Jev: raziskovanje hitrejših odločitev z umetno inteligenco v transportu

Jev je nov razvoj na področju umetne inteligence z drugačnim namenom od orodij, s katerimi se večina ljudi najprej sreča. V klepetu z asistentom z umetno inteligenco postavite vprašanje in prejmete pisni odgovor ali pa prosite za pomoč pri pripravi e-poštnega sporočila. Za tem besedilom stoji velik jezikovni model, pogosto okrajšan kot LLM. Jev podjetja TypeSafe AI pa je zasnovan za sprejemanje hitrih, natančno opredeljenih odločitev znotraj programske opreme namesto ustvarjanja besedila.

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

Kaj Jev počne, preprosto povedano

Predstavljajte si sortirno mizo. Informacije prispejo, programska oprema pa se mora odločiti, kam spadajo. Jev te informacije prejme in na vprašanja odgovori z vnaprej določenimi možnostmi, točkami ali verjetnostmi da/ne. Ne vodi pogovora in ne sestavlja e-poštnih sporočil. LangChainova predstavitev pojasnjuje to razliko in prikazuje, kako lahko Jev deluje skupaj z modeli, ki ustvarjajo besedilo.

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

Pri podjetju TypeSafe to imenujejo model sistema ena: umetna inteligenca, zgrajena za hitre odločitve, ki jih programska oprema lahko neposredno uporabi. Jev je v fazi zgodnjega dostopa. Za nas je privlačna možnost vključevanja majhnih, koristnih ocen v delovni proces, ne da bi moral kdo odpreti nov klepet.

Kje bi lahko pomagal prevozniški pisarni

Gre za morebitne primere uporabe in ne za napoved že izdanih funkcij z orodjem Jev v sistemu LiteTMS.

Izpostavljanje pomembnih sporočil

Zamuda pri nakladu, spremenjen naslov za dostavo in rutinska potrditev prihoda zahtevajo različne odzive. Model bi lahko pomagal razvrstiti prejeta sporočila po temi in nujnosti ter pisarno opozoril na verjetne težave. Ključni preizkus uporabnosti bo, ali prepozna pomembna odstopanja, ne da bi zaslon napolnil z nepotrebnimi opozorili.

Prepoznavanje primerov, ki potrebujejo pojasnilo

Recimo, da naročilo vsebuje dopoldanski časovni termin za razklad, stranka pa v poznejšem sporočilu omenja popoldne. Ocena bi lahko označila morebitno neskladje za pregled. Dispečerja bi morala usmeriti nazaj na ustrezne podatke, pri čemer se dogovorjeni čas dostave ne spremeni, 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, poizvedbo o stroških ali reklamacijo. To bi lahko pripomoglo k usmerjanju nalog v operativni oddelek ali upravo. Branje optično prebrane strani in odločanje, kam njena vsebina spada, sta ločena koraka; ta primer zadeva slednjega.

Odločanje, kdaj mora vodenje prevzeti človek

Nekatere zahteve imajo jasen naslednji korak. Druge vsebujejo nepopolne informacije ali pa zadevajo sporen strošek. Sistem bi lahko uporabil oceno za predlog ustrezne poti obdelave, vključno s posredovanjem človeka. Uporabna rešitev bi omogočila preprosto iskanje in popravljanje negotovih primerov.

Hitri odgovori še vedno potrebujejo preverjanje

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

Za naše predvidene prevozne scenarije to pomeni preverjanje spregledanih zamud, nepotrebnih opozoril in dvoumnih sporočil, poleg samega odzivnega časa. Oceniti bi morali tudi, koliko konteksta zahteva posamezna odločitev. Beseda »jutri« pomeni malo, če sistem nima datuma sporočila.

Zakaj v LiteTMS preizkušamo Jev

Spremljamo najnovejšo tehnologijo in že preizkušamo različne scenarije, kjer bi Jev lahko pripomogel k temu, da postane LiteTMS pametnejši in bolj uporaben za podjetja. Zgornji primeri opisujejo smeri, ki jih je vredno raziskati; ne predstavljajo seznama dokončanih integracij ali izmerjenih rezultatov.

Naš cilj je praktičen: pomagati pisarni opaziti tisto, kar je pomembno, in porabiti manj truda za razvrščanje informacij pred ukrepanjem. Vsaka uporaba si mora svoje mesto prislužiti s koristnimi rezultati, jasnimi mejami in preprostim načinom za posredovanje človeka. Konkretne ugotovitve bomo delili z razvojem tega dela.

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 lahko Jev prinesel transportnemu podjetju?

Med možnimi primeri uporabe so razvrščanje sporočil, opozarjanje na morebitna neskladja v podatkih o naročilih in posredovanje zadev pravi osebi. Gre za scenarije, ki jih preučujemo, in ne za zagotovljene funkcije.

Ali je Jev že na voljo kot funkcija v LiteTMS?

Preizkušamo možne načine uporabe. Ta članek ne napoveduje uradnega izida za stranke ali datuma uvedbe.

Ali bi Jev sprejemal odločitve namesto dispečerja?

Opisani scenariji bi dispečerju pomagali pri delu z izpostavljanjem pomembnih podatkov in predlogi za njihovo obdelavo. Kakršne koli spremembe operativnih obveznosti bi še vedno zahtevale ustrezne preverbe in človeški nadzor.