Kiedy dołączyłem do zespołu pracującego nad ContextClue, miałem już pewne wyobrażenie, jak wygląda codzienność w przemyśle. Jednak dopiero rozmowy z inżynierami uświadomiły mi skalę problemu – kilkadziesiąt minut każdej zmiany poświęcone wyłącznie na wyszukiwanie informacji.
CAD-y w jednym systemie, logi serwisowe w drugim, pliki Excela i dokumentacja w PDF-ach rozproszona po folderach. Do tego ciągła presja czasu i świadomość, że każda godzina przestoju oznacza straty liczone w tysiącach.
Jako deweloper zawsze zadawałem sobie pytania: „Dlaczego nie można tego znaleźć szybciej? Dlaczego nie da się połączyć tych danych w jedną całość?”. W tym przypadku szukając odpowiedzi z zespołem, zdecydowaliśmy się przeprowadzić systemową analizę procesów, która ujawiła istotny problem.
Między źródłami wiedzy brakowało semantycznej interoperalności. Mówiąc prościej, dane z różnych plików nie łączyły się w spójne źródło wiedzy, co powodowało chaos informacyjny. Początkowo wyglądało to jak idealne zadanie dla naszego narzędzia, ale napotkaliśmy barierę – systemy działały w różnych standardach, a inżynierowie musieli je ręcznie „tłumaczyć”.
Rozwiązanie tak złożonego problemu wymagało specjalistycznego podejścia do przetwarzania kontekstu technicznego i stało się naszą motywacją do przebudowy ContextClue. Nie chcieliśmy tworzyć kolejnej platformy AI generującej ładne akapity. Naszym celem było stworzenie narzędzia, które w oparciu o hybrydową architekturę łączącą symboliczne reprezentacje wiedzy z technikami uczenia maszynowego, naprawdę rozumie inżynierię: CAD-y, BOM-y, systemy ERP i dokumentację serwisową.
Architektura nowego rozwiązania
Pracując z RAG-ami od kilku lat (dla chętnych, by posłuchać więcej link), wiedziałem, jak projektować systemy wspierające inteligentne wyszukiwanie informacji, jednak stworzenia takiego rozwiązania dla zespołów produkcyjnych okazało się czymś zupełnie innym.
Zaczęliśmy od połączenia różnych komponentów w spójne środowisko:
- LLM-y zdolne do analizy treści technicznych i przekładania ich na język zrozumiały zarówno dla inżynierów, jak i mniej obytych z nią użytkowników,
- Knowledge Graph mapujący relacje między komponentami, dokumentacją i procesami,
- Semantic Search umożliwiający zadawanie pytań w naturalnym języku i otrzymywanie precyzyjnych odpowiedzi.
Prawdziwym przełomem okazało się jednak coś zupełnie innego: automatyzacja w przetwarzaniu dokumentacji i wykrywaniu błędów w plikach (szczególnie złożonych jak CAD). Wcześniej inżynierowie spędzali godziny na przeglądaniu rysunków linia po linii, relacja po relacji, szukając niespójności, które mogły doprowadzić do kosztownych przestojów. ContextClue umożliwił automatyczną detekcję takich problemów.
Wtedy zrozumieliśmy jego prawdziwą wartość: przemysł potrzebował nie tylko lepszego wyszukiwania, ale inteligentnej analizy, która wyprzedza problemy zanim staną się kosztowne. ContextClue radziło sobie z tym doskonale.
Pierwsze wdrożenia i ich efekty
Prototyp wyglądał świetnie, ale przyszedł czas na prawdziwy test. Międzynarodowa firma uruchamiała nową linię produkcyjną i potrzebowała przeprowadzić virtual commissioning – cyfrowe testowanie i walidację linii zanim trafi na halę.
Brzmi prosto, ale w praktyce wyglądało tak:
- dane rozproszone w wielu systemach,
- brak jednolitego modelu danych,
- ogromna presja czasu.
Dodatkowo, inżynierowie spędzali mnóstwo czasu na manualnym wyszukiwaniu dokumentów i próbach łączenia informacji między systemami.
Właśnie do takich zadań tworzyliśmy ContextClue w nowej odsłonie – jako platformę do budowy wspólnego modelu semantycznego i interaktywnej pracy z danymi.
Krok po kroku: moduł ingest pozwolił na “wyciągnięcie” danych z wielu źródeł. Potem ContextClue automatycznie wyodrębnił encje, relacje i zależności między plikami, tworząc spójny, semantyczny model całej linii.
System wykrywał też niespójności, np. błędne ID komponentów, brakujące pliki, nieskalibrowane zależności między warstwami CAD. Dzięki temu możliwe było stworzenie spójnej i dostępnej bazy wiedzy, do której inżynierowie z pomocą chatbota mogli zadawać pytania w języku naturalnym, np. „Pokaż konfigurację sterownika dla stacji X” albo „Które komponenty są powiązane z czujnikiem Y?”.
Rezultaty? Imponujące, a przede wszystkim mierzalne:
- 40% krótszy czas rozwiązywania problemów – dzięki natychmiastowemu dostępowi do dokumentacji i powiązań między danymi.
- Wyższa jakość symulacji – jednolity model semantyczny pozwolił na dokładniejsze odwzorowanie procesu produkcyjnego, co przełożyło się na mniej błędów w realnym uruchomieniu.
- Redukcja błędów projektowych o 80% – dzięki automatycznemu wykrywaniu niespójności w plikach CAD i konfiguracjach.
- 2x szybsza integracja z NVIDIA Omniverse – ContextClue ułatwił przenoszenie danych do środowiska symulacyjnego.
- Lepsza współpraca między działami – zespoły inżynierii, operacji i utrzymania ruchu pracowały na wspólnym grafie wiedzy zamiast wymieniać się fragmentarycznymi plikami.
Nowe rozwiązania modułowe
Do ContextClue włożyliśmy też lata doświadczenia projektowego i biznesowego, które zdobyliśmy w Addepto. Wiedzieliśmy, że nawet w obrębie jednej branży potrzeby mogą się diametralnie różnić, dlatego zależało nam, aby nasz produkt mógł łatwo dostosować się do specyficznych wymagań.
Rozwiązaniem okazał się system modułowy, dzięki któremu każda organizacja może wdrożyć ContextClue tak, jak tego potrzebuje. Niektórzy klienci zaczynają od jednego modułu, na przykład wyszukiwania semantycznego, żeby szybko poprawić dostęp do wiedzy. Inni od razu decydują się na pełną wersję, łączącą ekstrakcję dokumentów, grafy wiedzy, semantyczne wyszukiwanie i moduły automatyzacji.
Ten model daje ogromną elastyczność: ContextClue można rozwijać krok po kroku albo wdrożyć jako gotowe środowisko od pierwszego dnia. To ogromna wartość naszego rozwiązania – nie tylko sama technologia, ale także to, jak dobrze wpisuje się w realne potrzeby inżynierii i produkcji.
Spojrzenie w przyszłość
Patrząc na wyniki i możliwości ContextClue, coraz częściej mam poczucie, że to początek większej transformacji całej branży. Przyszłość wiedzy inżynierskiej nie będzie zapisana w setkach plików PDF.
Zamiast tego stanie się żywą siecią wiedzy – inteligentnym grafem danych, który nie tylko gromadzi informacje, ale też interpretuje je i udostępnia wtedy, gdy są najbardziej potrzebne.
Jeżeli chciałbyś pogadać ze mną o rozwiązaniach AI, bądźmy w kontakcie, a po więcej informacji na temat ContextClue, zapraszam na stronę internetową: https://context-clue.com.
