摘要：制造业对自动化并不陌生。从机械臂到预测性维护，工厂车间已经发生了翻天覆地的变化。但是，有一个领域仍然严重依赖人工驱动的流程：知识转移。

制造业对自动化并不陌生。从机械臂到预测性维护，工厂车间已经发生了翻天覆地的变化。但是，有一个领域仍然严重依赖人工驱动的流程：知识转移。

当经验丰富的员工离职时，他们通常会带走数十年的特定应用知识，从而在生产力、信心和效率方面留下差距。新员工努力跟上速度，而留下来的经验丰富的员工则捉襟见肘，回答重复的问题。

为了解决这个问题，我创建了一个原型知识自动化机器人。这个 AI 助手可以帮助员工使用企业软件和程序。这是数字化转型计划的一部分，旨在改进技术、简化流程和提高制造效率。

解决方案简单但功能强大：员工现在只需提出一个问题，即可获得即时、准确的答案，而不是翻阅手册、寻找同事或提交 IT 票证。

这个想法不是来自头脑风暴的讨论，而是来自真实的车间，来自看到新员工在不熟悉的系统中苦苦挣扎的挫败感，以及终身员工不断被打断解释“如何在系统中做到这一点”的压力。

我问自己：如果有一种方法可以保存专业知识并让任何需要它的人随时都可以使用呢？这导致了一个知识助手，能够 24/7 全天候跨部门用通俗易懂的英语回答特定于应用程序的问题。

知识机器人是一个 AI 驱动的虚拟代理，能够理解自然语言查询，并根据来自组织内部文档、应用程序手册和常见问题解答的准确、上下文感知的指导进行响应。关键组件包括：

自然语言理解 （NLU）： 使机器人能够准确解释复杂、上下文丰富的人工查询。

知识库集成：使 bot 通过应用程序知识、文档和 FAQ 的知识中心进行搜索。

响应生成：使机器人能够对用户的问题提供准确、简洁和对话式的回答。

持续学习： 要训练机器人在每次交互中改进其响应，请学习新术语并适应用户行为。

拉杰库马尔·钦达努鲁

这表明从被动文档到主动的、AI 驱动的、始终可访问的知识交付发生了根本性变化。

这不仅仅是关于酷炫或尖端的技术。这是关于解决影响绩效、成本和员工士气的非常现实的挑战。

当员工离开时，知识仍然存在。 当高级职员退休时，他们的专业知识将保留在机器人中，供所有人访问。

新员工可以迅速提高工作效率，在几天内独立执行任务，而不是花 4-6 周时间学习我们的 ERP 或 MES 系统。

该机器人可及时处理日常查询，减少 IT 工作负载并最大限度地减少因应用程序混淆而导致的停机时间，从而减少服务台工单并提高工作效率。

无需昂贵的硬件或大规模部署即可实现高 ROI。从小规模开始，逐步扩展，并在几周内看到结果。

在原型测试期间，我们采取了以下步骤来实现和验证代理的性能：

收集的一些指标（从初始试验中）包括：

在长时间使用期间可以跟踪其他参数，例如：

我们面临的一个主要挑战是构建知识库。虽然我们有大量的流程文档、作程序和帮助台日志，但其中大部分都是分散的，没有更新或用技术术语编写。我们不得不花时间整理和清理这些内容，将原始知识转换为机器人可以理解和可靠检索的格式。

另一个挑战是管理期望。一些用户希望机器人从第一天起就表现得像人类专家。实际上，该机器人的早期版本需要迭代调整和训练，以提高其准确性和上下文理解。

机器人在回答有据可查、可重复的问题时做得很好，这些问题是程序性的、一致的，并且基于静态文档，非常适合自动化。但是，对于涉及复杂判断、实时上下文或异常的问题，人工干预仍然是最好的。

例如，“为什么今天此作业失败？”或“此屏幕显示异常错误。我现在该怎么办？在这种情况下，机器人可能会提供一般指南，或者通过标记问题或将用户重定向到特定的主题专家或支持团队来指导人类专家。

是的，与任何 AI 系统一样，机器人有时会给出不完整或令人困惑的答案，尤其是在给定的源材料过时或模棱两可的情况下。我们建立了一个反馈机制，允许用户报告此类回复。这些内容由指定的团队定期审查，他们要么使用更好的示例重新训练机器人，要么更新知识库中的内容。为了减少混淆或直到我们获得信心，我们将机器人的域限制为特定主题（应用程序使用），并在置信度较低的地方添加了免责声明。

随着时间的推移，通过使用和改进，机器人会了解哪些有效，哪些无效，从而在保持其指定角色的同时改进其功能。

来源：陈讲运清洁能源