LLM-kyselytyökalun kehittäminen kiinteistösähkösuunnittelun tueksi

Abstract

Opinnäytetyössä käsitellään suurten tekoälykielimallien hyödyntämistä suomalaisen kiinteistösähkösuunnittelun sovelluskentässä. Siinä avataan generatiivisen tekoälyn GPT-arkkitehtuurin oleellisia toimintaperiaatteita vektori- ja matriisitason kuvauksien tasolla samalla yleistajuisesti selittäen. Opinnäytetyössä kehitettiin konseptidemo työkalusta, jolla on potentiaali säästää aikaa ja samalla parantaa projektityöskentelyn laatua.

Ensimmäisenä tavoitteena oli rakentaa riittävä teoreettinen ymmärrys generatiivisen tekoälyn toimintaperiaatteista ja oleellisista konsepteista. Toisena tavoitteena oli tunnistaa haasteita ja mahdollisuuksia, joita sähkösuunnittelualan luonteesta aiheutuu koneoppimismenetelmien tai generatiivisen tekoälyn hyödyntämisessä. Kolmantena tavoitteena oli kehittää hakutäydennettyä generointia (RAG) hyödyntävä konseptidemo kyselytyökalusta, joka mahdollistaisi tietokyselyt esivalitusta kuratoidusta pdf-tietoaineistosta. Työkalun tavoitteet olivat, että se ymmärtää ja tuottaa suomea, on paikallisesti ajettava ja toteutettu avoimen lähdekoodin työkaluilla.

Opinnäytetyössä sovellettiin konstruktiivista tutkimus- ja kehittämisotetta; demosovelluksen kehittämisen tuloksena syntyi tietoutta, jota voi soveltaa yleisesti tuotantokelpoisen RAG-sovelluksen kehittämisessä. Teoreettinen osuus toteutettiin kuvailevalla kirjallisuuskatsauksen menetelmällä. Kolmannessa luvussa sovellettiin tapaustutkimuksen filosofiaa, kun tarkasteltiin tekoälyratkaisuiden soveltamisesta suomalaisen kiinteistösähkösuunnittelun alaan. Opinnäytetyön käytännön kehitystyö toteutettiin ketterillä kehitysmenetelmillä lainaten soveltuvia periaatteita scrum- ja lean-malleista. Työkalu luotiin iteroimalla kehitysvaiheita tarvittavan monta kertaa halutun tuotteen aikaansaamiseksi, samalla pyrittiin minimoimaan teknistä velkaa.

Tuloksena saatiin haluttu konseptidemo kyselytyökalusta. Tärkeimpänä antina toimeksiantajalle saatiin oppia seikoista, joita tuotantotasoisen RAG-järjestelmän kehittämisessä ja sen tietoaineiston kasaamisessa on huomioitava. Lopputuloksissa todettiin, että kuvatun ongelman kannalta olisi helpompaa kehittää tuotantokäyttösovellus suljettuja kolmannen osapuolen suuria kielimalleja hyödyntäen.

This thesis explored the utilisation of large language models in the domain of Finnish electrical building services engineering. It presented the development of a prototype tool having potential to reduce wasted time while improving the quality of project work. Furthermore, it interpreted the essential operating principles of the GPT architecture underpinning generative AI using vector- and matrix-level formulations while aiming for an accessible exposition.

The first objective of the thesis was to establish a sufficient theoretical understanding of key concepts of GPT and generative AI. The second objective was to identify challenges and opportunities when applying machine learning and generative AI within typical Finnish building electrical design processes. The third objective was to develop a prototype query tool using retrieval‑augmented generation (RAG) for querying the curated, preselected corpus of PDF documents. The tool was required to comprehend and answer in Finnish, execute locally, and be implemented by using open‑source software.

The theoretical framework adopted in this thesis was the constructive research approach, as the research and development of the tool yielded transferable knowledge applicable to the development of production-grade RAG applications. The theoretical component of this thesis consisted of a descriptive literature review. Chapter three adopted a case-study philosophy to investigate the application of AI solutions within the Finnish building electrical design sector. The practical development work in the fourth chapter followed agile methods, drawing on relevant principles from Scrum and Lean. The tool was developed iteratively through as many cycles as necessary. Each iteration established the conditions for the next one while striving to minimise technical debt.

The R&D process yielded a working prototype of the desired query tool. The principal takeaway concerned the considerations that must be addressed when developing a production‑grade RAG system and constructing its document corpus. The findings indicated that, for the problem at hand, it would be more straightforward to develop a production application by leveraging proprietary third‑party large language models.