6. Kunstig intelligens-lag - eBattery AI

At rejse i en elbil kræver, at man træffer indbyrdes forbundne beslutninger. Distancen, det nuværende batteriniveau, køretøjets forbrug, vejforhold, ladestationernes placering og førerens tidsplan er alle dele af den samme rejse. Når en af disse variabler ændrer sig, kan de øvrige beslutninger også blive påvirket. En rute, der ser kortere ud, kan blive til en længere rejse, hvis der ikke findes egnet ladeinfrastruktur. En kraftigere station giver muligvis ikke den forventede tidsgevinst, hvis den ladeeffekt, køretøjet kan modtage, er begrænset.

eBattery AI er placeret i appens centrum for at vurdere disse beslutninger samlet og give brugeren en letforståelig turplan. Den lader brugeren udtrykke på naturligt sprog, hvad vedkommende vil, og omsætter ønsket til handlingsklare muligheder ved hjælp af køretøjsprofilen, kortet, ruten og de tilgængelige stationsdata.

Oplevelsen er enkel for brugeren: Det er nok at sige “Jeg vil til İzmir”, “Planlæg en tur på to dage til weekenden” eller “Find en passende ladestation i nærheden af mig” for at komme i gang. Bag kulisserne skal hver forespørgsel matches med forskellige datakilder, beregninger og appfunktioner. eBattery AI’s opgave er at håndtere denne tekniske kompleksitet og samtidig holde begrundelsen bag beslutningen klar for brugeren.

I centrum af denne tilgang står klarhed, beregnelighed og brugerkontrol er inkluderet. Assistenten skal kunne forklare, hvorfor den foreslåede rute er egnet. Den skal opbygge beregninger af rækkevidde og opladning med en ensartet metode, og brugeren skal kunne ændre planen efter egne behov.

Det nuværende produkts AI-chat samt rute- og turplanlægning udgør kernen i denne struktur. Input som live-stationsoplysninger, priser og trafik fungerer sammen med dækningen i de relevante datakilder. Prognoser beriget med vejrforhold, direkte forbindelse til køretøjet og personalisering, der lærer af adfærd, er funktioner, der udvides trin for trin på den samme arkitektur.

6.1 Tilgangen med en central assistent

6.1.1 At samle appens forskellige funktioner i en fælles kontekst

eBattery AI er en central assistent, der mindsker behovet for, at brugeren gentager de samme oplysninger igen og igen, når vedkommende bevæger sig mellem appens forskellige dele. En stationssøgning, der startes på kortet, kan præciseres i chatten; en rute, der oprettes under chatten, kan gennemgås på ruteskærmen; en planlagt tur kan redigeres med dage og stop i turmodulet.

I denne oplevelse udgør køretøjet, turen og brugerens præferencer den fælles kontekst. Når en bruger, der har valgt sit gemte køretøj, for eksempel siger “Vis mig egnede stationer i nærheden”, behøver systemet ikke at spørge efter køretøjsmodellen hver gang. Anmodningen vurderes sammen med det valgte køretøj og de positionsoplysninger, brugeren har valgt at dele.

Den centraliserede tilgang sikrer også, at forskellige indgange i appen når frem til den samme beslutningslogik. En søgning efter ladepunkter, som brugeren starter fra kortet, og en søgning via AI Chat bør give konsistente resultater, når det samme køretøj, de samme præferencer og de samme aktuelle data anvendes.

På den måde forbindes eBatterys moduler ikke blot via et skærmskift; den opgave, brugeren vil løse, bevares også.

6.1.2 Omsætning af brugerens hensigt til en handling i appen

Folk udtrykker sjældent deres behov i tekniske parametre. Sætninger som “Jeg kører om to timer”, “Vi tager af sted med børnene, så jeg vil gerne have en mere behagelig plan” eller “Jeg vil ikke køre for meget om for at lade” indeholder flere præferencer på én gang.

eBattery AI omsætter disse udsagn til oplysninger, der kan bruges i planlægningen. Når det er nødvendigt, udfylder den manglende oplysninger som startsted, destination, batteriniveau eller tidsprioritet. Spørgsmålene fokuserer på de områder, der reelt påvirker det resultat, der skal frembringes.

Hvis for eksempel det gemte køretøj og startplaceringen allerede er kendt, når der kommer en forespørgsel som "Jeg vil fra İstanbul til İzmir", kan brugeren blive spurgt om kun det aktuelle batteriniveau og rejsepræference. Når brugeren siger "Vi kan bruge betalingsveje, hold den samlede tid kort", tilføjes disse oplysninger til ruteforespørgslen.

Denne tilgang forbinder naturligt sprog med appens funktioner. Brugeren kan beskrive sit behov uden at skulle lære menuernes tekniske opbygning; systemet fører derefter anmodningen videre til det relevante beregnings- og skærmforløb.

6.1.3 Fuldfør anbefalingen med brugerkontrol

De planer, som eBattery AI foreslår, kan gennemses og ændres. Brugeren kan ændre den anbefalede station, tilføje et mellemstop, fjerne et museum fra turprogrammet eller bede om en billigere rute.

Assistenten sætter disse ændringer i relation til resten af planen. Når et stop fjernes, forkortes turlisten ikke blot; det kan også ændre den daglige distance, ankomsttidspunktet og ladebehovet. Brugerens redigering vurderes, mens disse sammenhænge bevares.

Planen tilhører brugeren. AI gør mulighederne synlige, letter beregninger og forklarer konsekvenserne af valg. Rejsens formål, tempo og acceptable omkostninger bestemmes af brugeren.

6.2 AI Chat: Åbningsoplevelse, avatar, streaming, konteksthukommelse

6.2.1 Åbningsoplevelse: At vise, hvad man kan gøre, med det samme

AI Chats startskærm viser direkte brugeren assistentens kernefunktioner. Brugeren kan starte en samtale med fri tekst eller bruge en af de færdige startmuligheder.

Startmulighed Brugerens mål Startet forløb
Planlæg rute At nå et punkt i bil Oprettelse af en rute ud fra start, destination, køretøj og opladningsbehov
Planlæg rejse At udforske en region inden for en fastsat tid Udarbejdelse af et dagsprogram ud fra interesser og tid
Foreslå nærmeste station At nå frem til et passende opladningspunkt Generering af anbefalinger ud fra placering, køretøjskompatibilitet og tilgængelige stationsdata
Mine effektiviteter Forstå brugsdata Overgang til forbrugs- og brugsvurdering baseret på eksisterende registreringer

Disse muligheder reducerer usikkerheden i den første interaktion. Brugerne behøver ikke gætte, hvilke spørgsmål de kan stille assistenten; appen tilbyder udgangspunkter knyttet til dagligdags EV-behov.

Efterhånden som samtalen skrider frem, afløses startmulighederne af handlinger, der passer til konteksten. Efter en oprettet rute kommer handlinger som “Åbn rute” frem, og efter en foreslået station “Gå til station”.

6.2.2 Avatar: Assistentens visuelle identitet

AI Chats visuelle identitet er en animeret robotavatar. Før en samtale begynder, står avataren midt på skærmen og ser med små bevægelser og lyseffekter klar til at interagere.

Når den første besked sendes, krymper avataren og flytter sig hen ved siden af assistentens beskeder. Det flytter skærmens fokus naturligt fra startoplevelsen til samtalen. Der åbnes mere plads til det, brugeren skriver, assistentens svar og de oprettede resultatkort.

Avataren hjælper også med visuelt at skelne AI-genererede beskeder. Denne identitet skaber en assistentoplevelse, der er adskilt fra og konsekvent i forhold til fællesskabets beskeder i appen.

Bevægelse og visuelle effekter har til funktion at vejlede brugeren og gøre systemets tilstand forståelig. Læsbarhed og interaktion har forrang; animationer kommer ikke i vejen for væsentlig information.

6.2.3 Streaming: Levering af svaret som en strøm

eBattery AI viser egnede svar som en strøm. I stedet for at vente på, at en lang forklaring bliver færdig, kan brugeren se svaret tage form trin for trin.

I denne oplevelse holdes to forskellige processer adskilt: at skrive forklaringen og at beregne planen. At assistenten begynder at generere tekst, betyder ikke, at ruteberegningen er færdig. Rute-, station- eller turkortet vises, når de relevante data og beregninger er klar.

Systemet kan for eksempel først vise, at forespørgslen er forstået, og derefter dele fremdriften, mens det forbereder rutemuligheder. Når beregningen er færdig, vises en kortforhåndsvisning og opladningsstop. På den måde gives hurtig feedback, samtidig med at resultaternes integritet bevares.

Hvis brugeren ændrer sin anmodning under forløbet, er den nye anmodning gældende. Et sent indløbende resultat, der hører til den tidligere anmodning, bør ikke erstatte den aktuelle plan. Det er især vigtigt i samtaler, hvor stop eller ruteønsker ændres efter hinanden.

6.2.4 Context Memory: At bevare samtalens betydning

Konteksthukommelsen gør det muligt at forstå den igangværende samtale sammen med de tidligere trin.

Når en bruger først siger "Jeg skal fra Istanbul til Izmir" og derefter skriver "Planlæg også hjemturen", knytter assistenten den anden anmodning til den første tur. En formulering som "Gør det mere økonomisk" anvendes også på den rute eller turplan, der tales om.

Konteksten håndteres på tre niveauer:

  • Chatkontekst: Oplysninger givet og ændringer foretaget under samtalen.

  • Aktiv plankontekst: Den rute, tur eller stationsvalg, der redigeres.

  • Gemte brugerpræferencer: Det valgte køretøj og de indstillinger, brugeren har fastsat permanent.

Denne skelnen forhindrer, at en midlertidig præference tolkes som en fast vane. At en bruger på én tur siger "Lad os undgå betalingsveje i dag", betyder ikke, at alle brugerens fremtidige ture skal planlægges på samme måde.

På samme måde kan et batteriniveau, der er indtastet i en tidligere samtale, ikke bruges som aktuelle køretøjsdata dagen efter. At huske kontekst kræver også, at man styrer, hvor længe oplysningerne er gyldige.

6.3 Lagdelt arkitektur: Regelbaseret beslutningslag og LLM-lag

6.3.1 Adskillelse af beregningens og fortællingens roller

eBattery AI's arkitektur er bygget på, at forskellige opgaver løses med forskellige metoder.

Beregning af rækkevidde, energibehov, kompatibilitet mellem køretøj og station samt vurdering af rutemuligheder foregår i beslutningslaget, som arbejder med definerede datafelter og beregningsregler. At forstå brugerens anmodning på naturligt sprog og forklare resultaterne er opgaven for den store sprogmodel, altså LLM-laget.

Denne adskillelse forbinder en anbefalings talmæssige grundlag med den måde, den forklares på. Når assistenten siger "Denne station er mere passende", skal begrundelsen komme fra data, som beregningslaget har produceret. De værdier for afstand, tid og energi, der bruges i forklaringen, bygger på samme kilde som værdierne på resultatkortet.

Arkitekturkomponent Kerneansvar Det resultat, den giver
Data- og integrationslag Organisering af data fra køretøjer, kort, stationer og andre kilder Input med defineret kilde og aktualitet
Anmodnings- og kontekststyring At kombinere brugerens anmodning, det valgte køretøj og den aktive plan Struktureret planlægningsanmodning
Regelbaseret beslutningslag Udførelse af kompatibilitetskontroller, energiberegninger og kandidatvurdering Muligheder for rute og ladeplan
LLM-lag Fortolkning af naturligt sprog og forklaring af beregnede resultater Forklaring tilpasset brugeren
Verificerings- og handlingslag Kontrol af resultaternes konsistens og transaktionsbemyndigelsen Et kort, der kan vises, og et handlingsklart trin
Oplevelseslag Præsentation af chatten, kortene og skærmovergangene Brugeroplevelse i appen

6.3.2 Omfanget af det regelbaserede beslutningslag

Den regelbaserede tilgang betyder, at beregninger for det samme datasnapshot og den samme regelversion kan gengives konsekvent.

Dette lag beregner den anvendelige batterienergi, estimerer energibehovet for rutestrækninger, fjerner stationer, der ikke er kompatible med køretøjet, og sammenligner egnede kandidater ud fra fastsatte kriterier. De vejpræferencer, brugeren har valgt, og den batterireserve, der skal bevares, tages også i betragtning her.

Regelbaseret beregning betyder ikke, at omverdenen kendes med sikkerhed. Fremtidig trafik, faktisk forbrug eller stationens tilstand ved ankomsten kan ændre sig. Selv om beregningsmetoden er konsekvent, er nogle input og output derfor skøn.

eBattery AI bevarer denne forskel: kendte data, oplysninger indtastet af brugeren og et modeloverslag præsenteres ikke med samme grad af sikkerhed.

6.3.3 LLM-lagets omfang

Sprogmodellen bruges til at forstå brugerens ønske og til at omdanne det beregnede resultat til en naturlig forklaring.

Udtryk som “Jeg vil gå mindre”, “Fjern museerne”, “Jeg vil ikke vente for længe på opladning” eller “Hvorfor valgte du denne station?” hører til dette lags arbejdsområde.

LLM'en hjælper med at udforme en struktureret anmodning, som kan sendes videre til den relevante appfunktion. Den udfylder dog ikke stationens pris, stikkets status eller køretøjets batteriniveau ud fra sin egen almene viden. Disse oplysninger hentes fra de relevante registre og integrationer.

Når beslutningsmotoren for eksempel vælger en station på grund af mindre ruteafvigelse og passende effektunderstøttelse, kan assistenten forenkle denne begrundelse:

"Denne station er kompatibel med dit køretøj og tættere på hovedruten. Alternativet, der ser kraftigere ud, giver ikke en ekstra tidsfordel på grund af dit køretøjs ladegrænse."

Værdien af denne forklaring er, at brugeren kan se logikken bag beslutningen.

6.3.4 Fra verificerede data til et forklarligt resultat

Hvert resultat knyttes til de vigtigste input, det har brugt. Det valgte køretøj, batterioplysninger, beregningstidspunktet og aktualiteten af stationsdata gør det muligt at forstå, under hvilke betingelser planen er udarbejdet.

Denne struktur gør det også lettere at vurdere brugerfeedback. At en anbefalet station ikke vælges, betyder ikke altid, at beregningen var forkert. Brugeren ønsker måske et andet pausested, foretrækker en bestemt operatør eller har en tidsbegrænsning, som ikke fremgår af planen.

At undersøge beslutningens input sammen med brugerens ændring hjælper med at forbedre systemet på en mere meningsfuld måde over tid.

6.4 Ruteplanlægning — Køretøjsprofil, rækkeviddeberegning, rute og vejpræferencer

6.4.1 Planlægning af turen sammen med køretøjsprofilen

I eBattery tager ruteplanlægningen ud over start- og slutpunkt også højde for køretøjets energi- og opladningsegenskaber.

To elbiler på samme rute kan have brug for forskellige ladeplaner. Anvendelig batterikapacitet, forbrug, understøttede stik og ladeeffekten, som køretøjet kan modtage, skaber denne forskel.

De vigtigste køretøjsoplysninger, der bruges i planlægningen, er følgende:

Køretøjsoplysninger Rolle i planlægningen
Mærke, model og egnet køretøjsvariant Sikrer, at den korrekte tekniske profil vælges
Anvendelig batterikapacitet Udgør grundlaget for beregningen af den energi, der kan bruges på turen
Forbrugsværdi Omregner afstand til et skønnet energibehov
Understøttelse af AC-opladning Hjælper med at vurdere opladning ved lange pauser og ved destinationen
Understøttelse af DC-opladning Gør det muligt at vurdere hurtigladning undervejs på ruten
Stikkompatibilitet Gør det muligt at identificere tilgængelige stationer
Aktuelt batteriniveau Definerer turens energimæssige startstatus

Brutto batterikapacitet og anvendelig kapacitet vurderes hver for sig. Den værdi, der lægges til grund for rækkeviddeberegningen, er den energi, der kan bruges til kørsel.

I det nuværende brugsforløb indtaster brugeren batteriniveauet manuelt før turen. Mens den gemte køretøjsprofil indeholder de tekniske oplysninger, er batteriprocenten det aktuelle input for netop den tur. Fremtidige integrationer med køretøjsforbindelse udgør det udvidelsesrum, der gør det muligt at hente denne oplysning automatisk fra understøttede køretøjer.

6.4.2 Rækkeviddeberegning og energireserve

Beregningen af rækkevidde bygger på forholdet mellem tilgængelig energi og forventet forbrug:

Aktuel energi = Anvendelig batterikapacitet × Batteriniveau / 100

Grundlæggende rækkeviddeestimat = Tilgængelig energi / Forbrug × 100

Her er energi angivet i kWh, forbrug i kWh/100 km og rækkevidde i kilometer.

Lad os som eksempel tage et køretøj med en anvendelig batterikapacitet på 60 kWh, et aktuelt ladeniveau på 40 % og et forbrug på 18 kWh/100 km, som bruges i beregningen.

I dette tilfælde:

  • Den beregnede energi i batteriet er 24 kWh.

  • Den teoretiske rækkevidde ned til nul er omkring 133 kilometer.

  • Hvis der for eksempel opretholdes en ankomstreserve på 15 %, falder den energi, der kan bruges til planlægning, til 15 kWh.

  • Med samme forbrugsforudsætning er den distance, der beregnes med bevarelse af reserven, ca. 83 kilometer.

Dette eksempel forklarer, hvorfor den teoretiske rækkevidde, der vises på skærmen, afviger fra den distance, der kan bruges i planlægningen. De 15 % her er en eksempelreserve, der bruges til at vise beregningslogikken.

I den egentlige ruteberegning vurderes afstanden sammen med vejens egenskaber og de tilgængelige forbrugsinput. Efterhånden som datadækningen udvides, kan effekter som stigning, trafik og vejrforhold føjes til modellen. Når de forhold, estimatet bygger på, ændrer sig, vurderes planen igen.

6.4.3 Start, destination og mellemstop

Brugeren kan fastlægge startpunktet ud fra sin aktuelle lokation, en adressesøgning eller kortet. Destinationen og mellemstop er også dele af samme turplan.

Mellemstop er særligt vigtige i planlægningen af elbilture. Når man rejser fra İstanbul til İzmir, ændrer et besøg i Bursa mere end blot den samlede distance. Besøgets varighed, om der er mulighed for opladning i området, og med hvilket batteriniveau den næste etape begynder, påvirker også planen.

Brugeren kan ændre rækkefølgen af stoppene eller beholde en bestemt rækkefølge. En manuelt fastsat rækkefølge kan afspejle brugerens tidsplan eller personlige prioritet. Systemet genberegner opladningsstoppene i overensstemmelse med dette valg.

Ved hver ændring opdateres den relevante plan, uden at brugeren skal indtaste alle oplysninger igen.

6.4.4 Ruteindstilling og vejpræferencer

eBattery knytter ruteindstillinger til brugerens rejseprioritet.

Hurtigst -tilgangen fokuserer på den samlede rejsetid. Ud over køretiden indgår omveje for at lade op, opladningstiden og, hvor der findes data, ventetiden i vurderingen.

Mest effektiv tilgangen behandler energibehovet og de tilgængelige omkostningsdata sammen med en rimelig rejsetid. Mens brugeren tilbydes en billigere mulighed, vises også dens effekt på varigheden.

Ingen af disse to muligheder har en fast fordel på alle ture. På en forretningsrejse kan tid være vigtigere, på en weekendtur kan pauseplanen eller budgettet være det.

Vejpræferencer som betalingsveje, motorveje og færger føjes til ruteanmodningen. Google Maps Routes API tilbyder også undgåelsesmuligheder for sådanne præferencer; disse muligheder styrer rutesøgningen, og om der kan findes et passende alternativ, afhænger af vejnettet. eBattery kombinerer disse funktioner, som den anvendte korttjeneste leverer, med køretøjs- og ladeplanlægning.

Regionale eller mere detaljerede vejbegrænsninger behandles sammen med dækningen af den relevante data- og rutetjeneste. Den rute, der præsenteres for brugeren, bør tydeligt vise præferencernes indflydelse på resultatet.

6.5 Ladeplanlægning og stationsscoring – anbefaling af ladestørrelse, sikkerhedsmargin

6.5.1 Først kompatibilitet, derefter sammenligning

Det første trin i opladningsplanlægningen er at identificere de stationer, der kan bruges. At en station har en høj vurdering eller en lav pris, betyder ikke, at køretøjet kan lade op dér.

Derfor gennemføres vurderingen i to trin:

  1. Identifikation af kandidater, der er kompatible med køretøjet og rejsen.

  2. Sammenligning af egnede kandidater med hensyn til tid, omkostninger og brugsvilkår.

Stikkompatibilitet, tilgængelighed og den energi, der skal til for at nå stationen, er emnet for første trin. Disse grundlæggende betingelser behandles ikke som pointfaktorer, der kan opvejes af andre fordele.

For eksempel anbefales en station, der ikke er kompatibel med køretøjet, ikke blot fordi den er billigere. På samme måde får et sted, som ikke ser ud til at kunne nås med den aktuelle energi, ikke prioritet udelukkende på grund af sin høje ladeeffekt.

6.5.2 Stationsscoring: Egnethed, der varierer efter tur

Når egnede kandidater er identificeret, gennemgår stationerne en evaluering baseret på flere kriterier.

Kriterium Vurderet emne
Afvigelse fra ruten Den ekstra afstand og tid, der skal til for at nå stationen og vende tilbage til hovedruten
Effektkompatibilitet med køretøjet Hvordan stationens effekt forholder sig til det område, køretøjet kan udnytte
Pris Den takst, der er tilgængelig og gælder for den pågældende bruger
Aktuel status Aktuel status for et egnet ladepunkt i understøttede integrationer
Oplysninger om ventetid Sandsynlig ventetid, når der findes pålidelige data eller tilstrækkelig modelunderstøttelse
Driftsmæssig pålidelighed Servicekontinuitet og brugeroplevelse, når data er tilgængelige
Brugeranmeldelser Hvor opdaterede erfaringerne er, hvad de indeholder, og om de bygger på et tilstrækkeligt antal observationer
Tilpasning til pauser Stationens forhold til brugerens nuværende stop og tidsplan
Dataaktualitet Hvor opdaterede de oplysninger, der bruges i beslutningen, er

Betydningen af disse kriterier varierer efter den valgte rutetilstand. På en tidsprioriteret tur kan omveje og ladetid være mere afgørende. På en omkostningsprioriteret tur vurderes en tarifforskel sammen med den ekstra tid, den medfører.

Manglende data indgår også i vurderingen. En station, hvis live-status er ukendt, betragtes ikke som "ledig". På samme måde er oplysninger om stikkontaktbelægning alene ikke altid nok til at beregne en pålidelig ventetid.

En brugervurdering kan heller ikke alene erstatte driftsmæssig pålidelighed. Nogle få gamle anmeldelser bør ikke tillægges samme vægt som et aktuelt og bredere sæt af erfaringer.

6.5.3 Forholdet mellem stationens effekt og den faktiske opladningsoplevelse

Den effekt, der står på stationen, betyder ikke, at bilen lader med denne effekt under hele sessionen. Opladningstiden afhænger af flere faktorer, såsom batteriniveau, kapacitet samt egenskaberne ved bilen og ladeudstyret. U.S. Department of Energys ressource Alternative Fuels Data Center forklarer ligeledes, at disse variabler tilsammen bestemmer opladningstiden.

For et køretøj med en DC-ladegrænse på 100 kW er en station med en kapacitet på 350 kW f.eks. ikke nødvendigvis hurtigere end en egnet station med en kapacitet på 150 kW, blot på grund af den angivne effekt. Hvis det kræver en længere omvej at nå den første station, kan det andet valg være mere egnet for rejsen som helhed.

eBatterys vurdering ser på stationens effekt sammen med køretøjets egenskaber. I stedet for automatisk at præsentere høje tal som den bedre mulighed ser den på, hvilken fordel stationen vil give brugerens rejse.

6.5.4 Ladet mængde: Energi tilpasset næste etape

Opladningsplanen omfatter både valg af station og den anbefalede mængde energi.

Den grundlæggende tilgang er at vurdere energibehovet for det næste rudestykke, den tilstræbte ankomstreserve og egnede alternativer samlet. Brugeren behøver ikke nå det samme batteriniveau ved hvert stop. Et kort hop, en lang næste etape eller ladetilgængelighed ved destinationen kan give forskellige mål.

Det grundlæggende forhold for den energi, der skal tilføres batteriet, er som følger:

Energi, der skal tilføjes = Anvendelig kapacitet × (Målbatteriprocent − Nuværende batteriprocent) / 100

For eksempel svarer det i et køretøj med 60 kWh brugbar kapacitet til en energiforøgelse på ca. 30 kWh i batteriet, hvis batteriniveauet hæves fra 20 % til 70 %.

Denne værdi behøver ikke være helt den samme som den energi, der måles på stationens måler eller faktureres. På grund af ladetab og hjælpeforbrug har det betydning, på hvilket punkt energien måles.

Opladningstiden beregnes heller ikke blot ved at dividere med stationens maksimale effekt. Hvor det er muligt, tager modellen højde for køretøjets opladningsadfærd ved forskellige batteriniveauer. Som et illustrerende eksempel gælder det, at hvis der tilføres 30 kWh energi til batteriet ved en gennemsnitlig nettoeffekt på 60 kW, er energioverførselstiden cirka 30 minutter. Den afgørende værdi her er den gennemsnitlige effekt under sessionen.

I omkostningsberegningen indregnes ud over energiprisen også gældende sessions-, tids- eller andre takstkomponenter. Brugeren skal kunne forstå, hvilket omfang det viste overslag dækker.

6.5.5 Bevarelse af sikkerhedsmargenen og alternativerne

Planlægningen bygger ikke på, at batteriet teoretisk bruges ned til sidste energienhed. Den levner plads til en ankomstreserve, variation i forbrugsestimater og adgang til alternativer undervejs.

Den nødvendige reserve vurderes sammen med rutens længde, stationstæthed, dataenes aktualitet og planens fleksibilitet. En byrute med hyppige opladningsmuligheder og en lang strækning med få alternativer har ikke de samme vilkår.

Når eBattery AI forklarer det anbefalede ladebeløb, gør den denne logik synlig. Brugeren kan forstå, hvorfor det anbefales at tage mere energi på en station, eller hvorfor en kort opladning anses for tilstrækkelig til at nå det næste egnede stop.

Aktuelle tilgængelighedsoplysninger afspejler ligeledes situationen på det tidspunkt, planen blev oprettet. Disse oplysninger udgør ikke en reservation af, at det samme stik er ledigt ved ankomsten. Vurderingen af alternative stationer er derfor en vigtig del af planen.

6.6 Dynamisk genberegning

6.6.1 At afspejle ændrede forhold under turen i planen

Ruten behandles ikke som et fast dokument, der er oprettet, før turen begynder. Efterhånden som brugeren kommer videre, kan position, trafik, stationsstatus og vedkommendes egne præferencer ændre sig.

Dynamisk genberegning vurderer disse ændringers effekt på planen. Hver udløser virker dog kun i det omfang, de relevante data er tilgængelige.

Ændring Anvendte oplysninger Mulig indvirkning på planen
Ændring i trafikken Kort- og trafikkilde Opdatering af varighed og rutemuligheder
Ændring af status for en planlagt station Operatørintegration Vurdering af et alternativt ladepunkt
Brugeren afviger fra ruten Lokation og rutefremdrift Genberegning af den resterende afstand og det resterende energibehov
Opdatering af batterioplysninger Brugerlogin; understøttede fremtidige køretøjsforbindelser Opdatering af ladestoppet og den ønskede energimængde
Tilføjelse eller fjernelse af et mellemstop Brugerredigering Genplanlægning af de berørte rutestrækninger
Skiftende vejrforhold Det omfang, hvor den pågældende integration er aktiv Fornyet vurdering af forbrugsestimatet

På en tur, der kører med et manuelt indtastet batteriniveau, er den resterende energi, som systemet beregner, et estimat. Det mærkes ikke på samme måde som aktuelle batteridata målt fra køretøjet.

6.6.2 Ikke at præsentere hver ændring for brugeren som en ny rute

Små forskelle, der hele tiden ændrer sig, kan give brugeren en unødvendig beslutningsbyrde. Nogle få sekunders udsving i trafikken eller en meget lille tidsfordel kræver ikke en ny anbefaling hver gang.

Tilgangen til genberegning vurderer, hvad ændringen betyder for rejsen. Den nuværende plans gennemførlighed, energireserven og den tydelige fordel for brugeren har førsteprioritet.

Dermed bevares planens stabilitet. I stedet for hele tiden at blive ledt mellem to meget tætte valgmuligheder ser brugeren en meningsfuld opdatering, når der er brug for en.

6.6.3 Forklaring af årsagen til ændringen

Den foreslåede nye rute præsenteres sammenlignet med den nuværende plan. Brugeren skal kunne se, hvilken betingelse der har ændret sig, og hvad resultatet er.

For eksempel:

“Brugsoplysningerne er ændret for de egnede stik på den station, du har planlagt. En alternativ station ligger tættere på din rute og kan nås ud fra det aktuelle energioverslag. Du kan se på den nye mulighed.”

I forklaringen bruges kun elementer, som de tilgængelige data understøtter. Hvis der ikke findes et pålideligt estimat af ventetiden, angives der ikke en nøjagtig tidsbesparelse i minutter.

Trafikoplysninger fra kortudbyderen og eBatterys EV-vurdering baseret på disse data knyttes også korrekt sammen. Begrundelsen for anbefalingen gør det tydeligt, hvilke data der bruges, og hvordan.

6.7 AI-turplanlægning — kandidatpulje, klyngedannelse, tidsbudgettering, integration af opladning

6.7.1 Fra transportplan til hverdagsoplevelse

Rejseplanlægning organiserer den tid, brugeren skal tilbringe i et givent område. Målet er at omsætte interessante steder til en plan, der passer til brugerens tid, interesser og køretøjets energibehov.

Når brugeren siger “Jeg tilbringer to dage i Kappadokien, med fokus på natur og historie”, vurderer systemet regionen, rejsens længde og prioriteterne samlet. Udgangspunktet, det daglige tempo og eventuelle steder, som brugeren specifikt vil se, føjes til planen.

Det resulterende program giver en redigerbar turstruktur opdelt i dage.

6.7.2 Opbygning af puljen af kandidatsteder

Det første skridt er at identificere egnede steder at besøge i regionen. Kandidatpuljen kan omfatte kulturelle steder, museer, naturområder, spise- og drikkesteder og rastepladser.

Afhængigt af kildens omfang omfatter de oplysninger, der tages i betragtning, placering, kategori, besøgsvarighed, åbningstider og brugeranmeldelser.

Høj popularitet er alene ikke en grund til at vælge et sted. Hvis et sted ikke passer til brugerens interesser, ligger for langt fra dagens program, eller der ikke er tid nok til et besøg, kan det få lavere prioritet.

Indholdsfortællingen knyttes til registreringerne for de valgte steder. Oplysninger, der kan ændre sig, som åbningstider eller adgangsvilkår, genereres ikke ud fra sprogmodellens almene viden, som om de var aktuelle data.

6.7.3 Geografisk klyngedannelse og transportforbindelser

Kandidatsteder vurderes ud fra deres geografiske og transportmæssige relationer, før det daglige program opbygges. Målet er at mindske unødvendige frem og tilbage-ture inden for samme dag.

To punkter, der ser ud til at ligge tæt på hinanden på kortet, ligger ikke nødvendigvis kort rejsetid fra hinanden. Vejforbindelser, krydsningspunkter og områdets geografi afgør det reelle bevægelsesmønster. Derfor bygger den daglige gruppering ikke kun på afstanden i luftlinje.

Hvis en dags program for eksempel sammensættes af besøg i samme område, kan et stop længere væk flyttes til en anden dag. På den måde kan brugeren bruge en større del af sin tid på besøg frem for transport.

Når brugeren foretrækker en bestemt rækkefølge, bevares dette valg; systemet tilpasser den resterende plan, så den er i overensstemmelse med rækkefølgen.

6.7.4 Tidsbudgettering: Et realistisk dagsprogram

Om den daglige plan kan gennemføres, afhænger af rejse- og pausetider ud over den samlede besøgsvarighed.

En dags tidsbudget omfatter følgende komponenter:

  • Transport mellem punkterne.

  • Den tid, der bruges på besøg hvert sted.

  • Spise- og hvilepauser.

  • Nødvendige ladestop.

  • Rimeligt tidsrum til parkering, adgang og lignende overgange.

Hvis man i en brugers seks timer lange turplan kun placerer stop, hvis besøgstider tilsammen udgør seks timer, levnes der ingen tid til transport. eBattery AI opbygger planen inden for dagens samlede tidsramme.

Programmets værdi måles ikke på, at det oplister så mange steder som muligt. Det vigtige er, at det kan følges i det tempo, brugeren vælger, og at der er plads til ændringer.

6.7.5 Indpasning af opladning i den daglige tidsplan

Ladestop vurderes sammen med energibehovet, når en turplan oprettes. De behandles ikke som et selvstændigt behov, der tilføjes til sidst på dagen.

Hvis en spisepause kan kombineres med et egnet ladepunkt, kan de to aktiviteter finde sted i samme tidsrum. For eksempel kræver en spisepause på 40 minutter og en opladning på 25 minutter, der starter samme sted og på samme tidspunkt, under passende forhold ikke et ekstra stop på i alt 65 minutter. Planen vurderer overlappende varigheder samlet.

I denne matchning er stationens faktiske adgang, driftsforhold, parkeringsindretning og brugerens præferencer vigtige. En station, der på kortet ser ud til at ligge tæt på en restaurant, antages ikke i alle tilfælde at være en egnet pausemulighed.

Ved rejser, der strækker sig over flere dage, fortsætter energiberegningen på tværs af dagene. Næste dags startbatteri knyttes til den foregående dags planlagte slutning. Natopladning medregnes kun, når den indgår i brugerens plan og understøttes af det relevante anlæg.

6.7.6 Redigerbar turfortælling

Det beregnede program præsenteres som stop fordelt på dage sammen med en forklaring i naturligt sprog. Brugeren kan se, hvilket område der besøges hvilken dag, hvor opladningen er placeret, og den omtrentlige tidsfordeling for dagen.

Ønsker som “Gør den anden dag mere afslappet”, “Fjern museet” eller “Jeg vil gerne være i naturen om eftermiddagen” gør det muligt at redigere planen.

Efter en ændring vurderes de berørte dage og rutestrækninger igen. Turfortællingen ændres også sammen med den opdaterede plan; princippet er at undgå enhver modsigelse mellem den gamle beskrivelse og den nye liste over stop.

Denne by- og regionsfokuserede struktur danner grundlag for bredere, landsdækkende og langsigtet planlægning i senere faser.

6.8 Effektivitetsanalyse

6.8.1 At gøre data meningsfulde set fra bilistens perspektiv

Effektivitetsanalysen hjælper brugerne med at vurdere deres energi- og rejseregistreringer mere overskueligt.

Hvis de tilgængelige data er tilstrækkelige, kan forbrug, distance, ladeudgifter samt planlagte kontra faktiske værdier fra forskellige perioder sammenlignes. AI forklarer ændringen i tallene og viser, hvilke registreringer det kan være nyttigt for brugeren at gennemgå.

Analysens omfang afhænger af de anvendte data. Oplysninger, der er indhentet via en køretøjsforbindelse, sessionsregistreringer eller brugerlogin, holdes adskilt fra skøn, der kun er beregnet ud fra ruten.

6.8.2 Målt forbrug og beregnet skøn

I en vurdering af forbruget skal energien og distancen høre til samme periode, samme køretøj og en ensartet målemetode.

Hvis den samlede energi og den samlede distance er kendt, er den grundlæggende forbrugsberegning som følger:

Gennemsnitligt forbrug = Samlet kørselsenergi / Samlet distance × 100

Hvis man blot lægger forbrugsværdierne for ture af forskellig længde sammen og dividerer med antallet af ture, får man ikke nødvendigvis det korrekte gennemsnit for perioden. En beregning baseret på den samlede energi og distance bevarer vægten af korte og lange ture.

Energi købt under opladning er heller ikke altid den samme som den energi, der forbruges under kørsel i samme periode. Batteriniveauerne ved periodens start og slutning, ladetab og registreringernes omfang påvirker denne sammenhæng.

Derfor behandler eBattery ladeforbrug, købt energi og kørselsforbrug som separate begreber med hver deres betydning.

6.8.3 At vise ændringen og forklare årsagen med data

Som et illustrerende eksempel kan vi forestille os, at det gennemsnitlige forbrug stiger fra 18 kWh/100 km til 19,8 kWh/100 km i to sammenlignelige perioder. Denne ændring svarer til en stigning i forbruget på 10 %.

Dette resultat alene viser dog ikke årsagen til stigningen. Rute, hastighed, vejrforhold, belastning eller turens opbygning kan have ændret sig.

AI'ens vurdering holder sig til det niveau, dataene understøtter. Hvis der kun findes forbrugs- og afstandsregistreringer, kan den sige "Dit forbrug er steget"; for at konkludere, at en bestemt adfærd som hård opbremsning eller brug af aircondition var årsagen, kræves de relevante målinger.

Hvor der ikke findes direkte køretøjsdata, præsenteres batteriets sundhedstilstand ikke, som om den var målt. Detaljeret analyse af kørselsadfærd udvides med integrationer, der giver tilstrækkelige data til at vurdere denne adfærd.

6.8.4 Opbygning af sammenlignelige brugsvaner

Formålet med effektivitetsskærmen er at gøre det lettere for brugeren at forstå sit eget forbrug over tid.

Sammenligning af lignende ruter, gennemgang af ladeudgifter på forskellige stationer og indsigt i forskellene mellem planlagt og faktisk varighed understøtter denne forståelse.

Assistentens forslag er konkrete og afmålte. I stedet for at love brugeren en ubekræftet besparelsesprocent forklarer den, hvilke data der har ændret sig, og hvilke forhold der bør undersøges for at få en mere meningsfuld sammenligning.

6.9 Resultatkort og deep linking

6.9.1 At omsætte en samtale til et resultat, der kan bruges i appen

En rute, tur eller stationsanbefaling, der oprettes i AI Chat, præsenteres med resultatkort. Kortene gør det muligt for brugeren hurtigt at se nøgleoplysningerne og gå videre til det relevante modul.

Korttype Kortets kerneindhold Tilknyttet skærm
Rutekort Start, destination, rouesammendrag, anslået tid og ladestop Ruteplanlægning
Turkort Region, antal dage og oversigt over dagsprogram Turplanlægning
Stationskort Placering, kompatibilitet, effekt og tilgængelige aktuelle oplysninger Stationsdetaljer
Effektivitetskort Periode, nøgleindikatorer og vurderingsresumé Effektivitet

Kortets formål er ikke at presse alle detaljer ind på et lille område. Det giver nok information til, at brugeren kan genkende resultatet og vælge den næste handling.

6.9.2 Åbning af den samme plan via deep linking

Deep linking sørger for, at resultatkortet fører brugeren til det rigtige indhold på den relevante skærm.

Når brugeren åbner en rute, vedkommende har oprettet i chatten, møder vedkommende ikke en tom ruteformular. De valgte start- og destinationspunkter, køretøjet, mellemstop og planens øvrige oplysninger vises på den relevante skærm.

Det samme forhold bevares også på tur- og stationskort. På den måde bliver chat-, kort- og planlægningsskærmene forskellige visninger af den samme handling.

Teknisk set knyttes kortet til den relevante registrering og planversion. Når brugeren ændrer planen, er det fortsat tydeligt, hvilket resultat der er det aktuelle.

6.9.3 Hurtige handlinger tilpasset konteksten

Afhængigt af resultaterne tilbydes handlinger som “Start rute”, “Gå til station”, “Gem”, “Del” eller “Føj til favoritter”.

Det er ikke nødvendigt, at hvert kort viser alle handlinger. Handlingerne vælges ud fra det resultat, brugeren på det pågældende tidspunkt har frembragt.

Delbare kort behandles også sammen med deres indholdsomfang. Oplysninger som brugerens hjemmeadresse eller personlige startpunkt anses ikke for en naturlig eller obligatorisk del af deling. Brugeren skal kunne se, hvilket indhold vedkommende deler.

6.10 Proaktive forslag og notifikationer

6.10.1 At yde meningsfuld hjælp, når et behov opstår

Når de relevante data er tilgængelige, kan eBattery AI også gøre vigtige ændringer synlige uden, at brugeren spørger.

Inden for dette omfang falder en ændring i stationens status under en aktiv tur, en betydelig trafikpåvirkning eller en fornyet vurdering af opladningsplanen på baggrund af opdaterede batterioplysninger.

Formålet med proaktiv support er at hjælpe brugeren rettidigt. Ikke enhver dataændring udløser en notifikation; det vurderes, hvordan oplysningen hænger sammen med den aktuelle tur, og om den kræver handling.

6.10.2 Vurdering af en notifikation sammen med de data, den bygger på

Betydningen af en advarsel om lavt batteri afhænger af datakilden.

Hvis det aktuelle batteriniveau kan hentes fra køretøjet, kan den målte værdi bruges. Hvis brugeren har indtastet det manuelt ved start, er den værdi, der beregnes under turen, et skøn. Notifikationens formulering bevarer denne forskel.

På samme måde skal den aktuelle tarif og de betingelser, der gælder for brugeren, være kendt, for at man kan give et forslag om prisfordelen ved en favoritstation. En vedligeholdelsespåmindelse knyttes derimod til en dato, som brugeren har gemt, eller til en passende datakilde.

Denne tilgang sikrer, at proaktive anbefalinger forbliver i overensstemmelse med det tilgængelige dataomfang.

6.10.3 Notifikationshyppighed og brugerpræferencer

Notifikationer styres efter vigtighed og kontekst. En ændring, der påvirker en aktiv turs gennemførlighed, har ikke samme prioritet som et generelt brugsforslag.

Brugere kan administrere deres notifikationsindstillinger. Færre gentagne beskeder om den samme hændelse, ingen visning af notifikationer, der ikke længere er gyldige, og at anbefalingen ledes til den rette plan, er en del af oplevelsen.

Positions- og baggrundsfunktioner kører med brugerens tilladelser og inden for det mobile operativsystems driftsvilkår. Oplysninger, der vises under en rejse, holdes korte og handlingsorienterede; detaljerne kan gennemses på den relevante skærm.

6.11 Tillid og fejlhåndtering

6.11.1 At gøre oplysningens karakter synlig

eBattery AI's tilgang til tillid bygger på, at det er muligt at forstå, hvilke oplysninger resultaterne er baseret på.

Det batteriniveau, brugeren har indtastet, stikkets status fra operatøren, kortservicens tidsestimat og AI'ens forklaring er forskellige typer information. Denne sondring gør det muligt at vurdere anbefalingen korrekt.

Generative AI-systemer kan præsentere ubegrundede oplysninger på en overbevisende måde. NIST's risikoprofil for generativ AI behandler også denne adfærd. eBatterys datadrevne beregnings- og verifikationstilgang er designet til at mindske virkningen af sådanne fejl på appens beslutninger.

Denne tilgang har særlig betydning for position, stationsstatus, pris og energiberegning. En flydende forklaring bruges ikke i stedet for verificerede data.

6.11.2 At opføre sig klart og konsekvent, når data mangler

At én datakilde ikke svarer, betyder ikke, at alle appens funktioner skal stoppe på én gang. Systemet vurderer, hvilket resultat der kan tilbydes med de tilgængelige data.

Hvis f.eks. en stations placering og stikoplysninger er tilgængelige, men dens live-status ikke kan hentes, kan opdagelsen af stationer fortsætte, mens tilgængeligheden vises som ukendt.

På samme måde, når sprogmodellen midlertidigt ikke kan svare, analyseres det gyldige ruteresultat fra beregningstjenesten, så det kan præsenteres med et standardkort og en kort forklaring.

Hvor de senest kendte data anvendes, bevares aktualiteten. En gammel status, der vises fra cachen, præsenteres ikke som live-information, der netop er modtaget.

6.11.3 Bemyndigelse, privatliv og sikkerhed ved eksternt indhold

De data, som AI-laget har brug for, begrænses til omfanget af den opgave, der skal udføres. For at forklare, hvorfor en station anbefales, er det ikke nødvendigt at give modellen brugerens fulde beskedhistorik eller betalingsoplysninger.

Lokation, rejseplaner og brugerpræferencer håndteres under adgangskontrol. Appens transaktionsrettigheder verificeres uafhængigt af sprogmodellens frie tekstgenerering.

Beskrivelser fra eksterne kilder og brugeranmeldelser behandles også som data. Et af arkitekturens sikkerhedsprincipper er, at instruktioner, der kan forekomme i dette indhold, ikke må ændre appens transaktionsregler.

Også i fremtidige transaktionsforløb som betaling eller reservation er et AI-forslag og udførelsen af transaktionen separate trin. Transaktionens omfang vises for brugeren, og det relevante godkendelsesforløb bevares.

6.11.4 At lære af fejl på en målbar måde

Pålidelighed kræver regelmæssig vurdering af reelle brugsscenarier.

Situationer som en station, der er inkompatibel med køretøjet, en manglende pris, et ændret batteriinput, en afbrudt forbindelse eller en gammel ruteanmodning, der afsluttes for sent, er testscenarier, som afgør, hvordan systemet skal opføre sig.

Brugerfeedback bidrager også til denne proces. Et valg truffet på baggrund af forkerte stationsoplysninger og et valg, der ikke levede op til forventningerne, er ikke den samme type fejl. Når feedbacken kobles til de relevante data og det relevante beslutningstrin, hjælper det med at forbedre den rigtige komponent.

Tillidstilgangen går videre end blot at tælle resultater som "vellykket" eller "mislykket"; den bygger på at forstå fejlens kilde og dens indvirkning på brugeren.

6.12 Modeluafhængig infrastruktur og ydelsesmål

6.12.1 Hold produktlogikken uafhængig af modeludbyderen

eBattery AI's infrastruktur bygger på en tilgang, der ikke binder centrale produktfunktioner til egenskaberne i en enkelt sprogmodel.

Køretøjsprofil, stationsdata, ruteberegning og brugerpræferencer håndteres i appens egne tjenester. Sprogmodeller forbindes til disse tjenester via definerede opgaver og datakontrakter.

Denne struktur gør det muligt at vurdere forskellige modelfamilier som GPT og Gemini eller alternativer, der udvikles i fremtiden. Et modelskifte bør ikke kræve, at grundregler som køretøjs- og stationskompatibilitet skrives om.

Modeller vælges ud fra sprogkvalitet, nøjagtighed af struktureret output, opgavesucces, forsinkelse, omkostninger og databehandlingsbetingelser. Udbyderens navn alene bruges ikke som mål for produktkvalitet.

6.12.2 Brug af den rette model og tjeneste til opgaven

Ikke enhver brugeranmodning kræver den samme behandlingsbelastning. En kort hensigtsklassificering og en detaljeret turbeskrivelse har forskellige behov.

Infrastrukturen er udformet, så opgaver kan dirigeres efter denne forskel. Arbejde, som beregningstjenesterne kan løse direkte, udføres i disse tjenester; til trin, der kræver fortolkning og forklaring i naturligt sprog, bruges en passende model.

Den arkitektoniske tilgang, der understøtter ydeevnen, omfatter følgende elementer:

  • Samtidig udførelse af uafhængige dataopkald, hvor det er hensigtsmæssigt.

  • Kontrolleret caching af køretøjsoplysninger, der ændrer sig langsommere.

  • Anvendelse af aktualitetsregler på variable data som tilgængelighed og pris.

  • Annullering af ugyldige konti, når brugerens anmodning ændres.

  • Kørsel af lange operationer i baggrunden uden at blokere grænsefladen.

  • At præsentere de færdige dele af resultatet i etaper og samtidig bevare dets integritet.

Også kort- og trafiktjenester indebærer afvejninger mellem svartid og beregningsdetaljer. Google Routes API definerer forskellige muligheder for trafikvurdering og forklarer, at en mere omfattende søgning kan give højere forsinkelse. eBatterys tilgang til ydeevne vurderer sådanne eksterne tjenesters adfærd i forhold til den samlede brugeroplevelse.

6.12.3 Fastlæggelse af præstationsmål

I eBattery AI vurderes ydeevnen ud fra oplevelsen mellem, at brugeren sender sin anmodning, og at vedkommende når et brugbart resultat.

Starten på det første svar og færdiggørelsen af ruteplanen er forskellige målinger. At vise en indlæsningsanimation regnes ikke for det samme som starten på et meningsfuldt AI-svar.

Præstationsområde Designmål Målemetode
AI-svaret begynder Starte den første meningsfulde svarstrøm på under 2 sekunder under standardforhold Tiden fra anmodningen sendes til det første meningsfulde indhold er synligt for brugeren
Standard ruteoprettelse At levere et brugbart ruteresultat på under 5 sekunder, hvor det er muligt, i typiske understøttede scenarier Tiden fra anmodningen, til ruten og den grundlæggende ladeplan er klar
Skærmovergange Bevar interaktion og flydende oplevelse, mens en beregning kører Forsinkede lanceringer og grænsefladefrysninger
Genberegning At afspejle meningsfulde ændringer i planen rettidigt Tiden fra modtagelsen af opdateringen, til den nye mulighed er klar
Komplekse turplaner At levere resultater i etaper ved at holde fremdriften synlig Første anvendelige resultat og tider for gennemførte planer

Disse værdier er tekniske mål. Faktiske resultater måles ud fra netværksforhold, dataleverandører, rutelængde, antal stop og planens kompleksitet.

Et enkelt gennemsnit beskriver ikke hele oplevelsen. Ud over den typiske brugeroplevelse følges målinger som medianen og 95. percentil, så langsommere forespørgsler kan ses. Det gør forskellen synlig mellem, at systemet kører hurtigt for de fleste, og at nogle brugere venter længe.

6.12.4 Måling af nøjagtighed og brugbarhed sammen med hastighed

Præstationsvurderingen omfatter både resultatets kvalitet og svartiden.

De vigtigste vurderingsområder er:

  • Nøjagtighed i valget af stationer, der er kompatible med køretøjet.

  • Konsistens i beregninger af energi og batteriprocent.

  • Overholdelse af den rækkefølge af stop, som brugeren har fastsat.

  • At holde aktuelle data og gamle data adskilt.

  • At beskrivelsesteksten stemmer overens med værdierne på resultatkortet.

  • Resultatkortet åbner den korrekte plan og skærm.

  • Anvendelse af brugerens ændringer på den rigtige version.

  • Ensartet forståelse af den samme forespørgsel på tværs af forskellige sprog.

Når faktiske data bliver tilgængelige, sammenlignes den estimerede ankomsttid med de observerede resultater for forbrug og opladningstid. Disse sammenligninger viser, i hvilke regioner, køretøjsprofiler eller brugsforhold der er behov for forbedring.

Modelopdateringer håndteres med samme evalueringsdisciplin. At en ny model taler mere flydende, betyder ikke, at den er mere præcis i ruteforklaringer. Dens præstation på nuværende opgaver, dens strukturerede output og dens overensstemmelse med handlinger i appen gennemgås samlet.

6.12.5 Et fælles fundament for voksende funktioner

Den modeluafhængige struktur understøtter, at eBattery AI udvides med nye data og tjenester, efterhånden som produktet udvikles.

Direkte køretøjsdata, herunder vejrforhold i energimodellen, anbefalinger, der lærer af brugerpræferencer, og turplaner med bredere geografisk dækning knyttes alle til den samme beregnings- og kontekststruktur.

Efterhånden som opladning og betaling, EV Market, mobil ladestøtte og andre tjenester kommer til, udvides også de handlinger, som assistenten kan vejlede om. Hver ny funktion behandles sammen med den pågældende tjenestes reelle omfang, data og brugerens godkendelse.

Gennem hele denne udvikling bevares det forhold, assistenten opbygger med brugeren: at forstå behovet, bruge de rette data, forklare konsekvenserne af mulighederne og gøre den handling, brugeren vælger, lettere i appen.

Søg i eBattery

Søg efter en funktion, guide eller et emne.

UdgangspunkterSådan finder du en ladestation →Eksempel på RWA-projekt →Guider og nyheder →