Jev AI v LiteTMS: kde všade vám uľahčí prácu

Do viacerých pracovných postupov v systéme LiteTMS sme začlenili Jev, model umelej inteligencie od spoločnosti TypeSafe AI. Dokáže pomôcť odhaliť správy od vodičov vyžadujúce pozornosť, overiť, či dva rôzne názvy označujú to isté mesto, navrhnúť interpretáciu importného súboru alebo zabrániť zbytočnému prekladu správy, ktorá je už v jazyku príjemcu. Ide o cielené vyhodnocovania vnútri TMS, nie o nového chatovacieho asistenta do kancelárie.

Ak tento názov počujete prvýkrát, koncept približuje náš prvý článok o modeli Jev. Generatívna AI vytvára textovú odpoveď na zadanie. Jev je však navrhnutý tak, aby odpovedal na konkrétnejšiu otázku, napríklad: „Vyžaduje táto správa odpoveď?“ Systém LiteTMS následne toto vyhodnotenie využije v príslušnom procese.

Správy od vodičov, ktoré si zaslúžia pozornosť

Vodič môže poslať bežnú informáciu o priebehu prepravy, položiť otázku alebo nahlásiť problém. Dispečing by nemal ku každej správe pristupovať s rovnakou naliehavosťou. Do chatu s vodičmi sme pridali kontrolu cez Jev, ktorá prichádzajúce správy triedi podľa témy a vyhodnocuje, či musí dispečer zasiahnuť. Funguje pri textových správach aj pri hlasových správach po ich prepise na text.

Napríklad správa „Mám defekt“ je niečo celkom iné než „Dorazil som na miesto.“ Správa vyhodnotená ako vyžadujúca zásah sa môže zobraziť v prehľade upozornení a technický problém na vozidle môže vyvolať aj urgentnú notifikáciu. Dispečer si stále môže celú konverzáciu prečítať, odpovedať a označiť záležitosť za vybavenú. Jev neposiela vodičovi odpovede ani nerozhoduje o riešení poruchy.

Pri správe o defekte môže vyhodnotenie umelej inteligencie vyzerať v JSON formáte takto:

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

LiteTMS načíta kategóriu a skóre potreby zásahu. Problém s vozidlom s takto vysokým skóre sa môže zobraziť ako urgentný, takže dispečing hneď vie, že je nutné reagovať.

Názvy miest v objednávkach a prepravných dokladoch

V doklade môže byť uvedený názov „Köln“, kým v objednávke prepravy stojí „Cologne“. Doslovné porovnanie textu vidí dve rôzne slová, hoci obe označujú to isté mesto. Pridali sme kontrolu cez Jev na túto konkrétnu otázku pri zadávaní objednávok s asistenciou AI a pri kontrole miest v nákladných listoch CMR.

Pri zadávaní objednávok pomáha vybrať z navrhovaných miest alebo ponechať neistú zhodu na overenie dispečerom. Pri kontrole CMR dokáže jednoznačná zhoda miest vyriešiť nesúlad v názvoch miest, ktorý by inak systém označil ako chybu. Samostatný krok AI doklad načíta a Jev posúdi, či si názvy miest zodpovedajú.

Pre dva rôzne názvy mesta môže vyhodnotenie vyzerať takto:

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

Vysoké skóre zhody mesta dokáže nesúlad v názvoch miest odstrániť. Ostatné časti kontroly CMR zostávajú oddelené.

Importné súbory s neštandardnými záhlaviami

Prechod na nový systém sa často začína tabuľkou. V jednom súbore stojí „registračné číslo“, v inom „EČV“ a v treťom sú záhlavia, ktoré sa rozpoznávajú len ťažko. LiteTMS najskôr použije štandardné pravidlá priraďovania. Tam, kde tieto pravidlá nestačia, môže Jev navrhnúť, aké záznamy súbor obsahuje a ktoré stĺpce patria ku ktorým poliam.

Návrhy sú označené ako vytvorené s asistenciou AI a používateľ, ktorý súbor importuje, si môže priradenie pred vytvorením záznamov skontrolovať. Tento postup sme prepojili so sprievodcom importom, ako aj s importom obchodných prípadov v CRM a importom nákladov. Podobná kontrola dokáže rozpoznať firmu, ktorá sa už nachádza v zozname partnerov, aj pri odlišnom zápise názvu, čo pri dostatočne vysokej miere istoty pomáha predchádzať duplicitným záznamom.

Predstavme si, že importovaná tabuľka vozidlového parku používa označenie „Unit ref.“ pre evidenčné čísla a „Internal ID“ pre interné kódy vozidiel. Vzorové hodnoty pomôžu modelu Jev tieto dve polia rozlíšiť. Keď bežné pravidlá pre záhlavia nechajú pole evidenčného čísla prázdne, vyhodnotenie môže vyzerať takto:

{
  "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 potom môže pre evidenčné čísla navrhnúť prvý stĺpec. Používateľ pred importovaním záznamov toto priradenie skontroluje. Ak žiadny stĺpec nevyhovuje, Jev vyberie možnosť „none“, takže pole ponechá na manuálne priradenie a nesnaží sa vytvoriť zhodu nasilu.

Drobná kontrola pred prekladom v chate

Správa je niekedy napísaná priamo v jazyku príjemcu, ktorý ju číta. Pred spustením úplného prekladu v chate môže LiteTMS požiadať model Jev o overenie. Presvedčivá zhoda umožní systému zobraziť pôvodnú správu, zatiaľ čo neistá odpoveď ju pošle bežnou cestou prekladu. Rozhodovanie tak zostáva priamočiare: čitateľ preklad dostane vždy, keď si systém nie je istý, či ho môže vynechať.

Predstavme si vodiča, ktorý napíše „Jestem na miejscu, czekam na załadunek“, čo znamená „Som na mieste, čakám na nakládku“. Pre čitateľa, ktorý používa poľštinu, môže overenie priniesť toto vyhodnotenie:

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

Rozpoznaný jazyk sa zhoduje s jazykom čitateľa, takže LiteTMS môže zobraziť originál. Pre čitateľa, ktorý používa angličtinu, tá istá poľská správa stále vyžaduje preklad. Krátka odpoveď ako „OK“ je menej jednoznačná: ak jazyk nemožno spoľahlivo identifikovať, zostáva k dispozícii štandardná cesta prekladu.

Ako vyhodnocovanie modelom Jev zapadá do LiteTMS

Jev poskytuje systému LiteTMS užitočný signál, zatiaľ čo dispečing si zachováva plnú kontrolu nad prácou. Integrácie sú vstavané a spúšťajú sa po aktivácii rozhodovacej vrstvy platformy podľa nastavení spoločnosti. Ak je Jev nedostupný, bežné pracovné postupy pre chat, dokumenty a importy pokračujú bez prerušenia.

Technický pohľad: TypeSafe Jev, JSON a Java

Pre čitateľov, ktorí chcú vidieť, čo sa deje na pozadí, je vhodným východiskovým bodom odosielaná požiadavka. Ako ukazuje rýchly sprievodca od TypeSafe, požiadavka obsahuje parameter state s informáciami na posúdenie a questions s otázkami na vyhodnotenie. Otázka typu noul vracia číslo medzi 0 a 1, ktoré predstavuje pravdepodobnosť platnosti daného tvrdenia. Otázka typu choice vyberá z pomenovaných možností, čo využívame pri zisťovaní kategórie správy.

Tu je samostatná otázka na akciu s identifikátorom modelu nakonfigurovaným v našej integrácii s OpenRouterom:

{
  "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."
    }
  }
}

Príslušná časť odpovede môže vyzerať takto:

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

Aplikácia prečíta hodnotu answers.needs_action.noul a uplatní pravidlo. LiteTMS používa prahovú hodnotu pre akciu 0.55 na vyžiadanie pozornosti pri správach od vodičov. Po dekódovaní JSON-u možno rovnakú kontrolu zapísať v Jave:

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");
}

Kód pred porovnaním s prahovou hodnotou overí, či je hodnota použiteľná. V LiteTMS vyhodnotenie kategórie dopĺňa druhú časť pravidla: technický problém na vozidle, ktorý vyžaduje pozornosť, sa kvalifikuje aj na naliehavé upozornenie. Model posúdi správu, aplikácia určí akciu. Ak odpoveď chýba, pokračuje bežný proces chatu.

Prahová hodnota závisí od toho, čo nasleduje. Pri návrhu stĺpca pri importe akceptuje LiteTMS vybraný stĺpec s pravdepodobnosťou aspoň 0.60; vynechanie prekladu vyžaduje zhodu jazyka čitateľa s istotou aspoň 0.90. Skóre 0.85 preto postačuje na návrh stĺpca, ktorý skontroluje používateľ, no nestačí na vynechanie prekladu chatu. Každé pravidlo odráža dôsledky daného rozhodnutia.

Často kladené otázky

Kto vyvinul Jev AI?

Spoločnosť TypeSafe AI vyvinula model Jev ako model typu System One pre štruktúrované rozhodovanie. LiteTMS ho integruje do špecifických pracovných postupov, ako je vyhodnocovanie správ od vodičov a porovnávanie názvov miest.

Na čo sa Jev AI používa v LiteTMS?

Jev sa využíva na triedenie správ od vodičov, kontrolu zhody miest pri zadávaní objednávok a kontrole CMR dokladov, návrhy priraďovania pri importe a kontrolu rovnakého jazyka pred prekladom chatu. Nastavenia platformy a spoločnosti určujú, či je konkrétna funkcia v danom pracovnom priestore aktívna.

Odpovedá Jev vodičom alebo schvaľuje CMR dokumenty?

Nie. Dokáže označiť správu od vodiča na vybavenie a posúdiť, či dva názvy miest označujú to isté mesto. Správu spracováva človek a overenie zhody mesta neznamená validáciu celého CMR dokumentu.

Čo sa stane, ak je Jev neistý alebo nedostupný?

LiteTMS zachováva doterajší pracovný postup. Napríklad neisté overenie jazyka použije bežný preklad v chate, zatiaľ čo neistý návrh importu ponechá mapovanie na manuálnu kontrolu.