Jev AI u LiteTMS-u: gde smo ga stavili u funkciju

Ugradili smo Jev, model veštačke inteligencije kompanije TypeSafe AI, u nekoliko radnih tokova unutar platforme LiteTMS. On može pomoći da se uoče poruke vozača koje zahtevaju pažnju, proveri da li se dva naziva mesta odnose na isti grad, predloži način očitavanja uvozne datoteke i izbegne prevođenje poruke koja je već na jeziku čitaoca. Reč je o malim procenama unutar sistema za upravljanje transportom, a ne o novom asistentu za ćaskanje u kancelariji.

Ako vam je ovo ime novo, naš prvi članak o Jev-u objašnjava samu zamisao. AI koji generiše tekst piše odgovor na upit. Jev je osmišljen da odgovori na uže pitanje, poput: „Da li je za ovu poruku potreban odgovor?” LiteTMS zatim koristi tu procenu unutar odgovarajućeg radnog toka.

Poruke vozača koje zaslužuju više pažnje

Vozač može poslati rutinsko obaveštenje, postaviti pitanje ili prijaviti problem. Kancelarija ne bi trebalo da svaku poruku tretira kao podjednako hitnu. U ćaskanje sa vozačima dodali smo Jev proveru koja razvrstava prispele poruke po temi i procenjuje da li dispečer treba da reaguje. Može raditi sa pisanim porukama i glasovnim porukama kada se njihov govor transkribuje u tekst.

Na primer, „Kamion ima probušenu gumu” razlikuje se od „Stigao sam”. Poruka za koju je procenjeno da zahteva akciju može se prikazati u pregledu za pažnju; problem sa vozilom takođe može pokrenuti hitno obaveštenje. Kancelarija i dalje može da pročita razgovor, odgovori i označi stvar kao rešenu. Jev ne šalje odgovor vozaču niti odlučuje kako kvar treba da se reši.

Za poruku o probušenoj gumi, AI procena se u JSON formatu može prikazati ovako:

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

LiteTMS očitava kategoriju i ocenu potrebe za reakcijom. Problem sa vozilom sa ovako visokom ocenom može se prikazati kao hitan, tako da kancelarija zna da treba da reaguje.

Nazivi mesta u nalozima i transportnim dokumentima

U dokumentu može pisati „Köln”, dok u nalogu piše „Cologne”. Doslovno poređenje teksta vidi dve različite reči, iako obe označavaju isti grad. Dodali smo Jev proveru za to specifično pitanje prilikom unosa naloga uz pomoć veštačke inteligencije i u proverama mesta za CMR dokumenta.

Tokom unosa naloga, može pomoći pri izboru između predloženih mesta ili ostaviti nesigurno poklapanje za pregled. Prilikom provere CMR-a, pouzdan odgovor da je reč o istom gradu može ukloniti nepoklapanje naziva mesta koje bi inače bilo označeno kao sporno. Zaseban AI korak očitava dokument; Jev procenjuje da li se nazivi mesta poklapaju.

Za ova dva naziva grada, procena može izgledati ovako:

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

Visoka ocena da je u pitanju isti grad može ukloniti nepoklapanje naziva mesta. Ostali delovi provere CMR-a ostaju zasebni.

Uvozne datoteke sa nepoznatim zaglavljima

Prenošenje podataka u novi sistem često počinje tabelom. U jednoj datoteci piše „registarski broj”, u drugoj „tablica”, a treća ima zaglavlja koja je teško prepoznati. LiteTMS najpre koristi uobičajena pravila uparivanja. Tamo gde ta pravila ostave praznine, Jev može predložiti koju vrstu zapisa datoteka sadrži i koje kolone pripadaju kojim poljima.

Predlozi su označeni kao potpomognuti veštačkom inteligencijom, a osoba koja uvozi datoteku može pregledati mapiranje pre kreiranja zapisa. Ovaj pristup smo povezali sa opštim čarobnjakom za uvoz, kao i sa uvozom CRM poslova i tereta. Povezana provera može prepoznati kompaniju koja se već nalazi na listi partnera uprkos drugačijem načinu pisanja, što pomaže u izbegavanju duplih unosa kada je poklapanje dovoljno pouzdano.

Pretpostavimo da uvezena tabela voznog parka koristi „Unit ref.” za registarske tablice i „Internal ID” za interne kodove vozila kompanije. Primeri vrednosti pomažu Jev-u da napravi razliku između ta dva. Kada uobičajena pravila za zaglavlja ostave polje registracije praznim, procena može izgledati ovako:

{
  "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 tada može predložiti prvu kolonu za registarske brojeve. Kancelarija pregleda to mapiranje pre uvoza zapisa. Ako nijedna kolona ne odgovara, Jev može odabrati „none”, prepuštajući polje korisniku za mapiranje umesto nametanja poklapanja.

Mala provera pre prevođenja ćaskanja

Ponekad je poruka već napisana na jeziku osobe koja je čita. Pre pokretanja kompletnog prevođenja četa, LiteTMS može zatražiti od Jev-a da to proveri. Pouzdano podudaranje omogućava sistemu da prikaže originalnu poruku; nesiguran odgovor šalje je na uobičajenu putanju prevođenja. To odluku drži usko definisanom: čitalac i dalje dobija prevod kada sistem ne može sa sigurnošću da ga preskoči.

Uzmimo za primer vozača koji piše „Jestem na miejscu, czekam na załadunek”, što znači „Stigao sam na mesto i čekam utovar”. Za čitaoca koji koristi poljski jezik, provera može dati sledeću procenu:

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

Prepoznati jezik odgovara jeziku čitaoca, pa LiteTMS može da prikaže original. Za čitaoca koji koristi engleski, istoj poljskoj poruci je i dalje potreban prevod. Kratak odgovor poput „OK” nosi manje informacija: kada jezik ne može pouzdano da se identifikuje, uobičajena putanja prevođenja ostaje dostupna.

Kako se procena Jev-a uklapa u LiteTMS

Jev pruža sistemu LiteTMS koristan signal, dok kancelarija zadržava kontrolu nad poslom. Integracije su ugrađene i pokreću se kada se aktivira sloj odlučivanja platforme, u skladu sa podešavanjima kompanije. Ako Jev nije dostupan, uobičajeni radni tokovi za čet, dokumente i uvoz nastavljaju da funkcionišu.

Tehnički osvrt: TypeSafe Jev, JSON i Java

Za čitaoce koji žele da vide šta se dešava u pozadini, korisna polazna tačka je upit koji šaljemo. Kao što pokazuje TypeSafe-ov vodič za brzi početak, zahtev sadrži state, odnosno informacije koje treba proceniti, i questions, to jest procene koje treba izvršiti. Pitanje tipa noul vraća broj između 0 i 1 koji predstavlja verovatnoću tačnosti određene tvrdnje. Pitanje tipa choice bira između ponuđenih opcija, i upravo tako određujemo kategoriju poruke.

Evo samog pitanja za akciju, uz korišćenje identifikatora modela podešenog u našoj OpenRouter integraciji:

{
  "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."
    }
  }
}

Relevantan deo odgovora može izgledati ovako:

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

Aplikacija očitava answers.needs_action.noul i primenjuje pravilo. LiteTMS koristi prag za reakciju od 0.55 kada je u pitanju skretanje pažnje na poruku vozača. Nakon parsiranja JSON-a, ista provera se u Javi može napisati ovako:

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");
}

Kod proverava da li je vrednost upotrebljiva pre nego što je uporedi sa pragom. U sistemu LiteTMS, procena kategorije obezbeđuje drugi deo pravila: problem sa vozilom koji zahteva pažnju takođe se kvalifikuje za hitno obaveštenje. Model procenjuje poruku, a aplikacija definiše akciju. Ako odgovor izostane, nastavlja se uobičajeni radni tok četa.

Prag zavisi od toga šta sledi nakon toga. Za predlog kolone pri uvozu podataka, LiteTMS prihvata izabranu kolonu sa verovatnoćom od najmanje 0.60; preskakanje prevoda zahteva da jezik čitaoca bude prepoznat sa najmanje 0.90. Rezultat od 0.85 može, dakle, podržati predlog kolone koji čovek pregleda, ali nije dovoljan za preskakanje prevoda u četu. Svako pravilo odražava posledice te konkretne odluke.

Često postavljana pitanja

Ko je razvio Jev AI?

TypeSafe AI je razvio Jev kao System One model za strukturisano donošenje odluka. LiteTMS ga integriše u specifične radne tokove, kao što su procena poruka vozača i upoređivanje naziva mesta.

Za šta se Jev AI koristi u sistemu LiteTMS?

Jev je povezan sa trijažom poruka vozača, proverom istog grada pri unosu naloga i kontroli mesta na CMR-u, predlozima pri uvozu i proverom istog jezika pre prevođenja četa. Podešavanja platforme i same kompanije određuju da li je pojedinačna funkcija aktivna u radnom prostoru.

Da li Jev odgovara vozačima ili odobrava CMR dokumente?

Ne. On može označiti poruku vozača koja zahteva pažnju i proceniti da li se dva naziva mesta odnose na isti grad. Poruku obrađuje čovek, a potvrda da je u pitanju isti grad ne overava kompletan CMR dokument.

Šta se dešava ako je Jev nesiguran ili nedostupan?

LiteTMS zadržava postojeći radni tok. Na primer, nesigurna provera jezika koristi standardnu putanju prevođenja četa, dok nesiguran predlog pri uvozu ostavlja mapiranje čoveku na pregled.