Jev: istraživanje bržeg donošenja odluka uz AI u transportu

Jev je novi razvojni korak u oblasti veštačke inteligencije sa drugačijom namenom od alata sa kojima se većina ljudi prvo susretne. U razgovoru sa AI asistentom postavite pitanje i dobijete pisani odgovor ili zatražite pomoć pri sastavljanju imejla. Iza tog teksta stoji veliki jezički model, često skraćeno LLM. Jev, koji je predstavila kompanija TypeSafe AI, osmišljen je da donosi brze, usko definisane odluke unutar softvera, umesto da generiše tekst.

Za transportno preduzeće to bi moglo značiti pomoć sistemu da prepozna koja poruka zahteva pažnju ili koji slučaj treba proslediti čoveku. U LiteTMS-u već testiramo različite scenarije kako bismo videli gde bi ovaj pristup mogao učiniti naš sistem za upravljanje transportom još korisnijim u svakodnevnom radu.

Šta Jev radi, jednostavnim rečnikom

Zamislite prijemni sto za sortiranje. Informacije pristižu, a softver treba da odluči gde pripadaju. Jev prima te informacije i odgovara na pitanja unapred definisanim opcijama, ocenama ili verovatnoćama tipa da/ne. On ne vodi razgovor niti sastavlja imejlove. LangChain's introduction objašnjava ovu razliku i pokazuje kako Jev može da funkcioniše uz modele koji generišu tekst.

Evo ilustrativnog primera iz transporta: vozač napiše: „I dalje sam u skladištu. Neće početi utovar do sutra.“ Sistem bi mogao da postavi pitanje da li poruka opisuje kašnjenje i da li zahteva pažnju dispečera. Jev bi ponudio procenu, a prateći softver bi odredio šta sa njom treba uraditi.

TypeSafe calls this a System One model: veštačka inteligencija napravljena za brze odluke koje softver može direktno da koristi. Jev je u fazi ranog pristupa. Za nas je privlačna mogućnost uvođenja malih, korisnih procena u radni tok bez potrebe da bilo ko otvara još jedan prozor za ćaskanje.

Gde bi mogao pomoći transportnoj službi

Ovo su potencijalne primene, a ne najava već objavljenih funkcija zasnovanih na Jev-u u sistemu LiteTMS.

Isticanje važnih poruka

Kašnjenje na utovaru, promenjena adresa isporuke i rutinska potvrda o prispeću zahtevaju različite reakcije. Model bi mogao pomoći u sortiranju prispelih poruka prema temi i hitnosti, skrećući pažnju kancelarije na potencijalne probleme. Pravi test korisnosti bio bi da li uspeva da uoči važne izuzetke bez pretrpavanja ekrana nepotrebnim obaveštenjima.

Uočavanje slučajeva koji zahtevaju pojašnjenje

Pretpostavimo da nalog sadrži jutarnji termin za istovar, dok kasnija poruka klijenta pominje popodne. Procena bi mogla da označi potencijalni konflikt radi provere. Ona bi trebalo da usmeri dispečera na relevantne informacije, ostavljajući ugovoreno vreme isporuke nepromenjenim sve dok ga neko ne pregleda.

Prosleđivanje dokumentacije pravoj osobi

Kada zaseban alat očita tekst dokumenta, Jev bi mogao pomoći u kategorizaciji njegovog sadržaja: potvrda o isporuci, upit o trošku ili reklamacija. To bi moglo pomoći u usmeravanju posla ka operativi ili administraciji. Očitavanje skeniranog lista i odlučivanje gde njegov sadržaj pripada zasebni su koraci; ovaj primer se odnosi na onaj drugi.

Procena kada čovek treba da preuzme stvar

Neki zahtevi imaju jasan sledeći korak. Drugi sadrže nepotpune informacije ili se odnose na sporni trošak. Sistem bi mogao da iskoristi procenu kako bi predložio odgovarajući način obrade, uključujući proveru od strane čoveka. Korisno rešenje omogućilo bi da se nejasni slučajevi lako pronađu i isprave.

Brze odgovore i dalje treba proveravati

TypeSafe reports speed and cost advantages na odgovarajućim zadacima. Te procene dobavljača ne garantuju nužno dobitke za transportno preduzeće. Garantovani format odgovora takođe se razlikuje od tačne odluke: model i dalje može izabrati pogrešnu opciju.

Za naše predložene transportne scenarije to podrazumeva proveru propuštenih kašnjenja, nepotrebnih eskalacija i dvosmislenih poruka, pored samog vremena odziva. Takođe bi trebalo proceniti koliko konteksta svaka odluka zahteva. „Sutra“ ne znači mnogo ako sistem nema datum poruke.

Zašto testiramo Jev u LiteTMS-u

Pratimo nove tehnologije i već testiramo različite scenarije u kojima bi Jev mogao pomoći da LiteTMS postane pametniji i korisniji za preduzeća. Navedeni primeri opisuju pravce koje vredi istražiti; oni ne predstavljaju listu završenih integracija niti izmerenih rezultata.

Naš cilj je praktičan: pomoći dispečerima i kancelariji da uoče ono što je važno i potroše manje truda na sortiranje informacija pre nego što preduzmu akciju. Svaka primena mora da opravda svoje mesto kroz korisne rezultate, jasna ograničenja i jednostavan način da čovek interveniše. Podelićemo konkretne nalaze kako se ovaj rad bude razvijao.

Izvori

• TypeSafe AI: Predstavljanje System One modela i Jev-a
• LangChain: Izrada radnog okvira uz Jev
• Flavio Copes: Detaljan uvid u Jev, TypeSafe-ov System One model
• heise online: AI model „Jev” omogućava mašinama brže donošenje odluka

Česta pitanja

Šta bi Jev mogao da uradi za transportno preduzeće?

Potencijalne primene obuhvataju sortiranje poruka, uočavanje mogućih neslaganja u podacima o nalogu i prosleđivanje predmeta pravoj osobi. To su scenariji koje razmatramo, a ne garantovani ishodi.

Da li je Jev već dostupan kao funkcija u LiteTMS-u?

Trenutno testiramo moguće primene. Ovaj članak ne najavljuje dostupnost korisnicima niti datum uvođenja.

Da li bi Jev donosio odluke umesto dispečera?

Ovde opisani scenariji služili bi kao podrška radu dispečera tako što bi istakli važne informacije i predložili načine za njihovo rešavanje. Sve izmene operativnih obaveza i dalje bi zahtevale odgovarajuće provere i ljudsku kontrolu.