Jev AI sistēmā LiteTMS: kur esam to ieviesuši darbā

Esam integrējuši Jev, mākslīgā intelekta modeli no TypeSafe AI, vairākās LiteTMS darba plūsmās. Tas palīdz pamanīt vadītāju ziņas, kurām nepieciešama uzmanība, pārbaudīt, vai divi vietu nosaukumi attiecas uz vienu un to pašu pilsētu, ieteikt, kā nolasīt importēto failu, un izvairīties no tādu ziņu tulkošanas, kas jau ir lasītāja valodā. Tie ir nelieli novērtējumi transporta vadības sistēmā, nevis jauns tērzēšanas asistents birojam.

Ja šis nosaukums jums vēl nav pazīstams, mūsu pirmais raksts par Jev izskaidro šo ieceri. Tekstu ģenerējošs MI veido atbildi uz uzdoto vaicājumu. Jev ir izstrādāts, lai atbildētu uz šaurāku jautājumu, piemēram: "Vai uz šo ziņu ir jāatbild?" Pēc tam LiteTMS izmanto šo novērtējumu attiecīgajā darba plūsmā.

Vadītāju ziņas, kurām vērts pievērst uzmanību

Vadītājs var nosūtīt kārtējo statusa ziņojumu, uzdot jautājumu vai ziņot par problēmu. Birojam nevajadzētu visas ziņas uzskatīt par vienlīdz steidzamām. Vadītāju sarakstē esam pievienojuši Jev pārbaudi, kas sašķiro ienākošās ziņas pēc temata un novērtē, vai dispečeram ir jārīkojas. Tā spēj apstrādāt gan rakstītas ziņas, gan balss ziņas pēc to runas transkripcijas.

Piemēram, ziņa "Kravas auto ir pārdurta riepa" atšķiras no "Esmu klāt". Ziņa, kas novērtēta kā rīcību prasoša, var parādīties uzmanības skatā, savukārt transportlīdzekļa problēma var izraisīt arī steidzamu paziņojumu. Birojs joprojām var lasīt saraksti, atbildēt un atzīmēt jautājumu kā nokārtotu. Jev nenosūta atbildi vadītājam un nepieņem lēmumu par to, kā novērst bojājumu.

Ziņai par pārdurtu riepu MI novērtējums JSON formātā var izskatīties šādi:

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

LiteTMS nolasa kategoriju un rīcības nepieciešamības rādītāju. Transportlīdzekļa problēma ar tik augstu rādītāju var tikt parādīta kā steidzama, lai birojs zinātu, ka ir jāreaģē.

Vietu nosaukumi pasūtījumos un transporta dokumentos

Dokumentā var būt rakstīts "Köln", bet pasūtījumā - "Cologne". Burtisks teksta salīdzinājums uzrāda divus dažādus vārdus, lai gan abi apzīmē vienu un to pašu pilsētu. Esam pievienojuši Jev pārbaudi tieši šim jautājumam MI atbalstītajā pasūtījumu ievadē un vietu pārbaudēs CMR dokumentos.

Pasūtījumu ievades laikā tas var palīdzēt izvēlēties starp ieteiktajām vietām vai atstāt neskaidru atbilstību pārskatīšanai. Pārbaudot CMR, pārliecinoša atbilde par vienu un to pašu pilsētu var novērst brīdinājumu par vietvārdu neatbilstību, kas pretējā gadījumā tiktu atzīmēta. Atsevišķs MI posms nolasa dokumentu, savukārt Jev novērtē, vai vietu nosaukumi sakrīt.

Šo divu pilsētu nosaukumu gadījumā novērtējums var izskatīties šādi:

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

Augstais vienas pilsētas rādītājs var noņemt vietvārdu neatbilstības brīdinājumu. Pārējās CMR pārbaudes daļas paliek nodalītas.

Importējamie faili ar nepazīstamiem kolonnu virsrakstiem

Datu pārcelšana uz jaunu sistēmu bieži sākas ar izklājlapu. Vienā failā ir norādīts "registration number", citā - "plate", bet trešajā kolonnu virsrakstus ir grūti atpazīt. LiteTMS vispirms izmanto standarta salīdzināšanas noteikumus. Ja šie noteikumi atstāj nepilnības, Jev var ieteikt, kāda veida ierakstus fails satur un kuras kolonnas atbilst kuriem laukiem.

Ieteikumi tiek atzīmēti kā MI atbalstīti, un persona, kas importē failu, var pārskatīt lauku sasaisti pirms ierakstu izveides. Šo pieeju esam piesaistījuši vispārīgajam importēšanas vednim, kā arī CRM darījumu un kravu importam. Līdzīga pārbaude spēj atpazīt uzņēmumu, kas jau ir partneru sarakstā, neraugoties uz atšķirīgu rakstību, palīdzot izvairīties no dublētiem ierakstiem, ja atbilstības ticamība ir pietiekami augsta.

Pieņemsim, ka importētajā autoparka izklājlapā reģistrācijas numuriem tiek izmantots "Unit ref.", bet uzņēmuma iekšējiem transportlīdzekļu kodiem - "Internal ID". Paraugu vērtības palīdz Jev tos savstarpēji atšķirt. Kad parastie virsrakstu noteikumi atstāj reģistrācijas numura lauku tukšu, novērtējums var izskatīties šādi:

{
  "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 tad var ieteikt pirmo kolonnu reģistrācijas numuriem. Birojs pārskata šo sasaisti pirms ierakstu importēšanas. Ja neviena kolonna neatbilst, Jev var izvēlēties "none", atstājot lauka piesaisti lietotāja ziņā, nevis mēģinot piespiest neatbilstošu sakritību.

Neliela pārbaude pirms sarakstes tulkošanas

Dažkārt ziņojums jau ir uzrakstīts lasītāja valodā. Pirms veikt pilnu tērzēšanas tulkošanu, LiteTMS var aicināt Jev to pārbaudīt. Pārliecinoša atbilstība ļauj sistēmai parādīt oriģinālo ziņojumu, savukārt neskaidra atbilde novirza to pa ierasto tulkošanas ceļu. Tas nodrošina piesardzīgu lēmumu pieņemšanu: lasītājs joprojām saņem tulkojumu, ja sistēma nevar ar pārliecību to izlaist.

Piemēram, vadītājs raksta: “Jestem na miejscu, czekam na załadunek”, kas nozīmē “Esmu vietā, gaidu iekraušanu”. Lasītājam, kurš lieto poļu valodu, pārbaude var sniegt šādu novērtējumu:

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

Noteiktā valoda atbilst lasītāja valodai, tāpēc LiteTMS var parādīt oriģinālu. Lasītājam, kurš lieto angļu valodu, šim pašam poļu valodas ziņojumam joprojām ir nepieciešams tulkojums. Īsa atbilde, piemēram, “OK”, sniedz mazāk informācijas: ja valodu nevar droši noteikt, paliek pieejams ierastais tulkošanas ceļš.

Kā Jev novērtējums iekļaujas LiteTMS

Jev sniedz LiteTMS noderīgu signālu, kamēr birojs saglabā kontroli pār darbu. Integrācijas ir iebūvētas un darbojas, kad ir aktivizēts platformas lēmumu pieņemšanas slānis, ievērojot uzņēmuma iestatījumus. Ja Jev nav pieejams, ierastās tērzēšanas, dokumentu un importa darba plūsmas turpinās.

Tehniskais ieskats: TypeSafe Jev, JSON un Java

Lasītājiem, kuri vēlas uzzināt, kas notiek aizkulisēs, noderīgs sākumpunkts ir mūsu nosūtītais vaicājums. Kā parādīts TypeSafe ātrajā pamācībā, pieprasījums satur state (novērtējamo informāciju) un questions (veicamos novērtējumus). Vaicājuma tips noul atgriež skaitli no 0 līdz 1, kas atspoguļo apgalvojuma patiesuma varbūtību. Savukārt vaicājuma tips choice atlasa kādu no nosauktajām opcijām, un tieši tā mēs nosakām ziņojuma kategoriju.

Šeit ir atsevišķs vaicājums par rīcības nepieciešamību, izmantojot mūsu OpenRouter integrācijā konfigurēto modeļa identifikatoru:

{
  "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."
    }
  }
}

Atbildes attiecīgā daļa var izskatīties šādi:

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

Lietotne nolasa answers.needs_action.noul un piemēro kārtulu. LiteTMS vadītāju ziņojumu uzmanības pievēršanai izmanto rīcības slieksni 0.55. Pēc JSON dekodēšanas to pašu pārbaudi var uzrakstīt Java valodā:

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");
}

Kods pārbauda, vai vērtība ir derīga, pirms salīdzina to ar slieksni. LiteTMS kategorijas novērtējums nodrošina otru kārtulas daļu: transportlīdzekļa problēma, kurai nepieciešama uzmanība, kvalificējas arī kā steidzams brīdinājums. Modelis novērtē ziņojumu, bet lietotne nosaka rīcību. Ja atbilde nav pieejama, turpinās parastā tērzēšanas darba plūsma.

Slieksnis ir atkarīgs no tā, kas notiek tālāk. Importa kolonnu ieteikumam LiteTMS pieņem atlasīto kolonnu ar varbūtību vismaz 0.60; lai izlaistu tulkošanu, lasītāja valodai jābūt atlasītai ar vismaz 0.90. Tādējādi rādītājs 0.85 var būt pietiekams kolonnas ieteikumam, ko pārskata cilvēks, taču ar to nepietiek, lai izlaistu tērzēšanas tulkošanu. Katra kārtula atspoguļo konkrētā lēmuma sekas.