Käsin tehtävä säätö esti tuotetta skaalautumasta kumppanikanavaan
Laite toimi, mutta jokainen uusi asennus vaati asiantuntijan tekemää käsinsäätöä ennen käyttöönottoa. Se teki kasvusta riippuvaista erikoisosaajien ajasta ja esti tuotteen viemisen kumppaniverkoston kautta uusiin kohteisiin. Viiden työpajan AI Design Sprintissä osoitimme, että vaarallinen vikatila voidaan tunnistaa 92–94 %:n tarkkuudella ja suunnittelimme käyttöönoton niin, että kenttäasentaja pärjää ilman erikoisosaajaa. Näin tuotteelle avautui tie kumppanikanavaan ja vuoden 2026 lanseeraukseen.
Haaste
Asiakkaamme laiteohjain toimi hyvin, mutta siinä oli yksi kasvua estävä ongelma: laite ei osannut mukautua uuteen asennuspaikkaan itse. Asiantuntijan piti säätää jokainen asennus käsin ennen käyttöönottoa. Se teki tuotteesta vaikean myydä kumppaneiden kautta.
Jokainen asennus piti säätää käsin
Ohjain seuraa laitteen sähkönkulutusta ja pysäyttää laitteen, jos se havaitsee sitä vahingoittavan vikatilan. Eri asennuspaikoissa laite kuitenkin käyttäytyy eri tavoin. Kuormitus, laitteen koko, käyttötapa ja sähköverkon häiriöt vaihtelevat. Siksi asiantuntijan piti tarkastella laitteen käyttäytymistä ja määrittää käsin, milloin ohjaimen pitäisi tulkita tilanne viaksi. Työ vei noin kymmenen minuuttia jokaista asennusta kohden, mutta vaati osaamista, jota tavallisella kenttäasentajalla ei ollut.
Käsin tehtävä säätö esti myynnin kasvun
Kumppanijakelun kautta olisi ollut mahdollista tavoittaa noin sata uutta kohdetta. Jos jokainen laite olisi pitänyt säätää asiantuntijan avulla, kasvu olisi kuitenkin jäänyt asiantuntijoiden työajan varaan. Ongelma ei siis ollut itse tuotteessa tai kysynnässä, vaan siinä, että jokainen uusi asennus vaati erikoisosaajan apua.
Helpointa tekoälyratkaisua ei voitu rakentaa
Ensimmäinen ajatus oli opettaa malli päättelemään oikeat asetukset automaattisesti uuden asennuspaikan datasta. Se olisi kuitenkin vaatinut tietoa monista erilaisista asennuksista ja niiden toimivista asetuksista. Käytettävissä oli kunnollista dataa käytännössä vain yhdestä kohteesta. Siksi tätä ratkaisua ei voitu toteuttaa luotettavasti.
Mitä rakensimme
Toteutimme viiden työpajan AI Design Sprintin. Tarkoituksena ei ollut rakentaa valmista tuotetta, vaan selvittää nopeasti kaksi asiaa: voiko ongelman ratkaista tekoälyn avulla ja millainen ratkaisu kannattaa viedä tuotteeseen. Työpajojen välillä analysoimme dataa, testasimme eri malleja ja tarkensimme ratkaisua havaintojen perusteella.
- 01Esiselvitys
Vikatila tunnistettiin 92–94 %:n tarkkuudella
Noin 40 GB:n todellisella käyttödatalla testattu malli tunnisti vikatilan 92–94 %:n tarkkuudella. Se havaitsi ongelman jo ensimmäisen minuutin aikana, kun laitteen nykyisellä ohjelmistolla tunnistamiseen kului useita minuutteja. Nopeampi pysäytys vähentää turhaa sähkönkulutusta, laitteen kulumista ja vakavien laitevaurioiden riskiä.
- 02Takaisku
Ensimmäinen ratkaisu ei toiminut, joten ongelma ratkaistiin toisin
Automaattisten asennuskohtaisten asetusten opettamiseen ei ollut tarpeeksi dataa. Sen sijaan että olisimme yrittäneet rakentaa epäluotettavan mallin liian pienellä aineistolla, etsimme yksinkertaisemman tavan ratkaista ongelma. Löysimme kaksi vaihtoehtoa: lyhyen ohjatun testiajon käyttöönoton yhteydessä sekä yksinkertaisen yhteyden laitteen normaalin virrankulutuksen ja tarvittavien asetusten välillä.
- 03Arkkitehtuuri
Kenttäasentaja voi ottaa laitteen käyttöön ilman asiantuntijaa
Ratkaisu rakennettiin kolmen toimintatavan varaan. Tavallisissa asennuksissa laite toimii valmiilla turvallisilla oletusasetuksilla. Vaativammissa kohteissa kenttäasentaja tekee käyttöönoton yhteydessä lyhyen testiajon, jonka avulla laite saa sopivat asetukset. Pilvipohjainen tunnistus toimii lisäksi varmistuksena. Näin asiantuntijaa ei enää tarvita jokaisen laitteen käyttöönottoon.
Tulokset
AI Design Sprint osoitti, että asiantuntijasta riippuvainen käyttöönotto voidaan korvata tavalla, joka sopii kumppanikanavaan. Samalla asiakkaalle syntyi selkeä etenemispolku vuoden 2026 lanseeraukseen.
Koneoppimismalli tunnisti vaarallisen vikatilan 92–94 %:n tarkkuudella todellisesta käyttödatasta ja teki havainnon ensimmäisen minuutin aikana. Tämä osoitti, että ongelma voidaan ratkaista teknisesti ja antoi pohjan tuotteen jatkokehitykselle.
Kun jokaiseen asennukseen ei enää tarvita erikoisosaajaa, kumppanit voivat ottaa laitteen käyttöön itse. Se avaa noin sata uutta kohdetta, joita asiantuntijavetoinen toimintamalli ei olisi pystynyt palvelemaan.
Kun vika havaitaan ajoissa, noin 10 000 euron laitevaihto voidaan joissain tilanteissa välttää noin 2 000 euron laakeri- ja tiivistehuollolla. Samalla laite voidaan pysäyttää aiemmin, jolloin vikatilassa hukkaan menevän sähkön määrä pienenee merkittävästi.
AI Design Sprint tuotti selkeän ratkaisumallin ja kolme konkreettista jatkokoetta. Niiden avulla tuote voidaan valmistella kumppanijakeluun vuoden 2026 aikana ilman, että kaikkea tarvitsee ratkaista yhdellä kertaa. Ratkaisu voidaan myös myöhemmin päivittää entistä automaattisemmaksi, kun käyttödataa kertyy lisää.
Lisäksi
- Sprintissä selvisi myös, millaisiin kohteisiin tuotetta ei kannata tarjota. Tämä voidaan muuttaa osaksi kumppanin myyntiprosessia, jolloin sopimattomat kohteet voidaan tunnistaa jo ennen asennusta.
- Ensimmäinen koneoppimisidea ei toiminut käytettävissä olevalla datalla. Juuri sen hylkääminen johti yksinkertaisempaan ja käytännössä paremmin tuotteistettavaan ratkaisuun.
