Jev: utforskar snabbare AI-beslut inom transport

Jev är en ny utveckling inom AI med ett annat syfte än de verktyg som många först stöter på. I en chatt med en AI-assistent ställer du en fråga och får ett skrivet svar, eller ber om hjälp med att formulera ett e-postmeddelande. Bakom den texten finns en stor språkmodell, ofta förkortad till LLM. Jev, som har lanserats av TypeSafe AI, är utformat för att fatta snabba, snävt definierade beslut inuti programvara snarare än att generera text.

För ett transportföretag kan det innebära att hjälpa ett system att känna igen vilket meddelande som kräver uppmärksamhet eller vilket ärende som bör gå till en människa. På LiteTMS testar vi redan olika scenarier för att se var detta arbetssätt kan göra vårt transportledningssystem mer användbart i det dagliga arbetet.

Vad Jev gör, i klartext

Tänk dig ett sorteringsbord. Information anländer och programvaran måste avgöra var den hör hemma. Jev tar emot den informationen och besvarar frågor med fördefinierade alternativ, poäng eller ja/nej-sannolikheter. Det skriver inte någon konversation och författar inte något e-postmeddelande. LangChains introduktion förklarar skillnaden och visar hur Jev kan arbeta sida vid sida med modeller som genererar text.

Här är ett belysande exempel från transportvardagen: en förare skriver: ”Fortfarande kvar på lagret. De börjar inte lasta förrän i morgon.” Ett system kan fråga om meddelandet beskriver en försening och om transportledaren behöver uppmärksamma det. Jev ger en bedömning; den omgivande programvaran avgör vad som ska göras med den.

TypeSafe kallar detta en System One-modell: AI byggd för snabba beslut som programvara kan använda direkt. Jev är i tidig förhandsversion. Det intressanta för oss är möjligheten att föra in små, nyttiga bedömningar direkt i arbetsflödet utan att någon behöver öppna ännu en chatt.

Var det kan hjälpa ett transportkontor

Detta är tänkbara tillämpningar, inte ett tillkännagivande av lanserade Jev-funktioner i LiteTMS.

Lyfta fram viktiga meddelanden

En lastningsförsening, en ändrad leveransadress och en rutinmässig ankomstbekräftelse kräver olika åtgärder. En modell kan hjälpa till att sortera inkommande meddelanden efter ämne och brådska, så att troliga problem lyfts fram för kontoret. Det avgörande testet är om den fångar upp viktiga avvikelser utan att fylla skärmen med onödiga larm.

Upptäcka ärenden som kräver förtydligande

Anta att en order har ett lossningsfönster på förmiddagen, medan ett senare kundmeddelande nämner eftermiddagen. En bedömning kan flagga en möjlig konflikt för granskning. Den bör hänvisa transportledaren tillbaka till relevant information och lämna den avtalade leveranstiden oförändrad tills någon har kontrollerat den.

Styra dokument till rätt person

När dokumenttext har lästs in av ett separat verktyg kan Jev hjälpa till att kategorisera innehållet: en leveransbekräftelse, en fråga om en avgift eller en reklamation. Det kan bidra till att styra arbetet till trafikledningen eller administrationen. Att läsa en skannad sida och att avgöra var dess innehåll hör hemma är två skilda steg; detta exempel rör det andra steget.

Välja när en människa bör ta över

Vissa förfrågningar har ett tydligt nästa steg. Andra innehåller ofullständig information eller rör en omtvistad kostnad. Ett system kan använda en bedömning för att föreslå lämplig hanteringsväg, inklusive manuell granskning. En bra utformning gör osäkra fall enkla att hitta och korrigera.

Snabba svar måste fortfarande kontrolleras

TypeSafe rapporterar hastighets- och kostnadsfördelar för lämpliga uppgifter. De leverantörsutvärderingarna bevisar inte vilka vinster ett transportföretag faktiskt gör. Ett garanterat svarsformat är inte heller samma sak som ett korrekt beslut: modellen kan fortfarande välja fel alternativ.

För våra föreslagna transportscenarier innebär det att kontrollera missade förseningar, onödiga eskaleringar och tvetydiga meddelanden, vid sidan av svarstiden. Vi måste också utvärdera hur mycket sammanhang varje beslut kräver. ”I morgon” betyder inte mycket om systemet saknar meddelandets datum.

Varför vi testar Jev på LiteTMS

Vi håller oss uppdaterade om ny teknik och testar redan olika scenarier där Jev kan göra LiteTMS smartare och mer användbart för företagen. Exemplen ovan beskriver riktningar värda att utforska; de är inte en lista över färdiga integrationer eller uppmätta resultat.

Vårt mål är praktiskt: hjälpa kontoret att uppmärksamma det som är viktigt och lägga mindre energi på att sortera information innan åtgärder kan vidtas. Varje tillämpning måste förtjäna sin plats genom användbara resultat, tydliga gränser och ett enkelt sätt för en person att gripa in. Vi delar med oss av konkreta erfarenheter allteftersom arbetet fortskrider.

Källor

• TypeSafe AI: Introduktion till System One-modeller och Jev
• LangChain: Att bygga en testmiljö med Jev
• Flavio Copes: En djupdykning i Jev, TypeSafes System One-modell
• heise online: AI-modellen "Jev" ska få maskiner att fatta snabbare beslut

Vanliga frågor

Vad skulle Jev kunna göra för ett åkeri?

Potentiella användningsområden är bland annat att sortera meddelanden, flagga för möjliga konflikter i orderinformation och vidarebefordra ärenden till rätt person. Detta är scenarier som vi utvärderar, inte garanterade resultat.

Finns Jev redan som en funktion i LiteTMS?

Vi testar möjliga tillämpningar. Den här artikeln är inte ett tillkännagivande om lansering eller något lanseringsdatum för kunder.

Skulle Jev fatta beslut i stället för en transportledare?

De scenarier som beskrivs här syftar till att underlätta transportledarens arbete genom att lyfta fram viktig information och föreslå hur den kan hanteras. Ändringar i operativa åtaganden kräver alltid noggranna kontroller och mänsklig tillsyn.