Jev: raziskovanje hitrejših odločitev z umetno inteligenco v transportu

Posodobitev, 25. september 2026: Od objave tega članka smo Jev vpeljali v več delovnih tokov v LiteTMS. Preberite članek Umetna inteligenca Jev v LiteTMS: kje smo jo uporabili za praktične primere pri sporočilih voznikov, krajevnih imenih, uvozu podatkov in prevajanju klepetov, pa tudi za tehnični vpogled s primeri v formatih JSON in Java.

Jev predstavlja novo razvojno stopnjo na področju umetne inteligence z drugačnim namenom kot orodja, s katerimi se večina najprej sreča. V klepetu s pomočnikom AI zastavite vprašanje in prejmete pisni odgovor ali pa prosite za pomoč pri pripravi osnutka e-sporočila. Za tem besedilom stoji velik jezikovni model, pogosto okrajšan kot LLM. Jev, ki ga je predstavilo podjetje TypeSafe AI, pa je zasnovan za hitro sprejemanje natančno opredeljenih odločitev znotraj programske opreme, ne pa za generiranje besedila.

Za prevozno podjetje bi to lahko pomenilo pomoč sistemu pri prepoznavanju, katero sporočilo zahteva pozornost ali kateri primer je treba predati zaposlenemu. V ekipi LiteTMS že preizkušamo različne scenarije, da bi ugotovili, kje bi ta pristop lahko naredil naš sistem za upravljanje prevozov še bolj uporaben pri vsakodnevnem delu.

Kaj Jev počne, preprosto razloženo

Predstavljajte si sortirno mizo. Informacije prispejo, programska oprema pa mora odločiti, kam sodijo. Jev te informacije sprejme in na vprašanja odgovori z vnaprej določenimi možnostmi, ocenami ali verjetnostmi z da/ne. Ne vodi pogovorov in ne sestavlja e-sporočil. LangChainova predstavitev pojasnjuje to razliko in prikazuje, kako lahko Jev deluje vzporedno z modeli, ki generirajo besedilo.

Tukaj je nazoren prevozniški primer: voznik napiše: »Še vedno sem v skladišču. Z nakladanjem bodo začeli šele jutri.« Sistem bi lahko preveril, ali sporočilo opisuje zamudo in ali zahteva pozornost dispečerja. Jev bi podal oceno, spremljajoča programska oprema pa bi določila, kaj storiti naprej.

Pri podjetju TypeSafe temu pravijo model sistema 1: umetna inteligenca, zgrajena za hitre odločitve, ki jih programska oprema lahko neposredno uporabi. Jev je v fazi zgodnjega dostopa. Za nas je privlačna predvsem možnost vključevanja majhnih, koristnih presoj neposredno v delovni proces, ne da bi moral kdorkoli odpreti nov klepet.

Kje bi lahko pomagal v pisarni prevoznega podjetja

To so možni načini uporabe in ne napoved že izdanih funkcij Jev v LiteTMS.

Izpostavljanje pomembnih sporočil

Zamuda pri nakladu, spremenjen naslov za dostavo in rutinska potrditev prihoda zahtevajo različen odziv. Model bi lahko pomagal razvrščati prejeta sporočila po temi in nujnosti ter opozarjal pisarno na verjetne težave. Ključni preizkus bo, ali prepozna pomembna odstopanja, ne da bi zaslon zasul z nepotrebnimi opozorili.

Prepoznavanje primerov, ki zahtevajo pojasnilo

Recimo, da naročilo vsebuje dopoldansko časovno okno razklada, poznejše sporočilo stranke pa omenja popoldan. Samodejna presoja bi lahko označila morebitno neskladje za pregled. Dispečerja bi morala usmeriti nazaj na ustrezne podatke, dogovorjeni čas dostave pa pustiti nespremenjen, dokler ga nekdo ne preveri.

Usmerjanje dokumentacije pravi osebi

Ko ločeno orodje prebere besedilo dokumenta, bi Jev lahko pomagal kategorizirati njegovo vsebino: potrdilo o dostavi, poizvedba o stroških ali reklamacija. To bi lahko pomagalo usmeriti delo v operativni oddelek ali upravo. Branje skenirane strani in odločanje o tem, kam njena vsebina spada, sta ločena koraka; ta primer se nanaša na drugega.

Presoja, kdaj mora vodenje prevzeti človek

Nekatere zahteve imajo jasen naslednji korak. Druge vsebujejo nepopolne podatke ali pa se nanašajo na sporen strošek. Sistem bi lahko s pomočjo presoje predlagal ustrezno pot obravnave, vključno s človeškim pregledom. Uporabna zasnova bi omogočila preprosto iskanje in popravljanje negotovih primerov.

Hitri odgovori še vedno potrebujejo preverjanje

TypeSafe poroča o prednostih glede hitrosti in stroškov pri ustreznih nalogah. Te ocene ponudnika še ne dokazujejo dejanskih koristi za prevozniško podjetje. Zagotovljena oblika odgovora se prav tako razlikuje od pravilne odločitve: model lahko še vedno izbere napačno možnost.

Za naše predlagane prevozne scenarije to pomeni, da je treba poleg odzivnega časa preverjati tudi spregledane zamude, nepotrebna stopnjevanja in nejasna sporočila. Oceniti bi morali tudi, koliko konteksta zahteva vsaka posamezna odločitev. »Jutri« pomeni zelo malo, če sistem nima datuma sporočila.

Zakaj pri LiteTMS preizkušamo Jev

Spremljamo nove tehnologije in že preizkušamo različne scenarije, v katerih bi Jev lahko pripomogel k temu, da postane LiteTMS pametnejši in še bolj uporaben za podjetja. Zgornji primeri opisujejo smeri, ki jih je vredno raziskati; to ni seznam zaključenih integracij ali izmerjenih rezultatov.

Naš cilj je praktičen: pomagati pisarni, da pravočasno opazi bistvene stvari in porabi manj truda za razvrščanje podatkov, preden lahko ukrepa. Vsaka rešitev si mora svoje mesto prislužiti z uporabnimi rezultati, jasnimi mejami delovanja in preprostim načinom, da človek po potrebi posreduje. Konkretne ugotovitve bomo delili z razvojem tega projekta.

Viri

• 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

Pogosta vprašanja

Kaj bi Jev lahko pomenil za transportno podjetje?

Možne uporabe vključujejo razvrščanje sporočil, označevanje morebitnih neskladij v podatkih naročila in usmerjanje zadev k ustrezni osebi. To so scenariji, ki jih je treba oceniti, in ne zagotovljeni rezultati.

Ali je Jev že na voljo kot funkcija v LiteTMS?

Preizkušamo možne oblike uporabe. Ta članek ne napoveduje izdaje za stranke ali datuma uvedbe.

Ali bi Jev odločal namesto dispečerja?

Tukaj opisani scenariji bi podprli delo dispečerja z izpostavljanjem informacij in predlogi za njihovo obravnavo. Spremembe operativnih zavez bi zahtevale ustrezno preverjanje in človeški nadzor.