Konteksti ja ongelma

Energia-alan yrityksessä projektinhallinnan tiketit ja niihin liittyvä konteksti elivät JIRA:ssa ja tietoa oli vaikea hyödyntää nopeasti: etsintä oli manuaalista ja vastaukset vaativat paljon asiantuntijan käsityötä. Tarvittiin ratkaisu, joka ymmärtää tikettien sisällön ja historiatiedon sekä tukee hakua ja vastausten muodostamista automaatiota hyödyntäen. Toimeksiantajalla oli selkeä visio tarpeesta ja toteutuksesta, mikä mahdollisti nopean etenemisen.

Mitä tehtiin

Rakensin Retrieval-Augmented Generation -agentin JIRA-datalle. Tiketit indeksoitiin haettavaan muotoon, ja agentti yhdisti haun ja LLM-pohjaisen vastaustuotannon niin, että käyttäjä sai valmiin ratkaisun ja relevanttia kontekstia ilman että joutui käymään läpi pitkiä ketjuja käsin.

Toteutus tehtiin Azure-ympäristössä: RAG-assistenttia ajettiin pythonina Azuren pilvifunktioissa ja assistentti integroitiin JIRA:an Java-sovelluksena. Infrastruktuuri tehtiin Bicep-koodina, mikä mahdollisti nopean integroimisen eri ympäristöihin. Dataputki JIRA:sta dokumentti-indeksiin toteutettiin valmiilla pythonin JIRA-paketilla sekä pilvifunktioilla. Vastasin projektin teknisestä suunnittelusta ja toteutuksesta. Toteutus ja toimitus helmikuu–maaliskuu 2025.

Keskeisiä teknologioita: RAG, LLM:t, Azure, Python, Java, IaC (Bicep), NLP.

Tulos

Agentti mahdollisti älykkään haun ja automatisoidun vastaustuotannon projektinhallintadatan päällä. Ratkaisu otettiin tuotantokäyttöön valmistuttuaan. Projektiryhmässä sovittiin, että jatkokehitykseen palataan tarpeiden selkiyttyessä — ensin toimiva tuotanto, laajennus sitten tarpeen mukaan. Ratkaisu osoitti, että JIRA-tyyppinen strukturoitu mutta tekstipainotteinen lähde on hyödynnettävissä RAG-agentilla ilman raskasta datatuotantoprojektia.

← Takaisin toimeksiantoihin