Jev er en ny utvikling innen kunstig intelligens med et annet formål enn verktøyene de fleste først møter på. I en samtale med en AI-assistent stiller du et spørsmål og får et skriftlig svar, eller du ber om hjelp til å skrive en e-post. Bak denne teksten ligger en stor språkmodell, ofte forkortet til LLM. Jev, som er utviklet av TypeSafe AI, er derimot laget for å ta raske, snevert definerte beslutninger inne i programvare i stedet for å generere tekst.
For et transportselskap kan det bety å hjelpe systemet med å gjenkjenne hvilke meldinger som krever oppmerksomhet, eller hvilke saker som bør sendes til en person. Hos LiteTMS tester vi allerede ulike scenarier for å se hvor denne tilnærmingen kan gjøre transportstyringssystemet vårt enda mer nyttig i det daglige arbeidet.
Hva Jev gjør, forklart på en enkel måte
Tenk på et sorteringsbord. Informasjon kommer inn, og programvaren må avgjøre hvor den hører hjemme. Jev tar imot denne informasjonen og besvarer spørsmål med forhåndsdefinerte alternativer, poengsummer eller ja/nei-sannsynligheter. Modellen skriver ikke en dialog og forfatter ikke en e-post. LangChains introduksjon forklarer dette skillet og viser hvordan Jev kan fungere sammen med modeller som genererer tekst.
Her er et illustrerende transporteksempel: En sjåfør skriver: «Fortsatt på lageret. De starter ikke lastingen før i morgen.» Systemet kan spørre om meldingen beskriver en forsinkelse, og om den krever kjørelederens oppmerksomhet. Jev leverer en vurdering, og den omkringliggende programvaren avgjør hva som skal gjøres med den.
TypeSafe kaller dette en System One-modell: kunstig intelligens bygget for raske beslutninger som programvare kan bruke direkte. Jev er i tidlig tilgang. Det som gjør dette interessant for oss, er muligheten til å legge inn små, nyttige vurderinger direkte i arbeidsflyten, uten at noen trenger å åpne enda en chattefane.
Hvor det kan hjelpe et transportkontor
Dette er potensielle bruksområder, ikke en kunngjøring av lanserte Jev-funksjoner i LiteTMS.
Løfte frem viktige meldinger
En forsinkelse ved lasting, en endret leveringsadresse og en rutinemessig ankomstbekreftelse krever helt ulike tiltak. En modell kan hjelpe til med å sortere innkommende meldinger etter emne og hastegrad, slik at sannsynlige problemer løftes frem for kontoret. Den store prøven vil være om den fanger opp viktige avvik uten å fylle skjermen med unødvendige varsler.
Oppdage saker som krever avklaring
Tenk deg at en ordre har et tidsvindu for lossing om formiddagen, mens en senere melding fra kunden nevner ettermiddagen. En vurdering kan flagge en mulig konflikt for manuell gjennomgang. Den bør lede kjørelederen tilbake til den relevante informasjonen, samtidig som det avtalte leveringstidspunktet forblir uendret frem til noen har kontrollert det.
Rute dokumenter til rett person
Når teksten i et dokument er lest av et eget verktøy, kan Jev hjelpe til med å kategorisere innholdet: en leveringsbekreftelse, et spørsmål om et gebyr eller en reklamasjon. Dette kan bidra til å styre oppgavene videre til drift eller administrasjon. Å lese en skannet side og å avgjøre hvor innholdet hører hjemme, er to separate trinn; dette eksempelet handler om det siste.
Velge når et menneske bør overta
Noen henvendelser har et opplagt neste steg. Andre inneholder mangelfull informasjon eller gjelder en omtvistet kostnad. Et system kan bruke en vurdering til å foreslå riktig behandlingsløp, inkludert manuell vurdering av en saksbehandler. En god løsning vil gjøre det enkelt å finne og korrigere usikre tilfeller.
Raske svar må fortsatt kontrolleres
TypeSafe rapporterer om fordeler innen hastighet og kostnader ved egnede oppgaver. Leverandørens egne evalueringer dokumenterer likevel ikke hvilken gevinst et transportselskap faktisk får. Et garantert svarformat betyr heller ikke at beslutningen er riktig: Modellen kan fremdeles velge feil alternativ.
For de skisserte transportscenariene betyr det at man må undersøke oversette forsinkelser, unødvendige eskaleringer og tvetydige meldinger, i tillegg til responstiden. Vi må også vurdere hvor mye kontekst hver enkelt beslutning krever. Ordet «i morgen» betyr lite dersom systemet mangler datoen for meldingen.
Hvorfor vi tester Jev hos LiteTMS
Vi følger nøye med på ny teknologi og tester allerede ulike scenarier der Jev kan bidra til å gjøre LiteTMS smartere og mer nyttig for transportbedrifter. Eksemplene ovenfor beskriver retninger det er verdt å utforske, ikke en liste over ferdige integrasjoner eller målte resultater.
Målet vårt er rent praktisk: Hjelpe transportkontoret med å fange opp det som betyr noe, og bruke mindre tid på å sortere informasjon før man kan handle. Enhver løsning må gjøre seg fortjent til plassen gjennom nyttige resultater, tydelige rammer og en enkel måte for mennesker å gripe inn på. Vi vil dele konkrete erfaringer etter hvert som dette arbeidet utvikler seg.
Kilder
Ofte stilte spørsmål
- Hva kan Jev gjøre for et transportselskap?
- Mulige bruksområder inkluderer sortering av meldinger, varsling om mulige konflikter i ordreinformasjon og videreformidling av saker til rett person. Dette er scenarioer vi vurderer, ikke garanterte resultater.
- Er Jev allerede tilgjengelig som en funksjon i LiteTMS?
- Vi tester mulige bruksområder. Denne artikkelen er ingen kunngjøring om lansering for kunder eller en bestemt lanseringsdato.
- Ville Jev tatt beslutninger i stedet for en kjøreleder?
- Scenarioene som beskrives her, vil støtte kjørelederens arbeid ved å løfte frem informasjon og foreslå hvordan den bør håndteres. Endringer i operative forpliktelser vil kreve grundig kontroll og menneskelig styring.
Hold deg oppdatert
Gjør plass til bedre lesestoff.
Velg LiteTMS som foretrukket kilde for å finne flere av artiklene våre på Google.
Velg LiteTMS på GoogleBekreft valget på Google · Åpnes i en ny fane