Prosjektdagbok

Jobbet på kontoret deres i Oslo. Jeg fikk møte de andre ansatte,  og blitt kjent med IT-ansvarlig på avdelingen. Gjorde meg kjent med den tidligere løsningen deres for troubleshooter og hvordan den nye shopify-løsningen ser ut.  Ettersom denne AI-løsningen er helt helt nytt prosjekt, har jeg brukt tid på forventningsavklaring og hvilke prioriteringer Cinderella har.  

I dag har jeg tatt prosjektplanleggingen videre og opprettet en kanbantavle for prosjektet, samt laget en detaljert liste over ulike funksjoner til løsningen. Etter lunsj hadde jeg møte med prosjektleder i Molde om hvilke forventninger han har og hvordan jeg ønsker å jobbe. Etter møte brukte jeg resten av arbeidsdagen på å undersøke ulike AI-løsninger og deres fordeler og ulemper. Lager en omfattende oversikt over de løsningene som prosjektleder kan se på. 

Satt opp vektorbasert database i Docker container med PostgreSQL og pgvector. Lagt inn testdata og gjort pdf-er om til embeddings i databasen

Hadde møte med en kursholder om hvilken AI løsning som er best å bruke. Undersøkt fordeler og ulemper med ulike løsninger. 

Har gått gjennom ulike dokumenter og servicehefter. Jobber med å legge dem inn systematisk, samt gjøre det mulig å hente de fram i databasen.

I dag har jeg vært på kontoret i Oslo. Planen for dagen var å finne ut hvilken AI-løsning vi skal bruke. Ettersom Cinderella bruker Microsoft sine tjenester, og det er viktig med høy sikkerhet, er Microsoft sin Azure AI-modell en optimal løsning. 

I tillegg har jeg implementert et enkelt API-endepunkt i FastAPI som utfører semantisk søk basert på tekstspørringer. Målet er å kunne hente relevante dokumenter fra en database ved hjelp av vektorbasert sammenligning, fremfor tradisjonelle nøkkelord.

Jeg benyttet modellen all-MiniLM-L6-v2 fra SentenceTransformers for å konvertere brukerens spørring til en numerisk vektorrepresentasjon. Denne vektoren brukes deretter til å søke i en PostgreSQL-database som inneholder forhåndslagrede vektorer for ulike dokumenter. Søkefunksjonen returnerer de tre nærmeste treffene basert på avstandsmål mellom vektorer.

For å sikre bred tilgjengelighet, la jeg til CORS-støtte slik at API-et kan brukes fra ulike klienter uten begrensninger. Databasen kobles til via psycopg2, og spørringen benytter <=>-operatoren for vektorsammenligning, som krever at databasen støtter vektortyper (f.eks. via pgvector).

Denne løsningen gir et mer kontekstsensitivt søk enn tradisjonelle metoder, og kan være nyttig i applikasjoner hvor brukerens intensjon er viktigere enn eksakte ordvalg. Neste steg blir å vurdere ytelse og skalering, samt hvordan resultatene kan visualiseres eller integreres i en frontend.

Brukt dagen på å bli kjent med Azure AI Foundry. Undersøkt hvilke ressurser jeg trenger derfra. 

I dag har jeg jobbet videre med å utvikle en prototype for en AI-chatbot basert på PDF-søk-systemet vårt. Jeg har konvertert det grunnleggende søkegrensesnittet til en intelligent samtaleagent som kan generere kontekstbevisste svar med naturlig språkprosessering. Brukeropplevelsen er dermed forbedret fra manuelt søk til en mer interaktiv og naturlig samtale med AI.

På backend-siden har jeg laget et nytt endepunkt med intelligent svar-generering og implementert spesialiserte håndterere for installasjonsveiledninger, sikkerhetsinformasjon, feilsøking, vedlikehold og generelle forklaringer. Systemet kan gi svar med kildehenvisninger og score for hvor sikre svarene er.

Frontend-grensesnittet er bygget med HTML, CSS og JavaScript og tilbyr en moderne chat-opplevelse med sanntidsindikatorer, meldingsbobler og responsivt design for både desktop og mobil. Brukeren kan raskt starte et søk via foreslåtte knapper, justere søkeparametere, administrere chat-historikk og konfigurere innstillinger i et eget panel. Samtaleflyten er intuitiv med tydelig differensiering mellom bruker og bot, og PDF-kildene kan åpnes direkte via klikkbare lenker. Svarene vises på en strukturert måte som gjør dem lett å forstå.

Som prototype har systemet blitt testet med ulike typer spørsmål. Sikkerhetsspørsmål gir formaterte advarslister, installasjonsspørsmål vises som trinn-for-trinn-prosedyrer, og generelle spørsmål hentes kontekstuelt fra dokumentene. Hele prosessen fra brukerinput til AI-svar fungerer sømløst, inkludert tilgang til PDF-dokumenter og kildehenvisninger.

Har hatt møte med utviklerne om tilgang og konto i Azure Foundry. 

Jeg har tilbrakt dagen på kontoret og jobbet i Copilot Studio med utviklingen av to agenter: en rettet mot sluttbrukere og en for servicepartnere. Hensikten med denne todelingen er å tilpasse informasjonsnivå og funksjonalitet til de ulike målgruppenes behov. Agenten for servicepartnere skal få en mer teknisk kunnskapsbase, med detaljerte beskrivelser og prosedyrer som støtter feilsøking og integrasjoner.

Jeg har jobbet mye med prompting og testing av ulike typer spørringer for å forbedre presisjonen i svarene og sikre at agentene tolker brukernes intensjoner riktig. I tillegg har jeg lagt til flere tools og topics for å utvide funksjonaliteten, blant annet for å håndtere mer komplekse forespørsler og gi mer relevante svar. Dagen har i stor grad gått med til iterativ testing, justering av svarlogikk og kvalitetssikring av hvordan kunnskapsbasen brukes i praksis.

Neste dag fortsatte jeg arbeidet med videreutviklingen av agenten for servicepartnere. Hovedfokuset var å etablere en kobling mellom agenten og butikkens Shopify-side, slik at chatboten kan hente og presentere ordreinformasjon direkte fra systemet. Målet er å gjøre det enklere for servicepartnere å få rask tilgang til status, betalingsinformasjon og leveringsdetaljer uten å måtte navigere i selve Shopify-grensesnittet.

Arbeidet innebar å utforske hvordan API-integrasjonen mellom Copilot Studio og Shopify kan settes opp på en sikker og effektiv måte. Jeg brukte tid på å definere hvilke datafelter som skal være tilgjengelige for agenten, og hvordan forespørslene skal formuleres for å sikre at informasjonen som hentes ut, er korrekt og relevant. I tillegg testet jeg ulike promptstrukturer for å sikre at agenten forstår naturlige språkspørringer knyttet til ordre, som for eksempel “Vis meg statusen på ordre #1234”.

Jeg oppdaget også noen begrensninger i hvordan Copilot håndterer API-responser, noe som krevde justering i både tool-oppsettet og hvordan data presenteres tilbake til brukeren. Dagen endte med at jeg fikk på plass en grunnleggende fungerende integrasjon, men ser at agenten ikke klarer å finne riktig informasjon. Dette må justeres i Flow. 

Etter prat med veileder, har jeg funnet ut at informasjonen agenten gir på ordrestatus er påfunnet. Har dobbeltsjekket at copilot har tilgang til riktig data fra Shopify, så utfordringen ligger i å få agenten til å lese kun av dette. Dagen har derfor gått til å finne riktig koblinger og finne riktig prompter og avgrensninger til agenten. 

Jeg har jobbet med å definere og strukturere taggene som skal knyttes til embeddings generert fra PDF-filer av produktmanualene. Målet er å etablere et konsistent og meningsfullt taggsystem som reflekterer innholdets tematiske og funksjonelle egenskaper. Arbeidet utføres i PostgreSQL, hvor jeg nå er i gang med å implementere taggingen i databasen. Dette innebærer både utvikling av tabellstruktur for lagring av tagger og testing av spørringer som kobler embeddings til relevante kategorier

Fortsetter med tagg og tabellstruktur. Hatt møte med veileder om hva de ønsker å ha i mål innen praksisperioden er omme. Enighet om å få på plass tagging og riktig tilkobling fra Shopify til Copilot Studio. 

I dag har jeg fokusert på å ferdigstille databasen som skal brukes sammen med agenten. Målet var å sikre at all testdata som er relevant for agentens kunnskapsgrunnlag, ligger inne i riktig struktur og format. Jeg har gjennomgått databasens tabeller og sørget for at både dokumentasjon, tagger og tekniske beskrivelser er systematisert på en måte som gjør det enkelt for agenten å hente ut presis informasjon.

Videre har jeg brukt tid på å teste ulike kombinasjoner av kommandoer og spørringer for å evaluere hvordan agenten tolker og henter ut informasjon fra databasen.