Tekoäly työkaluna sähkösuunnittelussa

Abstract

Tämä opinnäytetyö tehtiin Granlund Oy:lle osana sähkösuunnittelun käytännön työtehtäviin liittyvää tarkastelua, ja sen tavoitteena oli arvioida ChatGPT 5.2 Thinking -tekoälymallin soveltuvuutta sähkösuunnittelun tyypillisiin tehtäviin. Työssä tarkasteltiin erityisesti sitä, miten kehotteiden vaiheittainen tarkentaminen vaikutti vastausten oikeellisuuteen, jäljitettävyyteen ja käytännön hyödynnettävyyteen. Tavoitteena oli muodostaa kokonaiskuva mallin käyttömahdollisuuksista ja rajoituksista sähkösuunnittelutyössä.

Työ toteutettiin kokeellisena testikokonaisuutena, jossa samaa tehtävää muokattiin kehoteversioilla V0–V3. Testit kohdistuivat standardien tulkintaan, laskennallisiin tehtäviin, dokumentointiin, piirtämiseen ja kuvan tulkintaan. Vastauksia arvioitiin teknisen oikeellisuuden, perustelujen selkeyden, epävarmuuksien käsittelyn ja käytännön käyttökelpoisuuden perusteella.

Tulosten perusteella kielimalli soveltui parhaiten dokumentoinnin tukemiseen sekä laskentatehtäviin, kun lähtötiedot oli määritelty selkeästi. Kehotteiden tarkentaminen paransi vastausten rakennetta ja vähensi perusteettomia oletuksia. Heikoimmin malli suoriutui tehtävissä, jotka edellyttivät standarditaulukoiden täsmäarvojen käyttöä tai visuaalisen piirustusaineiston tarkkaa tulkintaa.

Työn perusteella tekoäly voi toimia hyödyllisenä tukityökaluna sähkösuunnittelussa, mutta sen tuottama sisältö vaatii asiantuntijan tarkistuksen. Jatkossa kielimallien hyödyntämistä tulisi tutkia laajemmilla testiaineistoilla sekä yhdessä muiden suunnittelutyökalujen kanssa.

The purpose of this thesis was to evaluate the suitability of the ChatGPT 5.2 Thinking AI model for typical electrical design tasks. Attention was paid to how the step-by-step refinement of prompts affected the correctness, traceability, and practical usability of the responses. The aim was to form an overall view of the model’s potential and limitations in electrical design work.

The thesis was carried out as an experimental test framework in which the same task was refined through prompt versions V0–V3. The tests covered interpretation of standards, calculation tasks, documentation, drawing, and image interpretation. The responses were evaluated in terms of technical correctness, clarity of reasoning, handling of uncertainty, and practical usability.

The results showed that the language model was best suited to supporting documentation and calculation tasks when the input data was clearly defined. Refining the prompts improved the structure of the responses and reduced unsupported assumptions. The weakest performance appeared in tasks requiring exact values from standard tables or precise interpretation of visual drawing material.

Based on the thesis, artificial intelligence can be considered a useful support tool in electrical design, but its output requires verification by a human expert. Future research should examine the use of language models with broader test materials and in combination with other design tools.