Jev AI LiteTMS:ssä: mihin olemme valjastaneet sen

Olemme integroineet TypeSafe AI -yrityksen kehittämän Jev-tekoälymallin useisiin LiteTMS-työnkulkuihin. Se auttaa havaitsemaan huomiota vaativat kuljettajien viestit, tarkistamaan, viittaavatko kaksi eri paikannimeä samaan kaupunkiin, ehdottamaan tuontitiedoston sarakkeiden kohdistusta ja välttämään sellaisten viestien kääntämistä, jotka ovat jo vastaanottajan kielellä. Kyse on pienistä kuljetuksenhallintajärjestelmän sisäisistä arvioinneista, ei uudesta toimiston keskustelubotista.

Jos nimi ei ole vielä tuttu, ensimmäinen Jev-artikkelimme avaa sen taustaa. Tekstiä tuottava tekoäly kirjoittaa vastauksen kehotteeseen. Jev puolestaan on suunniteltu vastaamaan rajatumpaan kysymykseen, kuten ”Vaatiiko tämä viesti vastausta?” LiteTMS hyödyntää tätä arviota asianmukaisessa työnkulussa.

Kuljettajan viestit, jotka vaativat tarkempaa huomiota

Kuljettaja voi lähettää rutiinipäivityksen, esittää kysymyksen tai ilmoittaa ongelmasta. Toimiston ei pitäisi joutua käsittelemään jokaista viestiä yhtä kiireellisenä. Olemme lisänneet kuljettajachatiin Jev-tarkistuksen, joka lajittelee saapuvat viestit aiheen mukaan ja arvioi, edellyttääkö tilanne ajojärjestelijältä toimenpiteitä. Se toimii sekä tekstiviestien että puheviestien kanssa heti, kun puhe on litteroitu tekstiksi.

Esimerkiksi viesti ”Kuorma-autosta puhkesi rengas” on aivan eri asia kuin ”Olen saapunut perille”. Toimenpiteitä vaativaksi arvioitu viesti voi nousta huomiota vaativien asioiden näkymään, ja ajoneuvo-ongelma voi myös laukaista kiireellisen ilmoituksen. Toimisto voi edelleen lukea keskustelun, vastata siihen ja kuitata asian käsitellyksi. Jev ei lähetä vastausta kuljettajalle eikä päätä, miten vika tulisi ratkaista.

Rengasrikkoa koskevasta viestistä tehty tekoälyarvio voi näyttää JSON-muodossa tältä:

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

LiteTMS lukee kategorian ja toimenpidetodennäköisyyden. Näin korkeilla pisteillä varustettu ajoneuvo-ongelma voidaan merkitä kiireelliseksi, jotta toimistossa tiedetään reagoida heti.

Paikannimet tilauksissa ja kuljetusasiakirjoissa

Asiakirjassa voi lukea ”Köln”, kun taas tilauksessa lukee ”Cologne”. Kirjaimellinen tekstivertailu näkee kaksi eri sanaa, vaikka molemmat tarkoittavat samaa kaupunkia. Olemme lisänneet Jev-tarkistuksen juuri tähän tarkoitukseen tekoälyavusteisessa tilausten vastaanotossa sekä CMR-asiakirjojen paikkatietojen tarkistuksessa.

Tilausten vastaanotossa se voi auttaa valitsemaan ehdotettujen paikkojen välillä tai jättää epävarman osuman ihmisen tarkistettavaksi. CMR-rahtikirjaa tarkistettaessa varma vastaus samasta kaupungista voi kuitata paikannimien eroavaisuuden, josta muuten tulisi huomautus. Erillinen tekoälyvaihe lukee asiakirjan, ja Jev arvioi, vastaavatko paikannimet toisiaan.

Näiden kahden kaupungin nimen osalta arvio voi näyttää tältä:

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

Korkea saman kaupungin todennäköisyys voi kuitata paikannimien eroavaisuuden. Muut CMR-tarkistuksen osat säilyvät erillisinä.

Tuontitiedostot, joissa on tuntemattomia otsikoita

Tietojen siirtäminen uuteen järjestelmään alkaa usein taulukkolaskentatiedostosta. Yhdessä tiedostossa lukee ”rekisterinumero”, toisessa ”rek.nro” ja kolmannessa otsikot ovat vaikeasti tunnistettavia. LiteTMS käyttää ensisijaisesti tavallisia kohdistussääntöjä. Jos säännöt jättävät aukkoja, Jev voi ehdottaa, minkä tyyppisiä tietueita tiedosto sisältää ja mitkä sarakkeet kuuluvat mihinkin kenttään.

Ehdotukset merkitään tekoälyavusteisiksi, ja tiedostoa tuova henkilö voi tarkistaa kohdistukset ennen tietueiden luomista. Olemme liittäneet tämän toiminnon yleiseen tuontivelhoon sekä CRM-kauppojen ja rahtien tuontiin. Vastaava tarkistus tunnistaa myös yhteistyökumppaniluettelossa jo olevan yrityksen, vaikka sen nimi olisi kirjoitettu eri tavalla. Tämä auttaa välttämään päällekkäisiä merkintöjä, kun osuma on riittävän varma.

Oletetaan, että kalustoluettelossa käytetään rekisterikilville otsikkoa ”Unit ref.” ja yrityksen omille ajoneuvokoodeille otsikkoa ”Internal ID”. Esimerkkiarvot auttavat Jeviä erottamaan nämä kaksi toisistaan. Kun tavanomaiset otsikkosäännöt jättävät rekisterinumerokentän tyhjäksi, arvio voi näyttää tältä:

{
  "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 }
}

LiteTMS voi tämän jälkeen ehdottaa ensimmäistä saraketta rekisterinumeroille. Toimisto tarkistaa kohdistuksen ennen tietueiden tuontia. Jos mikään sarake ei sovi, Jev voi valita vaihtoehdon ”none” ja jättää kentän käyttäjän manuaalisesti kohdistettavaksi sen sijaan, että se pakottaisi osuman.

Pieni tarkistus ennen keskustelun kääntämistä

Joskus viesti on jo valmiiksi kirjoitettu lukijan omalla kielellä. Ennen koko chat-viestin kääntämistä LiteTMS voi pyytää Jeviä tarkistamaan asian. Jos osuma on varma, järjestelmä voi näyttää alkuperäisen viestin. Epävarmassa tapauksessa viesti ohjataan tavalliseen käännösprosessiin. Tämä pitää päätöksenteon selkeänä: lukija saa käännöksen aina, kun järjestelmä ei voi varmuudella ohittaa sitä.

Ajatellaanpa kuljettajaa, joka kirjoittaa: ”Jestem na miejscu, czekam na załadunek” eli ”Olen perillä ja odotan lastausta”. Puolaa käyttävälle lukijalle tarkistus voi tuottaa seuraavan arvion:

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

Tunnistettu kieli vastaa lukijan kieltä, joten LiteTMS voi näyttää alkuperäisen viestin. Englantia käyttävälle lukijalle sama puolankielinen viesti on edelleen käännettävä. Lyhyt vastaus, kuten ”OK”, antaa vähemmän tietoa: jos kieltä ei voida tunnistaa varmasti, käytetään tavanomaista käännösprosessia.

Miten Jev-arviointi asettuu osaksi LiteTMS:ää

Jev antaa LiteTMS:lle hyödyllisen signaalin, mutta toimisto säilyttää aina hallinnan työhön. Integraatiot ovat sisäänrakennettuja ja ne toimivat yrityksen asetusten mukaisesti, kun alustan päätöstaso on aktivoitu. Jos Jev ei ole käytettävissä, tavanomaiset chatin, asiakirjojen ja tiedostojen tuonnin työnkulut jatkuvat normaalisti.

Tekninen katsaus: TypeSafe Jev, JSON ja Java

Niille lukijoille, jotka haluavat tietää mitä taustalla tapahtuu, hyvä lähtökohta on järjestelmän lähettämä kysely. Kuten TypeSafen pikaoppaassa esitetään, pyyntö sisältää tilan (state) eli arvioitavat tiedot sekä kysymykset (questions) eli suoritettavat arvioinnit. noul-tyyppinen kysymys palauttaa luvun väliltä 0 ja 1, mikä kuvaa väittämän todennäköisyyttä. choice-kysymys valitsee nimettyjen vaihtoehtojen välillä, ja sitä käytetään viestin luokan määrittämiseen.

Tässä on toimenpidekysymys erikseen käyttäen OpenRouter-integraatioomme määritettyä mallitunnistetta:

{
  "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."
    }
  }
}

Vastauksen olennainen osa voi näyttää tältä:

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

Sovellus lukee kentän answers.needs_action.noul ja soveltaa sääntöä. LiteTMS käyttää kuljettajan viestien huomiointikynnyksenä arvoa 0.55. JSONin purkamisen jälkeen sama tarkistus voidaan kirjoittaa Javalla:

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");
}

Koodi varmistaa, että arvo on käyttökelpoinen, ennen kuin sitä verrataan kynnysarvoon. LiteTMS:ssä luokka-arviointi täydentää säännön toisen osan: ajoneuvo-ongelma, joka vaatii toimenpiteitä, laukaisee myös kiireellisen hälytyksen. Malli arvioi viestin, sovellus määrittää toimenpiteen. Jos vastaus puuttuu, chatin tavanomainen työnkulku jatkuu.

Kynnysarvo riippuu siitä, mitä seuraavaksi tapahtuu. Tiedoston tuontisarakkeen ehdotuksessa LiteTMS hyväksyy valitun sarakkeen vähintään todennäköisyydellä 0.60. Käännöksen ohittaminen taas edellyttää, että lukijan kieli tunnistetaan vähintään todennäköisyydellä 0.90. Pistemäärä 0.85 voi siis riittää sarakkeen ehdotukseen, jonka ihminen vielä tarkistaa, mutta se ei riitä chatin käännöksen ohittamiseen. Jokainen sääntö heijastaa kyseisen päätöksen seurauksia.

Usein kysytyt kysymykset

Kuka on kehittänyt Jev AI:n?

TypeSafe AI on kehittänyt Jevin System One -malliksi strukturoituun päätöksentekoon. LiteTMS integroi sen tiettyihin työnkulkuihin, kuten kuljettajien viestien arviointiin ja paikkakuntanimien vastaavuuksien tarkistamiseen.

Mihin Jev AI:ta käytetään LiteTMS:ssä?

Jev on kytketty kuljettajien viestien luokitteluun ja kiireellisyyden arviointiin, saman kaupungin tarkistuksiin tilausten vastaanotossa ja CMR-paikkatarkistuksissa, tiedostotuonnin sarake-ehdotuksiin sekä saman kielen tarkistukseen ennen chatin kääntämistä. Alustan ja yrityksen asetukset määrittävät, mitkä yksittäiset toiminnot ovat työtilassa käytössä.

Vastaako Jev kuljettajille tai hyväksyykö se CMR-asiakirjoja?

Ei. Se voi merkitä kuljettajan viestin huomiota vaativaksi ja arvioida, viittaavatko kaksi paikannimeä samaan kaupunkiin. Ihminen käsittelee aina viestin, eikä sama kaupunki -tulos vahvista koko CMR-rahtikirjaa.

Mitä tapahtuu, jos Jev on epävarma tai se ei ole käytettävissä?

LiteTMS säilyttää tavanomaisen työnkulun. Esimerkiksi epävarma kielentunnistus ohjaa viestin tavalliseen chat-käännökseen, kun taas epävarma tuontiehdotus jättää kenttien yhdistämisen ihmisen tarkistettavaksi.