Jev AI a LiteTMS-ben: miben és hol segít a mesterséges intelligencia

Beépítettük a Jev-et, a TypeSafe AI mesterségesintelligencia-modelljét a LiteTMS több munkafolyamatába. Segít kiszűrni a figyelmet igénylő gépkocsivezetői üzeneteket, ellenőrzi, hogy két helységnév ugyanarra a városra utal-e, javaslatot tesz az importfájlok értelmezésére, és megelőzi a címzett nyelvén írt üzenetek felesleges fordítását. Ezek célzott mini-értékelések egy fuvarszervező rendszeren belül, nem pedig egy újabb irodai csevegőasszisztens.

Ha a név még ismeretlenül cseng, az első, Jev-ről szóló cikkünk bemutatja az alapelvet. Egy szöveggeneráló MI egy utasításra (promptra) fogalmaz választ. A Jev ezzel szemben egyetlen konkrét kérdés megválaszolására készült, mint például: „Igényel ez az üzenet választ?” A LiteTMS ezt az értékelést használja fel a megfelelő munkafolyamatban.

Kiemelt figyelmet igénylő sofőrüzenetek

A gépkocsivezető küldhet rutinszerű állapotjelentést, feltehet kérdést, vagy bejelenthet problémát. Az irodának nem kellene minden üzenetet azonos sürgősséggel kezelnie. A gépkocsivezetői csevegésbe beépítettünk egy Jev-ellenőrzést, amely témájuk szerint csoportosítja a beérkező üzeneteket, és felméri, hogy a fuvarszervezőnek közbe kell-e lépnie. Ez írott üzenetekkel és a hangüzenetek leiratával egyaránt működik.

Például a „Defektet kapott a teherautó” merőben más, mint a „Megérkeztem”. A teendőt igénylőnek minősített üzenetek kiemelt nézetben jelenhetnek meg, a járműhibák pedig sürgős értesítést is kiválthatnak. Az iroda természetesen továbbra is elolvashatja a beszélgetést, válaszolhat, és elintézettnek jelölheti az ügyet. A Jev nem küld választ a sofőrnek, és nem hoz döntést a meghibásodás elhárításáról sem.

Egy defektről szóló üzenetnél az MI-értékelés JSON formátumban így nézhet ki:

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

A LiteTMS beolvassa a kategóriát és a műveleti valószínűségi értéket. Egy ilyen magas pontszámmal besorolt járműprobléma sürgősként jelenhet meg, így az iroda azonnal tudja, hogy intézkednie kell.

Helységnevek a megbízásokban és a fuvarokmányokban

Egy dokumentumban szerepelhet a „Köln”, miközben a fuvarmegbízáson a „Cologne” áll. A szó szerinti szövegösszehasonlítás két különböző szót lát, holott mindkettő ugyanazt a várost jelöli. Pontosan erre a kérdésre építettünk be egy Jev-ellenőrzést a mesterséges intelligenciával támogatott megbízásrögzítésbe és a CMR-okmányok helységellenőrzésébe.

A megbízások rögzítésekor segíthet választani a felkínált helyszínek közül, vagy felülvizsgálatra jelölheti a bizonytalan egyezést. A CMR ellenőrzése során a biztos egyezés feloldhatja a helységnév-eltérést, amely egyébként figyelmeztetést váltana ki. A dokumentumot egy külön MI-lépés olvassa be, a Jev pedig elbírálja, hogy a helységnevek megegyeznek-e.

A két városnév esetében az értékelés így nézhet ki:

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

A magas egyezési pontszám feloldhatja a helységnév-eltérést. A CMR-ellenőrzés egyéb elemei ettől függetlenek maradnak.

Ismeretlen fejlécű importfájlok

Az adatok átvitele egy új rendszerbe gyakran táblázatokkal kezdődik. Az egyik fájlban „rendszám” szerepel, a másikban „frsz.”, a harmadikban pedig nehezen beazonosítható fejlécek találhatók. A LiteTMS először a szokásos megfeleltetési szabályokat alkalmazza. Ahol ezek hiányosak maradnak, a Jev javaslatot tehet arra, hogy milyen típusú rekordokat tartalmaz a fájl, és melyik oszlop melyik mezőhöz tartozik.

A javaslatokat MI által támogatottként jelöljük meg, és az importálást végző munkatárs a rekordok létrehozása előtt áttekintheti az oszlop-hozzárendeléseket. Ezt a megoldást összekapcsoltuk az általános importáló varázslóval, valamint a CRM-ügyletek és rakományok importálásával is. Egy kapcsolódó ellenőrzés a partnerlistán már szereplő céget az eltérő írásmód ellenére is képes felismerni, ami segít elkerülni a duplikált bejegyzéseket, ha az egyezés kellően biztos.

Tegyük fel, hogy egy importált járműpark-táblázatban a „Unit ref.” oszlopban vannak a forgalmi rendszámok, míg az „Internal ID” oszlopban a vállalat belső járműkódjai. A mintaként vett értékek alapján a Jev meg tudja különböztetni a kettőt. Amikor a szokásos fejlécszabályok üresen hagynák a rendszám mezőt, az értékelés így nézhet ki:

{
  "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 }
}

A LiteTMS ekkor az első oszlopot javasolhatja a rendszámokhoz. Az irodai munkatárs még a rekordok importálása előtt ellenőrzi ezt a hozzárendelést. Ha egyik oszlop sem megfelelő, a Jev a „none” értéket választja, így a mező hozzárendelését a felhasználóra bízza ahelyett, hogy hibás egyezést kényszerítene ki.

Egy gyors ellenőrzés a csevegés fordítása előtt

Előfordul, hogy egy üzenet már eleve az olvasó nyelvén íródott. A teljes csevegésfordítás futtatása előtt a LiteTMS megkérheti a Jevet ennek ellenőrzésére. Magabiztos egyezés esetén a rendszer az eredeti üzenetet jeleníti meg; bizonytalan válasznál pedig a megszokott fordítási útvonalon küldi tovább. Ez szűk keretek között tartja a döntést: az olvasó akkor is megkapja a fordítást, ha a rendszer nem tudja azt teljes bizonyossággal kihagyni.

Vegyünk egy gépjárművezetőt, aki ezt írja: „Jestem na miejscu, czekam na załadunek”, ami azt jelenti: „Megérkeztem, várom a felrakodást”. Egy lengyelül olvasó felhasználó esetén az ellenőrzés a következő értékelést eredményezheti:

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

A felismert nyelv megegyezik az olvasó nyelvével, így a LiteTMS megjelenítheti az eredeti szöveget. Egy angolul olvasó felhasználónál ugyanez a lengyel üzenet továbbra is fordítást igényel. Egy olyan rövid válasz, mint az „OK”, kevésbé informatív: ha a nyelv nem azonosítható magabiztosan, a szokásos fordítási folyamat továbbra is rendelkezésre áll.

Hogyan illeszkedik a Jev értékelése a LiteTMS rendszerébe

A Jev hasznos jelzéseket ad a LiteTMS számára, miközben az iroda kezében marad a munka irányítása. Az integrációk beépítettek, és a platform döntési rétegének aktiválásakor futnak a vállalati beállításoknak megfelelően. Ha a Jev nem érhető el, a megszokott csevegési, dokumentumkezelési és importálási munkafolyamatok zavartalanul folytatódnak.

Technikai áttekintés: TypeSafe Jev, JSON és Java

A mélyebb részletek iránt érdeklődő olvasók számára az általunk elküldött kérés a legkézenfekvőbb kiindulópont. Ahogy a TypeSafe gyorskalauza is bemutatja, egy kérés a vizsgálandó információt tartalmazó state mezőből és az elvégzendő értékeléseket megadó questions részből áll. A noul típusú kérdés egy 0 és 1 közötti számot ad vissza, amely egy állítás teljesülésének valószínűségét jelzi. A choice típusú kérdés megadott opciók közül választ, így kérdezünk rá egy üzenet kategóriájára.

Íme maga a beavatkozást igénylő kérdés, az OpenRouter integrációnkban konfigurált modellazonosító használatával:

{
  "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."
    }
  }
}

A válasz releváns része így nézhet ki:

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

Az alkalmazás beolvassa az answers.needs_action.noul értéket, és alkalmaz egy szabályt. A LiteTMS 0.55-ös beavatkozási küszöbértéket használ a gépjárművezetői üzenetek figyelmet igénylő jelölésére. A JSON dekódolása után ugyanez az ellenőrzés Javában így írható le:

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");
}

A kód ellenőrzi, hogy az érték használható-e, mielőtt összehasonlítaná a küszöbértékkel. A LiteTMS-ben a kategória értékelése adja a szabály másik felét: egy figyelmet igénylő járműprobléma egyúttal sürgős figyelmeztetésnek is minősül. A modell értékeli az üzenetet, az alkalmazás pedig meghatározza a műveletet. Ha a válasz hiányzik, a szokásos csevegési munkafolyamat folytatódik.

A küszöbérték attól függ, hogy mi történik a következő lépésben. Importálási oszlopjavaslatnál a LiteTMS legalább 0.60-as valószínűséggel fogad el egy kiválasztott oszlopot; a fordítás kihagyásához viszont legalább 0.90-es értékkel kell megegyeznie az olvasó nyelvének. Egy 0.85-ös érték tehát elegendő lehet egy ember által ellenőrzendő oszlopjavaslathoz, de nem elég a csevegésfordítás átugrásához. Minden szabály az adott döntés következményét tükrözi.