Kielimallien mahdollisuudet ja haasteet ajoneuvojen hinnastodatan automatisoinnissa

Abstract

Datan merkitys ja määrä liiketoiminnassa on kasvanut voimakkaasti. Samalla tarve datan keräämisen ja käsittelyn työvaiheiden automatisoinnille on kasvanut. Tämän tutkimuksen tavoitteena on selvittää, voidaanko kielimalleja hyödyntää ajoneuvojen hinnastodatan käsittelyn automatisoinnissa, sekä arvioida automatisoinnin hyötyjä, haasteita ja riskejä. Tutkimus toteutetaan DSR-menetelmällä ja ratkaisuna luodaan Excelerator-hinnastorobotti.

Hinnastorobotin tuottamat tulokset osoittivat, että kielimallit kykenevät tunnistamaan hinnastojen sisältöä ja muodostamaan varuste-Exceleitä monimuotoisista hinnastoista. Robotin suorituskyky vaihteli automerkeittäin ja suuri osa varusteriveistä vaati edelleen asiantuntijan tarkistusta tai viimeistelyä, mutta kokonaisuutena tulokset olivat lupaavia. Tutkimuksessa havaituista haasteista merkittävin liittyi käytetyn kielimallin saatavuuteen, sillä Claude Sonnet poistui projektin aikana käytöstä lamaannuttaen robotin.

Täysin automatisoitua toimintamallia ei voitu vielä toteuttaa, vaan ihmisen tekemä tarkistus ennen tietojen tallentamista tietokantaan jäi välttämättömäksi osaksi prosessia. Myös robotin ylläpito ja promptien päivitykset jäävät asiantuntijan tehtäviksi. Tutkimuksen tulosten perusteella Excelerator osoitti potentiaalia hinnastojen käsittelyssä ja kehitystä jatketaan. Tavoitteena on laajentaa käsittely useimmille automerkeille, jotta asiantuntijoiden aikaa vapautuu jatkossa enemmän kehitys- ja selvitystöille.

The importance and volume of data in business have grown significantly. At the same time, the need to automate the stages of data collection and processing has increased. The objective of this study is to investigate whether a large language model (LLM) can be utilized to automate the processing of vehicle pricing data, as well as to evaluate the benefits, challenges, and risks of such automation. The study is conducted using the DSR method, and as a solution, an Excelerator pricing robot is developed.

The results produced by the pricing robot showed that LLM’s are capable of identifying the contents of price lists and generating equipment Excel sheets from diverse pricing formats. The robot's performance varied by car brand, and a large portion of the equipment rows still required expert review or finishing. However, overall results were promising. The most significant challenge identified in the study was related to language model availability, as Claude Sonnet was discontinued during the project, rendering the robot inoperable.

A fully automated operating model could not yet be achieved and human validation before storing the data in the database remained a necessary part of the process. Maintenance of the robot and updates to prompts also remain the responsibility of experts. Based on the study results, Excelerator demonstrated potential in price list processing, and further development will continue. The goal is to expand processing to cover more car brands, thereby freeing up more expert time for development and analytical tasks in the future.