# Chattbot för dialog med tekniska manualer

> Vi byggde en RAG-baserad AI-chattbot för att ge servicetekniker snabb åtkomst till tekniska manualer. PoC-projektet visade hur sökning i tusentals sidor kan göras direkt via dialog.

**Kund:** Maskintillverkare (anonymiserat)

**Publicerad:** 2024

**Källa:** https://www.fiive.se/work/rag-solution-manuals

---

## Utmaning

Som partner till en leverantör av teknisk information tog vi oss an utmaningen att skapa en AI-chattbot åt en stor aktör inom maskintillverkningsindustrin. Målet var att möjliggöra snabb och effektiv informationssökning i omfattande tekniska manualer, där målgruppen var servicetekniker.

## Upplägg

Projektets omfattning begränsades till ett par servicemanualer — omkring tre manualer, tillsammans minst 3 000 sidor. Avgränsningen i antal dokument gjorde projektet målinriktat, samtidigt som sidmängden räckte för att problemet skulle vara verkligt: att hitta rätt stycke i 3 000 sidor manuellt är precis det arbete lösningen skulle ersätta.

## Lösning

Vår lösning baserades på RAG-teknik (Retrieval-Augmented Generation) som kombinerar en sökmotor med en AI-chattbot.
Genom att dela upp manualens innehåll i mindre segment och indexera dessa i en vektordatabas,
kunde vi skapa en effektiv metod för att hitta och presentera relevant information.

Varje svar levereras med källhänvisning till rätt avsnitt i manualen. Precisionen i just källhänvisningarna var hela värdet i lösningen — en servicetekniker som inte kan verifiera svaret mot manualsidan använder det inte.

Lösningen byggdes på Azure, med indexering av manualinnehållet i en vektordatabas i samma miljö.

## Resultat

Vårt arbete resulterade i en funktionell chattbot som kunde hantera specifika frågor utifrån en omfattande manual.
I piloten såg vi tydliga effekter för servicetekniker och support:

- Svarstiden för vanliga manualfrågor minskade från minuter till sekunder.
- Förstalinjens support kunde lösa fler ärenden direkt utan eskalering.
- Servicetekniker fick snabbare tillgång till rätt avsnitt i manualen, vilket minskade stillestånd vid felsökning.

Efter PoC:en tog kunden över utvecklingen och drev lösningen vidare internt. Det var också poängen med upplägget: bevisa att RAG fungerade mot deras faktiska manualer, till en avgränsad kostnad, och lämna över ett underlag de kunde bygga vidare på själva.

## Lärdomar

Den största insikten från detta projekt var betydelsen av högkvalitativ data.
Framgången för en AI-driven lösning vilar tungt på den underliggande datans kvalitet.
Ett nära samarbete med kunden är avgörande för att säkerställa tillgång till och bearbetning av relevant data.

Lösningen visar hur RAG kan flytta dokumentsökning från minuter till sekunder i industriella miljöer — och hur en AI-agent kan bli ett konkret arbetsverktyg för servicetekniker, inte bara en demo.

## Teknik

## Nästa steg

Vill ni göra manualer, dokument eller intern kunskap sökbar med RAG/LLM? [Kontakta oss](/contact) så tar vi ett första samtal.