiałów. Lokalny model może zamienić mowę na tekst w firmowym środowisku, z odsłuchem i korektą przed udostępnieniem.
Rano do helpdesku trafiają prośby o ustawienie drukarki i dostęp do aplikacji. Pracownik czyta je, zanim przekaże sprawy właściwym zespołom. Mały model lokalny może podpowiadać adresata, ale musi nadążyć za porannym napływem zgłoszeń na sprzęcie, którym dysponuje firma. Warto oceniać jednocześnie trafność podpowiedzi i czas, przez który sprawa czeka na przypisanie.
Pracownik magazynu zauważa uszkodzone opakowanie i wpisuje kilka słów na terminalu. Ktoś później musi z tej notatki zrozumieć, co właściwie zobaczył. Mały model językowy może pomóc ułożyć czytelny opis do sprawdzenia przez pracownika. Sens takiej aplikacji zależy od tego, czy na używanym terminalu ułatwi zapisanie zdarzenia bez dopisywania faktów.
Internet w oddziale przestaje działać, ale przy stanowisku obsługi nadal czeka klient mówiący w innym języku. Lokalny asystent AI może pomóc pracownikowi zrozumieć pytanie i ułożyć krótkie wyjaśnienie. Przed zakupem warto ustalić, czy takiej pomocy brakuje najbardziej, czy oddział potrzebuje przede wszystkim zapasowego dostępu do firmowych systemów.
Załóżmy, że handlowiec jest u klienta bez dostępu do sieci. Słyszy znajomy opis produktu, ale nie pamięta jego nazwy katalogowej. Potrzebuje znaleźć możliwe warianty i pokazać różnice, zanim rozmowa przejdzie dalej. Lokalna wyszukiwarka katalogu może pomóc, jeśli na urządzeniu ma zarówno dane produktów, jak i materiały potrzebne do ich sprawdzenia.
Formularz zamówienia ma wszystkie wymagane pola, a pracownik i tak musi wrócić z pytaniem do klienta. Wybrany sposób odbioru przeczy prośbie wpisanej w uwagach. Lokalny model AI może pomóc zauważyć taką rozbieżność i pokazać oba fragmenty osobie obsługującej sprawę. Warto zacząć od sprawdzenia, czy problem rozwiąże prostszy formularz lub istniejąca reguła.