Jev: nopeampia tekoälypäätöksiä kuljetusalalle

Jev on tekoälyn uusi kehitysaskel, jolla on eri käyttötarkoitus kuin työkaluilla, joihin useimmat ensin törmäävät. Tekoälyavustajan kanssa keskusteltaessa esitetään kysymys ja saadaan kirjallinen vastaus, tai pyydetään apua sähköpostin luonnosteluun. Tekstin taustalla toimii suuri kielimalli, josta käytetään usein lyhennettä LLM. TypeSafe AI:n esittelemä Jev on suunniteltu tekemään nopeita, tarkasti rajattuja päätöksiä ohjelmiston sisällä tekstin tuottamisen sijaan.

Kuljetusliikkeelle tämä voisi tarkoittaa apua sen tunnistamisessa, mikä viesti vaatii huomiota tai mikä tapaus tulisi ohjata ihmiselle. LiteTMS:llä testaamme jo erilaisia skenaarioita nähdäksemme, missä tämä lähestymistapa voisi tehdä kuljetustenhallintajärjestelmästämme entistä hyödyllisemmän arjen työssä.

Mitä Jev tekee selkokielellä

Ajattele lajittelupöytää. Tietoa saapuu, ja ohjelmiston on päätettävä, minne se kuuluu. Jev vastaanottaa kyseisen tiedon ja vastaa kysymyksiin ennalta määritellyillä vaihtoehdoilla, pisteytyksillä tai kyllä/ei-todennäköisyyksillä. Se ei käy keskustelua eikä kirjoita sähköposteja. LangChainin esittely selittää tämän eron ja näyttää, miten Jev voi toimia rinnakkain tekstiä tuottavien mallien kanssa.

Tässä on havainnollistava kuljetusalan esimerkki: kuljettaja kirjoittaa: ”Edelleen varastolla. Lastausta ei aloiteta ennen huomista.” Järjestelmä voisi kysyä, kuvaako viesti viivästystä ja vaatiiko se ajojärjestelijän huomiota. Jev antaisi arvion, ja sitä ympäröivä ohjelmisto päättäisi, mitä asialle tehdään.

TypeSafe kutsuu tätä System One -malliksi: tekoälyksi, joka on rakennettu nopeisiin päätöksiin, joita ohjelmisto voi hyödyntää suoraan. Jev on varhaisessa testivaiheessa. Meille sen houkuttelevuus piilee mahdollisuudessa tuoda pieniä, hyödyllisiä tilannearvioita osaksi työnkulkua ilman, että kenenkään tarvitsee avata uutta keskusteluikkunaa.

Miten se voisi auttaa kuljetustoimistossa

Nämä ovat mahdollisia käyttökohteita, eivät ilmoitus LiteTMS:ään jo julkaistuista Jev-ominaisuuksista.

Tärkeiden viestien nostaminen esiin

Lastausviivästys, muuttunut toimitusosoite ja rutiininomainen saapumisvahvistus vaativat kukin erilaista reagointia. Malli voisi auttaa lajittelemaan saapuvat viestit aiheen ja kiireellisyyden mukaan, jolloin todennäköiset ongelmat saadaan toimiston tietoon. Olennaisin mittari on se, havaitseeko se tärkeät poikkeamat täyttämättä ruutua turhilla hälytyksillä.

Tarkennusta vaativien tapausten havaitseminen

Oletetaan, että tilauksessa on aamupäivän purkuaika, mutta asiakkaan myöhemmässä viestissä mainitaan iltapäivä. Mallin arvio voisi merkitä mahdollisen ristiriidan tarkistettavaksi. Sen tulisi ohjata ajojärjestelijä asiaankuuluvien tietojen äärelle ja jättää sovittu toimitusaika ennalleen, kunnes ihminen on tarkistanut asian.

Asiakirjojen ohjaaminen oikealle henkilölle

Kun toinen työkalu on lukenut asiakirjan tekstin, Jev voisi auttaa luokittelemaan sen sisällön: toimitusvahvistus, veloitusta koskeva kysely tai reklamaatio. Tämä voisi auttaa ohjaamaan tehtävät ajojärjestelyyn tai hallintoon. Skannatun sivun lukeminen ja sen sisällön luokittelu oikeaan paikkaan ovat erillisiä vaiheita; tämä esimerkki koskee jälkimmäistä.

Sen valitseminen, milloin ihmisen tulee ottaa vastuu

Joissakin pyynnöissä seuraava vaihe on selvä. Toisissa tiedot ovat puutteellisia tai ne koskevat kiistanalaista kulua. Järjestelmä voisi käyttää tilannearviota ehdottaakseen sopivaa käsittelytapaa, mukaan lukien ihmisen tekemää tarkistusta. Toimivassa toteutuksessa epävarmat tapaukset on helppo löytää ja korjata.

Nopeat vastaukset vaativat yhä tarkistamista

TypeSafe raportoi nopeus- ja kustannushyödyistä soveltuvissa tehtävissä. Toimittajan omat arviot eivät kuitenkaan vielä kerro kuljetusliikkeen saavuttamista hyödyistä. Taattu vastausmuoto on myös eri asia kuin oikea päätös: malli voi silti valita väärän vaihtoehdon.

Suunnittelemissamme kuljetusalan skenaarioissa tämä tarkoittaa vasteajan lisäksi huomaamatta jääneiden viivästysten, turhien hälytysten ja monitulkintaisten viestien tarkistamista. Meidän olisi myös arvioitava, kuinka paljon taustatietoa kukin päätös vaatii. ”Huomenna” merkitsee vähän, jos järjestelmästä puuttuu viestin lähetyspäivä.

Miksi testaamme Jeviä LiteTMS:llä

Pysymme ajan tasalla uudesta teknologiasta ja testaamme jo useita skenaarioita, joissa Jev voisi auttaa tekemään LiteTMS-järjestelmästä älykkäämmän ja yrityksille hyödyllisemmän. Yllä olevat esimerkit kuvaavat tutkimisen arvoisia suuntia, eivätkä ne ole luettelo valmiista integraatioista tai mitatuista tuloksista.

Tavoitteemme on käytännöllinen: auttaa toimistoa huomaamaan olennaiset asiat ja käyttämään vähemmän vaivaa tiedon lajitteluun ennen toimenpiteisiin ryhtymistä. Jokaisen sovelluksen on ansaittava paikkansa hyödyllisillä tuloksilla, selkeillä rajoilla ja suoraviivaisella mahdollisuudella ihmisen väliintulolle. Jaamme konkreettisia havaintoja työn edetessä.

Lähteet

• TypeSafe AI: System One -mallien ja Jevin esittely
• LangChain: Valjaiden rakentaminen Jevin avulla
• Flavio Copes: Syväsukellus Jeviin, TypeSafen System One -malliin
• heise online: Tekoälymalli ”Jev” nopeuttaa koneiden päätöksentekoa

Usein kysytyt kysymykset

Mitä Jev voisi tehdä kuljetusliikkeelle?

Mahdollisia käyttökohteita ovat viestien lajittelu, tilaustietojen mahdollisten ristiriitojen havaitseminen ja asioiden ohjaaminen oikealle henkilölle. Nämä ovat arvioitavia käyttötapauksia, eivät taattuja lopputuloksia.

Onko Jev jo saatavilla LiteTMS:n ominaisuutena?

Testaamme mahdollisia sovelluskohteita. Tässä artikkelissa ei julkisteta asiakasversiota tai käyttöönottoajankohtaa.

Tekisikö Jev päätöksiä ajojärjestelijän puolesta?

Tässä kuvatut käyttötapaukset tukisivat ajojärjestelijän työtä korostamalla olennaisia tietoja ja ehdottamalla toimintatapoja. Toiminnallisten sitoumusten muutokset vaatisivat asianmukaiset tarkistukset ja ihmisen hallinnan.