Jev AI στο LiteTMS: πού το έχουμε θέσει σε εφαρμογή

Ενσωματώσαμε το Jev, ένα μοντέλο τεχνητής νοημοσύνης από την TypeSafe AI, σε διάφορες ροές εργασίας του LiteTMS. Μπορεί να εντοπίζει μηνύματα οδηγών που απαιτούν προσοχή, να ελέγχει αν δύο τοπωνύμια αναφέρονται στην ίδια πόλη, να προτείνει πώς να αναγνωσθεί ένα αρχείο εισαγωγής και να αποτρέπει τη μετάφραση ενός μηνύματος που είναι ήδη στη γλώσσα του παραλήπτη. Πρόκειται για επιμέρους αξιολογήσεις μέσα σε ένα σύστημα διαχείρισης μεταφορών (TMS), όχι για έναν νέο βοηθό συνομιλίας για το γραφείο.

Αν ακούτε το όνομα για πρώτη φορά, το πρώτο μας άρθρο για το Jev εξηγεί τη βασική ιδέα. Μια γενετική τεχνητή νοημοσύνη κειμένου συντάσσει μια απάντηση σε μια εντολή. Το Jev έχει σχεδιαστεί για να απαντά σε ένα πιο συγκεκριμένο ερώτημα, όπως «Χρειάζεται απάντηση αυτό το μήνυμα;». Στη συνέχεια, το LiteTMS αξιοποιεί αυτή την εκτίμηση στη σχετική ροή εργασίας.

Μηνύματα οδηγών που απαιτούν ιδιαίτερη προσοχή

Ένας οδηγός μπορεί να στείλει μια τυπική ενημέρωση, να κάνει μια ερώτηση ή να αναφέρει ένα πρόβλημα. Το γραφείο δεν θα έπρεπε να αντιμετωπίζει κάθε μήνυμα ως εξίσου επείγον. Στη συνομιλία με τους οδηγούς προσθέσαμε έναν έλεγχο μέσω Jev, ο οποίος ταξινομεί τα εισερχόμενα μηνύματα ανά θέμα και εκτιμά αν ο διαχειριστής χρειάζεται να παρέμβει. Λειτουργεί τόσο με γραπτά μηνύματα όσο και με φωνητικά μηνύματα, αφού προηγουμένως μεταγραφούν σε κείμενο.

Για παράδειγμα, το «Έσκασε το λάστιχο του φορτηγού» διαφέρει από το «Έφτασα». Ένα μήνυμα που κρίνεται ότι απαιτεί ενέργεια μπορεί να εμφανιστεί στην προβολή επισήμανσης, ενώ ένα μηχανικό πρόβλημα του οχήματος μπορεί επίσης να ενεργοποιήσει επείγουσα ειδοποίηση. Το γραφείο κίνησης διατηρεί τη δυνατότητα να διαβάσει τη συνομιλία, να απαντήσει και να επισημάνει το ζήτημα ως διευθετημένο. Το Jev δεν στέλνει απάντηση στον οδηγό ούτε αποφασίζει πώς θα επιλυθεί η βλάβη.

Για ένα μήνυμα σχετικά με σκασμένο ελαστικό, η αξιολόγηση της τεχνητής νοημοσύνης μπορεί να εμφανίζεται σε μορφή JSON ως εξής:

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

Το LiteTMS διαβάζει την κατηγορία και τη βαθμολογία ανάγκης ενεργειών. Ένα πρόβλημα οχήματος με τόσο υψηλή βαθμολογία μπορεί να εμφανιστεί ως επείγον, ώστε το γραφείο να γνωρίζει ότι πρέπει να ανταποκριθεί.

Τοπωνύμια σε παραγγελίες και παραστατικά μεταφοράς

Ένα έγγραφο μπορεί να αναφέρει «Köln», ενώ η παραγγελία μεταφοράς «Cologne». Μια κατά λέξη σύγκριση κειμένου βλέπει δύο διαφορετικές λέξεις, παρόλο που και οι δύο αναφέρονται στην ίδια πόλη. Προσθέσαμε έναν έλεγχο Jev για αυτό ακριβώς το ζήτημα στην καταχώριση παραγγελιών με υποστήριξη AI και στους ελέγχους τοποθεσιών για έγγραφα CMR.

Κατά την καταχώριση παραγγελιών, μπορεί να βοηθήσει στην επιλογή ανάμεσα σε προτεινόμενες τοποθεσίες ή να αφήσει μια αβέβαιη αντιστοίχιση για έλεγχο. Κατά τον έλεγχο ενός CMR, μια απάντηση υψηλής βεβαιότητας για ταύτιση της πόλης μπορεί να επιλύσει μια ασυμφωνία τοπωνυμίου που διαφορετικά θα επισημαινόταν ως σφάλμα. Ένα ξεχωριστό στάδιο AI διαβάζει το έγγραφο, και το Jev κρίνει αν τα τοπωνύμια ταυτίζονται.

Για τα δύο ονόματα πόλεων, η αξιολόγηση μπορεί να έχει την εξής μορφή:

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

Η υψηλή βαθμολογία ταύτισης πόλης μπορεί να εξαλείψει την ασυμφωνία τοπωνυμίου. Τα υπόλοιπα σημεία του ελέγχου CMR παραμένουν ανεξάρτητα.

Αρχεία εισαγωγής με άγνωστες επικεφαλίδες

Η μεταφορά δεδομένων σε ένα νέο σύστημα ξεκινά συχνά με ένα υπολογιστικό φύλλο. Ένα αρχείο αναφέρει «registration number», ένα άλλο «plate», ενώ ένα τρίτο έχει επικεφαλίδες που δύσκολα αναγνωρίζονται. Το LiteTMS εφαρμόζει αρχικά τους συνήθεις κανόνες αντιστοίχισης. Όπου αυτοί οι κανόνες αφήνουν κενά, το Jev μπορεί να προτείνει τι είδους εγγραφές περιέχει το αρχείο και ποιες στήλες αντιστοιχούν σε ποια πεδία.

Οι προτάσεις επισημαίνονται ως υποστηριζόμενες από AI, και ο χρήστης που εισάγει το αρχείο μπορεί να ελέγξει την αντιστοίχιση πριν από τη δημιουργία των εγγραφών. Έχουμε συνδέσει αυτή την προσέγγιση με τον γενικό οδηγό εισαγωγής, καθώς και με τις εισαγωγές συμφωνιών CRM και φορτίων. Ένας συναφής έλεγχος μπορεί να αναγνωρίσει μια εταιρεία που υπάρχει ήδη στη λίστα συνεργατών παρά τη διαφορετική γραφή, αποτρέποντας διπλότυπες καταχωρίσεις όταν η βεβαιότητα της ταύτισης είναι επαρκής.

Ας υποθέσουμε ότι ένα εισαγόμενο υπολογιστικό φύλλο στόλου χρησιμοποιεί το «Unit ref.» για πινακίδες κυκλοφορίας και το «Internal ID» για τους εσωτερικούς κωδικούς οχημάτων της εταιρείας. Οι ενδεικτικές τιμές βοηθούν το Jev να διακρίνει τα δύο πεδία. Όταν οι συνήθεις κανόνες επικεφαλίδων αφήνουν κενό το πεδίο της πινακίδας, η αξιολόγηση μπορεί να είναι η εξής:

{
  "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 }
}

Το LiteTMS μπορεί τότε να προτείνει την πρώτη στήλη για τους αριθμούς κυκλοφορίας. Το γραφείο ελέγχει αυτή την αντιστοίχιση πριν από την εισαγωγή των εγγραφών. Αν καμία στήλη δεν ταιριάζει, το Jev μπορεί να επιλέξει «none», αφήνοντας το πεδίο προς χειροκίνητη αντιστοίχιση από τον χρήστη αντί να επιβάλει μια αναγκαστική σύζευξη.

Ένας γρήγορος έλεγχος πριν από τη μετάφραση συνομιλίας

Μερικές φορές ένα μήνυμα είναι ήδη γραμμένο στη γλώσσα του ατόμου που το διαβάζει. Πριν εκτελέσει μια πλήρη μετάφραση συνομιλίας, το LiteTMS μπορεί να ζητήσει από το Jev να το ελέγξει. Μια αξιόπιστη αντιστοίχιση επιτρέπει στο σύστημα να εμφανίσει το αρχικό μήνυμα, ενώ μια αβέβαιη απάντηση το στέλνει μέσω της συνήθους διαδικασίας μετάφρασης. Αυτό διατηρεί την απόφαση αυστηρά οριοθετημένη: ο αναγνώστης εξακολουθεί να λαμβάνει τη μετάφραση όταν το σύστημα δεν μπορεί να την παραλείψει με βεβαιότητα.

Ας πάρουμε έναν οδηγό που γράφει «Jestem na miejscu, czekam na załadunek», που σημαίνει «Έφτασα και περιμένω για φόρτωση». Για έναν αναγνώστη που χρησιμοποιεί πολωνικά, ο έλεγχος μπορεί να δώσει αυτή την αξιολόγηση:

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

Η γλώσσα που εντοπίστηκε ταιριάζει με τη γλώσσα του αναγνώστη, οπότε το LiteTMS μπορεί να εμφανίσει το αρχικό μήνυμα. Για έναν αναγνώστη που χρησιμοποιεί αγγλικά, το ίδιο πολωνικό μήνυμα εξακολουθεί να χρειάζεται μετάφραση. Μια σύντομη απάντηση όπως «OK» είναι λιγότερο διαφωτιστική: όταν η γλώσσα δεν μπορεί να αναγνωριστεί με βεβαιότητα, η συνήθης διαδικασία μετάφρασης παραμένει διαθέσιμη.

Πώς εντάσσεται η αξιολόγηση του Jev στο LiteTMS

Το Jev παρέχει στο LiteTMS ένα χρήσιμο σήμα, ενώ το γραφείο διατηρεί τον έλεγχο της εργασίας. Οι ενσωματώσεις είναι ενσωματωμένες και εκτελούνται όταν ενεργοποιείται το επίπεδο αποφάσεων της πλατφόρμας, σύμφωνα με τις ρυθμίσεις της εταιρείας. Εάν το Jev δεν είναι διαθέσιμο, οι συνήθεις ροές εργασίας για συνομιλίες, έγγραφα και εισαγωγές συνεχίζονται κανονικά.

Μια τεχνική ματιά: TypeSafe Jev, JSON και Java

Για τους αναγνώστες που θέλουν να δουν τι συμβαίνει στο παρασκήνιο, το χρήσιμο σημείο εκκίνησης είναι το ερώτημα που στέλνουμε. Όπως δείχνει ο οδηγός γρήγορης εκκίνησης της TypeSafe, ένα αίτημα περιέχει το state, δηλαδή τις πληροφορίες προς αξιολόγηση, και τα questions, δηλαδή τις αξιολογήσεις που πρέπει να γίνουν. Ένα ερώτημα τύπου noul επιστρέφει έναν αριθμό μεταξύ 0 και 1 που αντιπροσωπεύει την πιθανότητα να ισχύει μια δήλωση. Ένα ερώτημα τύπου choice επιλέγει μεταξύ επώνυμων επιλογών, όπως ρωτάμε για την κατηγορία ενός μηνύματος.

Εδώ είναι το ερώτημα ενέργειας από μόνο του, χρησιμοποιώντας το αναγνωριστικό μοντέλου που έχει ρυθμιστεί στην ενσωμάτωσή μας με το OpenRouter:

{
  "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."
    }
  }
}

Το σχετικό μέρος της απόκρισης μπορεί να μοιάζει με αυτό:

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

Η εφαρμογή διαβάζει το answers.needs_action.noul και εφαρμόζει έναν κανόνα. Το LiteTMS χρησιμοποιεί ένα όριο ενεργειών 0.55 για επισήμανση προσοχής σε μηνύματα οδηγών. Μετά την αποκωδικοποίηση του JSON, ο ίδιος έλεγχος μπορεί να γραφτεί σε 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");
}

Ο κώδικας ελέγχει ότι η τιμή είναι αξιοποιήσιμη πριν τη συγκρίνει με το όριο. Στο LiteTMS, η αξιολόγηση κατηγορίας παρέχει το άλλο μέρος του κανόνα: ένα πρόβλημα οχήματος που απαιτεί προσοχή χαρακτηρίζεται επίσης ως επείγουσα ειδοποίηση. Το μοντέλο αξιολογεί το μήνυμα, η εφαρμογή ορίζει την ενέργεια. Εάν η απάντηση λείπει, συνεχίζεται η κανονική ροή εργασίας συνομιλίας.

Το όριο εξαρτάται από το τι ακολουθεί. Για μια πρόταση στήλης εισαγωγής, το LiteTMS αποδέχεται μια επιλεγμένη στήλη με πιθανότητα τουλάχιστον 0.60. Η παράλειψη μετάφρασης απαιτεί η γλώσσα του αναγνώστη να επιλεγεί με τουλάχιστον 0.90. Ένα σκορ 0.85 μπορεί επομένως να υποστηρίξει μια πρόταση στήλης που ελέγχεται από άνθρωπο, αλλά δεν επαρκεί για την παράλειψη της μετάφρασης συνομιλίας. Κάθε κανόνας αντικατοπτρίζει τις συνέπειες της συγκεκριμένης απόφασης.

Συχνές ερωτήσεις

Ποιος ανέπτυξε το Jev AI;

Η TypeSafe AI ανέπτυξε το Jev ως μοντέλο System One για δομημένες αποφάσεις. Το LiteTMS το ενσωματώνει σε συγκεκριμένες ροές εργασίας, όπως η αξιολόγηση μηνυμάτων οδηγών και η αντιστοίχιση ονομάτων τοποθεσιών.

Σε τι χρησιμοποιείται το Jev AI στο LiteTMS;

Το Jev συνδέεται με τη διαλογή μηνυμάτων οδηγών, τους ελέγχους ίδιας πόλης στην καταχώριση παραγγελιών και τους ελέγχους τοποθεσίας CMR, τις προτάσεις εισαγωγής και τον έλεγχο ίδιας γλώσσας πριν από τη μετάφραση συνομιλίας. Οι ρυθμίσεις πλατφόρμας και εταιρείας καθορίζουν εάν μια μεμονωμένη λειτουργία είναι ενεργή σε έναν χώρο εργασίας.

Απαντά το Jev στους οδηγούς ή εγκρίνει έγγραφα CMR;

Όχι. Μπορεί να επισημάνει ένα μήνυμα οδηγού για προσοχή και να αξιολογήσει αν δύο ονόματα τοποθεσιών αναφέρονται στην ίδια πόλη. Ένας άνθρωπος χειρίζεται το μήνυμα, και ένα αποτέλεσμα ίδιας πόλης δεν επικυρώνει ολόκληρο το έγγραφο CMR.

Τι συμβαίνει εάν το Jev είναι αβέβαιο ή μη διαθέσιμο;

Το LiteTMS διατηρεί την υπάρχουσα ροή εργασίας. Για παράδειγμα, ένας αβέβαιος έλεγχος γλώσσας χρησιμοποιεί την κανονική διαδικασία μετάφρασης συνομιλίας, ενώ μια αβέβαιη πρόταση εισαγωγής αφήνει την αντιστοίχιση σε έναν άνθρωπο για έλεγχο.