KI-basert henvendelsessystem
Innsiktsarbeid, Service Blueprint, Prototyping og Testing
SAMMENDRAG
Prosjektvarighet
3 måneder: Juni – August 2024
Min Rolle
UX og Tjenestedesigner
Metode
Design Thinking
Verktøy
Design og Service-Blueprint: Figma
Workshops: FigJam
Prosjektmål
Å gjøre håndteringen av beboerhenvendelser for brukere av Autility-portalen mer effektiv og brukervennlig ved å designe en prototype av et KI-basert støttesystem som prioriterer henvendelser, gir svarforslag og gjenbruker eksisterende svar basert på eksisterende kunnskapsbase. Løsningen reduserer tid brukt på repetitive oppgaver, sikrer mer konsistent, kjappere og riktige svar, og forbedrer kommunikasjonen og oversikten av henvendelser mellom driftspersonell, bygningforvaltere og beboere.
Resultat
En service blueprint som tydeliggjorde dagens prosess, brukernes smertepunkter, flaskehalser og muligheter for forbedring, samt et testet design av en prototype av et KI-drevet system for kategorisering av henvendelser og generering av svarforslag i Autility-portalen. Prototypen støtter gjenbruk av tidligere svar, fremhever kritiske henvendelser, foreslår svar basert på eksisterende dokumentasjon og loggfører kommunikasjon, noe som sparer tid og ressurser for driftspersonell og forvaltere (brukere av portalen).
Bakgrunn // Problemstilling
Autility tilbyr en digital plattform som gir driftsansvarlige og bygningsforvaltere unik innsikt i bygningsinformasjon gjennom datafusjon, KI og digitale tvillinger. Som en del av den videre utviklingen av plattformen ønsket Autility å utforske hvordan håndtering av leietakerhenvendelser kan integreres og forbedres. I bransjen håndteres slike henvendelser typisk på tvers av flere kanaler og private innbokser, noe som kan gjøre det utfordrende å holde oversikt, prioritere saker og svare raskt og konsistent. Prosjektet tok utgangspunkt i disse bransjeutfordringene og utforsket hvordan kunstig intelligens kan støtte bedre prioritering, raskere responstid og mer effektiv håndtering og besvarelse av henvendelser – som en ny funksjonalitet i plattformen.
Metode: Design Thinking
1. Brukerintervjuer og analyse
Prosessen startet med intervjuer av fire eksperter og brukere av Autility-portalen, med fokus på muligheter i portalen, eksisterende arbeidsflyt, verktøy i bruk og utfordringer knyttet til tidsbruk, oversikt og prioritering. Innsikten ble analysert og sammenfattet i tydelige smertepunkter, som viste behov for bedre struktur, støtte i besvarelse av henvendelser og mer effektiv håndtering av kritiske saker.
2. Kartlegging av tjeneste, idémyldring og design av prototype
Basert på innsikten fra brukerintervjuene ble dagens prosess kartlagt gjennom et Service Blueprint, som tydeliggjorde flaskehalser og forbedringsområder og dannet grunnlaget for konseptutvikling. Deretter gjennomførte prosjektteamet en idémyldringsworkshop for å utforske løsninger og hvordan kunstig intelligens kunne støtte henvendelseshåndtering. Til slutt ble en low-fidelity prototype designet for et konsept av et KI-basert støttesystem som samlet henvendelser i én løsning, prioriterte henvendelser automatisk automatisk og foreslo relevante svar basert på en kunnskapsbase.
3. Testing, iterasjon og overlevering
Prototypen ble testet i tre omganger med fem brukere i alderen 26–54 år – først med low-fidelity-versjonen, deretter to ganger med high-fidelity-versjonen – og iterert basert på tilbakemeldinger. Løsningen ble også vurdert med tanke på teknisk gjennomførbarhet, bruk av store språkmodeller (LLM-er) og etiske hensyn. Innsikten fra evalueringen ble brukt til å forbedre konseptet og tydeliggjøre potensielle gevinster ved løsningen, som redusert manuell belastning, bedre oversikt og raskere, mer konsistente svar på kundehenvendelser, før løsningen ble overlevert til Autility.
Personas (Fra Innsikt)
Idégenereringsworkshop og Low-Fidelity Prototype
Resultat
SERVICE BLUEPRINT: Smertepunkter og Muligheter
Forbedret Tjenesteflyt
High-Fidelity Prototype Av Tjenesten
Effekt
Om konseptet hadde blitt implementert, kunne brukere av Autility-portalen håndtere henvendelser raskere og mer konsistent, noe som ville redusert tid og ressurser brukt på repetitive oppgaver. Systemet gir bedre oversikt over pågående saker, forbedrer prioritering av kritiske henvendelser og bidrar til mer presise og konsistente svar til beboere. Teknisk testing av KI-systemet viste at 65 % av svarforslagene kunne brukes direkte, 21 % med justeringer og kun 14 % var ubrukelige, med en gjennomsnittlig RAG-score som økte fra ca. 1,3 til 2,4 av 3 gjennom prosjektets levetid. Resultatene fra prosjektet tyder på både økonomiske gevinster og høyere kvalitet og effektivitet i henvendelseshåndteringen, samtidig som de viser stort potensial for videre forbedring når systemet får mer tid til å lære av tidligere svar.
Læringsutbytte
Gjennom prosjektet fikk jeg erfaring med å lede designarbeidet for et KI-basert støttesystem, fra innsiktsinnhenting og systemkartlegging til prototype og testing. Jeg styrket ferdigheter innen brukerintervjuer, tjenestedesign, iterativ prototypeutvikling og testing med reelle brukere, samt fasilitering av workshops og konseptutvikling i team. Prosjektet ga også erfaring med vurdering av teknisk gjennomførbarhet, etiske hensyn, integrasjon av KI og overlevering av prototyper og design til kunde, samtidig som jeg fikk trening i dokumentasjon av prosesser og tydelig formidling av designbeslutninger for fremtidig utvikling av løsninger av andre team.