AI-lösningar för företag
UnderStack bygger in AI i konkreta arbetsflöden: att hämta data ur dokument, svara på frågor utifrån intern kunskap och automatisera återkommande steg, med moln- eller lokala modeller och en människa som har kontrollen.
Om du vill prata igenom fler detaljer hittar vi gärna en tid som passar.
01
AI är användbart där människor lägger timmar på arbete som upprepar sig men inte är regelbundet nog för klassiska regler. En ekonomiavdelning skriver av leverantörsfakturor som kommer i tjugo olika layouter. Ett försäkrings- eller värderingsföretag läser långa rapporter för att hitta samma tio uppgifter. Ett supportteam svarar på samma frågor ur en manual som ingen kan söka i. Ett säljteam skriver om offerter utifrån tidigare offerter. Ett kök för över följesedlar till lagret för hand. I alla dessa fall kan en modell göra den första genomgången: läsa, hämta ut, klassificera, skriva utkast eller söka. Sedan granskar och godkänner en människa. Vi bygger inte chattbottar för sakens skull. Vi letar efter ett arbetsflöde med mätbar friktion och bygger den minsta automatisering som tar bort den.
02
De flesta användbara AI-system är vanlig mjukvara med en modell i ett eller två steg. Det är mjukvaran runt omkring, alltså behörigheter, granskningsskärmar och loggning, som gör dem säkra att använda i arbetet.
03
Var modellen körs är lika mycket ett affärsbeslut som ett tekniskt. Molnbaserade modeller är det snabbaste sättet att komma i gång och passar när innehållet får lämna er miljö under ett personuppgiftsbiträdesavtal. Lokala modeller körs på era egna datorer eller enheter, så att dokument och samtal aldrig lämnar dem. Vi arbetar med båda. UnderStack Code, vår assistent för Mac, kör lokala modeller via Ollama och behåller chattar och filer på datorn, och UnderStack Pocket AI är utformad för att köras på själva Android-enheten. Innan något byggs anger vi vilken data som skulle skickas vart, så att beslutet är ert.
04
AI-projekt misslyckas när de utgår från tekniken. Våra utgår från ett arbetsflöde och verkliga exempel ur det.
05
Applikationen runt modellen byggs med React, TypeScript och Node.js, liksom vår övriga mjukvara, så att en AI-funktion kan finnas inne i ett befintligt system i stället för i ett separat verktyg. Modeller nås via ett API eller körs lokalt med Ollama. Tre beslut fattas uttryckligen i varje projekt. För det första vad modellen får göra utan godkännande: i våra egna produkter väntar ändringar, kommandon och andra åtgärder med konsekvenser på användaren. För det andra vilken data den får läsa: åtkomst ges per källa, inte generellt. För det tredje vad som loggas, så att ett automatiskt steg kan granskas i efterhand. Själva modellen behandlas som en utbytbar komponent, eftersom bättre och billigare modeller kommer med några månaders mellanrum.
06
Språkmodeller är bra på att läsa, sammanfatta och skriva utkast, och opålitliga på exakt räkning, på fakta de inte har fått och på att säga att de inte vet. Ett väl utformat system arbetar runt det. Siffror räknas ut av vanlig kod, svar bygger på era egna dokument med källan angiven, och allt som ändrar data eller lämnar företaget passerar först en människa. Om ett arbetsflöde kräver ett svar som är rätt varje gång utan granskning är en modell fel verktyg och vanlig mjukvara det bättre valet. Det säger vi i det första samtalet, inte efter prototypen.
07
Ett AI-projekt har två kostnadsdelar: att bygga automatiseringen och att köra modellen. Bygget beror på arbetsflödet, granskningsskärmarna och integrationerna. Driftkostnaden beror på volymen och på om modellen körs i molnet eller lokalt. Eftersom prototypen först körs på ert eget material ser ni kvaliteten och en uppskattning av driftkostnaden innan ni binder er till hela bygget. Vi publicerar inga prisintervall. Artikeln om AI-automatisering för europeiska företag förklarar hur man väljer ett första arbetsflöde, och du får en offert innan arbetet börjar.
Att läsa och hämta data ur dokument, sortera och fördela inkommande ärenden, skriva utkast till svar och sammanfattningar och söka i intern kunskap. Det fungerar bäst som en första genomgång som en människa godkänner, inte som en obevakad beslutsfattare.
Bara om ni väljer en molnbaserad modell, och då vet ni i förväg vilken data som skickas och till vem. Med lokala modeller stannar dokument och samtal på era egna datorer.
Nej. De flesta automatiseringar använder befintliga modeller och behöver en uppsättning verkliga exempel att testa mot, inte ett träningsdataset. Några tiotal representativa dokument räcker för en första prototyp.
Prototypen mäts på ert eget material, även på de fall där den misslyckas. I drift granskar en människa resultatet där ett fel skulle få betydelse, och undantag loggas.
Det beror på arbetsflödet, integrationerna och på om modellen körs i molnet eller lokalt. Vi börjar med ett arbetsflöde och en prototyp, vilket håller första steget litet. Du får en offert innan arbetet börjar.
Ofta, ja. Om det befintliga systemet har ett API eller en databas som vi kan nå kan automatiseringen läsa därifrån och skriva tillbaka, så att teamet fortsätter arbeta i samma verktyg.
