Usage of AI tools for process efficiency improvement and integrating them into work tasks
Seppälä, Roni (2025)
Kandidaatintyö
2025
School of Engineering Science, Tietotekniikka
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2025072979845
https://urn.fi/URN:NBN:fi-fe2025072979845
Tiivistelmä
The rising interest in Artificial Intelligence and its applications during the past five years has prompted the search for innovative ways to use and apply AI for different applications. One avenue of interest for improvement throughout history has been process efficiency and its improvement. The coinciding of these two things prompted this thesis to research the usage of AI tools for process efficiency improvement and Operations Management and how these tools could be integrated into real world workflows.
The research consisted of researching the implications and possibilities of AI in process efficiency improvement, operations management and task allocation, as well as building a realistic and more focused AI tool to help with operations management, to explore its integrability into real-world workflows as well as the future possibilities of other adjacent systems and tools.
The research showed that due to the large amounts of data often used in operations management and process efficiency improvement as well as possibilities in real time data, advanced prediction systems, proactive adjustment systems and notification systems, AI and Deep Learning models show high potential for operations management and process efficiency improvement.
The Operations Management tool was tested with multiple prompts and AI parameters using OpenAI API as its basis. It performed well in tests and showed high potential for more focused purpose-built AI tools. It also showed many directions for further development and research in these focused purpose-built AI systems. Viimeisten viiden vuoden aikana kasvanut kiinnostus tekoälyä ja sen sovelluksia kohtaan on kehittänyt kiinnostusta etsiä innovatiivisia tapoja käyttää ja soveltaa tekoälyä eri sovelluksissa. Yksi kautta historian esillä ollut parannuskohde on ollut prosessien tehokkuus ja niiden parantaminen. Näiden asioiden yhteneväisyyden myötä opinnäytetyö lähti tutkimaan tekoälytyökalujen käyttöä prosessien tehokkuuden parantamiseen ja toiminnanohjaukseen sekä sitä, miten nämä työkalut voitaisiin integroida reaalimaailman työtehtäviin.
Tutkimus koostui tekoälyn vaikutusten ja mahdollisuuksien tutkimisesta prosessien tehokkuuden parantamisessa, toiminnanohjauksessa ja tehtävien jakamisessa, sekä realistisen ja tarkemmin kohdennetun tekoälytyökalun rakentamisesta toiminnanohjauksen avuksi. Tämän avulla tutkittiin esimerkkityökalun integroitavuutta reaalimaailman työtehtäviin, sekä muiden järjestelmien ja työkalujen tulevaisuuden mahdollisuuksia.
Tutkimus osoitti, että koska toiminnanohjauksessa ja prosessien tehokkuuden parantamisessa käytetään usein suuria tietomääriä sekä siinä olevien mahdollisuuksien reaaliaikaisen datan, kehittyneiden ennustejärjestelmien, ennakoivien säätöjärjestelmien ja ilmoitusjärjestelmien suhteen, tekoälyllä ja syväoppimismalleilla on suurta potentiaalia toiminnanohjauksessa ja prosessien tehokkuuden parantamisessa.
Toimintojen hallintatyökalua testattiin useilla kehotteilla ja tekoälyparametreilla käyttäen OpenAI API:ta perustana. Se suoriutui testeistä hyvin ja osoitti suurta potentiaalia tarkemmin kohdennetuille tekoälytyökaluille. Se osoitti myös monia suuntia näiden kohdennettujen tekoälyjärjestelmien jatkokehitykselle ja -tutkimukselle.
The research consisted of researching the implications and possibilities of AI in process efficiency improvement, operations management and task allocation, as well as building a realistic and more focused AI tool to help with operations management, to explore its integrability into real-world workflows as well as the future possibilities of other adjacent systems and tools.
The research showed that due to the large amounts of data often used in operations management and process efficiency improvement as well as possibilities in real time data, advanced prediction systems, proactive adjustment systems and notification systems, AI and Deep Learning models show high potential for operations management and process efficiency improvement.
The Operations Management tool was tested with multiple prompts and AI parameters using OpenAI API as its basis. It performed well in tests and showed high potential for more focused purpose-built AI tools. It also showed many directions for further development and research in these focused purpose-built AI systems.
Tutkimus koostui tekoälyn vaikutusten ja mahdollisuuksien tutkimisesta prosessien tehokkuuden parantamisessa, toiminnanohjauksessa ja tehtävien jakamisessa, sekä realistisen ja tarkemmin kohdennetun tekoälytyökalun rakentamisesta toiminnanohjauksen avuksi. Tämän avulla tutkittiin esimerkkityökalun integroitavuutta reaalimaailman työtehtäviin, sekä muiden järjestelmien ja työkalujen tulevaisuuden mahdollisuuksia.
Tutkimus osoitti, että koska toiminnanohjauksessa ja prosessien tehokkuuden parantamisessa käytetään usein suuria tietomääriä sekä siinä olevien mahdollisuuksien reaaliaikaisen datan, kehittyneiden ennustejärjestelmien, ennakoivien säätöjärjestelmien ja ilmoitusjärjestelmien suhteen, tekoälyllä ja syväoppimismalleilla on suurta potentiaalia toiminnanohjauksessa ja prosessien tehokkuuden parantamisessa.
Toimintojen hallintatyökalua testattiin useilla kehotteilla ja tekoälyparametreilla käyttäen OpenAI API:ta perustana. Se suoriutui testeistä hyvin ja osoitti suurta potentiaalia tarkemmin kohdennetuille tekoälytyökaluille. Se osoitti myös monia suuntia näiden kohdennettujen tekoälyjärjestelmien jatkokehitykselle ja -tutkimukselle.