6. Lapisan Kecerdasan Buatan - eBattery AI

Bepergian dengan kendaraan listrik memerlukan pengambilan keputusan yang saling terkait. Jarak yang akan ditempuh, tingkat baterai saat ini, konsumsi kendaraan, kondisi jalan, lokasi stasiun pengisian daya, dan jadwal pengemudi adalah bagian dari perjalanan yang sama. Ketika salah satu variabel ini berubah, keputusan lainnya juga dapat terpengaruh. Rute yang tampak lebih pendek bisa berubah menjadi perjalanan yang lebih panjang jika tidak ada infrastruktur pengisian daya yang sesuai. Stasiun yang lebih bertenaga mungkin tidak memberikan keuntungan waktu yang diharapkan jika daya pengisian yang dapat diterima kendaraan terbatas.

eBattery AI berada di pusat aplikasi untuk menilai keputusan-keputusan ini secara bersamaan dan memberi pengguna rencana perjalanan yang mudah dipahami. eBattery AI memungkinkan pengguna menyatakan apa yang ingin dilakukan dalam bahasa alami; dengan memanfaatkan profil kendaraan, peta, rute, dan data stasiun yang dapat diakses, permintaan ini diubah menjadi pilihan yang dapat dijalankan.

Pengalaman bagi pengguna sederhana: mengatakan “Saya ingin pergi ke İzmir”, “Rencanakan perjalanan dua hari untuk akhir pekan”, atau “Temukan stasiun pengisian yang cocok di dekat saya” sudah cukup untuk memulai. Di balik layar, setiap permintaan harus dicocokkan dengan sumber data, perhitungan, dan fungsi aplikasi yang berbeda. Tugas eBattery AI adalah mengelola kompleksitas teknis ini sambil menjaga alasan di balik keputusan tetap jelas bagi pengguna.

Inti dari pendekatan ini adalah kejelasan, keterhitungan, dan kendali pengguna termasuk. Asisten harus dapat menjelaskan mengapa rute yang disarankannya sesuai; harus menyusun perhitungan jangkauan dan pengisian dengan metode yang konsisten; dan pengguna harus dapat mengubah rencana sesuai kebutuhannya sendiri.

Obrolan AI, perencanaan rute dan perjalanan pada produk saat ini membentuk inti struktur ini. Masukan seperti informasi stasiun langsung, harga, dan lalu lintas bekerja bersama dengan cakupan sumber data terkait. Prakiraan yang diperkaya kondisi cuaca, koneksi langsung ke kendaraan, dan personalisasi yang belajar dari perilaku adalah kemampuan yang berkembang bertahap di atas arsitektur yang sama.

6.1 Pendekatan Asisten Terpusat

6.1.1 Mempertemukan berbagai fungsi aplikasi dalam konteks bersama

eBattery AI adalah asisten pusat yang mengurangi kebutuhan pengguna untuk memberikan informasi yang sama berulang kali saat berpindah di antara bagian-bagian aplikasi. Pencarian stasiun yang dimulai di peta dapat dirinci dalam obrolan; rute yang dibuat saat obrolan dapat ditinjau di layar rute; perjalanan yang direncanakan dapat diedit beserta hari dan pemberhentiannya di modul perjalanan.

Dalam pengalaman ini, kendaraan, perjalanan, dan preferensi pengguna membentuk konteks bersama. Misalnya, ketika pengguna yang telah memilih kendaraan tersimpannya berkata “Tunjukkan stasiun yang sesuai di dekat saya,” sistem tidak perlu menanyakan model kendaraan lagi setiap kali. Permintaan dinilai bersama kendaraan yang dipilih dan informasi lokasi yang dipilih pengguna untuk dibagikan.

Pendekatan terpusat juga memastikan bahwa berbagai titik masuk dalam aplikasi mencapai logika keputusan yang sama. Pencarian titik pengisian daya yang dimulai pengguna dari peta dan pencarian melalui AI Chat harus menghasilkan hasil yang konsisten ketika kendaraan, preferensi, dan data terkini yang sama digunakan.

Dengan demikian, antarmodul eBattery tidak hanya dihubungkan lewat perpindahan layar; tugas yang ingin diselesaikan pengguna juga tetap terjaga.

6.1.2 Mengubah maksud pengguna menjadi tindakan aplikasi

Orang sering kali tidak menyatakan kebutuhannya dengan parameter teknis. Kalimat seperti "Saya berangkat dua jam lagi", "Kami pergi bersama anak-anak, jadi saya ingin rencana yang lebih nyaman", atau "Saya tidak mau terlalu jauh berbelok untuk mengisi daya" mengandung beberapa preferensi sekaligus.

eBattery AI mengubah pernyataan ini menjadi informasi yang dapat dipakai dalam perencanaan. Bila perlu, ia melengkapi detail yang kurang seperti titik awal, tujuan, level baterai, atau prioritas waktu. Pertanyaan difokuskan pada hal-hal yang benar-benar memengaruhi hasil yang akan dibuat.

Misalnya, pada permintaan "Saya ingin pergi dari İstanbul ke İzmir", jika kendaraan tersimpan dan lokasi awal sudah diketahui, pengguna mungkin hanya ditanya tingkat baterai saat ini dan preferensi perjalanan. Ketika pengguna berkata "Kita boleh lewat jalan tol, buat total waktunya singkat", informasi ini ditambahkan ke permintaan rute.

Pendekatan ini menghubungkan bahasa alami dengan fungsi aplikasi. Pengguna dapat menjelaskan kebutuhannya tanpa harus mempelajari struktur teknis menu; sistem kemudian membawa permintaan itu ke perhitungan dan alur layar yang relevan.

6.1.3 Melengkapi rekomendasi dengan kontrol pengguna

Rencana yang ditawarkan eBattery AI dapat ditinjau dan diubah. Pengguna dapat mengganti stasiun yang direkomendasikan, menambah pemberhentian di tengah jalan, menghapus museum dari jadwal perjalanan, atau meminta rute dengan biaya lebih rendah.

Asisten mengaitkan perubahan ini dengan bagian rencana lainnya. Menghapus satu perhentian tidak hanya memperpendek daftar perjalanan, tetapi juga dapat mengubah jarak harian, waktu tiba, dan kebutuhan pengisian daya. Perubahan yang dibuat pengguna dievaluasi dengan tetap menjaga keterkaitan ini.

Pemilik rencana adalah pengguna. AI membuat pilihan terlihat, mempermudah perhitungan, dan menjelaskan konsekuensi dari setiap pilihan. Tujuan perjalanan, temponya, dan biaya yang dapat diterima ditentukan oleh pengguna.

6.2 AI Chat: Pengalaman Pembuka, Avatar, Streaming, Context Memory

6.2.1 Pengalaman pembuka: Menunjukkan apa yang bisa dilakukan sejak awal

Layar pembuka AI Chat langsung menunjukkan kemampuan inti asisten kepada pengguna. Pengguna dapat memulai percakapan dengan teks bebas atau memakai salah satu opsi awal yang tersedia.

Opsi awal Tujuan pengguna Alur yang dimulai
Rencanakan Rute Mencapai suatu titik dengan kendaraan Membuat rute berdasarkan titik awal, tujuan, kendaraan, dan kebutuhan pengisian
Rencanakan Perjalanan Menjelajahi suatu wilayah dalam waktu tertentu Menyusun jadwal harian berdasarkan minat dan waktu
Sarankan Stasiun Terdekat Mencapai titik pengisian yang sesuai Membuat rekomendasi dari lokasi, kompatibilitas kendaraan, dan data stasiun yang dapat diakses
Efisiensi Saya Memahami data penggunaan Beralih ke penilaian konsumsi dan penggunaan berdasarkan catatan yang ada

Opsi-opsi ini mengurangi ketidakpastian pada interaksi pertama. Pengguna tidak perlu menebak pertanyaan apa yang bisa diajukan kepada asisten; aplikasi menawarkan titik awal yang terkait dengan kebutuhan EV sehari-hari.

Seiring berjalannya percakapan, opsi awal digantikan oleh tindakan yang sesuai konteks. Setelah rute dibuat, tindakan seperti “Buka Rute” muncul, dan setelah stasiun disarankan, “Menuju Stasiun”.

6.2.2 Avatar: Identitas visual asisten

Identitas visual AI Chat adalah avatar robot beranimasi. Sebelum percakapan dimulai, avatar berada di tengah layar dan, dengan gerakan halus serta efek cahaya, tampak siap berinteraksi.

Saat pesan pertama dikirim, avatar mengecil dan berpindah ke samping pesan asisten. Dengan begitu, fokus layar beralih secara alami dari pengalaman awal ke percakapan. Ruang yang lebih luas terbuka untuk tulisan pengguna, balasan asisten, dan kartu hasil yang dibuat.

Avatar juga membantu membedakan pesan buatan AI secara visual. Identitas ini menciptakan pengalaman asisten yang berbeda dari, dan konsisten dengan, pesan komunitas di aplikasi.

Fungsi gerakan dan efek visual adalah memandu pengguna dan membuat keadaan sistem mudah dipahami. Keterbacaan dan interaksi diutamakan; animasi tidak menghalangi informasi penting.

6.2.3 Streaming: Menyajikan respons sebagai aliran

eBattery AI menampilkan jawaban yang sesuai secara bertahap (streaming). Alih-alih menunggu penjelasan panjang selesai, pengguna dapat melihat jawaban terbentuk langkah demi langkah.

Dalam pengalaman ini, dua proses yang berbeda dipisahkan: penulisan penjelasan dan perhitungan rencana. Asisten yang mulai menghasilkan teks tidak berarti perhitungan rute telah selesai. Kartu rute, stasiun, atau perjalanan ditampilkan ketika data dan perhitungan terkait sudah siap.

Misalnya, sistem dapat lebih dulu menunjukkan bahwa permintaan telah dipahami, lalu membagikan perkembangan saat menyiapkan opsi rute. Setelah perhitungan selesai, pratinjau peta dan perhentian pengisian daya ditampilkan. Dengan cara ini, umpan balik cepat diberikan sambil menjaga integritas hasil.

Jika pengguna mengubah permintaan selama alur berlangsung, permintaan baru yang dijadikan acuan. Hasil terlambat dari permintaan sebelumnya tidak boleh menggantikan rencana terkini. Hal ini penting terutama dalam percakapan ketika perhentian atau preferensi rute diubah berturut-turut.

6.2.4 Context Memory: Menjaga Makna Percakapan

Memori konteks memungkinkan percakapan yang sedang berlangsung dipahami bersama langkah-langkah sebelumnya.

Ketika pengguna pertama-tama berkata “Saya akan pergi dari Istanbul ke Izmir” lalu menulis “Rencanakan juga perjalanan pulangnya”, asisten mengaitkan permintaan kedua dengan perjalanan pertama. Ungkapan seperti “Buat ini lebih hemat” juga diterapkan pada rute atau rencana perjalanan yang sedang dibahas.

Konteks ditangani pada tiga tingkat:

  • Konteks chat: Informasi yang diberikan dan perubahan yang dilakukan selama percakapan.

  • Konteks rencana aktif: Rute, perjalanan, atau pilihan stasiun yang sedang diedit.

  • Preferensi pengguna yang tersimpan: Kendaraan yang dipilih dan pengaturan yang ditetapkan pengguna secara permanen.

Pembedaan ini mencegah preferensi sementara ditafsirkan sebagai kebiasaan permanen. Pengguna yang berkata "Hari ini kita hindari jalan tol" pada satu perjalanan tidak berarti semua perjalanannya di masa depan akan direncanakan dengan cara yang sama.

Demikian pula, tingkat baterai yang dimasukkan pada percakapan sebelumnya tidak dapat digunakan sebagai data kendaraan terkini pada hari berikutnya. Mengingat konteks juga berarti mengelola masa berlaku informasi dari waktu ke waktu.

6.3 Arsitektur Berlapis: Lapisan Keputusan Berbasis Aturan dan Lapisan LLM

6.3.1 Memisahkan peran perhitungan dan narasi

Arsitektur eBattery AI dibangun di atas penyelesaian tugas-tugas yang berbeda dengan metode yang berbeda.

Perhitungan jangkauan, kebutuhan energi, kompatibilitas kendaraan–stasiun, dan evaluasi opsi rute dilakukan pada lapisan keputusan yang bekerja dengan bidang data dan aturan perhitungan yang telah ditetapkan. Memahami permintaan pengguna dalam bahasa alami dan menjelaskan hasilnya adalah tugas model bahasa besar, yaitu lapisan LLM.

Pemisahan ini menghubungkan dasar numerik suatu rekomendasi dengan cara rekomendasi itu dijelaskan. Ketika asisten berkata "Stasiun ini lebih sesuai", alasannya harus berasal dari data yang dihasilkan lapisan perhitungan. Nilai jarak, waktu, dan energi yang dipakai dalam penjelasan bersumber dari sumber yang sama dengan nilai pada kartu hasil.

Komponen arsitektur Tanggung jawab inti Hasil yang dihasilkannya
Lapisan data dan integrasi Mengatur data yang berasal dari kendaraan, peta, stasiun, dan sumber lain Masukan dengan sumber dan kebaruan yang jelas
Pengelolaan permintaan dan konteks Menggabungkan permintaan pengguna, kendaraan yang dipilih, dan paket yang aktif Permintaan perencanaan terstruktur
Lapisan keputusan berbasis aturan Menjalankan pemeriksaan kompatibilitas, perhitungan energi, dan evaluasi kandidat Opsi rute dan rencana pengisian daya
Lapisan LLM Menafsirkan bahasa alami dan menjelaskan hasil perhitungan Penjelasan yang sesuai untuk pengguna
Lapisan verifikasi dan tindakan Memeriksa konsistensi hasil dan otorisasi transaksi Kartu yang dapat ditampilkan dan tindakan yang dapat dilakukan
Lapisan pengalaman Menampilkan obrolan, kartu, dan transisi layar Pengalaman pengguna di dalam aplikasi

6.3.2 Cakupan lapisan keputusan berbasis aturan

Pendekatan berbasis aturan berarti bahwa untuk snapshot data yang sama dan versi aturan yang sama, perhitungan dapat direproduksi secara konsisten.

Lapisan ini menghitung energi baterai yang dapat digunakan, memperkirakan kebutuhan energi tiap segmen rute, menyingkirkan stasiun yang tidak kompatibel dengan kendaraan, dan membandingkan kandidat yang sesuai berdasarkan kriteria yang ditetapkan. Preferensi jalan yang dipilih pengguna dan cadangan baterai yang harus dipertahankan juga dipertimbangkan di sini.

Perhitungan berbasis aturan tidak berarti dunia luar diketahui dengan pasti. Lalu lintas di masa depan, konsumsi aktual, atau kondisi stasiun saat kedatangan dapat berubah. Oleh karena itu, meskipun metode perhitungannya konsisten, beberapa masukan dan keluaran bersifat perkiraan.

eBattery AI menjaga perbedaan ini: data yang diketahui, informasi yang dimasukkan pengguna, dan perkiraan model tidak disajikan dengan tingkat kepastian yang sama.

6.3.3 Cakupan lapisan LLM

Model bahasa digunakan untuk memahami permintaan pengguna dan mengubah hasil perhitungan menjadi penjelasan yang alami.

Ungkapan seperti “Saya ingin lebih sedikit jalan kaki”, “Hapus museumnya”, “Saya tidak mau menunggu terlalu lama untuk mengisi daya”, atau “Mengapa kamu memilih stasiun ini?” termasuk dalam wilayah kerja lapisan ini.

LLM membantu menyusun permintaan terstruktur yang dapat diteruskan ke fungsi aplikasi yang sesuai. Namun, LLM tidak melengkapi harga stasiun, status soket, atau level baterai kendaraan dari pengetahuan umumnya sendiri. Informasi ini diambil dari catatan dan integrasi terkait.

Misalnya, ketika mesin keputusan memilih sebuah stasiun karena penyimpangan rute yang lebih kecil dan dukungan daya yang sesuai, asisten dapat menyederhanakan alasan tersebut:

“Stasiun ini kompatibel dengan kendaraan Anda dan lebih dekat ke rute utama. Alternatif yang tampak lebih bertenaga tidak memberikan keuntungan waktu tambahan karena batas pengisian kendaraan Anda.”

Nilai penjelasan ini terletak pada kemampuan pengguna melihat logika di balik keputusan tersebut.

6.3.4 Dari data terverifikasi ke hasil yang dapat dijelaskan

Setiap hasil dikaitkan dengan masukan penting yang digunakannya. Kendaraan yang dipilih, informasi baterai, waktu perhitungan, dan kebaruan data stasiun memungkinkan pengguna memahami kondisi saat rencana dibuat.

Struktur ini juga memudahkan evaluasi umpan balik pengguna. Stasiun yang direkomendasikan tidak dipilih tidak selalu berarti perhitungannya salah. Pengguna mungkin menginginkan titik istirahat yang berbeda, memilih operator tertentu, atau memiliki batasan waktu yang tidak terlihat dalam rencananya.

Memeriksa masukan keputusan bersama dengan perubahan dari pengguna membantu sistem disempurnakan secara lebih bermakna dari waktu ke waktu.

6.4 Perencanaan Rute — Profil Kendaraan, Perhitungan Jangkauan, Rute, dan Preferensi Jalan

6.4.1 Merencanakan perjalanan bersama profil kendaraan

Di eBattery, perencanaan rute memperhitungkan karakteristik energi dan pengisian daya kendaraan selain titik awal dan tujuan.

Dua kendaraan listrik pada rute yang sama mungkin memerlukan rencana pengisian daya yang berbeda. Kapasitas baterai yang dapat digunakan, konsumsi, soket yang didukung, dan daya penerimaan pengisian menciptakan perbedaan ini.

Informasi kendaraan utama yang digunakan dalam perencanaan adalah sebagai berikut:

Informasi kendaraan Fungsi dalam perencanaan
Merek, model, dan varian kendaraan yang sesuai Memastikan profil teknis yang benar dipilih
Kapasitas baterai yang dapat digunakan Menjadi dasar perhitungan energi yang dapat digunakan dalam perjalanan
Nilai konsumsi Mengonversi jarak menjadi perkiraan kebutuhan energi
Dukungan pengisian daya AC Membantu menilai opsi pengisian daya saat istirahat panjang dan di tempat tujuan
Dukungan pengisian daya DC Memungkinkan penilaian opsi pengisian cepat di sepanjang jalan
Kompatibilitas soket Memungkinkan penentuan stasiun yang tersedia
Tingkat baterai saat ini Menentukan kondisi energi awal perjalanan

Kapasitas baterai bruto dan kapasitas yang dapat digunakan dinilai secara terpisah. Nilai yang menjadi dasar perhitungan jangkauan adalah energi yang tersedia untuk berkendara.

Dalam alur penggunaan saat ini, pengguna memasukkan level baterai secara manual sebelum perjalanan. Profil kendaraan yang tersimpan memuat informasi teknis, sedangkan persentase baterai adalah masukan terkini untuk perjalanan tersebut. Integrasi koneksi kendaraan di masa depan menjadi ruang pengembangan yang memungkinkan informasi ini diambil secara otomatis dari kendaraan yang didukung.

6.4.2 Perhitungan jangkauan dan cadangan energi

Perhitungan jangkauan didasarkan pada hubungan antara energi yang tersedia dan konsumsi yang diperkirakan:

Energi saat ini = Kapasitas baterai yang dapat digunakan × Level baterai / 100

Perkiraan jangkauan dasar = Energi tersedia / Konsumsi × 100

Di sini, energi dinyatakan dalam kWh, konsumsi dalam kWh/100 km, dan jangkauan dalam kilometer.

Sebagai contoh, bayangkan kendaraan dengan kapasitas baterai yang dapat digunakan 60 kWh, tingkat pengisian saat ini 40%, dan konsumsi 18 kWh/100 km yang dipakai dalam perhitungan.

Dalam kasus ini:

  • Energi yang dihitung di dalam baterai adalah 24 kWh.

  • Jangkauan teoretis hingga level nol adalah sekitar 133 kilometer.

  • Sebagai contoh, jika cadangan kedatangan 15% dipertahankan, energi yang dapat digunakan untuk perencanaan turun menjadi 15 kWh.

  • Dengan asumsi konsumsi yang sama, jarak yang dihitung sambil mempertahankan cadangan adalah sekitar 83 kilometer.

Contoh ini menjelaskan mengapa jangkauan teoretis yang ditampilkan di layar berbeda dari jarak yang dapat digunakan untuk perencanaan. Angka 15% di sini adalah cadangan contoh yang digunakan untuk menunjukkan logika perhitungan.

Dalam perhitungan rute sebenarnya, jarak dinilai bersama dengan karakteristik jalan dan masukan konsumsi yang tersedia. Seiring bertambahnya cakupan data, pengaruh seperti kemiringan, lalu lintas, dan kondisi cuaca dapat ditambahkan ke model. Ketika kondisi yang menjadi dasar perkiraan berubah, rencana dievaluasi ulang.

6.4.3 Titik awal, tujuan, dan perhentian perantara

Pengguna dapat menentukan titik awal dari lokasi saat ini, pencarian alamat, atau peta. Tujuan dan pemberhentian di tengah jalan juga merupakan bagian dari rencana perjalanan yang sama.

Pemberhentian di tengah jalan sangat penting dalam perencanaan EV. Saat bepergian dari İstanbul ke İzmir, kunjungan di Bursa tidak hanya mengubah jarak total. Lama kunjungan, ada tidaknya fasilitas pengisian di area tersebut, dan tingkat baterai saat memulai etape berikutnya juga memengaruhi rencana.

Pengguna dapat mengubah urutan perhentian atau mempertahankan urutan tertentu. Urutan yang ditetapkan secara manual dapat mewakili jadwal atau prioritas pribadi pengguna. Sistem menghitung ulang perhentian pengisian sesuai dengan preferensi ini.

Pada setiap perubahan, rencana terkait diperbarui tanpa pengguna harus memasukkan ulang semua informasi.

6.4.4 Mode rute dan preferensi jalan

eBattery menghubungkan pilihan rute dengan prioritas perjalanan pengguna.

Tercepat berfokus pada total waktu perjalanan. Selain waktu berkendara, jalan memutar untuk pengisian, waktu pengisian, dan, bila datanya tersedia, waktu antre juga masuk dalam penilaian.

Paling Efisien pendekatan ini membahas kebutuhan energi dan data biaya yang tersedia bersama dengan durasi perjalanan yang wajar. Saat pengguna ditawari pilihan berbiaya lebih rendah, dampaknya terhadap durasi juga ditampilkan.

Di antara kedua opsi ini tidak ada keunggulan tetap untuk setiap perjalanan. Pada perjalanan bisnis, waktu mungkin lebih penting; pada perjalanan akhir pekan, pengaturan istirahat atau anggaran bisa lebih penting.

Preferensi jalan seperti jalan tol, jalan raya, dan feri ditambahkan ke permintaan rute. Google Maps Routes API juga menyediakan opsi penghindaran untuk preferensi semacam itu; opsi ini mengarahkan pencarian rute, dan tersedianya alternatif yang sesuai bergantung pada jaringan jalan. eBattery menggabungkan kemampuan yang disediakan layanan peta yang digunakan ini dengan perencanaan kendaraan dan pengisian daya.

Pembatasan jalan regional atau yang lebih rinci ditangani bersama dengan cakupan data dan layanan rute yang relevan. Rute yang disajikan kepada pengguna harus menunjukkan dengan jelas pengaruh preferensi terhadap hasilnya.

6.5 Perencanaan Pengisian Daya dan Penilaian Stasiun — Rekomendasi Jumlah Pengisian, Margin Keamanan

6.5.1 Kesesuaian dahulu, baru perbandingan

Langkah pertama perencanaan pengisian daya adalah menentukan stasiun yang dapat digunakan. Stasiun yang berperingkat tinggi atau berharga rendah tidak berarti kendaraan dapat mengisi daya di sana.

Oleh karena itu, penilaian dilakukan dalam dua tahap:

  1. Menentukan kandidat yang kompatibel dengan kendaraan dan perjalanan.

  2. Membandingkan kandidat yang sesuai dari segi waktu, biaya, dan ketentuan penggunaan.

Kompatibilitas soket, aksesibilitas, dan energi yang dibutuhkan untuk mencapai stasiun menjadi pokok tahap pertama. Kondisi dasar ini tidak diperlakukan sebagai faktor penilaian yang dapat diimbangi oleh keunggulan lain.

Misalnya, stasiun yang tidak kompatibel dengan kendaraan tidak direkomendasikan hanya karena lebih murah. Demikian pula, titik yang tampaknya tidak terjangkau dengan energi saat ini tidak menjadi prioritas hanya karena daya pengisiannya tinggi.

6.5.2 Penilaian stasiun: Kesesuaian yang bervariasi menurut perjalanan

Setelah kandidat yang sesuai ditentukan, stasiun melalui evaluasi multikriteria.

Kriteria Topik yang dinilai
Penyimpangan rute Jarak dan waktu tambahan yang dibutuhkan untuk mencapai stasiun dan kembali ke rute utama
Kecocokan daya dengan kendaraan Hubungan antara daya stasiun dan rentang yang dapat dimanfaatkan kendaraan
Harga Tarif yang dapat diakses dan berlaku bagi pengguna terkait
Status terkini Status terkini titik pengisian yang sesuai pada integrasi yang didukung
Informasi menunggu Perkiraan waktu tunggu ketika tersedia data yang andal atau dukungan model yang memadai
Keandalan operasional Kesinambungan layanan dan pengalaman penggunaan saat data tersedia
Ulasan pengguna Seberapa mutakhir pengalaman tersebut, apa isinya, dan apakah didasarkan pada jumlah pengamatan yang memadai
Kesesuaian waktu istirahat Hubungan stasiun dengan perhentian dan rencana waktu pengguna saat ini
Kebaruan data Seberapa mutakhir informasi yang digunakan dalam keputusan

Pentingnya kriteria ini bervariasi menurut mode rute yang dipilih. Pada perjalanan yang mengutamakan waktu, jarak memutar dan durasi pengisian daya bisa lebih menentukan. Pada perjalanan yang mengutamakan biaya, selisih tarif dinilai bersama waktu tambahan yang ditimbulkannya.

Kekurangan data juga dimasukkan dalam penilaian. Stasiun yang status langsungnya tidak diketahui tidak dianggap "tersedia". Demikian pula, informasi keterisian soket saja tidak selalu cukup untuk menghitung waktu antrean yang andal.

Peringkat pengguna saja juga tidak menggantikan keandalan operasional. Beberapa ulasan lama tidak boleh diberi bobot yang sama dengan kumpulan pengalaman yang lebih mutakhir dan lebih luas.

6.5.3 Hubungan antara daya stasiun dan pengalaman pengisian daya yang sebenarnya

Nilai daya yang tertera pada stasiun tidak berarti kendaraan akan mengisi daya pada daya tersebut selama seluruh sesi. Waktu pengisian bergantung pada beberapa faktor, seperti tingkat baterai, kapasitas, serta karakteristik kendaraan dan peralatan pengisian daya. Sumber Alternative Fuels Data Center milik Departemen Energi AS juga menjelaskan bahwa variabel-variabel ini bersama-sama menentukan waktu pengisian.

Misalnya, untuk kendaraan dengan batas penerimaan pengisian DC 100 kW, stasiun berkapasitas 350 kW belum tentu lebih cepat daripada stasiun yang sesuai berkapasitas 150 kW hanya karena daya yang tertera pada label. Jika menjangkau stasiun pertama membutuhkan jalan memutar yang lebih jauh, pilihan kedua bisa lebih sesuai untuk perjalanan secara keseluruhan.

Penilaian eBattery mempertimbangkan daya stasiun bersama karakteristik kendaraan. Alih-alih menyajikan angka tinggi secara otomatis sebagai pilihan yang lebih baik, penilaian ini melihat manfaat yang diberikan stasiun bagi perjalanan pengguna.

6.5.4 Jumlah pengisian daya: Energi yang sesuai untuk ruas berikutnya

Rencana pengisian mencakup jumlah energi yang disarankan selain pilihan stasiun.

Pendekatan dasarnya adalah mempertimbangkan bersama kebutuhan energi untuk segmen rute berikutnya, cadangan kedatangan yang ditargetkan, dan alternatif yang sesuai. Pengguna tidak perlu mencapai level baterai yang sama di setiap perhentian. Perjalanan singkat, etape berikutnya yang panjang, atau ketersediaan pengisian daya di tujuan dapat menghasilkan target yang berbeda.

Hubungan dasar untuk energi yang perlu ditambahkan ke baterai adalah sebagai berikut:

Energi yang akan ditambahkan = Kapasitas yang dapat digunakan × (Persentase baterai target − Persentase baterai saat ini) / 100

Misalnya, pada kendaraan dengan kapasitas yang dapat digunakan sebesar 60 kWh, menaikkan level baterai dari 20% ke 70% setara dengan penambahan energi sekitar 30 kWh pada baterai.

Nilai ini tidak harus persis sama dengan energi yang diukur pada meteran stasiun atau yang ditagihkan. Karena adanya kehilangan daya saat pengisian dan konsumsi tambahan, titik pengukuran energi menjadi penting.

Waktu pengisian daya juga tidak dihitung hanya dengan membagi menurut daya maksimum stasiun. Bila dapat diakses, model memperhitungkan perilaku pengisian daya kendaraan pada tingkat baterai yang berbeda. Sebagai contoh ilustrasi, jika energi 30 kWh ditambahkan ke baterai dengan daya bersih rata-rata 60 kW, waktu transfer energi sekitar 30 menit. Nilai penentu di sini adalah daya rata-rata selama sesi.

Dalam perhitungan biaya, komponen sesi, durasi, atau tarif lain yang berlaku turut diperhitungkan selain biaya energi. Pengguna harus dapat memahami cakupan apa yang termasuk dalam perkiraan yang ditampilkan.

6.5.5 Menjaga margin keamanan dan alternatif

Perencanaan tidak didasarkan pada penggunaan baterai secara teoretis hingga unit energi terakhir. Perencanaan menyisakan ruang untuk cadangan saat tiba, variasi dalam perkiraan konsumsi, dan akses ke alternatif di sepanjang jalan.

Cadangan yang diperlukan dinilai bersama panjang rute, kepadatan stasiun, kesegaran data, dan fleksibilitas rencana. Rute dalam kota dengan banyak pilihan pengisian dan ruas jarak jauh dengan alternatif terbatas tidak memiliki kondisi yang sama.

Saat eBattery AI menjelaskan jumlah pengisian daya yang disarankan, logika ini ditampilkan secara terlihat. Pengguna dapat memahami mengapa disarankan mengambil lebih banyak energi di sebuah stasiun, atau mengapa pengisian singkat dianggap cukup untuk mencapai perhentian berikutnya yang sesuai.

Informasi ketersediaan saat ini juga mencerminkan keadaan pada saat rencana dibuat. Informasi ini tidak membuat reservasi bahwa soket yang sama akan kosong saat tiba. Karena itu, evaluasi stasiun alternatif merupakan bagian penting dari rencana.

6.6 Perhitungan Ulang Dinamis

6.6.1 Mencerminkan kondisi yang berubah selama perjalanan dalam rencana

Rute tidak diperlakukan sebagai dokumen tetap yang dibuat sebelum perjalanan dimulai. Seiring kemajuan pengguna, lokasi, lalu lintas, status stasiun, dan preferensinya sendiri dapat berubah.

Perhitungan ulang dinamis menilai dampak perubahan ini pada rencana. Namun, setiap pemicu hanya bekerja sejauh data terkait dapat diakses.

Perubahan Informasi yang digunakan Kemungkinan dampak pada rencana
Perubahan lalu lintas Sumber peta dan lalu lintas Memperbarui opsi durasi dan rute
Perubahan status stasiun yang direncanakan Integrasi operator Menilai titik pengisian alternatif
Pengguna menyimpang dari rute Lokasi dan kemajuan rute Menghitung ulang sisa jarak dan kebutuhan energi
Memperbarui informasi baterai Masuk pengguna; koneksi kendaraan yang didukung di masa depan Memperbarui perhentian pengisian daya dan jumlah energi target
Menambah atau menghapus pemberhentian antara Pengeditan oleh pengguna Perencanaan ulang bagian rute yang terdampak
Perubahan kondisi cuaca Cakupan tempat integrasi terkait aktif Mengevaluasi ulang perkiraan konsumsi

Pada perjalanan yang berjalan dengan tingkat baterai yang dimasukkan secara manual, energi tersisa yang dihitung sistem adalah perkiraan. Ini tidak diberi label yang sama dengan data baterai terkini yang diukur dari kendaraan.

6.6.2 Tidak menyajikan setiap perubahan kepada pengguna sebagai rute baru

Perbedaan kecil yang terus berubah dapat membebani pengguna dengan keputusan yang tidak perlu. Fluktuasi lalu lintas beberapa detik atau keunggulan waktu yang sangat kecil tidak memerlukan rekomendasi baru setiap kali.

Pendekatan perhitungan ulang menilai arti perubahan bagi perjalanan. Kelayakan rencana saat ini, cadangan energi, dan manfaat yang jelas bagi pengguna menjadi prioritas.

Dengan cara ini, kestabilan rencana terjaga. Alih-alih terus diarahkan di antara dua opsi yang sangat berdekatan, pengguna melihat pembaruan yang berarti saat memang diperlukan.

6.6.3 Menjelaskan alasan perubahan

Rute baru yang disarankan disajikan dengan dibandingkan terhadap rencana saat ini. Pengguna harus dapat melihat kondisi mana yang berubah dan apa hasilnya.

Misalnya:

“Informasi penggunaan pada soket yang sesuai di stasiun yang Anda rencanakan telah berubah. Stasiun alternatif lebih dekat ke rute Anda dan dapat dijangkau berdasarkan perkiraan energi saat ini. Anda dapat meninjau opsi baru tersebut.”

Dalam penjelasan hanya digunakan unsur yang didukung oleh data yang ada. Jika tidak ada perkiraan waktu tunggu yang andal, tidak dibuat angka penghematan menit yang pasti.

Informasi lalu lintas dari penyedia peta dan penilaian EV oleh eBattery berdasarkan data ini juga dikaitkan dengan benar. Alasan di balik rekomendasi memperjelas data mana yang digunakan dan bagaimana.

6.7 Perencanaan Perjalanan AI — Kumpulan Kandidat, Pengelompokan, Anggaran Waktu, Integrasi Pengisian Daya

6.7.1 Dari rencana transportasi ke pengalaman sehari-hari

Perencanaan wisata mengatur waktu yang akan dihabiskan pengguna di suatu area. Tujuannya adalah mengubah tempat-tempat menarik menjadi jadwal yang sesuai dengan waktu, minat, dan kebutuhan energi kendaraan pengguna.

Ketika pengguna berkata “Saya akan menghabiskan dua hari di Kapadokya, fokus pada alam dan sejarah”, sistem menilai wilayah, lama perjalanan, dan prioritas secara bersama-sama. Titik awal, tempo harian, dan tempat-tempat yang secara khusus ingin dilihat pengguna, jika ada, ditambahkan ke rencana.

Jadwal yang dihasilkan menyajikan struktur perjalanan yang dibagi per hari dan dapat diedit.

6.7.2 Membangun kumpulan tempat kandidat

Langkah pertama adalah menentukan tempat kunjungan yang sesuai di wilayah tersebut. Kumpulan kandidat dapat mencakup situs budaya, museum, kawasan alam, tempat makan dan minum, serta tempat istirahat.

Tergantung cakupan sumbernya, informasi yang dipertimbangkan meliputi lokasi, kategori, durasi kunjungan, jam buka, dan ulasan pengguna.

Popularitas yang tinggi saja bukan alasan untuk memilih. Jika suatu tempat tidak sesuai dengan minat pengguna, terlalu jauh dari jadwal harian, atau waktu untuk berkunjung tidak cukup, tempat itu bisa mendapat prioritas lebih rendah.

Narasi konten dikaitkan dengan catatan tempat-tempat yang dipilih. Informasi yang dapat berubah, seperti jam buka atau syarat masuk, tidak dihasilkan dari pengetahuan umum model bahasa seolah-olah merupakan data terkini.

6.7.3 Pengelompokan geografis dan hubungan transportasi

Tempat-tempat kandidat dinilai dari sisi hubungan geografis dan transportasinya sebelum jadwal harian disusun. Tujuannya adalah mengurangi perjalanan bolak-balik yang tidak perlu dalam hari yang sama.

Dua titik yang tampak berdekatan di peta belum tentu berjarak perjalanan singkat. Sambungan jalan, titik penyeberangan, dan geografi wilayah menentukan pola pergerakan yang sebenarnya. Karena itu, pengelompokan harian tidak hanya didasarkan pada jarak garis lurus.

Misalnya, jadwal satu hari disusun dari kunjungan di area yang sama, sedangkan pemberhentian yang lebih jauh dapat dipindahkan ke hari lain. Dengan begitu, pengguna dapat menggunakan lebih banyak waktunya untuk kunjungan, bukan perjalanan.

Ketika pengguna lebih memilih urutan tertentu, pilihan ini dipertahankan; sistem menyesuaikan sisa rencana agar selaras dengan urutan tersebut.

6.7.4 Penganggaran waktu: Jadwal harian yang realistis

Apakah rencana harian dapat dijalankan bergantung pada waktu perjalanan dan istirahat, selain total durasi kunjungan.

Anggaran waktu satu hari mencakup komponen berikut:

  • Perjalanan antartitik.

  • Lama kunjungan di setiap tempat.

  • Istirahat makan dan istirahat.

  • Titik pengisian daya yang diperlukan.

  • Tenggang waktu yang wajar untuk parkir, akses, dan peralihan serupa.

Menempatkan hanya perhentian yang total waktu kunjungannya enam jam ke dalam rencana perjalanan enam jam pengguna tidak menyisakan waktu untuk perjalanan. eBattery AI menyusun rencana dalam kerangka waktu total hari itu.

Nilai program tidak diukur dari seberapa banyak tempat yang tercantum. Yang penting adalah program dapat dijalankan dengan tempo yang dipilih pengguna dan memberi ruang untuk perubahan.

6.7.5 Menyesuaikan pengisian daya dengan jadwal harian

Perhentian pengisian dipertimbangkan bersama kebutuhan energi saat rencana perjalanan dibuat. Perhentian ini tidak diperlakukan sebagai kebutuhan terpisah yang ditambahkan di akhir hari.

Jika waktu makan dapat dipadukan dengan titik pengisian daya yang sesuai, kedua kegiatan dapat berlangsung dalam rentang waktu yang sama. Misalnya, istirahat makan 40 menit dan pengisian daya 25 menit yang dimulai di tempat dan waktu yang sama tidak, dalam kondisi yang sesuai, memerlukan tambahan pemberhentian total 65 menit. Rencana menilai durasi yang tumpang tindih secara bersamaan.

Dalam pencocokan ini, akses sebenarnya ke stasiun, kondisi operasional, tata letak parkir, dan preferensi pengguna penting. Stasiun yang tampak dekat dengan restoran di peta tidak diasumsikan sebagai pilihan istirahat yang cocok dalam setiap kasus.

Untuk perjalanan yang berlangsung beberapa hari, perhitungan energi berlanjut dari hari ke hari. Baterai awal hari berikutnya dikaitkan dengan akhir yang direncanakan pada hari sebelumnya. Pengisian daya semalam hanya diperhitungkan jika tercantum dalam rencana pengguna dan didukung oleh fasilitas terkait.

6.7.6 Narasi perjalanan yang dapat diedit

Jadwal yang dihitung disajikan sebagai perhentian yang dibagi per hari, beserta penjelasan dalam bahasa alami. Pengguna dapat melihat wilayah mana yang dikunjungi pada hari apa, di mana pengisian daya ditempatkan, dan perkiraan pembagian waktu dalam sehari.

Permintaan seperti “Buat hari kedua lebih santai”, “Hapus museumnya”, atau “Saya ingin berada di alam pada sore hari” memungkinkan Anda mengedit rencana.

Setelah ada perubahan, hari dan segmen rute yang terdampak dinilai ulang. Narasi perjalanan juga berubah mengikuti rencana yang diperbarui; prinsipnya adalah menghindari pertentangan antara deskripsi lama dan daftar perhentian yang baru.

Struktur yang berfokus pada kota dan wilayah ini menjadi dasar bagi perencanaan jangka panjang berskala negara yang lebih luas pada tahap berikutnya.

6.8 Analisis Efisiensi

6.8.1 Membuat data bermakna dari sudut pandang pengemudi

Analisis efisiensi membantu pengguna menilai catatan energi dan perjalanan mereka dengan lebih jelas.

Jika data yang dapat diakses mencukupi, konsumsi, jarak, pengeluaran pengisian daya, serta nilai rencana dibandingkan realisasi dari periode berbeda dapat dibandingkan. AI menjelaskan perubahan di balik angka-angka itu dan menunjukkan catatan mana yang mungkin berguna untuk ditinjau pengguna.

Cakupan analisis bergantung pada data yang digunakan. Informasi yang diperoleh melalui sambungan kendaraan, catatan sesi, atau login pengguna dipisahkan dari perkiraan yang dihitung hanya berdasarkan rute.

6.8.2 Konsumsi terukur dan estimasi terhitung

Dalam penilaian konsumsi, energi dan jarak harus berasal dari periode yang sama, kendaraan yang sama, dan metode pengukuran yang konsisten.

Jika total energi dan total jarak diketahui, perhitungan konsumsi dasarnya adalah sebagai berikut:

Konsumsi rata-rata = Total energi berkendara / Total jarak × 100

Menjumlahkan begitu saja nilai konsumsi perjalanan dengan panjang berbeda lalu membaginya dengan jumlah perjalanan mungkin tidak menghasilkan rata-rata periode yang benar. Menghitung dari total energi dan jarak mempertahankan bobot perjalanan pendek dan panjang.

Energi yang dibeli saat pengisian juga tidak selalu sama dengan energi yang dikonsumsi saat berkendara pada periode yang sama. Tingkat baterai di awal dan akhir periode, kehilangan pengisian, dan cakupan catatan memengaruhi hubungan ini.

Karena itu, eBattery memperlakukan pengeluaran pengisian, energi yang dibeli, dan konsumsi berkendara sebagai konsep yang terpisah.

6.8.3 Menunjukkan perubahan dan menjelaskan penyebabnya berdasarkan data

Sebagai contoh ilustratif, anggaplah konsumsi rata-rata naik dari 18 kWh/100 km menjadi 19,8 kWh/100 km pada dua periode yang sebanding. Perubahan ini berarti kenaikan konsumsi sebesar 10%.

Namun, hasil ini saja tidak menunjukkan penyebab kenaikan. Rute, kecepatan, kondisi cuaca, beban, atau pola perjalanan mungkin telah berubah.

Penilaian AI tetap pada tingkat yang didukung data. Jika hanya ada catatan konsumsi dan jarak, AI dapat mengatakan "Konsumsi Anda meningkat"; untuk menyimpulkan bahwa perilaku tertentu seperti pengereman keras atau penggunaan AC yang menjadi penyebabnya, diperlukan pengukuran yang relevan.

Bila tidak ada data kendaraan langsung, kesehatan baterai tidak disajikan seolah-olah telah diukur. Analisis perilaku berkendara yang terperinci berkembang melalui integrasi yang menyediakan data cukup untuk menilai perilaku tersebut.

6.8.4 Membangun kebiasaan penggunaan yang dapat dibandingkan

Tujuan layar efisiensi adalah mempermudah pengguna memahami penggunaannya sendiri dari waktu ke waktu.

Membandingkan rute serupa, meninjau pengeluaran pengisian daya di berbagai stasiun, dan melihat selisih antara durasi yang direncanakan dan yang sebenarnya mendukung pemahaman ini.

Saran asisten bersifat konkret dan terukur. Alih-alih menjanjikan persentase penghematan yang belum terverifikasi kepada pengguna, asisten menjelaskan data apa yang berubah dan kondisi apa yang perlu diperiksa untuk perbandingan yang lebih bermakna.

6.9 Kartu Hasil dan Deep Linking

6.9.1 Mengubah percakapan menjadi hasil yang dapat digunakan di dalam aplikasi

Saran rute, perjalanan, atau stasiun yang dibuat di AI Chat disajikan dengan kartu hasil. Kartu ini memungkinkan pengguna melihat informasi penting dengan cepat dan beralih ke modul terkait.

Jenis kartu Isi inti kartu Layar terkait
Kartu rute Titik awal, tujuan, ringkasan rute, perkiraan waktu, dan perhentian pengisian daya Perencanaan Rute
Kartu perjalanan Wilayah, jumlah hari, dan ringkasan jadwal harian Perencanaan Perjalanan
Kartu stasiun Lokasi, kompatibilitas, daya, dan informasi terkini yang tersedia Detail Stasiun
Kartu efisiensi Periode, indikator utama, dan ringkasan penilaian Efisiensi

Tujuan kartu bukan menjejalkan semua detail ke ruang kecil. Kartu menyajikan informasi yang cukup agar pengguna mengenali hasilnya dan memilih tindakan berikutnya.

6.9.2 Membuka rencana yang sama dengan deep linking

Deep linking membuat kartu hasil mengarahkan pengguna ke konten yang tepat pada layar terkait.

Saat pengguna membuka rute yang dibuatnya di obrolan, ia tidak akan menemukan formulir rute yang kosong. Titik awal dan tujuan yang dipilih, kendaraan, pemberhentian di antaranya, dan informasi lain dari rencana tersebut tampil di layar terkait.

Hubungan yang sama dipertahankan juga pada kartu perjalanan dan stasiun. Dengan begitu, layar obrolan, peta, dan perencanaan menjadi tampilan berbeda dari tindakan yang sama.

Secara teknis, kartu dikaitkan dengan catatan terkait dan versi rencana. Ketika pengguna mengubah rencana, tetap jelas hasil mana yang terkini.

6.9.3 Tindakan cepat yang sesuai konteks

Bergantung pada hasilnya, tindakan seperti “Mulai Rute”, “Menuju Stasiun”, “Simpan”, “Bagikan”, atau “Tambah ke Favorit” ditawarkan.

Tidak setiap kartu perlu menampilkan semua tindakan. Tindakan dipilih sesuai hasil yang dihasilkan pengguna pada saat itu.

Kartu yang dapat dibagikan juga ditangani bersama dengan cakupan kontennya. Informasi seperti alamat rumah atau titik awal pribadi pengguna tidak dianggap sebagai bagian yang wajar atau wajib dari berbagi. Pengguna harus dapat melihat konten apa yang dibagikannya.

6.10 Saran Proaktif dan Notifikasi

6.10.1 Memberikan dukungan yang bermakna saat kebutuhan muncul

Bila data yang relevan tersedia, eBattery AI juga dapat menampilkan perubahan penting tanpa diminta pengguna.

Dalam cakupan ini termasuk perubahan status stasiun selama perjalanan aktif, dampak lalu lintas yang signifikan, atau penilaian ulang rencana pengisian berdasarkan informasi baterai yang diperbarui.

Tujuan dukungan proaktif adalah membantu pengguna tepat waktu. Tidak setiap perubahan data menghasilkan notifikasi; yang dinilai adalah kaitan informasi dengan perjalanan saat ini dan apakah informasi itu memerlukan tindakan.

6.10.2 Menilai Notifikasi Bersama Data yang Mendasarinya

Makna peringatan baterai lemah bergantung pada sumber data.

Jika tingkat baterai terkini dapat diperoleh dari kendaraan, nilai terukur dapat digunakan. Jika pengguna memasukkannya secara manual di awal, nilai yang dihitung selama perjalanan bersifat perkiraan. Bahasa notifikasi menjaga perbedaan ini.

Demikian pula, untuk menghasilkan saran tentang keunggulan harga stasiun favorit, tarif terkini dan ketentuan yang berlaku bagi pengguna harus diketahui. Adapun pengingat perawatan dikaitkan dengan tanggal yang disimpan pengguna atau sumber data yang sesuai.

Pendekatan ini menjaga rekomendasi proaktif tetap konsisten dengan cakupan data yang tersedia.

6.10.3 Frekuensi notifikasi dan preferensi pengguna

Notifikasi dikelola menurut tingkat kepentingan dan konteksnya. Perubahan yang memengaruhi kelayakan perjalanan aktif tidak memiliki prioritas yang sama dengan saran penggunaan yang bersifat umum.

Pengguna dapat mengelola preferensi notifikasinya. Mengurangi pesan berulang untuk peristiwa yang sama, tidak menampilkan notifikasi yang sudah tidak berlaku, dan mengarahkan rekomendasi ke paket yang tepat adalah bagian dari pengalaman ini.

Fungsi lokasi dan latar belakang berjalan dengan izin pengguna dan dalam kondisi operasi sistem operasi seluler. Informasi yang ditampilkan selama perjalanan dibuat singkat dan berorientasi tindakan; rinciannya dapat ditinjau di layar terkait.

6.11 Kepercayaan dan Penanganan Kesalahan

6.11.1 Membuat sifat informasi terlihat jelas

Pendekatan kepercayaan eBattery AI dibangun di atas upaya agar dapat dipahami pada informasi apa hasilnya didasarkan.

Level baterai yang dimasukkan pengguna, status soket dari operator, perkiraan durasi dari layanan peta, dan penjelasan AI adalah jenis informasi yang berbeda. Pembedaan ini memungkinkan rekomendasi dinilai dengan benar.

Sistem AI generatif dapat menyajikan informasi yang tidak didukung dengan cara yang meyakinkan. Profil risiko AI generatif NIST juga membahas perilaku ini. Pendekatan perhitungan dan verifikasi berbasis data eBattery dirancang untuk mengurangi dampak kesalahan semacam itu pada keputusan aplikasi.

Pendekatan ini penting terutama untuk lokasi, status stasiun, harga, dan perhitungan energi. Penjelasan yang mengalir tidak digunakan sebagai pengganti data yang terverifikasi.

6.11.2 Bersikap jelas dan konsisten saat data tidak lengkap

Satu sumber data yang tidak merespons tidak berarti semua fungsi aplikasi harus berhenti sekaligus. Sistem menilai hasil apa yang dapat ditawarkan dengan data yang tersedia.

Misalnya, jika lokasi dan informasi soket stasiun tersedia tetapi status langsungnya tidak dapat diperoleh, penemuan stasiun dapat dilanjutkan, sedangkan ketersediaan ditampilkan sebagai tidak diketahui.

Demikian pula, ketika model bahasa sementara tidak dapat merespons, hasil rute valid yang diterima dari layanan perhitungan diurai sehingga dapat disajikan dengan kartu standar dan penjelasan singkat.

Jika data terakhir yang diketahui digunakan, kebaruannya tetap dijaga. Status lama yang ditampilkan dari cache tidak disajikan seolah-olah informasi langsung yang baru diterima.

6.11.3 Otorisasi, privasi, dan keamanan konten eksternal

Data yang dibutuhkan lapisan AI dibatasi pada cakupan tugas yang akan dilakukan. Untuk menjelaskan mengapa suatu stasiun direkomendasikan, tidak perlu meneruskan seluruh riwayat pesan atau informasi pembayaran pengguna ke model.

Lokasi, rencana perjalanan, dan preferensi pengguna ditangani di bawah kontrol akses. Izin transaksi aplikasi diverifikasi secara independen dari pembuatan teks bebas oleh model bahasa.

Deskripsi dari sumber eksternal dan ulasan pengguna juga diproses sebagai data. Salah satu prinsip keamanan arsitektur ini adalah tidak membiarkan instruksi yang mungkin ada dalam konten tersebut mengubah aturan transaksi aplikasi.

Dalam alur transaksi mendatang seperti pembayaran atau reservasi pun, saran AI dan pelaksanaan transaksi adalah langkah yang terpisah. Cakupan transaksi ditampilkan kepada pengguna dan alur persetujuan terkait tetap dipertahankan.

6.11.4 Belajar dari kesalahan secara terukur

Keandalan memerlukan penilaian skenario penggunaan nyata secara berkala.

Situasi seperti stasiun yang tidak kompatibel dengan kendaraan, harga yang hilang, input baterai yang berubah, koneksi terputus, atau permintaan rute lama yang selesai terlambat adalah skenario pengujian yang menentukan bagaimana sistem harus berperilaku.

Umpan balik pengguna juga berkontribusi pada proses ini. Pilihan yang dibuat berdasarkan informasi stasiun yang salah dan pilihan yang tidak memenuhi harapan bukanlah jenis kesalahan yang sama. Mencocokkan umpan balik dengan data dan langkah keputusan yang relevan membantu menyempurnakan komponen yang tepat.

Pendekatan kepercayaan melampaui sekadar menghitung hasil sebagai "berhasil" atau "gagal"; pendekatan ini didasarkan pada pemahaman sumber kesalahan dan dampaknya bagi pengguna.

6.12 Infrastruktur Independen Model dan Target Kinerja

6.12.1 Menjaga logika produk tetap independen dari penyedia model

Infrastruktur eBattery AI didasarkan pada pendekatan yang tidak mengikat fungsi inti produk pada fitur satu model bahasa tertentu.

Profil kendaraan, data stasiun, perhitungan rute, dan preferensi pengguna dikelola di layanan milik aplikasi sendiri. Model bahasa terhubung ke layanan ini melalui tugas dan kontrak data yang telah ditentukan.

Struktur ini memungkinkan evaluasi berbagai keluarga model seperti GPT dan Gemini, atau alternatif yang dikembangkan di masa mendatang. Perubahan model tidak boleh mengharuskan penulisan ulang aturan inti seperti kompatibilitas kendaraan–stasiun.

Pemilihan model dilakukan berdasarkan kualitas bahasa, akurasi keluaran terstruktur, keberhasilan tugas, latensi, biaya, dan ketentuan pemrosesan data. Nama penyedia saja tidak digunakan sebagai ukuran kualitas produk.

6.12.2 Menggunakan model dan layanan yang tepat untuk tugasnya

Tidak setiap permintaan pengguna memerlukan beban pemrosesan yang sama. Klasifikasi niat yang singkat dan narasi perjalanan yang terperinci memiliki kebutuhan yang berbeda.

Infrastruktur dirancang agar tugas dapat diarahkan sesuai perbedaan ini. Pekerjaan yang dapat langsung diselesaikan layanan perhitungan dijalankan di layanan tersebut; model yang sesuai digunakan untuk langkah yang memerlukan penafsiran dan penjelasan bahasa alami.

Pendekatan arsitektur yang mendukung kinerja mencakup unsur-unsur berikut:

  • Menjalankan panggilan data yang independen secara bersamaan bila sesuai.

  • Penyimpanan cache terkontrol atas informasi kendaraan yang berubah lebih lambat.

  • Menerapkan aturan kebaruan pada data yang berubah-ubah seperti ketersediaan dan harga.

  • Membatalkan akun yang tidak valid ketika permintaan pengguna berubah.

  • Menjalankan operasi yang panjang di latar belakang tanpa memblokir antarmuka.

  • Menyajikan bagian hasil yang sudah siap secara bertahap, dengan tetap menjaga keutuhannya.

Layanan peta dan lalu lintas juga melibatkan pilihan antara waktu respons dan detail perhitungan. Google Routes API menetapkan berbagai opsi untuk penilaian lalu lintas dan menjelaskan bahwa pencarian yang lebih menyeluruh dapat menimbulkan latensi lebih tinggi. Pendekatan kinerja eBattery mengevaluasi perilaku layanan eksternal semacam ini dalam keseluruhan pengalaman pengguna.

6.12.3 Menentukan target kinerja

Di eBattery AI, kinerja dinilai melalui pengalaman sejak pengguna mengirim permintaan hingga memperoleh hasil yang dapat digunakan.

Dimulainya respons pertama dan selesainya rencana rute adalah pengukuran yang berbeda. Menampilkan animasi pemuatan tidak dianggap sama dengan dimulainya respons AI yang bermakna.

Area kinerja Tujuan desain Pendekatan pengukuran
AI mulai menjawab Memulai aliran respons bermakna pertama dalam waktu kurang dari 2 detik pada kondisi standar Waktu dari pengiriman permintaan hingga konten bermakna pertama yang terlihat oleh pengguna
Pembuatan rute standar Menyajikan hasil rute yang dapat digunakan dalam waktu kurang dari 5 detik sedapat mungkin pada skenario umum yang didukung Waktu dari permintaan hingga rute dan rencana pengisian daya dasar siap
Transisi layar Menjaga interaksi dan kelancaran saat perhitungan berjalan Keterlambatan peluncuran dan antarmuka yang macet
Perhitungan ulang Merefleksikan perubahan yang berarti dalam rencana secara tepat waktu Waktu dari diterimanya pembaruan hingga opsi baru siap
Rencana perjalanan yang kompleks Menyajikan hasil secara bertahap dengan menjaga kemajuan tetap terlihat Hasil pertama yang dapat digunakan dan waktu penyelesaian rencana

Nilai-nilai ini adalah target rekayasa. Hasil sebenarnya diukur sesuai kondisi jaringan, penyedia data, panjang rute, jumlah perhentian, dan kompleksitas rencana.

Satu nilai rata-rata tidak menggambarkan seluruh pengalaman. Selain pengalaman pengguna yang umum, pengukuran seperti median dan persentil ke-95 dipantau agar permintaan yang lebih lambat dapat terlihat. Dengan begitu, kesenjangan antara sistem yang berjalan cepat bagi sebagian besar pengguna dan sebagian pengguna yang menunggu lama menjadi terlihat.

6.12.4 Mengukur akurasi dan kegunaan bersama dengan kecepatan

Evaluasi kinerja mencakup kualitas hasil di samping waktu respons.

Bidang penilaian utama adalah sebagai berikut:

  • Ketepatan memilih stasiun yang kompatibel dengan kendaraan.

  • Konsistensi perhitungan energi dan persentase baterai.

  • Kesesuaian dengan urutan pemberhentian yang ditentukan pengguna.

  • Menjaga pembedaan antara data terkini dan data lama.

  • Teks deskripsi sesuai dengan nilai pada kartu hasil.

  • Kartu hasil membuka paket dan layar yang benar.

  • Penerapan perubahan pengguna pada versi yang benar.

  • Pemahaman yang konsisten atas permintaan yang sama di berbagai bahasa.

Ketika data aktual tersedia, perkiraan waktu tiba dibandingkan dengan hasil yang diamati untuk konsumsi dan waktu pengisian. Perbandingan ini menunjukkan di wilayah, profil kendaraan, atau kondisi penggunaan mana perbaikan diperlukan.

Pembaruan model juga ditangani dengan disiplin evaluasi yang sama. Model baru yang berbicara lebih lancar tidak berarti lebih akurat dalam penjelasan rute. Kinerjanya pada tugas yang ada, keluaran terstrukturnya, dan konsistensinya dengan tindakan di dalam aplikasi ditinjau bersama.

6.12.5 Fondasi bersama untuk kemampuan yang terus berkembang

Struktur yang tidak bergantung pada model mendukung eBattery AI untuk berkembang dengan data dan layanan baru seiring pengembangan produk.

Data kendaraan langsung, termasuk kondisi cuaca dalam model energi, rekomendasi yang belajar dari preferensi pengguna, dan rencana perjalanan dengan cakupan geografis lebih luas, semuanya dikaitkan dengan struktur perhitungan dan konteks yang sama.

Seiring pengisian daya-pembayaran, EV Market, dukungan pengisian daya bergerak, dan layanan lain mulai aktif, tindakan yang dapat diarahkan asisten juga meluas. Setiap fungsi baru ditangani bersama cakupan nyata, data, dan persetujuan pengguna dari layanan terkait.

Sepanjang pengembangan ini, hubungan yang dibangun asisten dengan pengguna tetap terjaga: memahami kebutuhan, menggunakan data yang tepat, menjelaskan konsekuensi dari setiap opsi, dan mempermudah tindakan yang dipilih pengguna di dalam aplikasi.

Cari di eBattery

Cari fitur, panduan, atau topik.

Titik awalMenemukan stasiun pengisian daya →Contoh proyek RWA →Panduan dan berita →