Så jobbar Easypark med AI-agenter

–  För två år sen fanns vi i 20 länder och nu finns vi i mer än 90. Det är klart att det blir en helt annan skala. Multicloud-modellen hjälper oss att skala på rätt sätt och att ta best practices från en marknad och använda dem i andra, säger Sandesh Bhat, som är cto på Easpypark Group.

Easypark Group har använt AI och maskininlärning länge. Bland annat för att hjälpa användare hitta den mest praktiska parkeringsplatsen. Men med generativ AI och nu med agentbaserad AI öppnas nya möjligheter.

– Det finns otrolig potential, inte bara för vår go-to-market-strategi utan även för intern effektivisering, säger Sandesh Bhat.

Bolaget använder Google Clouds plattform och verktyget Vertex AI Agent Builder som en central komponent i sin AI-strategi. När Easypark Group tidigare i år förvärvade Flowbird använde man AI för att påskynda integrationen mellan bolagen.

– Flowbird verkar inom hårdvara och har många produktlinjer – så vi ville hitta ett sätt för EasyPark-teamet att snabbt förstå det. Vi tog innehåll från båda bolagen, placerade i Google Cloud, kopplade på Vertex AI och byggde agenter.

Tiden det tog från idé till att driftsätta agenter var mindre än tre veckor.

– Agenterna kunde svara på frågor om produkter, HR-policyer, hitta rätt kontaktpersoner – till exempel ”vem är chefsarkitekt för transport?” eller ”vilken teknikstack använder Flowbird?”.

Nu ska bolaget ta nästa steg på AI-resan. Nu ska agenterna gå från att vara reaktiva – till proaktiva. 

– Det är det som är nästa steg med agentisk AI: att gå från reaktiva svarsmaskiner till proaktiva assistenter som faktiskt hjälper dig att lösa problem, säger Eva Fors, Nordenchef på Google Cloud och fortsätter:

– Och det är där vi verkligen kan se stora produktivitetsökningar, för i slutändan handlar det ju om effektivitet och hur agenter kan lösa ett problem innan du ens har insett att det finns ett problem att lösa.

Eva Fors ser Easypark som en inspirationskälla för andra bolag.

–  Det här visar att du Med Vertex AI:s plattform och Agent Builder kan gå från en idé – som tas fram under ett hackathon – till en faktisk produktionsklar lösning som används av riktiga användare på ett par veckor.

– Dessutom frigör du kraften i organisationen genom att låta fler medarbetare vara med och skapa. Du behöver inte vänta på att it-avdelningen bygger något utan du samskapar något som faktiskt behövs i verksamheten, och tar det hela vägen till produktion med extremt korta ledtider. 

Sandesh Bhat ser stor potential i mer proaktiva agenter.

– För oss kan det till exempel handlar om hur du bäst använder parkeringsytor eller optimerar trafikflöden. Agentisk AI gör det möjligt att resonera, tänka, fatta beslut och ge proaktiva rekommendationer – till alla våra intressenter som kan vara allt ifrån städer till bilbolag.

Kvalitén på datan är naturligtvis central för att lyckas med sina AI-projekt.

– Vi har stora mängder data både från digitaliseringen av stadsmiljöer och i form av realtidsdata från sensorer i städerna. När det gäller parkering, som är ett av våra fokusområden, där vi har realtidsdata om beläggning – både på gatan och i garage.

Samtidigt som utvecklingen fortsätter betonar både Easypark Group och Google Cloud vikten av säker AI-utveckling. Det handlar om att bygga in kontrollmekanismer kring datasäkerhet, integritet och att undvika snedvridna beslut eller hallucinationer från modellerna.

– Där tycker jag att Vertex AI som utvecklingsplattform har hjälpt oss mycket – nästan som ett CI/CD-flöde i en multimodal miljö. Det gör att utvecklarna hålls ansvariga även när vi jobbar snabbt. Och det är därför jag är så entusiastisk över vår tidiga erfarenhet med Vertex AI – inte bara Agent Builder, utan hela plattformen.

– Särskilt när vi går från en enskild modell till att jobba med flera modeller framöver då blir plattformens stöd för säkerhet, integritet och kontroll ännu viktigare.