Jev AI në LiteTMS: ja ku e kemi vënë në punë

Kemi integruar Jev, një model inteligjence artificiale nga TypeSafe AI, në disa procese pune të LiteTMS. Ai mund të ndihmojë në dallimin e mesazheve të shoferëve që kërkojnë vëmendje, të kontrollojë nëse dy emra vendesh i referohen të njëjtit qytet, të sugjerojë leximin e një skedari importi dhe të shmangë përkthimin e një mesazhi që është tashmë në gjuhën e marrësit. Këto janë vlerësime të vogla brenda një sistemi të menaxhimit të transportit, jo një asistent i ri bisedash për zyrën.

Nëse ky emër është i ri për ju, artikulli ynë i parë mbi Jev e shpjegon idenë. Një AI gjenerues teksti shkruan një përgjigje ndaj një kërkese. Jev është krijuar për t'iu përgjigjur një pyetjeje më specifike, si p.sh. "A kërkon përgjigje ky mesazh?". LiteTMS më pas e përdor këtë vlerësim brenda rrjedhës përkatëse të punës.

Mesazhe nga shoferët që kërkojnë më shumë vëmendje

Një shofer mund të dërgojë një njoftim rutinor, të bëjë një pyetje ose të raportojë një problem. Zyra nuk duhet ta trajtojë çdo mesazh me të njëjtin nivel urgjence. Në bisedën me shoferin, kemi shtuar një kontroll nga Jev që i klasifikon mesazhet hyrëse sipas temës dhe vlerëson nëse dispeçeri duhet të ndërhyjë. Ai mund të funksionojë si me mesazhe me tekst, ashtu edhe me mesazhe zanore pasi të jetë transkriptuar zëri.

Për shembull, "Kam gomë të shpituar te kamioni" është krejt ndryshe nga "Mbërrita". Një mesazh i vlerësuar si me nevojë për veprim mund të shfaqet në pamjen e çështjeve për vëmendje; një defekt i mjetit mund të aktivizojë gjithashtu një njoftim urgjent. Zyra mund ta lexojë bisedën, të përgjigjet dhe ta shënojë çështjen si të zgjidhur. Jev nuk i dërgon vetë përgjigje shoferit dhe as nuk vendos se si duhet zgjidhur defekti.

Për një mesazh për gomë të shpituar, vlerësimi nga AI mund të paraqitet në JSON kështu:

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

LiteTMS lexon kategorinë dhe pikëzimin e nevojës për veprim. Një problem me mjetin me një pikëzim kaq të lartë mund të shfaqet si urgjent, në mënyrë që zyra ta dijë se duhet të përgjigjet.

Emrat e vendeve në porosi dhe në dokumentet e transportit

Një dokument mund të shënojë "Köln", ndërsa porosia thotë "Cologne". Një krahasim i thjeshtë tekstual sheh dy fjalë të ndryshme, megjithëse të dyja emërtojnë të njëjtin qytet. Kemi shtuar një kontroll me Jev pikërisht për këtë rast gjatë regjistrimit të porosive me ndihmën e AI dhe gjatë kontrollit të vendeve në fletëngarkesat CMR.

Gjatë regjistrimit të porosisë, ai mund të ndihmojë në zgjedhjen midis vendeve të sugjeruara ose të lërë një përputhje të pasigurt për shqyrtim. Gjatë kontrollit të një CMR-je, një përgjigje e sigurt për të njëjtin qytet mund të pastrojë një mospërputhje në emrat e vendeve që përndryshe do të sinjalizohej. Një hap i veçantë me AI lexon dokumentin; Jev vlerëson nëse emrat e vendeve përputhen.

Për dy emrat e qyteteve, vlerësimi mund të duket kështu:

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

Pikëzimi i lartë për të njëjtin qytet mund të heqë mospërputhjen e emrit të vendit. Pjesët e tjera të kontrollit të CMR-së mbeten të ndara.

Skedarë importi me tituj të panjohur

Kalimi i të dhënave në një sistem të ri shpesh fillon me një tabelë llogaritëse. Një skedar shkruan "registration number", një tjetër "plate", ndërsa një i tretë ka tituj kolonash që dallohen me vështirësi. LiteTMS përdor fillimisht rregullat e zakonshme të përputhjes. Aty ku këto rregulla lënë boshllëqe, Jev mund të sugjerojë se çfarë lloj regjistrimesh përmban skedari dhe cilat kolona i përkasin fushave përkatëse.

Sugjerimet shënohen si të asistuara nga AI dhe personi që importon skedarin mund të kontrollojë lidhjen e fushave përpara krijimit të regjistrimeve. Këtë zgjidhje e kemi integruar te asistenti i përgjithshëm i importit, si dhe tek importet e ngarkesave dhe të marrëveshjeve në CRM. Një kontroll i ngjashëm mund të njohë një kompani që ndodhet tashmë në listën e bashkëpunëtorëve pavarësisht drejtshkrimit të ndryshëm, duke ndihmuar në shmangien e të dhënave të dyfishta kur përputhja është mjaftueshëm e sigurt.

Supozojmë se një tabelë e importuar për flotën përdor "Unit ref." për targat dhe "Internal ID" për kodet e brendshme të mjeteve të kompanisë. Vlerat shembull e ndihmojnë Jev-in t'i dallojë të dyja. Kur rregullat e zakonshme për titujt e lënë fushën e targës bosh, vlerësimi mund të duket kështu:

{
  "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 mund të sugjerojë më pas kolonën e parë për targat e mjeteve. Zyra e shqyrton këtë përshtatje përpara importimit të të dhënave. Nëse asnjë kolonë nuk përshtatet, Jev mund të zgjedhë "none", duke ia lënë fushën përdoruesit për ta lidhur manualisht, në vend që të imponojë një përputhje.

Një kontroll i thjeshtë përpara përkthimit të bisedës

Ndonjëherë një mesazh është shkruar tashmë në gjuhën e personit që po e lexon. Përpara se të kryejë një përkthim të plotë të bisedës, LiteTMS mund t'i kërkojë Jev-it ta verifikojë këtë. Një përputhje e sigurt i lejon sistemit të shfaqë mesazhin origjinal; një përgjigje e pasigurt e kalon atë nëpër rrugën e zakonshme të përkthimit. Kjo e mban vendimin të ngushtë: lexuesi përsëri e merr përkthimin kur sistemi nuk mund ta anashkalojë atë me siguri.

Merrni shembullin e një shoferi që shkruan “Jestem na miejscu, czekam na załadunek”, që do të thotë “Kam mbërritur dhe po pres për ngarkim”. Për një lexues që përdor polonishten, kontrolli mund të prodhojë këtë vlerësim:

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

Gjuha e zbuluar përputhet me gjuhën e lexuesit, kështu që LiteTMS mund të shfaqë origjinalin. Për një lexues që përdor anglishten, i njëjti mesazh në polonisht ka ende nevojë për përkthim. Një përgjigje e shkurtër si “OK” jep më pak informacion: kur gjuha nuk mund të identifikohet me siguri, rruga e zakonshme e përkthimit mbetet e disponueshme.

Si përshtatet vlerësimi i Jev në LiteTMS

Jev i jep LiteTMS-it një sinjal të dobishëm, ndërkohë që zyra ruan kontrollin mbi punën. Integrimet janë të integruara dhe ekzekutohen kur shtresa e vendimmarrjes së platformës është e aktivizuar, sipas cilësimeve të kompanisë. Nëse Jev nuk është i disponueshëm, rrjedhat e zakonshme të punës për bisedat, dokumentet dhe importet vazhdojnë normalisht.

Një vështrim teknik: TypeSafe Jev, JSON dhe Java

Për lexuesit që dëshirojnë të shohin se çfarë ndodh në prapaskenë, pika fillestare e dobishme është pyetja që dërgojmë. Siç tregon udhëzuesi i shpejtë i TypeSafe, një kërkesë përmban state, informacionin që duhet vlerësuar, dhe questions, vlerësimet që duhen bërë. Një pyetje noul kthen një numër midis 0 dhe 1 që përfaqëson probabilitetin që një pohim të jetë i vërtetë. Një pyetje choice zgjedh midis opsioneve me emër, çka është mënyra se si pyesim për kategorinë e një mesazhi.

Këtu është pyetja e veprimit më vete, duke përdorur identifikuesin e modelit të konfiguruar në integrimin tonë me OpenRouter:

{
  "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."
    }
  }
}

Pjesa përkatëse e përgjigjes mund të duket kështu:

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

Aplikacioni lexon answers.needs_action.noul dhe zbaton një rregull. LiteTMS përdor një prag veprimi prej 0.55 për vëmendjen ndaj mesazheve të shoferit. Pas deshifrimit të JSON-it, i njëjti kontroll mund të shkruhet në Java:

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");
}

Kodi kontrollon nëse vlera është e përdorshme përpara se ta krahasojë atë me pragun. Në LiteTMS, vlerësimi i kategorisë plotëson pjesën tjetër të rregullit: një problem me automjetin që kërkon vëmendje kualifikohet gjithashtu për një njoftim urgjent. Modeli vlerëson mesazhin; aplikacioni përcakton veprimin. Nëse përgjigjja mungon, rrjedha normale e punës së bisedës vazhdon.

Pragu varet nga ajo që ndodh më pas. Për një sugjerim të kolonës gjatë importit, LiteTMS pranon një kolonë të zgjedhur me një probabilitet prej të paktën 0.60; anashkalimi i përkthimit kërkon që gjuha e lexuesit të zgjidhet me të paktën 0.90. Prandaj, një rezultat prej 0.85 mund të mbështesë një sugjerim kolone që shqyrtohet nga një person, por nuk mjafton për të anashkaluar përkthimin e bisedës. Çdo rregull pasqyron pasojën e atij vendimi të veçantë.

Pyetje të shpeshta

Kush e zhvilloi Jev AI?

TypeSafe AI zhvilloi Jev-in si një model System One për vendime të strukturuara. LiteTMS e integron atë në procese specifike të punës, si vlerësimi i mesazheve të shoferit dhe përputhja e emrave të vendeve.

Për çfarë përdoret Jev AI në LiteTMS?

Jev është i lidhur me klasifikimin e mesazheve të shoferit, kontrollet e të njëjtit qytet gjatë pranimit të porosive dhe kontrollet e vendndodhjes në CMR, sugjerimet e importit dhe kontrollin e së njëjtës gjuhë përpara përkthimit të bisedës. Cilësimet e platformës dhe të kompanisë përcaktojnë nëse një funksion individual është aktiv në një hapësirë pune.

A u përgjigjet Jev shoferëve apo a miraton dokumente CMR?

Jo. Ai mund të shënojë një mesazh shoferi që kërkon vëmendje dhe të vlerësojë nëse dy emra vendesh i referohen të njëjtit qytet. Mesazhin e trajton një person, dhe një rezultat për të njëjtin qytet nuk e vërteton të gjithë dokumentin CMR.

Çfarë ndodh nëse Jev është i pasigurt ose i padisponueshëm?

LiteTMS ruan rrjedhën ekzistuese të punës. Për shembull, një kontroll i pasigurt i gjuhës përdor rrugën normale të përkthimit të bisedës, ndërsa një sugjerim i pasigurt për importin ia lë përputhjen një personi për shqyrtim.