I en produktionsvirksomhed registreres afvigelser på flere måder: en operatør udfylder et Microsoft Forms-skema eller en papirblanket ved holdets slutning, en inspektør skriver en e-mail om en afvist batch, en kunde sender en reklamation, en værkfører noterer den i holdloggen i SharePoint, og nogle registreringer ender i kvalitetsmodulet i Business Central, Odoo eller Monitor ERP som en kommentar i fri tekst. Kvalitetschefen samler det hele i et Excel-ark, hvor alle beskriver problemet med egne ord, så den samme årsag optræder under fem forskellige navne. Den månedlige ledelsesrapport tager dage at udarbejde, og korrigerende handlinger går i gang, når problemet allerede har kostet flere batches.
Vi implementerer ChatGPT via API med et Power Automate-flow. Flowet samler afvigelsesregistreringer fra Microsoft Forms, holdlogs i SharePoint, en dedikeret postkasse og, hvis I har et, en eksport fra ERP-systemets kvalitetsmodul i én SharePoint-liste. Modellen klassificerer hver registrering efter jeres struktur: produkt eller produktgruppe fra varelisten i Business Central eller Odoo, operation eller arbejdsstation, årsagskategori (materiale, maskine, metode, mennesker, måling), konsekvens (omarbejde, spild, forsinkelse, kundereklamation) og alvorlighed. Den frie beskrivelse bevares, men der kommer ensartede kategorier ved siden af, så registreringerne bliver sammenlignelige. Uklare registreringer markeres, så kvalitetsingeniøren kan afklare dem. Hver mandag får kvalitetschefen en oversigt i Teams: hvilke afvigelser der gentager sig, i hvilke produkter og operationer, hvordan det har ændret sig siden sidste uge, med links til de konkrete registreringer. Mennesker træffer beslutningerne om korrigerende og forebyggende handlinger og registrerer dem i deres eget kvalitetssystem, mens løsningen kun viser, hvor man skal kigge. Modellen kører på OpenAI-platformen uden træning på jeres data, og hvis produktoplysningerne er fortrolige, implementerer vi den samme løsning med en privat model i MDP CLOUDs GPU-cloud i Litauen (EU).