AI and Value Stream Mapping
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Authors
Date
2025-04-24
Department
Major/Subject
Product and Innovation Management
Mcode
Degree programme
Master's Programme in Industrial Engineering and Management
Language
en
Pages
80
Series
Abstract
This thesis studies the connection of Value Stream Mapping (VSM) and AI, especially generative AI (GenAI), from a dual perspective. Firstly, considering that there is a growing interest towards increasing the efficiency of work with AI, but simple and readily available AI tools that target the individual can only provide easily imitable benefits, it is evident that there should be a more structured approach as to how AI could be integrated to business processes on a deeper level. To this end, the thesis discusses how VSM could be applied to provide structure into the effort of integrating AI into business processes. Secondly, as these process mapping and improvement tasks can be rather laborious, a small AI agent system is developed and tested as a support for this VSM work. AI in this work is seen as black box type of tool that is characterized by its ability to process, and in the case of GenAI also output, unstructured data, but in a seemingly non-deterministic manner. The three ways in which it can be used in human tasks, according to the literature are: full AI automation, sequential combination, and AI-human hybrid combination. The characteristics of these, in terms of for example the depth and innovativeness of the results produced differ. To consider what kind of integrations would be suitable in different places within processes, the usual metrics such as process and lead time, are accompanied with two new metrics, repetitiveness and significance that roughly describe how suitable a step is for automation and what the associated risks are. High repetitiveness would support full AI automation, except if significance is high as well, in which case a sequential combination would be preferable. For lower repetitiveness the hybrid combination would be suggested. The agent system developed in the work that supports the mapping and analysis of value streams is composed of three agents that focus on different stages of the analysis, and a graph-based RAG implementation that allows the agents to digest information from documents that describe the processes to be analysed. The agent system demonstrates remarkable capabilities in visualising and analysing processes, but some aspects, especially the accuracy of computations, still seem prone to errors in highly complex situations. Overall, the VSM framework extension and the agent system exhibit potential, and especially the integration of process mining capabilities to the agent system would further enhance its capabilities.Tässä diplomityössä tarkastellaan arvovirtakartoituksen (eng. Value Stream Mapping) sekä tekoälyn, erityisesti generatiivisen tekoälyn (GenAI), yhteyttä kahdesta perspektiivistä. Ensinnäkin, koska tekoälyn käyttö työn tehokkuuden lisäämiseen on ajankohtainen aihe, mutta hyöty, joka voidaan saavuttaa yleisesti saatavissa olevilla ja yksilöille suunnatuilla tekoälytyökaluilla, on helposti kilpailijoiden imitoitavissa, on syytä tutkia, miten tekoäly voitaisiin kiinteämmin sulauttaa osaksi liiketoimintaprosesseja. Tähän tarpeeseen vastaamiseksi työ käsittelee sitä, miten arvovirtakartoitusta voitaisiin soveltaa tukemaan tätä tekoälyn sulauttamista. Lisäksi, koska arvovirtakartoitukseen kuuluvat toimet ovat usein varsin työläitä, työssä toteutetaan tekoälyagenttijärjestelmä, joka voi tukea tätä analyysiä. Tekoäly nähdään tässä työssä ylätasoisesti mustana laatikkona, joka kykenee prosessoimaan vapaamuotoista informaatiota, ja GenAI:n tapauksessa myös tuottamaan sitä epädeterministisesti. Tällaista tekoälyä voidaan kirjallisuuden mukaan yhdistää ja käyttää ihmisten tehtäviin kolmella tavalla, jotka ovat täysi tekoälyautomaatio, tekoälyn ja ihmisen peräkkäisyhdistelmä sekä tekoälyn ja ihmisen hybridi. Tavat eroavat toisistaan muun muassa saavutettavien tulosten syvyyden ja innovatiivisuuden osalta. Jotta voidaan määritellä mikä edellä mainituista tavoista olisi sopivin mihinkin kohtaan, arvovirtakartoituksen yleisien mittarien, kuten prosessi- ja läpimenoajan, ohelle lisätään kaksi uutta mittaria, toistuvuus ja merkittävyys, jotka kuvaavat kuinka soveltuva työvaihe olisi tekoälylle, ja kuinka suuria riskejä siihen liittyy. Korkea toistuvuus puoltaa täyden tekoälyautomaation käyttöä, paitsi silloin kun myös merkittävyys on korkea, missä tapauksessa peräkkäisyhdistelmä on suositeltu tapa. Mikäli toistuvuus puolestaan on matala, on suositeltu menetelmä tekoälyn ja ihmisen hybridi. Analyysiä tukeva agenttijärjestelmä koostuu kolmesta agentista, jotka keskittyvät eri vaiheisiin, sekä graafipohjaisesta RAG-järjestelmästä (eng. Retrieval-augmented Generation), joka avulla järjestelmä kykenee omaksumaan tietoa prosesseista perustuen sille syötettyihin dokumentteihin. Agenttijärjestelmä osoittaa varsin hyvää kyvykkyyttä prosessien analyysissä ja visualisoinnissa, mutta numeeristen laskelmien tarkkuus, etenkin monimutkaisissa tilanteissa, vaikuttaa lievästi epäluotettavalta. Kaiken kaikkiaan sekä arvovirtakartoituksen laajennus että agenttijärjestelmä vaikuttavat tarkoitukseensa käyttökelpoisilta, mutta myös selkeitä jatkokehityskohteita, kuten prosessilouhinnan mukaan ottaminen, on nähtävissä.Description
Supervisor
Schildt, HenriThesis advisor
Autio, SampoKeywords
AI, generative AI, AI agents, business processes, business process improvement, value stream mapping