Jev: esplorado de pli rapidaj AI-decidoj en transporto

Ĝisdatigo, 25-a de septembro 2026: Ekde la publikigo de ĉi tiu artikolo, ni efektivigis Jev en pluraj laborfluoj de LiteTMS. Legu Artefarita inteligenteco Jev en LiteTMS: kie ni ekuzis ĝin por praktikaj ekzemploj rilataj al ŝoforaj mesaĝoj, loknomoj, datumimportoj kaj babileja tradukado, kune kun teknika rigardo kun JSON kaj Java.

Jev estas nova evoluo en AI kun alia celo ol la iloj, kiujn multaj homoj unue renkontas. En babilejo kun AI-asistanto, oni faras demandon kaj ricevas skriban respondon, aŭ petas helpon por redakti retmesaĝon. Malantaŭ tiu teksto staras granda lingvomodelo, ofte mallongigita kiel LLM. Jev, prezentita de TypeSafe AI, estas dizajnita por fari rapidajn, strikte difinitajn decidojn ene de programaro anstataŭ generi tekston.

Por transporta entrepreno, tio povus signifi helpi al sistemo rekoni, kiu mesaĝo postulas atenton aŭ kiu kazo devus iri al homo. Ĉe LiteTMS, ni jam testas diversajn scenarojn por vidi, kie ĉi tiu aliro povus fari nian transportadministran sistemon pli utila en la ĉiutaga laboro.

Kion faras Jev, en simplaj vortoj

Imagu ordigan tablon. Informoj alvenas, kaj la programaro devas decidi kien ili apartenas. Jev ricevas tiujn informojn kaj respondas al demandoj per antaŭdifinitaj opcioj, poentaroj aŭ jes/ne-probabloj. Ĝi ne verkas konversacion nek redaktas retmesaĝon. La enkonduko de LangChain klarigas tiun distingon kaj montras, kiel Jev povas funkcii kune kun modeloj generantaj tekston.

Jen ilustra transporta ekzemplo: ŝoforo skribas: "Ankoraŭ ĉe la magazeno. Ili ne komencos ŝarĝadon ĝis morgaŭ." Sistemo povus demandi, ĉu la mesaĝo priskribas prokraston kaj ĉu ĝi bezonas la atenton de la dispeĉero. Jev provizus takson; la ĉirkaŭa programaro decidus, kion fari per ĝi.

TypeSafe nomas tion modelo System One: AI kreita por rapidaj decidoj, kiujn programaro povas uzi rekte. Jev estas en frua aliro. La allogo por ni estas la ebleco enmeti malgrandajn, utilajn taksojn en la laborfluon sen postuli, ke iu malfermu plian babilejon.

Kie ĝi povus helpi en transportoficejo

Ĉi tiuj estas eblaj aplikoj, ne anonco de jam publikigitaj funkcioj de Jev en LiteTMS.

Elstarigi gravajn mesaĝojn

Ŝarĝada prokrasto, ŝanĝita liveradreso kaj rutina alvenkonfirmo postulas malsamajn reagojn. Modelo povus helpi ordigi envenantajn mesaĝojn laŭ temo kaj urĝeco, atentigante la oficejon pri verŝajnaj problemoj. La utila testo estus, ĉu ĝi kaptas gravajn esceptojn sen plenigi la ekranon per nenecesaj avertoj.

Rekoni kazojn, kiuj bezonas klarigon

Supozu, ke mendo enhavas matenan malŝarĝan fenestron, dum posta klienta mesaĝo mencias la posttagmezon. Taksado povus marki eblan konflikton por kontrolado. Ĝi devus direkti la dispeĉeron reen al la koncernaj informoj, lasante la interkonsentitan livertempon neŝanĝita ĝis iu kontrolos ĝin.

Direkti dokumentojn al la ĝusta persono

Post kiam dokumenta teksto estas legita per aparta ilo, Jev povus helpi kategoriigi ĝian enhavon: liverkonfirmo, demando pri kromkosto aŭ plendo. Tio povus helpi direkti laboron al operacioj aŭ administracio. Legi skanitan paĝon kaj decidi, kien apartenas ĝia enhavo, estas apartaj paŝoj; ĉi tiu ekzemplo koncernas la duan.

Elekti kiam homo devas transpreni

Iuj petoj havas klaran sekvan paŝon. Aliaj enhavas nekompletajn informojn aŭ koncernas kontestatan koston. Sistemo povus uzi taksadon por sugesti la taŭgan pritraktan vojon, inkluzive de homa revizio. Utila koncepto faciligus trovi kaj korekti malklarajn kazojn.

Rapidaj respondoj ankoraŭ bezonas kontrolon

TypeSafe raportas pri rapidaj kaj kostaj avantaĝoj ĉe taŭgaj taskoj. Tiuj provizantaj taksoj ne pruvas la gajnojn de transporta kompanio. Garantita responda formato ankaŭ diferencas de ĝusta decido: la modelo ankoraŭ povas elekti la malĝustan opcion.

Por niaj proponitaj transportaj scenaroj tio signifas kontroli maltrafitajn prokrastojn, nenecesajn eskaladojn kaj ambiguajn mesaĝojn, kune kun respondotempo. Ni ankaŭ bezonus taksi, kiom da kunteksto postulas ĉiu decido. "Morgaŭ" signifas malmulton, se al la sistemo mankas la dato de la mesaĝo.

Kial ni testas Jev ĉe LiteTMS

Ni restas ĝisdataj pri novaj teknologioj kaj jam testas diversajn scenarojn, kie Jev povus helpi fari LiteTMS pli inteligenta kaj pli utila por entreprenoj. La supraj ekzemploj priskribas esplorindajn direktojn; ili ne estas listo de finitaj integriĝoj aŭ mezuritaj rezultoj.

Nia celo estas praktika: helpi la oficejon rimarki tion, kio gravas, kaj elspezi malpli da peno por ordigi informojn antaŭ ol ĝi povas agi. Ĉiu apliko devas meriti sian lokon per utilaj rezultoj, klaraj limoj kaj simpla maniero por ke homo povu interveni. Ni konigos konkretajn trovojn dum ĉi tiu laboro evoluos.

Fontoj

• TypeSafe AI: Enkonduko de modeloj System One kaj Jev
• LangChain: Konstruado de kadro kun Jev
• Flavio Copes: Detala rigardo al Jev, la modelo System One de TypeSafe
• heise online: AI-modelo "Jev" por igi maŝinojn decidi pli rapide

Oftaj demandoj

Kion Jev povus fari por transporta kompanio?

Eblaj uzoj inkluzivas ordigon de mesaĝoj, markadon de eblaj konfliktoj en mendaj informoj kaj direktadon de kazoj al la ĝusta persono. Ĉi tiuj estas taksindaj scenaroj, ne garantiitaj rezultoj.

Ĉu Jev jam estas havebla kiel funkcio de LiteTMS?

Ni testas eblajn aplikojn. Ĉi tiu artikolo ne anoncas klientan lanĉon aŭ funkcian daton.

Ĉu Jev farus decidojn anstataŭ dispeĉero?

La scenaroj priskribitaj ĉi tie subtenus la laboron de la dispeĉero per reliefigo de informoj kaj sugestoj pri kiel pritrakti ilin. Ŝanĝoj al funkciaj devontigoj postulus taŭgajn kontrolojn kaj homan kontrolon.