Jev: istraživanje bržeg donošenja AI odluka u prijevozu

Jev je novi tehnološki iskorak u području umjetne inteligencije s drugačijom svrhom od alata s kojima se većina ljudi prvo susretne. U razgovoru s AI asistentom postavite pitanje i dobijete pisani odgovor ili zatražite pomoć pri sastavljanju e-poruke. Iza tog teksta stoji veliki jezični model, često skraćeno LLM. Jev, koji je predstavio TypeSafe AI, osmišljen je za donošenje brzih, usko definiranih odluka unutar softvera, a ne za generiranje teksta.

Za prijevozničku tvrtku to bi moglo značiti pomoć sustavu u prepoznavanju poruka koje zahtijevaju pozornost ili predmeta koje treba preusmjeriti djelatniku. U LiteTMS-u već testiramo različite scenarije kako bismo vidjeli gdje bi ovaj pristup mogao naš sustav za upravljanje prijevozom učiniti korisnijim u svakodnevnom radu.

Što Jev radi, jednostavnim jezikom

Zamislite radni stol za razvrstavanje pošte. Informacije pristižu, a softver mora odlučiti kamo pripadaju. Jev prima te informacije i odgovara na pitanja s unaprijed definiranim opcijama, ocjenama ili vjerojatnostima tipa da/ne. On ne vodi razgovor niti sastavlja e-poruke. LangChainov uvodni članak objašnjava tu razliku i pokazuje kako Jev može funkcionirati uz modele koji generiraju tekst.

Evo ilustrativnog primjera iz prijevoza: vozač napiše: „Još sam u skladištu. Neće početi utovar do sutra.” Sustav bi mogao postaviti pitanje opisuje li poruka kašnjenje i zahtijeva li pozornost dispečera. Jev bi dao procjenu, a prateći softver odredio bi što s njom učiniti.

TypeSafe to naziva modelom Sustava jedan: umjetna inteligencija stvorena za brze odluke koje softver može izravno upotrijebiti. Jev je u fazi ranog pristupa. Za nas je privlačna mogućnost uvođenja malih, korisnih procjena u radni tijek bez potrebe da netko otvara novi prozor za razgovor.

Gdje bi mogao pomoći transportnom uredu

Ovo su potencijalne primjene, a ne najava objavljenih funkcionalnosti sustava Jev u LiteTMS-u.

Izdvajanje važnih poruka

Kašnjenje utovara, promijenjena adresa isporuke i rutinska potvrda dolaska zahtijevaju različite reakcije. Model bi mogao pomoći u razvrstavanju dolaznih poruka prema temi i hitnosti, skrećući pozornost ureda na vjerojatne probleme. Pravi test bit će prepoznaje li sustav važne iznimke bez pretrpavanja zaslona nepotrebnim upozorenjima.

Uočavanje slučajeva koji zahtijevaju pojašnjenje

Pretpostavimo da nalog sadrži jutarnji termin istovara, dok kasnija poruka klijenta spominje poslijepodne. Procjena bi mogla označiti potencijalno neslaganje za provjeru. Trebala bi dispečera usmjeriti na relevantne informacije, ostavljajući dogovoreno vrijeme isporuke nepromijenjenim dok ga netko ne provjeri.

Usmjeravanje dokumentacije pravoj osobi

Nakon što zaseban alat očita tekst dokumenta, Jev bi mogao pomoći u kategorizaciji njegova sadržaja: potvrda o isporuci, upit o trošku ili reklamacija. To bi moglo pomoći u usmjeravanju zadatka prema operativi ili administraciji. Očitavanje skenirane stranice i odlučivanje kamo njezin sadržaj pripada zasebni su koraci; ovaj se primjer odnosi na drugi.

Određivanje trenutka kada čovjek treba preuzeti obradu

Neki zahtjevi imaju jasan sljedeći korak. Drugi sadrže nepotpune informacije ili se odnose na sporni trošak. Sustav bi mogao upotrijebiti procjenu kako bi predložio odgovarajući postupak obrade, uključujući provjeru od strane djelatnika. Korisno rješenje omogućilo bi jednostavno pronalaženje i ispravljanje nejasnih slučajeva.

Brzi odgovori i dalje zahtijevaju provjeru

TypeSafe navodi prednosti u brzini i troškovima pri prikladnim zadacima. Te procjene proizvođača ne jamče dobitke za prijevozničku tvrtku. Također, zajamčeni format odgovora ne znači i točnu odluku: model i dalje može odabrati pogrešnu opciju.

Za predložene scenarije u prijevozu to znači provjeru propuštenih kašnjenja, nepotrebnih eskalacija i dvosmislenih poruka, uz samo vrijeme odziva. Također bismo morali procijeniti koliko je konteksta potrebno za svaku odluku. Riječ „sutra” malo znači ako sustav nema datum slanja poruke.

Zašto testiramo Jev u LiteTMS-u

Pratimo nove tehnologije i već testiramo različite scenarije u kojima bi Jev mogao pomoći da LiteTMS postane pametniji i korisniji za poslovanje. Navedeni primjeri opisuju smjerove koje vrijedi istražiti; to nije popis dovršenih integracija niti izmjerenih rezultata.

Naš je cilj praktičan: pomoći uredu da uoči ono što je važno i uloži manje truda u razvrstavanje informacija prije nego što može djelovati. Svaka primjena mora opravdati svoje mjesto korisnim rezultatima, jasnim granicama i jednostavnim načinom na koji se čovjek može uključiti. Podijelit ćemo konkretne nalaze kako se ovaj rad bude razvijao.

Izvori

• TypeSafe AI: Predstavljamo modele sustava 1 i Jev
• LangChain: Izrada okvira uz Jev
• Flavio Copes: Detaljan uvid u Jev, TypeSafeov model sustava 1
• heise online: AI model „Jev” za brže donošenje odluka strojeva

Česta pitanja

Što bi Jev mogao učiniti za prijevozničku tvrtku?

Potencijalne primjene uključuju razvrstavanje poruka, označavanje mogućih proturječja u podacima o nalozima i usmjeravanje predmeta pravoj osobi. To su scenariji za procjenu, a ne zajamčeni ishodi.

Je li Jev već dostupan kao funkcija u sustavu LiteTMS?

Testiramo moguće primjene. Ovaj članak ne najavljuje izdavanje verzije za korisnike niti datum uvođenja.

Bi li Jev donosio odluke umjesto dispečera?

Ovdje opisani scenariji služili bi kao podrška radu dispečera isticanjem informacija i predlaganjem načina postupanja. Promjene operativnih obveza i dalje bi zahtijevale odgovarajuće provjere i ljudski nadzor.