Många industriföretag har svårt att använda generella AI-språkmodeller i sin verksamhet. I ett nytt forskningsprojekt vid Jönköping University ska forskare därför ta fram AI lösningar som kombinerar språkmodeller med industrispecifik kunskap för att göra tekniken mer träffsäker, begriplig och användbar i verkliga tillverkningsmiljöer.

– Jag hoppas att resultaten ska bidra både till företagens digitala omställning och till den vetenskapliga utvecklingen inom kunskapsintensiv och förklarbar AI, säger He Tan, universitetslektor i datalogi på Tekniska Högskolan vid Jönköping University och den som leder projektet.

Genom att ge AI tillgång till tydlig och strukturerad information om hur industrin fungerar kan systemen förstå sammanhang bättre. Det gör att AI kan ge mer träffsäkra svar, bli lättare att förstå och tydligare visa varför den ger ett visst råd.

Projektet genomförs i samverkan med industriella partners, däribland industriföretaget Comptech och IT‑konsultbolaget Consid.

– Vi ser detta projekt som ett viktigt steg mot en mer intelligent och kunskapsbaserad tillverkning, säger Per Jansson, vd för Comptech.

Projektet tar sikte på att göra AI mer användbar i industriella miljöer genom att öka förståelsen för den specifika kontexten.

– I dag är många AI-lösningar kraftfulla, men de saknar ofta djup förståelse för den industriella kontext de ska verka i. Med det nya projektet vill vi överbrygga det glappet, säger He Tan.

Från rådata till användbar kunskap

Tillverkningsindustrin genererar stora mängder data i form av loggar, rapporter, sensordata och inspektionsresultat. Samtidigt är informationen ofta osammanhängande och svår att använda direkt i avancerade AI-system. I projektet ska forskarna utveckla metoder för att omvandla rådatan till strukturerad, maskinläsbar kunskap som därför kan användas tillsammans med språkmodeller.

Projektet har fyra övergripande mål: att plocka ut industriell kunskap från olika typer av data, att strukturera kunskapen i modeller, integrera den med språkmodeller och slutligen att testa lösningarna i praktiska industriella tillämpningar med hjälp av AI‑agenter.

– Genom att kombinera AI-språkmodeller med strukturerad industrikunskap kan vi skapa AI-system som inte bara ger svar, utan också kan förklara hur de resonerar, säger He Tan.

Det nya projektet tar upp flera av de största utmaningarna med dagens industriella AI, såsom bristande transparens, begränsad domänkunskap och svårigheter att använda modellerna i verkliga produktionsmiljöer. Målet är att ta fram metoder och verktyg som kan stärka allt från produktionsstyrning och kvalitetskontroll till felsökning och strategiska beslut.

BIld av Pete Linforth