Jev er en ny udvikling inden for AI med et andet formål end de værktøjer, de fleste først stifter bekendtskab med. I en chat med en AI-assistent stiller man et spørgsmål og får et skriftligt svar, eller beder om hjælp til at udforme en e-mail. Bag den tekst ligger en stor sprogmodel, ofte forkortet til LLM. Jev, som er lanceret af TypeSafe AI, er udviklet til at træffe hurtige, snævert definerede beslutninger inde i softwaren frem for at generere tekst.
For en transportvirksomhed kan det betyde hjælp til, at et system genkender, hvilken besked der kræver opmærksomhed, eller hvilken sag der bør sendes videre til en medarbejder. Hos LiteTMS tester vi allerede forskellige scenarier for at se, hvor denne tilgang kan gøre vores transport management system mere nyttigt i det daglige arbejde.
Hvad Jev gør, forklaret i almindeligt sprog
Forestil dig et sorteringsbord. Information ankommer, og softwaren skal beslutte, hvor den hører til. Jev modtager denne information og besvarer spørgsmål med foruddefinerede svarmuligheder, scores eller ja/nej-sandsynligheder. Modellen skriver ikke en samtale og forfatter ikke en e-mail. LangChains introduktion forklarer denne forskel og viser, hvordan Jev kan fungere side om side med modeller, der genererer tekst.
Her er et illustrativt transporteksempel: En chauffør skriver: »Stadig på lageret. De begynder først at læsse i morgen.« Et system kunne spørge, om beskeden beskriver en forsinkelse, og om den kræver disponentens opmærksomhed. Jev leverer en vurdering, hvorefter den omkringliggende software afgør, hvad der skal ske med den.
TypeSafe kalder dette en System One-model: AI bygget til hurtige beslutninger, som software kan bruge direkte. Jev er i tidlig adgang. Det interessante for os er muligheden for at lægge små, nyttige vurderinger ind i arbejdsgangene uden at kræve, at nogen åbner endnu en chat.
Hvor det kan hjælpe på et transportkontor
Dette er potentielle anvendelsesmuligheder, ikke en annoncering af frigivne Jev-funktioner i LiteTMS.
Fremhævelse af vigtige beskeder
En forsinkelse ved læsning, en ændret leveringsadresse og en rutinemæssig ankomstbekræftelse kræver forskellige reaktioner. En model kan hjælpe med at sortere indgående beskeder efter emne og hastegrad og henlede kontorets opmærksomhed på sandsynlige problemer. Den reelle test vil være, om den fanger vigtige afvigelser uden at fylde skærmen med unødvendige advarsler.
Identifikation af sager, der kræver afklaring
Forestil dig, at en ordre indeholder et tidsvindue for aflæsning om formiddagen, mens en senere kundebesked nævner eftermiddagen. En vurdering kan markere en mulig konflikt til gennemsyn. Den bør henvise disponenten til de relevante oplysninger og lade den aftalte leveringstid forblive uændret, indtil en medarbejder kontrollerer det.
Fordeling af dokumenter til den rette person
Når teksten i et dokument er blevet indlæst af et særskilt værktøj, kan Jev hjælpe med at kategorisere indholdet: en leveringsbekræftelse, en forespørgsel om et gebyr eller en reklamation. Det kan hjælpe med at fordele opgaverne til drift eller administration. At aflæse en indscannet side og at beslutte, hvor indholdet hører til, er to adskilte trin; dette eksempel vedrører det andet trin.
Valg af, hvornår et menneske skal tage over
Nogle henvendelser har et klart næste trin. Andre indeholder ufuldstændige oplysninger eller vedrører en omstridt omkostning. Et system kan bruge en vurdering til at foreslå den rette arbejdsgang, herunder manuel gennemgang. En hensigtsmæssig opbygning vil gøre det let at finde og rette tvivlstilfælde.
Hurtige svar kræver stadig kontrol
TypeSafe rapporterer om fordele i hastighed og omkostninger ved egnede opgaver. Disse leverandørevalueringer er dog ikke et bevis for en transportvirksomheds gevinster. Et garanteret svarformat er heller ikke det samme som en korrekt beslutning: Modellen kan stadig vælge den forkerte svarmulighed.
For vores foreslåede transportscenarier betyder det kontrol af oversete forsinkelser, unødige eskaleringer og tvetydige beskeder sideløbende med svartiden. Vi er også nødt til at vurdere, hvor meget kontekst hver beslutning kræver. »I morgen« giver ikke megen mening, hvis systemet mangler beskedens dato.
Hvorfor vi tester Jev hos LiteTMS
Vi holder os opdateret med ny teknologi og tester allerede forskellige scenarier, hvor Jev kan hjælpe med at gøre LiteTMS mere intelligent og nyttigt for virksomheder. Ovenstående eksempler beskriver retninger, der er værd at udforske; de er ikke en liste over færdige integrationer eller målte resultater.
Vores mål er praktisk: at hjælpe kontoret med at bemærke det vigtige og bruge færre kræfter på at sortere information, før der kan handles. Enhver anvendelse skal gøre sig fortjent til sin plads gennem nyttige resultater, klare grænser og en enkel måde, hvorpå en medarbejder kan gribe ind. Vi vil dele konkrete erfaringer, efterhånden som arbejdet skrider frem.
Kilder
Ofte stillede spørgsmål
- Hvad ville Jev kunne gøre for en transportvirksomhed?
- Potentielle anvendelser omfatter sortering af beskeder, markering af mulige uoverensstemmelser i ordreoplysninger og videredirigering af sager til den rette person. Dette er scenarier, der skal vurderes, ikke garanterede resultater.
- Er Jev allerede tilgængelig som en funktion i LiteTMS?
- Vi tester mulige anvendelser. Denne artikel annoncerer hverken en lancering til kunder eller en fastsat udrulningsdato.
- Ville Jev træffe beslutninger i stedet for en disponent?
- De scenarier, der beskrives her, vil støtte disponentens arbejde ved at fremhæve oplysninger og foreslå, hvordan de kan håndteres. Ændringer i driftsmæssige forpligtelser vil kræve passende kontrol og menneskelig styring.
Hold kontakten
Gør plads til bedre læsning.
Vælg LiteTMS som foretrukken kilde for at se flere af vores artikler på Google.
Vælg LiteTMS på GoogleBekræft dit valg på Google · Åbner i en ny fane