Jev: esplorado de pli rapidaj AI-decidoj en transporto

Jev estas nova evoluo en artefarita intelekto kun malsama celo ol la iloj, kiujn multaj homoj unue renkontas. En babilado kun AI-asistanto, vi faras demandon kaj ricevas skriban respondon, aŭ petas helpon por redakti retpoŝton. Malantaŭ tiu teksto staras granda lingvomodelo, ofte mallongigata kiel LLM. Jev, prezentita de TypeSafe AI, estas desegnita por fari rapidajn, strikte difinitajn decidojn ene de programaro anstataŭ generi tekston.

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

Kion faras Jev, en simplaj vortoj

Imagu ordigejon. Informoj alvenas, kaj la programaro devas decidi, kien ili apartenas. Jev ricevas tiujn informojn kaj respondas demandojn per antaŭdifinitaj opcioj, poentaroj aŭ jes/ne-verŝajnecoj. Ĝi ne verkas konversaciojn nek redaktas retpoŝtojn. La enkonduko de LangChain klarigas ĉi tiun distingon kaj montras, kiel Jev povas funkcii kune kun modeloj, kiuj generas tekston.

Jen ilustra transporta ekzemplo: ŝoforo skribas: „Ankoraŭ ĉe la magazeno. Ili ne komencos ŝarĝi antaŭ morgaŭ.” Sistemo povus demandi, ĉu la mesaĝo priskribas prokraston kaj ĉu ĝi bezonas la atenton de la ekspedisto. Jev provizus takson; la ĉirkaŭa programaro difinus, kion fari per ĝi.

TypeSafe nomas tion modelo de tipo System One: artefarita intelekto konstruita 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 babilfenestron.

Kie ĝi povus helpi transportoficejon

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

Antaŭenigi gravajn mesaĝojn

Ŝarĝoprokrasto, 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.

Rimarki kazojn, kiuj bezonas klarigon

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

Direkti dokumentojn al la ĝusta persono

Post kiam la teksto de dokumento estas legita per aparta ilo, Jev povus helpi kategorigi ĝian enhavon: liverkonfirmo, demando pri kosto aŭ plendo. Tio povus helpi direkti la taskon al operacioj aŭ administrado. Legi skanitan paĝon kaj decidi, kien apartenas ĝia enhavo, estas apartaj paŝoj; ĉi tiu ekzemplo koncernas la duan.

Elekti, kiam homo transprenu la aferon

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

Rapidaj respondoj ankoraŭ bezonas kontrolon

TypeSafe raportas avantaĝojn pri rapideco kaj kosto ĉe taŭgaj taskoj. Tiuj taksadoj de la provizanto ne pruvas la gajnojn de transporta kompanio. Garantiita respondformato 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 la respondtempo. Ni ankaŭ devus 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 igi LiteTMS pli inteligenta kaj pli utila por entreprenoj. La supraj ekzemploj priskribas direktojn esplorindajn; 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 homa interveno. Ni dividos konkretajn rezultojn dum ĉi tiu laboro evoluos.

Fontoj

• TypeSafe AI: Enkonduko al modeloj System One kaj Jev
• LangChain: Konstruado de kadro kun Jev
• Flavio Copes: Profunda rigardo al Jev, modelo System One de TypeSafe
• heise online: AI-modelo "Jev" por pli rapida maŝina decidado

Oftaj demandoj

Kion Jev povus fari por transporta kompanio?

Eblaj uzoj inkluzivas ordigon de mesaĝoj, atentigon pri eblaj konfliktoj en mendinformoj kaj plusendon de taskoj al la ĝusta persono. Ĉi tiuj estas taksindaj scenaroj, ne garantiitaj rezultoj.

Ĉu Jev jam haveblas kiel funkcio en LiteTMS?

Ni testas eblajn aplikojn. Ĉi tiu artikolo ne anoncas version por klientoj nek lanĉdaton.

Ĉu Jev farus decidojn anstataŭ ekspedisto?

La ĉi tie priskribitaj scenaroj subtenus la laboron de la ekspedisto per elstarigo de informoj kaj proponoj pri ilia traktado. Ŝanĝoj en funkciaj devontigoj postulus taŭgajn kontrolojn kaj homan regadon.