MedTech · Automatyzacja procesów wewnętrznych
Setki dokumentów produktowych, a odpowiedź w kilka sekund i ze źródłem
Zespoły wsparcia i operacji w apoQlar spędzały dużą część dnia na ręcznym przeszukiwaniu setek dokumentów produktowych, żeby odpowiadać na zapytania klientów i instytucji. Dziś asystent oparty na generatywnej AI przyjmuje pytanie zadane zwykłym językiem i w kilka sekund zwraca precyzyjną odpowiedź wraz z odwołaniem do dokumentu, z którego ona pochodzi.
Kluczowe rezultaty
Klient: apoQlar
Firma MedTech z Hamburga, która tworzy rozwiązania mixed reality i AI dla ochrony zdrowia. Jej platforma wprowadza obrazowanie holograficzne na salę operacyjną.
- Branża
- MedTech
- Zastosowanie
- Wewnętrzne wyszukiwanie dokumentów i odpowiedzi na pytania
- Podejście AI
- LLM z RAG i bazą wektorową
- Użytkownicy
- Zespoły wsparcia i operacji
- Dokumenty
- Dokumentacja produktów, materiały referencyjne
- Kluczowa funkcja
- Odpowiedzi ze wskazaniem źródła
W skrócie
Wiedza o produktach zamknięta w dokumentach
- Produktom apoQlar towarzyszą setki dokumentów: specyfikacje techniczne, materiały regulacyjne i przewodniki referencyjne.
- Odpowiedź na jedno zapytanie klienta lub instytucji wymagała ręcznego przeszukiwania tych dokumentów, a jej jakość zależała od tego, ile czasu ktoś miał i które dokumenty akurat sprawdził.
- Asystent RAG przyjmuje teraz pytanie zadane zwykłym językiem i w kilka sekund odpowiada na podstawie całej bazy dokumentów, podając dokument i sekcję, z których korzystał.
- Zespół weryfikuje zamiast szukać, a ponieważ do odpowiedzi dołączone jest źródło, może ona trafić prosto do komunikacji z klientem.
Punkt wyjścia
Wyzwanie
Kluczowa wiedza o produktach była zamknięta w setkach dokumentów. Żeby uzyskać odpowiedź, trzeba było szukać ręcznie, a jej jakość zależała od tego, ile czasu ktoś miał i które dokumenty akurat sprawdził.
apoQlar tworzy rozwiązania mixed reality dla ochrony zdrowia, a produktom tym towarzyszy obszerna dokumentacja techniczna, specyfikacje, materiały regulacyjne i przewodniki referencyjne. Gdy zespół wsparcia dostawał zapytanie od klienta lub instytucji, znalezienie właściwych informacji oznaczało ręczne przeszukiwanie setek dokumentów.
Trwało to długo, a wyniki były niespójne. Dwie osoby mogły wrócić z różnymi informacjami albo w ogóle przeoczyć istotny szczegół, zależnie od tego, które dokumenty otworzyły.
Czas poświęcony na szukanie był czasem, którego brakowało na pomoc klientom i przygotowywanie dokumentacji.
Budowa
Co zbudowaliśmy
Zbudowaliśmy asystenta opartego na generatywnej AI, który korzysta z wewnętrznej bazy dokumentów apoQlar i przyjmuje pytania zadane zwykłym językiem, tak jak zadaje się je koledze, który przeczytał wszystkie dokumenty.
Baza wektorowa zamiast wyszukiwania po słowach kluczowych
Każdy wewnętrzny dokument przetworzyliśmy, podzieliliśmy na logiczne sekcje i zapisaliśmy jako embeddingi w bazie wektorowej. Do każdego pytania system wyszukuje najtrafniejsze fragmenty z minimalnym opóźnieniem. Wyszukiwanie po słowach kluczowych nie dorównuje temu ani szybkością, ani precyzją.
Każda odpowiedź wskazuje źródło
Przy każdej odpowiedzi są odwołania do konkretnych dokumentów i sekcji, z których pochodzi. To była świadoma decyzja: w branży MedTech zespół musi weryfikować i cytować źródła, a nie po prostu ufać odpowiedzi wygenerowanej przez AI. Dzięki temu wyniki można też od razu wykorzystać w komunikacji z klientami.
Kontekst, który przetrwa całą rozmowę
Długie dokumenty szybko zapełniają okno kontekstu. System zachowuje stan rozmowy, a w prompcie trzyma tylko najistotniejsze fragmenty, więc trafność i czas odpowiedzi pozostają na dobrym poziomie przez wiele kolejnych pytań.
Przetwarzanie tekstu z nieuporządkowanych formatów
Dokumentacja produktów nie ma jednego, czystego formatu. Dla różnych typów dokumentów opracowaliśmy metody ekstrakcji, czyszczenia i grupowania tekstu, więc wyszukiwanie działa niezależnie od tego, jak zbudowany był oryginał.
Co się zmieniło
Rezultaty
Przed
Ręczne przeszukiwanie setek dokumentów przy każdym zapytaniu. Powolne, niespójne i zależne od tego, czy dana osoba wiedziała, gdzie szukać.
Po
Pytanie zadane zwykłym językiem i odpowiedź z całej bazy dokumentów w kilka sekund, razem ze źródłem. Spójne, weryfikowalne i dostępne dla całego zespołu.
Zespół wsparcia przeszedł od ręcznego przeszukiwania dokumentów do wyszukiwania w formie rozmowy, a odpowiedzi na zapytania klientów i instytucji przychodzą wyraźnie szybciej.
Każda odpowiedź ma źródło, więc można jej ufać i ją cytować. W regulowanym środowisku MedTech decyduje to o tym, czy odpowiedź można od razu wysłać, czy trzeba ją najpierw sprawdzić.
Asystent pokazuje też powiązania między dokumentami, które przy ręcznym szukaniu umknęłyby uwadze. Dzięki temu zgromadzona wiedza o produktach jest dostępna dla wszystkich, a nie tylko dla osób z najdłuższym stażem.
Wirtualny asystent oparty na GenAI okazał się przełomem dla naszego wewnętrznego zespołu wsparcia. Całkowicie zmienił sposób, w jaki docieramy do informacji z naszej obszernej bazy dokumentów i z nich korzystamy.
Pytania o ten projekt
Wewnętrzne wyszukiwanie dokumentów i odpowiedzi na pytania. Kluczowa wiedza o produktach była zamknięta w setkach dokumentów. Żeby uzyskać odpowiedź, trzeba było szukać ręcznie, a jej jakość zależała od tego, ile czasu ktoś miał i które dokumenty akurat sprawdził.
Od pytania do odpowiedzi z całej bazy dokumentów: Sekundy. Każda odpowiedź wskazuje dokument, z którego pochodzi: Źródła. Wyszukiwanie wektorowe zamiast wyszukiwania po słowach kluczowych: RAG. Kontekst rozmowy zachowany przy kolejnych pytaniach, bez utraty trafności: Dialog.
LLM z RAG i bazą wektorową. Wykorzystana technologia: Duże modele językowe (LLM), Architektura RAG, Baza wektorowa, Prompt engineering, Przetwarzanie dokumentów, Optymalizacja okna kontekstu.
Wykorzystana technologia
Porozmawiaj z zespołem, który to zbudował
Odpowiadamy w ciągu jednego dnia roboczego.
Więcej projektów
MedTech · Compliance i automatyzacja procesów
Kwestionariusze bezpieczeństwa wypełnione w tydzień zamiast w miesiąc
Czytaj więcej
MedTech · Obrazowanie medyczne i planowanie operacji
Segmentacja anatomiczna, która trwała godziny, zajmuje teraz sekundy
Czytaj więcej
Ochrona zdrowia · Zarządzanie szpitalem