Agentisk ingeniørassistent på Nova og AgentCore

Når en komponent udgår, ender ingeniøren ofte i en møjsommelig jagt

Når en komponent udgår, ender ingeniøren ofte i en møjsommelig jagt på datablade, tegninger, testrapporter og gamle mails. Et multi-agent-system bygget på Amazon Nova Multimodal Embeddings og Amazon Bedrock AgentCore tager netop det søgearbejde, så ingeniøren kan bruge tiden på selve vurderingen.

Sådan finder man en erstatningskomponent, når dokumentationen ligger spredt

I mange industrivirksomheder bor den tekniske viden alle mulige steder. Specifikationer ligger i PDF-filer, tolerancer står på tegninger, og fejlmønstre gemmer sig i fotos fra test og drift. En ingeniør, der skal finde et alternativ, læser på tværs af formater og sammenholder dem i hovedet.

AWS beskriver i et indlæg på AWS Machine Learning Blog et system, der samler dokumentationen for en substitution på tværs af tekst og billeder. Ifølge indlægget går evalueringen fra dage til minutter. Ingeniøren vurderer kandidaterne i stedet for selv at grave dem frem.

Det er et realistisk sted at starte med agenter. Opgaven er afgrænset, kilderne findes allerede, og resultatet kan kontrolleres mod originaldokumenterne.

Embeddings

Hvad multimodale embeddings gør ved teknisk evidens

En almindelig tekstsøgning finder kun det, der er skrevet ned med de rigtige ord. Teknisk evidens består sjældent kun af ord. Et diagram over en kobling, et billede af en slidt overflade eller en tabel i en scannet rapport kan være lige så afgørende som afsnittet ved siden af.

Multimodale embeddings lægger tekst og billeder ind i samme betydningsrum. Det betyder, at en forespørgsel på tekst kan finde et relevant billede, og at et billede af en defekt kan finde de rapporter, der beskriver noget tilsvarende. Amazon Nova Multimodal Embeddings leverer det lag, og det gør søgningen bredere end klassisk nøgleordssøgning.

En embedding er dog et nærhedsmål og ikke en facitliste. Den siger, at to ting ligner hinanden, ikke at den ene kan erstatte den anden. Den skelnen betyder meget for, hvordan resten af systemet skal bygges.

Agenter

Agenterne samler evidens - ingeniøren træffer beslutningen

I et multi-agent-opsæt får hver agent en snæver rolle. Én henter og sorterer dokumenter, en anden sammenligner specifikationer, og en tredje samler fundene i et overskueligt grundlag med henvisning til kilderne. Opdelingen gør det lettere at afprøve hver del for sig og at se, hvor en fejl opstod.

Det vigtigste designvalg er, hvor systemet stopper. Agenterne foreslår og dokumenterer, men de godkender ikke. Valget af en erstatningskomponent har konsekvenser for sikkerhed, certificering og levering, og det ansvar kan ikke outsources til en model. Derfor bør hver konklusion kunne spores tilbage til konkrete sider og billeder, så ingeniøren hurtigt kan efterprøve den.

Et system, der kun afleverer et svar uden kilder, er mindre værd, end det ser ud til. Et system, der afleverer svaret sammen med bevismaterialet, kan en ingeniør stole på, netop fordi det er nemt at kontrollere.

Drift

Fra prototype til drift på AgentCore

Det er forholdsvis let at få en agentprototype til at imponere i en demo. En demo viser, at agenten kan. Drift viser, at den gør det igen, på det dårlige input, når ingen kigger med. Her kommer Amazon Bedrock AgentCore ind som driftslaget under agenterne.

For teknisk evidens ville jeg stille tre krav. Adgang til dokumenter skal følge virksomhedens rettigheder, så en agent ikke henter materiale, brugeren ikke selv må se. Hvert trin skal kunne observeres, så man kan genskabe, hvordan en anbefaling blev til. Og systemet skal kunne evalueres over tid, så en ændring i en agent ikke i det skjulte forringer svarene.

Det er ikke de glamourøse dele. Men det er dem, der afgør, om værktøjet bliver brugt i hverdagen, eller om det ender som en afprøvning, ingen tør stole på.

Erfaringer

Det kan en dansk virksomhed tage med sig

Mønsteret er ikke forbeholdt store producenter. Enhver virksomhed med spredt teknisk dokumentation har samme problem, uanset om det er maskinbyggeri, byggeri, forsyning eller medicinsk udstyr. Tre ting går igen i mine overvejelser.

For det første: vælg en afgrænset opgave med kilder, I allerede ejer, og med et svar, som en fagperson kan kontrollere. Erstatningssøgning er et godt eksempel, fordi gevinsten er målbar, og fejl opdages hurtigt.

For det andet: gør kildehenvisning til et krav og ikke en ekstra. Hvis ingeniøren ikke kan se, hvor en påstand kommer fra, sparer systemet ingen tid, fordi alt alligevel skal slås op igen.

For det tredje: planlæg driften fra start. Det er i overgangen fra prototype til produktion, at gevinsten enten realiseres eller går tabt. Adgang, overvågning og evaluering hører på listen fra første dag, ikke som en oprydning bagefter.

01 / 01

Et øjeblik…

Henter spørgsmål…

1 / 4

Vælg ydelse

Henter ydelser…