---
title: Jev AI в LiteTMS: где и как мы применили его в работе
description: Как модель Jev AI от TypeSafe помогает LiteTMS анализировать сообщения водителей, пункты маршрута и импорт: примеры на JSON и Java.
slug: where-jev-helps-in-litetms
locale: ru
date: 2026-09-24
updated: 2026-09-25
category: technology
tags: jev, ai, transport, driver-chat, data-import
author: LiteTMS Team
draft: false
---

Мы интегрировали Jev, модель ИИ от [TypeSafe AI](https://typesafe.ai/blog/introducing-system-one-models-and-jev?utm_source=litetms.eu), в ряд рабочих процессов LiteTMS. Она помогает выделять сообщения водителей, требующие внимания, проверять, относятся ли два географических названия к одному городу, подсказывать структуру файлов импорта и избегать перевода сообщений, если они уже написаны на языке пользователя. Это точечные оценки внутри системы управления транспортом (TMS), а не очередной чат-бот для сотрудников офиса.

Если вы слышите это название впервые, в [нашей первой статье о Jev](/en/blog/jev-ai-decisions-transport) подробно изложена суть технологии. Генеративный ИИ пишет развернутые ответы на запросы. Модель Jev создана для решения более узких задач, например: «Требуется ли ответ на это сообщение?» Затем LiteTMS использует эту оценку в соответствующем рабочем процессе.

## Сообщения водителей, требующие особого внимания

Водитель может отправить дежурный отчет о статусе, задать вопрос или сообщить о проблеме. Офис не должен рассматривать каждое входящее сообщение как одинаково срочное. В чат с водителем мы добавили проверку через Jev: модель сортирует входящие сообщения по теме и определяет, требуется ли вмешательство диспетчера. Она работает как с текстовыми сообщениями, так и с голосовыми заметками после их распознавания в текст.

Например, сообщение «Пробило колесо» принципиально отличается от «Я на месте». Сообщение, классифицированное как требующее реакции, попадает в список приоритетных задач, а поломка тягача или полуприцепа может вызвать срочное уведомление. При этом диспетчер по-прежнему может открыть чат, ответить водителю и отметить задачу как решенную. Jev не отправляет ответы водителю и не принимает решений о том, как устранять неисправность.

Для сообщения о пробитом колесе оценка ИИ в формате JSON выглядит следующим образом:

```json
{
  "input": { "driver_message": "I have a flat tyre and cannot continue." },
  "jev_assessment": {
    "category": "vehicle_problem",
    "needs_action_probability": 0.94
  }
}
```

LiteTMS считывает категорию и вероятность необходимости действий. Поломка транспортного средства с таким высоким баллом может сразу отображаться со статусом срочности, сигнализируя сотрудникам о необходимости быстрого реагирования.

## Названия населенных пунктов в заказах и транспортных документах

В документе может быть указано «Köln», а в заказе - «Cologne». При прямом посимвольном сравнении система сочтет их разными словами, хотя оба обозначают один и тот же город. Мы добавили проверку через Jev именно для таких ситуаций: при обработке заказов с помощью ИИ и при верификации населенных пунктов в накладных CMR.

При оформлении заказа модель помогает выбрать подходящий вариант из предложенных или оставляет сомнительное совпадение на ручную проверку. При проверке CMR уверенное подтверждение совпадения города снимает флаг *несоответствия населенного пункта*, который иначе потребовал бы внимания. Распознавание документа выполняет отдельный модуль ИИ, а Jev оценивает, совпадают ли названия городов.

Для двух названий городов оценка может выглядеть так:

```json
{
  "input": { "document_place": "Köln", "order_city": "Cologne" },
  "jev_assessment": { "same_city_probability": 0.92 }
}
```

Высокая вероятность совпадения снимает предупреждение о расхождении в названиях. Остальные этапы проверки CMR выполняются независимо.

## Файлы импорта с нестандартными заголовками

Перенос данных в новую систему часто начинается с электронных таблиц. В одном файле столбец называется «регистрационный номер», в другом - «госномер», а в третьем заголовки и вовсе трудно опознать. LiteTMS сначала применяет стандартные правила сопоставления. Если они не дают результата, Jev определяет характер записей в файле и подсказывает, каким полям соответствуют те или иные столбцы.

Подсказки отмечаются как сформированные с помощью ИИ, и пользователь может проверить сопоставление полей перед созданием записей. Мы подключили эту логику к общему мастеру импорта, а также к импорту сделок CRM и грузов. Похожая проверка позволяет распознать контрагента, уже внесенного в базу, даже если его наименование написано иначе, что предотвращает появление дубликатов при высокой степени уверенности модели.

Предположим, в импортируемой таблице по автопарку для регистрационных номеров используется заголовок «Unit ref.», а для внутренних кодов тягачей - «Internal ID». Примеры значений помогают Jev различить эти данные. Если стандартные правила для заголовков не смогли определить поле регистрационного номера, оценка выглядит следующим образом:

```json
{
  "input": {
    "columns": {
      "col_0": { "header": "Unit ref.", "examples": ["WX 4821A", "PO 7619K"] },
      "col_1": { "header": "Internal ID", "examples": ["FLEET-17", "FLEET-42"] }
    },
    "field_to_match": "registration_number"
  },
  "jev_assessment": { "column": "col_0", "probability": 0.93 }
}
```

После этого LiteTMS предлагает использовать первый столбец в качестве регистрационных номеров. Пользователь проверяет это сопоставление перед импортом данных. Если ни один столбец не подходит, Jev выбирает вариант «none» и оставляет поле неназначенным для ручной настройки, не навязывая ошибочных совпадений.

## Быстрая проверка перед переводом сообщений в чате

Иногда сообщение уже написано на языке того, кто его читает. Прежде чем запускать полный перевод в чате, LiteTMS может запросить проверку у Jev. Уверенное совпадение позволяет системе показать исходное сообщение, а при малейших сомнениях оно отправляется по стандартному маршруту перевода. Такой подход снижает риск ошибок: пользователь гарантированно получает перевод, если система не может с уверенностью его пропустить.

Возьмем пример, когда водитель пишет: «Jestem na miejscu, czekam na załadunek» («Я на месте, жду погрузку»). Для пользователя с польским интерфейсом проверка может дать такую оценку:

```json
{
  "input": {
    "message": "Jestem na miejscu, czekam na załadunek.",
    "reader_language": "pl"
  },
  "jev_assessment": { "language": "pl", "probability": 0.96 }
}
```

Определенный язык совпадает с языком пользователя, поэтому LiteTMS может показать оригинал. Для англоязычного пользователя то же сообщение на польском все еще нужно перевести. Короткий ответ вроде «OK» менее показателен: если язык не удается определить наверняка, система использует привычный маршрут перевода.

## Как оценка Jev встроена в LiteTMS

Jev передает в LiteTMS полезный сигнал, но контроль над процессами всегда остается за сотрудниками офиса. Интеграции уже встроены и работают при включенном уровне принятия решений платформы, с учетом настроек компании. Если сервис Jev недоступен, стандартные процессы работы с чатом, документами и импортом продолжают выполняться в штатном режиме.

## Технический разбор: TypeSafe Jev, JSON и Java

Для тех, кто хочет заглянуть под капот, лучше всего начать с отправляемого запроса. Как показано в [руководстве TypeSafe](https://docs.typesafe.ai/introduction/quickstart?utm_source=litetms.eu), запрос содержит `state` (информацию для анализа) и `questions` (сами вопросы для оценки). Вопрос типа `noul` возвращает число от 0 до 1, показывающее вероятность истинности утверждения. Вопрос типа `choice` выбирает один из заданных вариантов, именно так мы определяем категорию сообщения.

Вот отдельный вопрос о необходимости действий с идентификатором модели из нашей интеграции с OpenRouter:

```json
{
  "model": "typesafe/jev-1.13",
  "state": {
    "driver_message": "I have a flat tyre and cannot continue."
  },
  "questions": {
    "needs_action": {
      "type": "noul",
      "instructions": "The dispatcher must act on driver_message today: reply, give instructions, inform the customer or arrange help. Routine updates and thanks need no action."
    }
  }
}
```

Соответствующая часть ответа может выглядеть так:

```json
{
  "answers": {
    "needs_action": {
      "type": "noul",
      "noul": 0.94
    }
  }
}
```

Приложение считывает `answers.needs_action.noul` и применяет правило. Для привлечения внимания к сообщению водителя в LiteTMS задан порог `0.55`. После декодирования JSON ту же проверку на Java можно записать следующим образом:

```java
Double probability = 0.94; // Value from answers.needs_action.noul
boolean needsAttention = probability != null
    && Double.isFinite(probability)
    && probability >= 0.55
    && probability <= 1.0;

if (needsAttention) {
    System.out.println("Flag the message for dispatcher review");
}
```

Код проверяет корректность значения перед сравнением с порогом. В LiteTMS определение категории дополняет правило: неполадка с машиной, требующая вмешательства, также квалифицируется как срочное оповещение. Модель оценивает сообщение, а приложение определяет действие. Если ответ отсутствует, чат работает в обычном режиме.

Пороговое значение зависит от последующего шага. Для подсказки колонок при импорте LiteTMS принимает вариант с вероятностью не менее `0.60`, тогда как для пропуска перевода совпадение языка пользователя должно быть подтверждено минимум на `0.90`. Таким образом, оценка `0.85` достаточна для рекомендации колонки, которую затем проверит человек, но ее не хватит для отмены перевода в чате. Каждое правило учитывает последствия конкретного решения.

## FAQ

### Кто разработал Jev AI?

Компания TypeSafe AI создала Jev как модель класса System One для структурированных решений. LiteTMS интегрирует ее в отдельные рабочие сценарии, такие как анализ сообщений водителей и сопоставление названий населенных пунктов.

### Для чего Jev AI используется в LiteTMS?

Jev подключен к сортировке сообщений водителей, проверке совпадения городов при оформлении заказов и проверке пунктов в CMR, подсказкам при импорте данных и проверке совпадения языков перед переводом в чате. Настройки платформы и компании определяют, активна ли конкретная функция в рабочей среде.

### Отвечает ли Jev водителям и подтверждает ли документы CMR?

Нет. Сервис может лишь отметить сообщение водителя, требующее внимания, и оценить, относятся ли два названия к одному городу. Обработкой сообщения занимается человек, а совпадение городов не означает автоматического подтверждения всей накладной CMR.

### Что происходит, если Jev не уверен в ответе или сервис недоступен?

LiteTMS сохраняет стандартный рабочий процесс. Например, при сомнениях в определении языка запускается обычный перевод в чате, а при неуверенной подсказке для импорта сопоставление колонок передается на ручную проверку.