Jev: по-бързи решения с изкуствен интелект в транспорта

Jev е ново развитие в областта на изкуствения интелект с различна цел от инструментите, с които повечето хора се сблъскват първоначално. При чат с AI асистент задавате въпрос и получавате писмен отговор или търсите помощ за изготвяне на имейл. Зад този текст стои голям езиков модел, често наричан LLM. Jev, представен от TypeSafe AI, е създаден да взема бързи, тясно дефинирани решения в рамките на софтуера, вместо да генерира текст.

За един транспортен бизнес това би могло да означава помощ на системата да разпознае кое съобщение изисква внимание или кой казус трябва да бъде насочен към човек. В LiteTMS вече тестваме различни сценарии, за да видим къде този подход може да направи нашата система за управление на транспорта (TMS) по-полезна в ежедневната работа.

Какво прави Jev на достъпен език

Представете си бюро за сортиране. Постъпва информация и софтуерът трябва да реши към какво принадлежи тя. Jev получава тази информация и отговаря на въпроси с предварително зададени опции, оценки или вероятности тип „да/не“. Той не води диалог и не съставя имейли. Въведението на LangChain обяснява тази разлика и показва как Jev може да работи паралелно с модели, които генерират текст.

Ето примерен казус от транспорта: шофьор пише: „Все още съм на склада. Няма да започнат да товарят до утре.“ Системата може да попита дали съобщението описва закъснение и дали изисква вниманието на диспечера. Jev предоставя оценка, а софтуерът около него решава какво да се направи с нея.

TypeSafe нарича това модел от Системата 1 (System One): изкуствен интелект, създаден за бързи решения, които софтуерът може да използва директно. Jev е в ранен достъп. За нас привлекателното е възможността да внедрим малки, полезни преценки в самия работен процес, без да се изисква някой да отваря поредния чат.

Къде може да помогне в транспортния офис

Това са потенциални приложения, а не съобщение за пуснати функции с Jev в LiteTMS.

Извеждане на важните съобщения на преден план

Закъснение при товарене, променен адрес за доставка и рутинно потвърждение за пристигане изискват различни действия. Даден модел би могъл да помогне за сортиране на входящите съобщения по тема и спешност, насочвайки вниманието на офиса към вероятните проблеми. Истинският тест за ползата ще бъде дали той улавя важните изключения, без да запълва екрана с излишни известия.

Откриване на случаи, изискващи изясняване

Да приемем, че дадена заявка съдържа сутрешен прозорец за разтоварване, а в по-късно съобщение клиентът споменава следобеда. Оценката на модела може да отбележи възможен конфликт за преглед. Тя трябва да насочи диспечера към съответната информация, като остави договорения час за доставка непроменен, докато човек не го провери.

Насочване на документите към правилния човек

След като текстът на документа бъде разчетен от отделен инструмент, Jev може да помогне за категоризиране на съдържанието: потвърждение за доставка (POD), въпрос относно навло или такса, или пък рекламация. Това би помогнало работата да се насочи към диспечерите или към администрацията. Разчитането на сканирана страница и решаването къде принадлежи съдържанието ѝ са отделни стъпки; този пример се отнася до втората.

Определяне кога трябва да се намеси човек

Някои заявки имат ясна следваща стъпка. Други съдържат непълна информация или се отнасят за оспорен разход. Системата може да използва оценката, за да предложи подходящия начин за обработка, включително преглед от служител. Практичният дизайн прави несигурните случаи лесни за намиране и коригиране.

Бързите отговори все още изискват проверка

TypeSafe отчита предимства по отношение на скоростта и разходите при подходящи задачи. Тези оценки на разработчика обаче не гарантират реални ползи за всяка транспортна компания. Гарантираният формат на отговора е различен от правилното решение: моделът все пак може да избере грешната опция.

За разгледаните от нас транспортни сценарии това означава да следим за пропуснати закъснения, излишни ескалации и двусмислени съобщения, успоредно с времето за реакция. Също така трябва да преценим колко контекст изисква всяко решение. Думата „утре“ не означава много, ако в системата липсва датата на съобщението.

Защо тестваме Jev в LiteTMS

Следим новостите в технологиите и вече тестваме различни сценарии, в които Jev би могъл да помогне LiteTMS да стане по-интелигентен и полезен за бизнеса. Примерите по-горе описват посоки, които си струва да се проучат; те не са списък с готови интеграции или измерени резултати.

Целта ни е практическа: да помогнем на екипа в офиса да забелязва същественото и да отделя по-малко усилия за сортиране на информация, преди да може да действа. Всяко приложение трябва да докаже мястото си чрез полезни резултати, ясни граници и лесен начин за намеса на човек. Ще споделим конкретни изводи с напредването на тази работа.

Източници

• TypeSafe AI: Представяне на System One моделите и Jev
• LangChain: Изграждане на работна рамка с Jev
• Flavio Copes: Подробен поглед върху Jev, System One модела на TypeSafe
• heise online: AI моделът „Jev“ за по-бързи машинни решения

Често задавани въпроси

Какво би могъл да направи Jev за една транспортна компания?

Възможните приложения включват сортиране на съобщения, сигнализиране за потенциални несъответствия в данните за поръчките и насочване на казусите към подходящия служител. Това са сценарии за оценка, а не гарантирани резултати.

Jev вече наличен ли е като функционалност в LiteTMS?

Тестваме възможните приложения. Тази статия не обявява пускане за клиенти или конкретна дата за внедряване.

Ще взима ли Jev решения вместо диспечера?

Описаните тук сценарии биха подпомогнали работата на диспечера, като открояват важната информация и предлагат начини за обработката ѝ. Промените в оперативните ангажименти изискват съответните проверки и човешки контрол.