Jev: побрзо носење одлуки со вештачка интелигенција во транспортот

Jev претставува нов развој во областа на вештачката интелигенција (AI) со поинаква намена од алатките со кои повеќето луѓе првично се среќаваат. Во разговор со AI асистент, поставувате прашање и добивате писмен одговор, или барате помош за составување е-пошта. Зад тој текст стои голем јазичен модел, честопати скратен како LLM. Jev, претставен од TypeSafe AI, е дизајниран да носи брзи, прецизно дефинирани одлуки во рамките на софтверот, наместо да генерира текст.

За транспортните компании, тоа би можело да значи помош за системот да препознае која порака бара внимание или кој случај треба да биде препратен до човек. Во LiteTMS веќе тестираме различни сценарија за да видиме каде овој пристап може да го направи нашиот систем за управување со транспорт (TMS) уште покорисен во секојдневната работа.

Што прави Jev, на едноставен јазик

Замислете биро за сортирање. Пристигнуваат информации, а софтверот треба да одлучи каде припаѓаат. Jev ги прима тие информации и одговара на прашања со однапред дефинирани опции, оценки или веројатности од типот да/не. Тој не води разговор и не пишува е-пошта. Воведот на LangChain ја објаснува оваа разлика и покажува како Jev може да работи паралелно со моделите што генерираат текст.

Еве еден илустративен пример од транспортот: возачот пишува: „Сè уште сум во магацинот. Нема да почнат со утовар до утре.“ Системот би можел да праша дали пораката опишува доцнење и дали бара внимание од диспечерот. Jev би дал проценка, а софтверот би одредил што да направи со неа.

TypeSafe ова го нарекува модел од систем еден (System One): AI создадена за брзи одлуки што софтверот може директно да ги искористи. Jev е во фаза на ран пристап. Она што нам ни привлекува внимание е можноста за вградување мали, корисни проценки во работниот тек без потреба некој да отвора посебен разговор.

Каде може да помогне во транспортната канцеларија

Ова се потенцијални примени, а не најава за веќе објавени функции со Jev во LiteTMS.

Издвојување на важните пораки

Доцнење при утовар, променета адреса за испорака и рутинска потврда за пристигнување бараат различни реакции. Моделот би можел да помогне во сортирањето на влезните пораки според темата и итноста, насочувајќи го вниманието на канцеларијата кон можните проблеми. Главниот тест би бил дали успешно ги препознава важните отстапувања без да го преплави екранот со непотребни известувања.

Препознавање случаи што бараат појаснување

Да претпоставиме дека налог содржи утрински термин за истовар, додека подоцнежна порака од клиентот го споменува попладнето. Проценката би можела да означи можен конфликт за проверка. Таа треба да го насочи диспечерот кон релевантните информации, оставајќи го договореното време за испорака непроменето сè додека некој не го прегледа.

Насочување на документацијата до вистинското лице

Откако текстот од документот ќе биде прочитан со посебна алатка, Jev би можел да помогне во категоризацијата на неговата содржина: потврда за испорака, прашање за трошок или рекламација. Тоа би можело да помогне во насочувањето на работата кон оперативата или администрацијата. Читањето скенирана страница и одлучувањето каде припаѓа нејзината содржина се одделни чекори; овој пример се однесува на вториот.

Избор кога треба да преземе човек

Некои барања имаат јасен следен чекор. Други содржат нецелосни информации или се однесуваат на оспорен трошок. Системот би можел да искористи проценка за да го предложи соодветниот начин на постапување, вклучително и преглед од страна на човек. Практичното решение би овозможило несигурните случаи лесно да се пронајдат и коригираат.

Брзите одговори сè уште бараат проверка

TypeSafe наведува предности во брзината и трошоците при соодветни задачи. Сепак, проценките на добавувачот не гарантираат реални придобивки за транспортна компанија. Исто така, загарантираниот формат на одговор не значи и точна одлука: моделот сè уште може да ја избере погрешната опција.

За предложените транспортни сценарија, тоа значи проверка на пропуштените доцнења, непотребните ескалации и двосмислените пораки, покрај самото време на одговор. Исто така, треба да процениме колкав контекст бара секоја одлука. Зборот „утре“ значи малку ако системот го нема датумот на пораката.

Зошто го тестираме Jev во LiteTMS

Ги следиме новите технологии и веќе тестираме различни сценарија во кои Jev би можел да помогне LiteTMS да стане попаметен и покорисен за компаниите. Горенаведените примери опишуваат насоки вредни за истражување; тие не претставуваат список на завршени интеграции или измерени резултати.

Нашата цел е практична: да ѝ помогнеме на канцеларијата да го забележи она што е важно и да троши помалку труд на сортирање информации пред да дејствува. Секоја примена мора да го оправда своето место преку корисни резултати, јасни граници и едноставен начин за интервенција од човек. Како што ќе се развива оваа работа, ќе споделуваме конкретни сознанија.

Извори

• TypeSafe AI: Introducing System One Models & Jev
• LangChain: Building a Harness with Jev
• Flavio Copes: A deep dive into Jev, TypeSafe's System One model
• heise online: AI model “Jev” to make machines decide faster

ЧПП

Што би можел Jev да направи за една транспортна компанија?

Потенцијалните примени вклучуваат сортирање пораки, означување можни конфликти во податоците за налозите и пренасочување на предметите до соодветното лице. Ова се сценарија за проценка, а не гарантирани резултати.

Дали Jev е веќе достапен како функција во LiteTMS?

Тестираме можни примени. Оваа статија не најавува верзија за корисници ниту датум на пуштање во употреба.

Дали Jev би носел одлуки наместо диспечерот?

Сценаријата опишани овде би ја поддржале работата на диспечерот со тоа што би ги истакнувале информациите и би предлагале како да се постапи со нив. Промените во оперативните обврски би барале соодветни проверки и човечка контрола.