6. Kunstig intelligens-laget - eBattery AI
Å reise med elbil innebærer å ta sammenhengende beslutninger. Distansen som skal kjøres, gjeldende batterinivå, kjøretøyets forbruk, veiforhold, ladestasjonenes plassering og førerens tidsplan er deler av samme reise. Når én av disse variablene endres, kan også de andre beslutningene påvirkes. En rute som ser kortere ut, kan bli en lengre reise hvis egnet ladeinfrastruktur mangler. En kraftigere stasjon gir kanskje ikke den forventede tidsgevinsten hvis ladeeffekten kjøretøyet kan ta imot, er begrenset.
eBattery AI står i sentrum av appen for å vurdere disse valgene samlet og gi brukeren en forståelig turplan. Den lar brukeren uttrykke på naturlig språk hva vedkommende vil gjøre, og omformer forespørselen til gjennomførbare alternativer ved hjelp av kjøretøyprofilen, kartet, ruten og tilgjengelige stasjonsdata.
Opplevelsen er enkel for brukeren: Det holder å si «Jeg vil til İzmir», «Planlegg en todagers tur i helgen» eller «Finn en passende ladestasjon i nærheten» for å komme i gang. Bak kulissene må hver forespørsel kobles til ulike datakilder, beregninger og appfunksjoner. eBattery AIs oppgave er å håndtere denne tekniske kompleksiteten og samtidig holde begrunnelsen bak beslutningen åpen for brukeren.
I sentrum av denne tilnærmingen står klarhet, beregnbarhet og brukerkontroll inngår. Assistenten må kunne forklare hvorfor ruten den foreslår er egnet; den må bygge rekkevidde- og ladeberegninger med en konsekvent metode; og brukeren må kunne endre planen etter egne behov.
Det nåværende produktets AI-chat samt rute- og turplanlegging utgjør kjernen i denne strukturen. Input som sanntidsinformasjon om stasjoner, priser og trafikk fungerer sammen med dekningen til de aktuelle datakildene. Prognoser beriket med værforhold, direkte kjøretøytilkobling og personalisering som lærer av atferd, er funksjoner som utvides trinnvis på den samme arkitekturen.
6.1 Tilnærmingen med en sentral assistent
6.1.1 Samle appens ulike funksjoner i en felles sammenheng
eBattery AI er en sentral assistent som reduserer behovet for at brukeren gir den samme informasjonen om og om igjen når vedkommende beveger seg mellom ulike deler av appen. Et stasjonssøk som startes på kartet, kan finjusteres i chatten; en rute som lages under chatten, kan gjennomgås på rutevisningen; en planlagt tur kan redigeres med dager og stopp i turmodulen.
I denne opplevelsen utgjør kjøretøyet, reisen og brukerpreferansene den felles konteksten. Når for eksempel en bruker som har valgt sitt lagrede kjøretøy, sier «Vis meg passende stasjoner i nærheten», trenger ikke systemet å spørre om kjøretøymodellen på nytt hver gang. Forespørselen vurderes sammen med det valgte kjøretøyet og posisjonsinformasjonen brukeren har valgt å dele.
Den sentraliserte tilnærmingen sørger også for at ulike inngangspunkter i appen når den samme beslutningslogikken. Et søk etter ladepunkt som brukeren starter fra kartet og et søk gjort via AI Chat bør gi konsistente resultater når samme kjøretøy, samme preferanser og samme oppdaterte data brukes.
På den måten kobles eBatterys moduler ikke bare med en skjermovergang; oppgaven brukeren vil utføre, blir også bevart.
6.1.2 Gjøre brukerens intensjon om til en apphandling
Folk uttrykker ofte ikke behovene sine med tekniske parametere. Setninger som «Jeg reiser om to timer», «Vi drar med barna, så jeg vil ha en mer behagelig plan» eller «Jeg vil ikke ta for stor omvei for lading» inneholder flere preferanser samtidig.
eBattery AI gjør disse utsagnene om til informasjon som kan brukes i planleggingen. Ved behov fyller den ut manglende opplysninger som startpunkt, destinasjon, batterinivå eller tidsprioritet. Spørsmålene konsentrerer seg om det som faktisk påvirker resultatet.
Hvis brukeren for eksempel ber om «Jeg vil kjøre fra İstanbul til İzmir», og det lagrede kjøretøyet og startstedet allerede er kjent, kan brukeren bli spurt kun om gjeldende batterinivå og reisepreferanse. Når brukeren sier «Vi kan bruke bomveier, hold totaltiden kort», legges denne informasjonen til i ruteforespørselen.
Denne tilnærmingen knytter naturlig språk til appens funksjoner. Brukeren kan beskrive behovet sitt uten å måtte lære den tekniske strukturen i menyene; systemet fører deretter forespørselen videre til den aktuelle beregningen og skjermflyten.
6.1.3 Å fullføre anbefalingen med brukerkontroll
Planene som eBattery AI tilbyr, kan gjennomgås og endres. Brukeren kan endre den anbefalte stasjonen, legge til et mellomstopp, fjerne et museum fra turprogrammet eller be om en rute med lavere kostnad.
Assistenten setter disse endringene i sammenheng med resten av planen. Å fjerne et stopp forkorter ikke bare turlisten, men kan også endre daglig distanse, ankomsttid og ladebehov. Brukerens redigering vurderes med disse sammenhengene i behold.
Planen tilhører brukeren. AI gjør alternativene synlige, forenkler beregninger og forklarer konsekvensene av valg. Reisens formål, tempo og akseptable kostnad bestemmes av brukeren.
6.2 AI Chat: Åpningsopplevelse, avatar, streaming, kontekstminne
6.2.1 Åpningsopplevelse: Vise hva som kan gjøres med en gang
Startskjermen i AI Chat viser brukeren assistentens kjernefunksjoner direkte. Brukeren kan starte en samtale med fri tekst eller bruke ett av de ferdige startalternativene.
| Startalternativ | Brukerens mål | Flyt som er startet |
|---|---|---|
| Planlegg rute | Å nå et punkt med kjøretøy | Opprette en rute basert på start, destinasjon, kjøretøy og ladebehov |
| Planlegg reise | Utforske en region innenfor en bestemt tid | Lage en dagsplan ut fra interesser og tid |
| Foreslå nærmeste stasjon | Å nå et egnet ladepunkt | Lage anbefalinger ut fra posisjon, kjøretøykompatibilitet og tilgjengelige stasjonsdata |
| Mine effektiviteter | Å forstå bruksdata | Overgang til vurdering av forbruk og bruk basert på eksisterende poster |
Disse alternativene reduserer usikkerheten i den første interaksjonen. Brukerne trenger ikke å gjette hvilke spørsmål de kan stille assistenten; appen tilbyr utgangspunkter knyttet til hverdagens EV-behov.
Etter hvert som samtalen går fremover, erstattes startvalgene av handlinger som passer konteksten. Etter en opprettet rute kommer handlinger som «Åpne rute» i forgrunnen, og etter en foreslått stasjon «Gå til stasjon».
6.2.2 Avatar: Assistentens visuelle identitet
AI Chats visuelle identitet er en animert robotavatar. Før en samtale begynner, står avataren midt på skjermen og ser med små bevegelser og lyseffekter klar ut for interaksjon.
Når den første meldingen sendes, krymper avataren og flyttes ved siden av assistentens meldinger. Slik flyttes skjermens fokus naturlig fra startopplevelsen til samtalen. Det åpnes mer plass for det brukeren skriver, assistentens svar og resultatkortene som opprettes.
Avataren bidrar også til å skille AI-genererte meldinger visuelt. Denne identiteten skaper en assistentopplevelse som er forskjellig fra, og konsekvent i forhold til, fellesskapsmeldingene i appen.
Bevegelse og visuelle effekter skal veilede brukeren og gjøre systemets tilstand forståelig. Lesbarhet og interaksjon prioriteres; animasjoner kommer ikke i veien for viktig informasjon.
6.2.3 Streaming: Levere svaret som en strøm
eBattery AI viser passende svar som en strøm. I stedet for å vente til en lang forklaring er ferdig, kan brukeren se svaret ta form steg for steg.
I denne opplevelsen holdes to ulike prosesser adskilt: å skrive forklaringen og å beregne planen. At assistenten begynner å generere tekst, betyr ikke at rutberegningen er fullført. Rute-, stasjons- eller turkortet vises når de relevante dataene og beregningene er klare.
Systemet kan for eksempel først vise at forespørselen er forstått, og deretter dele fremdriften mens det forbereder rutealternativer. Når beregningen er ferdig, vises en kartforhåndsvisning og ladestopp. På denne måten gis rask tilbakemelding samtidig som resultatenes integritet ivaretas.
Hvis brukeren endrer forespørselen underveis, gjelder den nye forespørselen. Et sent innkommende resultat fra den tidligere forespørselen skal ikke erstatte den gjeldende planen. Dette er særlig viktig i samtaler der stopp eller ruteønsker endres etter hverandre.
6.2.4 Context Memory: Å bevare meningen i samtalen
Kontekstminnet gjør det mulig å forstå den pågående samtalen sammen med de tidligere trinnene.
Når en bruker først sier «Jeg skal fra Istanbul til Izmir» og deretter skriver «Planlegg returen også», knytter assistenten den andre forespørselen til den første reisen. Et uttrykk som «Gjør dette mer økonomisk» brukes også på ruten eller reiseplanen som diskuteres.
Konteksten håndteres på tre nivåer:
Chatkontekst: Informasjon som er gitt og endringer som er gjort under samtalen.
Aktiv plankontekst: Ruten, turen eller stasjonsvalget som redigeres.
Lagrede brukerpreferanser: Det valgte kjøretøyet og innstillingene brukeren har satt permanent.
Dette skillet hindrer at en midlertidig preferanse tolkes som en varig vane. At en bruker sier «La oss unngå bomveier i dag» på én tur, betyr ikke at alle fremtidige turer skal planlegges på samme måte.
På samme måte kan et batterinivå som ble oppgitt i en tidligere samtale, ikke brukes som oppdaterte kjøretøydata dagen etter. Å huske kontekst betyr også å styre hvor lenge informasjonen er gyldig.
6.3 Lagdelt arkitektur: Regelbasert beslutningslag og LLM-lag
6.3.1 Å skille rollene til beregning og fremstilling
eBattery AIs arkitektur bygger på at ulike oppgaver løses med ulike metoder.
Beregning av rekkevidde, energibehov, samsvar mellom kjøretøy og stasjon og vurdering av rutealternativer utføres i beslutningslaget, som arbeider med definerte datafelt og beregningsregler. Å forstå brukerens forespørsel på naturlig språk og forklare resultatene er oppgaven til den store språkmodellen, altså LLM-laget.
Dette skillet knytter det tallmessige grunnlaget for en anbefaling til hvordan den forklares. Når assistenten sier «Denne stasjonen passer bedre», skal begrunnelsen komme fra data produsert av beregningslaget. Avstands-, tids- og energiverdiene som brukes i forklaringen bygger på samme kilde som verdiene på resultatkortet.
| Arkitektonisk komponent | Kjerneansvar | Resultatet det gir |
|---|---|---|
| Data- og integrasjonslag | Å organisere data fra kjøretøy, kart, stasjoner og andre kilder | Inndata med definert kilde og aktualitet |
| Forespørsels- og kontekststyring | Å kombinere brukerens forespørsel, valgt kjøretøy og aktivt abonnement | Strukturert planleggingsforespørsel |
| Regelbasert beslutningslag | Utføre kompatibilitetskontroller, energiberegninger og kandidatvurdering | Alternativer for rute og ladeplan |
| LLM-lag | Tolke naturlig språk og forklare beregnede resultater | Forklaring tilpasset brukeren |
| Verifiserings- og handlingslag | Kontrollere resultatenes konsistens og transaksjonsfullmakten | Et kort som kan vises og et handlingsklart tiltak |
| Opplevelseslag | Presentere chatten, kortene og skjermovergangene | Brukeropplevelsen i appen |
6.3.2 Omfanget av det regelbaserte beslutningslaget
Den regelbaserte tilnærmingen betyr at beregninger kan gjengis konsistent for det samme datauttrekket og den samme regelversjonen.
Dette laget beregner brukbar batterienergi, estimerer energibehovet for rutestrekningene, utelukker stasjoner som ikke er kompatible med kjøretøyet, og sammenligner egnede kandidater etter fastsatte kriterier. Veivalgene brukeren har valgt, og batterireserven som skal beholdes, tas også hensyn til her.
Regelbasert beregning betyr ikke at omverdenen er kjent med sikkerhet. Fremtidig trafikk, faktisk forbruk eller stasjonens tilstand ved ankomst kan endre seg. Selv om beregningsmetoden er konsekvent, er derfor noen inndata og utdata anslag.
eBattery AI bevarer dette skillet: kjente data, informasjon oppgitt av brukeren og et modellestimat presenteres ikke med samme grad av sikkerhet.
6.3.3 Omfanget av LLM-laget
Språkmodellen brukes til å forstå brukerens forespørsel og gjøre det beregnede resultatet om til en naturlig forklaring.
Uttrykk som «Jeg vil gå mindre», «Fjern museene», «Jeg vil ikke vente for lenge på lading» eller «Hvorfor valgte du denne stasjonen?» hører til dette lagets arbeidsområde.
LLM-en hjelper til med å lage en strukturert forespørsel som kan sendes videre til riktig appfunksjon. Den fyller imidlertid ikke ut stasjonens pris, kontaktstatus eller kjøretøyets batterinivå fra sin egen generelle kunnskap. Denne informasjonen hentes fra de aktuelle registrene og integrasjonene.
Når for eksempel beslutningsmotoren velger en stasjon fordi den gir mindre avvik fra ruten og passende effekt, kan assistenten forenkle denne begrunnelsen:
«Denne stasjonen er kompatibel med kjøretøyet ditt og ligger nærmere hovedruten. Alternativet som ser kraftigere ut, gir ingen ekstra tidsfordel på grunn av kjøretøyets ladegrense.»
Verdien av denne forklaringen er at brukeren kan se logikken bak beslutningen.
6.3.4 Fra verifiserte data til et forklarbart resultat
Hvert resultat knyttes til de viktigste inndataene det brukte. Valgt kjøretøy, batteriinformasjon, beregningstidspunkt og hvor oppdaterte stasjonsdataene er, gjør det mulig å forstå under hvilke forutsetninger planen ble laget.
Denne strukturen gjør det også lettere å vurdere tilbakemeldinger fra brukere. At en anbefalt stasjon ikke blir valgt, betyr ikke alltid at beregningen var feil. Brukeren kan ønske et annet pausested, foretrekke en bestemt operatør eller ha en tidsbegrensning som ikke fremgår av planen.
Å vurdere beslutningens inndata sammen med brukerens endring bidrar til at systemet forbedres på en mer meningsfull måte over tid.
6.4 Ruteplanlegging — kjøretøyprofil, rekkeviddeberegning, rute og veipreferanser
6.4.1 Planlegge turen sammen med kjøretøyprofilen
I eBattery tar ruteplanleggingen hensyn til kjøretøyets energi- og ladeegenskaper i tillegg til start- og sluttpunkt.
To elbiler på samme rute kan trenge ulike ladeplaner. Brukbar batterikapasitet, forbruk, støttede kontakter og ladeeffekten bilen kan ta imot, skaper denne forskjellen.
De viktigste kjøretøyopplysningene som brukes i planleggingen, er følgende:
| Kjøretøyinformasjon | Funksjon i planleggingen |
|---|---|
| Merke, modell og egnet kjøretøyvariant | Sørger for at riktig teknisk profil velges |
| Brukbar batterikapasitet | Danner grunnlaget for energiberegningen som kan brukes på turen |
| Forbruksverdi | Gjør om avstand til et estimert energibehov |
| Støtte for AC-lading | Hjelper med å vurdere lading under lengre pauser og ved destinasjonen |
| Støtte for DC-lading | Gjør det mulig å vurdere alternativer for hurtiglading underveis |
| Kontaktkompatibilitet | Gjør det mulig å identifisere tilgjengelige stasjoner |
| Gjeldende batterinivå | Definerer turens energitilstand ved start |
Brutto batterikapasitet og brukbar kapasitet vurderes hver for seg. Verdien som legges til grunn for rekkeviddeberegningen, er energien som er tilgjengelig for kjøring.
I dagens bruksflyt legger brukeren inn batterinivået manuelt før reisen. Mens den lagrede kjøretøyprofilen inneholder den tekniske informasjonen, er batteriprosenten den gjeldende inndataen for den reisen. Fremtidige integrasjoner med kjøretøytilkobling gir rom for utvidelse, slik at denne informasjonen kan hentes automatisk fra støttede kjøretøy.
6.4.2 Rekkeviddeberegning og energireserve
Beregningen av rekkevidde bygger på forholdet mellom tilgjengelig energi og forventet forbruk:
Gjeldende energi = Brukbar batterikapasitet × Batterinivå / 100
Grunnleggende rekkeviddeestimat = Tilgjengelig energi / Forbruk × 100
Her er energi oppgitt i kWh, forbruk i kWh/100 km og rekkevidde i kilometer.
La oss som eksempel tenke oss et kjøretøy med en brukbar batterikapasitet på 60 kWh, et gjeldende ladenivå på 40 % og et forbruk på 18 kWh/100 km som brukes i beregningen.
I dette tilfellet:
Beregnet energi i batteriet er 24 kWh.
Teoretisk rekkevidde ned til null er omtrent 133 kilometer.
Hvis for eksempel en ankomstreserve på 15 % beholdes, synker energien som er tilgjengelig for planlegging, til 15 kWh.
Med samme forbruksforutsetning er distansen beregnet med reserven bevart omtrent 83 kilometer.
Dette eksempelet forklarer hvorfor den teoretiske rekkevidden som vises på skjermen, er forskjellig fra distansen som kan brukes i planleggingen. De 15 % her er en eksempelreserve som brukes for å vise beregningslogikken.
I selve rutberegningen vurderes avstanden sammen med veiens egenskaper og tilgjengelige forbruksdata. Etter hvert som datadekningen utvides, kan effekter som stigning, trafikk og værforhold legges til i modellen. Når forholdene estimatet bygger på, endrer seg, vurderes planen på nytt.
6.4.3 Start, destinasjon og mellomstopp
Brukeren kan bestemme startpunktet ut fra gjeldende posisjon, et adressesøk eller kartet. Destinasjonen og mellomstoppene er også deler av samme reiseplan.
Mellomstopp er særlig viktige i planleggingen for elbil. Når du reiser fra İstanbul til İzmir, endrer et besøk i Bursa mer enn bare den totale distansen. Besøkets varighet, om det finnes lading i området, og hvilket batterinivå neste etappe starter med, påvirker også planen.
Brukeren kan endre rekkefølgen på stoppene eller beholde en bestemt rekkefølge. En manuelt satt rekkefølge kan representere brukerens tidsplan eller personlige prioritet. Systemet beregner ladestoppene på nytt i tråd med denne preferansen.
Ved hver endring oppdateres den aktuelle planen uten at brukeren må skrive inn all informasjon på nytt.
6.4.4 Rutemodus og veipreferanser
eBattery knytter rutealternativene til brukerens reiseprioritet.
Raskest -tilnærmingen fokuserer på total reisetid. I tillegg til kjøretid inngår avvik for lading, ladetid og, når data finnes, ventetid i vurderingen.
Mest effektiv tilnærmingen ser energibehovet og tilgjengelige kostnadsdata i sammenheng med en rimelig reisetid. Mens brukeren får et rimeligere alternativ, vises også effekten på reisetiden.
Ingen av disse to alternativene har en fast fordel for hver tur. På en forretningsreise kan tid være viktigere, på en helgetur kan pauseopplegget eller budsjettet være det.
Veivalg som bomveier, motorveier og ferger legges til i rutekravet. Google Maps Routes API tilbyr også unngåelsesalternativer for slike valg. Disse alternativene styrer rutesøket, og om det finnes et egnet alternativ, avhenger av veinettet. eBattery kombinerer disse mulighetene, som kartjenesten i bruk tilbyr, med kjøretøy- og ladeplanlegging.
Regionale eller mer detaljerte veibegrensninger håndteres sammen med dekningen til den aktuelle data- og rutetjenesten. Ruten som presenteres for brukeren, bør vise tydelig hvilken effekt preferansene har på resultatet.
6.5 Ladeplanlegging og stasjonsscoring – anbefaling av lademengde, sikkerhetsmargin
6.5.1 Først kompatibilitet, deretter sammenligning
Det første trinnet i ladeplanleggingen er å finne stasjonene som kan brukes. At en stasjon har høy vurdering eller lav pris, betyr ikke at kjøretøyet kan lade der.
Derfor gjennomføres vurderingen i to trinn:
Identifisere kandidater som er kompatible med kjøretøyet og turen.
Sammenligning av egnede kandidater med hensyn til tid, kostnad og bruksvilkår.
Kontaktkompatibilitet, tilgjengelighet og energien som trengs for å nå stasjonen, er temaet for første trinn. Disse grunnleggende vilkårene behandles ikke som poengfaktorer som kan oppveies av andre fordeler.
For eksempel anbefales ikke en stasjon som er inkompatibel med kjøretøyet, bare fordi den er billigere. På samme måte får et punkt som ikke ser ut til å kunne nås med gjeldende energi, ikke prioritet bare på grunn av høy ladeeffekt.
6.5.2 Stasjonsscoring: Egnethet som varierer med turen
Når egnede kandidater er identifisert, gjennomgår stasjonene en vurdering etter flere kriterier.
| Kriterium | Vurdert tema |
|---|---|
| Ruteavvik | Den ekstra avstanden og tiden som trengs for å nå stasjonen og komme tilbake til hovedruten |
| Effektkompatibilitet med kjøretøyet | Hvordan stasjonens effekt forholder seg til området kjøretøyet kan utnytte |
| Pris | Tariffen som er tilgjengelig og gjelder for den aktuelle brukeren |
| Øyeblikkelig status | Gjeldende status for et egnet ladepunkt i støttede integrasjoner |
| Ventinformasjon | Sannsynlig ventetid når pålitelige data eller tilstrekkelig modellstøtte er tilgjengelig |
| Driftsmessig pålitelighet | Tjenestekontinuitet og brukeropplevelse når data er tilgjengelig |
| Brukeranmeldelser | Hvor oppdaterte erfaringene er, hva de inneholder, og om de bygger på et tilstrekkelig antall observasjoner |
| Pausetilpasning | Stasjonens forhold til brukerens gjeldende stopp og tidsplan |
| Dataaktualitet | Hvor oppdatert informasjonen som brukes i beslutningen, er |
Hvor viktige disse kriteriene er, varierer med den valgte rutemodusen. På en tidsprioritert tur kan omvei og ladetid være mer avgjørende. På en kostnadsprioritert tur vurderes en tariffforskjell sammen med den ekstra tiden den vil medføre.
Manglende data inngår også i vurderingen. En stasjon med ukjent sanntidsstatus anses ikke som «ledig». På samme måte er informasjon om kontaktbelegg alene ikke alltid nok til å beregne en pålitelig køtid.
En brukervurdering alene erstatter heller ikke driftsmessig pålitelighet. Noen få gamle anmeldelser bør ikke vektes likt med et aktuelt og bredere sett av erfaringer.
6.5.3 Sammenhengen mellom stasjonseffekt og den faktiske ladeopplevelsen
Effektverdien som er angitt på en stasjon, betyr ikke at kjøretøyet lader med denne effekten gjennom hele økten. Ladetiden avhenger av flere faktorer, som batterinivå, kapasitet og egenskapene til kjøretøyet og ladeutstyret. Ressursen Alternative Fuels Data Center fra det amerikanske energidepartementet forklarer likeledes at disse variablene sammen bestemmer ladetiden.
For eksempel trenger ikke en stasjon med 350 kW kapasitet å være raskere enn en egnet stasjon med 150 kW kapasitet for et kjøretøy med en DC-ladegrense på 100 kW, bare på grunn av merkeeffekten. Hvis det krever en lengre omvei å nå den første stasjonen, kan det andre alternativet være bedre for reisen som helhet.
eBatterys vurdering ser på stasjonens effekt sammen med kjøretøyets egenskaper. I stedet for å fremstille høye tall automatisk som det beste alternativet, ser den på hvilken nytte stasjonen vil gi brukerens reise.
6.5.4 Lademengde: Energi tilpasset neste etappe
Ladeplanen omfatter også den anbefalte energimengden, ved siden av valg av stasjon.
Grunntanken er å vurdere energibehovet for neste rutestrekning, den tilsiktede ankomstreserven og egnede alternativer samlet. Brukeren trenger ikke nå samme batterinivå ved hvert stopp. En kort etappe, en lang neste etappe eller lademulighet ved reisemålet kan gi ulike mål.
Det grunnleggende forholdet for energien som må tilføres batteriet, er som følger:
Energi som skal tilføres = Brukbar kapasitet × (Mål-batteriprosent − Nåværende batteriprosent) / 100
For eksempel tilsvarer det for et kjøretøy med 60 kWh brukbar kapasitet at en økning av batterinivået fra 20 % til 70 % gir en energiøkning på omtrent 30 kWh i batteriet.
Denne verdien trenger ikke være nøyaktig den samme som energien målt på stasjonens måler eller fakturert. På grunn av ladetap og hjelpeforbruk er det viktig på hvilket punkt energien måles.
Ladetiden beregnes heller ikke bare ved å dele på stasjonens maksimale effekt. Der det er tilgjengelig, tar modellen hensyn til hvordan kjøretøyet lader ved ulike batterinivåer. Som et illustrerende eksempel: Hvis det tilføres 30 kWh energi til batteriet med en gjennomsnittlig nettoeffekt på 60 kW, er energioverføringstiden omtrent 30 minutter. Den avgjørende verdien her er gjennomsnittseffekten i økten.
I kostnadsberegningen tas gjeldende økt-, tids- eller andre tariffkomponenter med i betraktning i tillegg til energiprisen. Brukeren skal kunne forstå hvilket omfang det viste estimatet dekker.
6.5.5 Bevare sikkerhetsmarginen og alternativene
Planleggingen bygger ikke på at batteriet i teorien brukes helt ned til siste energienhet. Den setter av rom for en ankomstreserve, variasjon i forbruksestimatene og tilgang til alternativer langs veien.
Nødvendig reserve vurderes sammen med rutens lengde, stasjonstetthet, datas aktualitet og planens fleksibilitet. En byrute med hyppige lademuligheter og en langdistansestrekning med få alternativer har ikke de samme forutsetningene.
Når eBattery AI forklarer den anbefalte lademengden, gjør den denne logikken synlig. Brukeren kan forstå hvorfor det anbefales å ta mer energi på en stasjon, eller hvorfor en kort lading regnes som nok til å nå neste egnede stopp.
Gjeldende tilgjengelighetsinformasjon gjenspeiler også situasjonen da planen ble opprettet. Denne informasjonen utgjør ingen reservasjon om at den samme kontakten vil være ledig ved ankomst. Vurdering av alternative stasjoner er derfor en viktig del av planen.
6.6 Dynamisk omberegning
6.6.1 Å la endrede forhold under turen gjenspeiles i planen
Ruten behandles ikke som et fast dokument som er laget før turen begynner. Etter hvert som brukeren kommer videre, kan posisjon, trafikk, stasjonsstatus og vedkommendes egne preferanser endre seg.
Dynamisk omberegning vurderer hvilken effekt disse endringene har på planen. Hver utløser fungerer imidlertid bare i den grad de aktuelle dataene er tilgjengelige.
| Endring | Informasjonen som brukes | Mulig effekt på planen |
|---|---|---|
| Endring i trafikken | Kart- og trafikkilde | Oppdatering av varighets- og rutealternativer |
| Endring i status for en planlagt stasjon | Operatørintegrasjon | Vurdering av et alternativt ladepunkt |
| Brukeren avviker fra ruten | Posisjon og ruteframdrift | Ny beregning av gjenstående distanse og energibehov |
| Oppdatering av batteriinformasjon | Brukerpålogging; støttede fremtidige kjøretøytilkoblinger | Oppdatering av ladestopp og målet for energimengde |
| Å legge til eller fjerne et mellomstopp | Brukerredigering | Ny planlegging av de berørte rutedelene |
| Skiftende værforhold | Omfanget der den aktuelle integrasjonen er aktiv | Ny vurdering av forbruksestimatet |
På en tur som kjøres med manuelt oppgitt batterinivå, er gjenværende energi beregnet av systemet et estimat. Det merkes ikke på samme måte som oppdaterte batteridata målt fra kjøretøyet.
6.6.2 Ikke presentere hver endring for brukeren som en ny rute
Små forskjeller som hele tiden endrer seg, kan gi brukeren en unødvendig beslutningsbyrde. Noen sekunders svingninger i trafikken eller en svært liten tidsfordel krever ikke en ny anbefaling hver gang.
Tilnærmingen for ny beregning vurderer hva endringen betyr for reisen. Gjennomførbarheten av den gjeldende planen, energireserven og den tydelige nytten for brukeren har prioritet.
Dette gjør at planen forblir stabil. I stedet for å bli styrt hele tiden mellom to svært like alternativer ser brukeren en meningsfull oppdatering når det er nødvendig.
6.6.3 Å forklare årsaken til endringen
Den foreslåtte nye ruten presenteres i sammenligning med den gjeldende planen. Brukeren skal kunne se hvilken betingelse som har endret seg, og hva resultatet er.
For eksempel:
«Bruksinformasjonen for de aktuelle kontaktene på stasjonen du planla, har endret seg. En alternativ stasjon ligger nærmere ruten din og kan nås ut fra gjeldende energiestimat. Du kan se på det nye alternativet.»
I forklaringen brukes bare elementer som støttes av tilgjengelige data. Hvis det ikke finnes et pålitelig anslag på ventetid, oppgis ingen nøyaktig tidsbesparelse i minutter.
Trafikkinformasjon fra kartleverandøren og eBatterys EV-vurdering basert på disse dataene knyttes også riktig sammen. Begrunnelsen for anbefalingen gjør det tydelig hvilke data som brukes og hvordan.
6.7 AI-turplanlegging – kandidatpulje, klynging, tidsbudsjettering, ladeintegrasjon
6.7.1 Fra transportplan til hverdagsopplevelse
Reiseplanlegging organiserer tiden brukeren skal tilbringe i et bestemt område. Målet er å gjøre severdigheter om til et program som passer brukerens tid, interesser og kjøretøyets energibehov.
Når brukeren sier «Jeg skal tilbringe to dager i Kappadokia, med vekt på natur og historie», vurderer systemet regionen, reisens varighet og prioriteringene samlet. Startpunktet, det daglige tempoet og eventuelle steder brukeren spesielt vil se, legges til i planen.
Det resulterende programmet gir en redigerbar reisestruktur delt inn i dager.
6.7.2 Opprettelse av utvalget av aktuelle steder
Det første trinnet er å identifisere egnede severdigheter i regionen. Kandidatlisten kan omfatte kulturelle steder, museer, naturområder, spisesteder og rasteplasser.
Avhengig av kildens omfang omfatter informasjonen som tas i betraktning posisjon, kategori, besøksvarighet, åpningstider og brukeranmeldelser.
Høy popularitet alene er ingen grunn til å velge noe. Hvis et sted ikke passer brukerens interesser, ligger for langt unna dagsprogrammet eller det ikke er nok tid til et besøk, kan det få lavere prioritet.
Innholdsfortellingen knyttes til registreringene for de valgte stedene. Informasjon som kan endre seg, som åpningstider eller adgangsvilkår, genereres ikke fra språkmodellens generelle kunnskap som om den var oppdatert data.
6.7.3 Geografisk klyngedannelse og transportforhold
Aktuelle steder vurderes ut fra geografiske og transportmessige sammenhenger før dagsprogrammet settes sammen. Målet er å redusere unødvendig frem-og-tilbake-kjøring innenfor samme dag.
To punkter som ser ut til å ligge nær hverandre på kartet, er ikke nødvendigvis en kort reise fra hverandre. Veiforbindelser, kryssingspunkter og områdets geografi bestemmer det faktiske bevegelsesmønsteret. Derfor bygger ikke daglig gruppering bare på avstand i luftlinje.
Mens dagsprogrammet for eksempel settes sammen av besøk i samme område, kan et stopp som ligger lenger unna flyttes til en annen dag. Slik kan brukeren bruke mer av tiden på besøk i stedet for transport.
Når brukeren foretrekker en bestemt rekkefølge, bevares dette valget; systemet tilpasser den gjenstående planen slik at den er i samsvar med denne rekkefølgen.
6.7.4 Tidsbudsjettering: Et realistisk dagsprogram
Om dagsplanen lar seg gjennomføre, avhenger av reise- og pausetider i tillegg til den totale besøkstiden.
Et døgns tidsbudsjett omfatter følgende komponenter:
Reisen mellom punktene.
Besøkstiden som tilbringes på hvert sted.
Mat- og hvilepauser.
Nødvendige ladestopp.
Et rimelig tidsrom for parkering, tilgang og lignende overganger.
Hvis man legger inn i en brukers seks timer lange turplan bare stopp med besøkstider som til sammen er seks timer, blir det ikke tid til transport. eBattery AI bygger planen innenfor dagens samlede tidsramme.
Programmets verdi måles ikke i hvor mange steder det kan liste opp. Det viktige er at det kan følges i det tempoet brukeren velger, og at det levner rom for endringer.
6.7.5 Å passe lading inn i dagsplanen
Ladestopp vurderes sammen med energibehovet når en turplan opprettes. De behandles ikke som et separat behov som legges til på slutten av dagen.
Hvis en matpause kan kombineres med et egnet ladepunkt, kan de to aktivitetene foregå i samme tidsrom. For eksempel krever en matpause på 40 minutter og en lading på 25 minutter som starter på samme sted og samtidig, under egnede forhold ikke et ekstra stopp på til sammen 65 minutter. Planen vurderer overlappende varigheter samlet.
I denne matchingen er stasjonens faktiske tilgang, driftsforhold, parkeringsløsning og brukerens preferanser viktige. En stasjon som ser ut til å ligge nær en restaurant på kartet, antas ikke å være et egnet pausealternativ i alle tilfeller.
På turer som strekker seg over flere dager, fortsetter energiberegningen på tvers av dagene. Neste dags startbatteri knyttes til forrige dags planlagte sluttnivå. Nattlading tas med i beregningen bare når den inngår i brukerens plan og støttes av den aktuelle fasiliteten.
6.7.6 Redigerbar turfortelling
Det beregnede programmet presenteres som stopp fordelt på dager, sammen med en forklaring på naturlig språk. Brukeren kan se hvilket område som besøkes hvilken dag, hvor ladingen er plassert, og omtrentlig tidsfordeling for dagen.
Forespørsler som «Gjør den andre dagen roligere», «Ta bort museet» eller «Jeg vil være i naturen på ettermiddagen» lar deg redigere planen.
Etter en endring vurderes de berørte dagene og rutedelene på nytt. Reisefortellingen endres også sammen med den oppdaterte planen. Prinsippet er at det ikke skal oppstå motsigelser mellom den gamle beskrivelsen og den nye stopplisten.
Denne by- og regionfokuserte strukturen danner grunnlaget for bredere, landsdekkende og langsiktig planlegging i senere faser.
6.8 Effektivitetsanalyse
6.8.1 Å gjøre data meningsfulle fra sjåførens perspektiv
Effektivitetsanalysen hjelper brukerne å vurdere energi- og reiseregistreringene sine på en mer oversiktlig måte.
Hvis de tilgjengelige dataene er tilstrekkelige, kan forbruk, avstand, ladeutgifter og planlagte kontra faktiske verdier fra ulike perioder sammenlignes. AI forklarer endringen i tallene og viser hvilke registre det kan være nyttig for brukeren å se gjennom.
Analysens omfang avhenger av dataene som brukes. Informasjon som er innhentet gjennom kjøretøytilkobling, øktposter eller brukerinnlogging holdes adskilt fra anslag som kun er beregnet ut fra ruten.
6.8.2 Målt forbruk og beregnet estimat
I en forbruksvurdering må energien og distansen tilhøre samme periode, samme kjøretøy og en konsekvent målemetode.
Hvis total energi og total distanse er kjent, er den grunnleggende forbruksberegningen slik:
Gjennomsnittlig forbruk = Total kjøreenergi / Total distanse × 100
Å bare summere forbruksverdiene for reiser av ulik lengde og dele på antall reiser gir ikke nødvendigvis riktig gjennomsnitt for perioden. Å beregne ut fra total energi og distanse bevarer vektingen av korte og lange reiser.
Energien som kjøpes under lading, er heller ikke alltid den samme som energien som forbrukes under kjøring i samme periode. Batterinivåene ved starten og slutten av perioden, ladetap og omfanget av registreringene påvirker dette forholdet.
Derfor behandler eBattery ladeutgifter, kjøpt energi og kjøreforbruk som atskilte begreper med hver sin betydning.
6.8.3 Å vise endringen og forklare årsaken med data
Som et illustrerende eksempel kan vi anta at gjennomsnittlig forbruk stiger fra 18 kWh/100 km til 19,8 kWh/100 km over to sammenlignbare perioder. Denne endringen betyr en økning i forbruket på 10 %.
Dette resultatet alene viser imidlertid ikke årsaken til økningen. Rute, hastighet, værforhold, last eller turmønster kan ha endret seg.
AI-ens vurdering holder seg på det nivået dataene støtter. Finnes det bare forbruks- og avstandsregistreringer, kan den si «Forbruket ditt har økt». For å konkludere med at en bestemt atferd, som hard bremsing eller bruk av klimaanlegg, er årsaken, trengs de relevante målingene.
Når det ikke finnes direkte kjøretøydata, presenteres ikke batterihelsen som om den var målt. Detaljert analyse av kjøreatferd utvides med integrasjoner som gir nok data til å vurdere denne atferden.
6.8.4 Bygge sammenlignbare bruksvaner
Formålet med effektivitetsskjermen er å gjøre det enklere for brukeren å forstå sin egen bruk over tid.
Å sammenligne lignende ruter, se gjennom ladeutgifter på ulike stasjoner og se forskjellene mellom planlagt og faktisk varighet støtter denne forståelsen.
Assistentens forslag er konkrete og avmålte. I stedet for å love brukeren en ubekreftet besparelsesprosent forklarer den hvilke data som har endret seg, og hvilke forhold man bør se på for å få en mer meningsfull sammenligning.
6.9 Resultatkort og deep linking
6.9.1 Å gjøre en samtale om til et resultat som kan brukes i appen
En rute, tur eller stasjonsanbefaling som er opprettet i AI Chat, presenteres med resultatkort. Kortene lar brukeren raskt se nøkkelinformasjonen og gå videre til den aktuelle modulen.
| Korttype | Kortets kjerneinnhold | Tilhørende skjerm |
|---|---|---|
| Rutekort | Start, destinasjon, rutesammendrag, estimert tid og ladestopp | Ruteplanlegging |
| Turkort | Region, antall dager og sammendrag av dagsprogrammet | Turplanlegging |
| Stasjonskort | Plassering, kompatibilitet, effekt og tilgjengelig oppdatert informasjon | Stasjonsdetaljer |
| Effektivitetskort | Periode, nøkkelindikatorer og vurderingssammendrag | Effektivitet |
Kortets formål er ikke å presse alle detaljene inn på et lite område. Det gir nok informasjon til at brukeren kan kjenne igjen resultatet og velge neste handling.
6.9.2 Åpne den samme planen med deep linking
Dyplenking gjør at resultatkortet fører brukeren til riktig innhold på den aktuelle skjermen.
Når brukeren åpner en rute som er laget i chatten, møter de ikke et tomt rueskjema. Valgt start- og målpunkt, kjøretøy, mellomstopp og andre opplysninger i planen vises på den aktuelle skjermen.
Det samme forholdet bevares også på tur- og stasjonskort. På den måten blir chat-, kart- og planleggingsskjermene ulike visninger av den samme handlingen.
Teknisk er kortet knyttet til den aktuelle registreringen og planversjonen. Når brukeren endrer planen, er det fortsatt tydelig hvilket resultat som er gjeldende.
6.9.3 Hurtighandlinger tilpasset sammenhengen
Avhengig av resultatene tilbys handlinger som «Start rute», «Gå til stasjon», «Lagre», «Del» eller «Legg til i favoritter».
Det er ikke nødvendig at hvert kort viser alle handlinger. Handlingene velges ut fra resultatet brukeren har skapt der og da.
Delbare kort behandles også sammen med innholdets omfang. Opplysninger som brukerens hjemmeadresse eller personlige startpunkt anses ikke som en naturlig eller obligatorisk del av delingen. Brukeren skal kunne se hvilket innhold vedkommende deler.
6.10 Proaktive forslag og varsler
6.10.1 Gi meningsfull støtte når et behov oppstår
Når relevante data er tilgjengelige, kan eBattery AI også gjøre viktige endringer synlige uten at brukeren spør.
Innenfor dette omfanget faller endring i stasjonsstatus under en aktiv tur, en betydelig trafikkpåvirkning, eller ny vurdering av ladeplanen basert på oppdatert batteriinformasjon.
Formålet med proaktiv støtte er å hjelpe brukeren i rett tid. Ikke hver dataendring utløser et varsel. Det vurderes hvordan informasjonen henger sammen med den pågående turen, og om den krever handling.
6.10.2 Vurdere et varsel sammen med dataene det bygger på
Hva en advarsel om lavt batteri betyr, avhenger av datakilden.
Hvis gjeldende batterinivå kan hentes fra kjøretøyet, kan den målte verdien brukes. Hvis brukeren la det inn manuelt ved start, er verdien som beregnes underveis på turen, et estimat. Formuleringen i varselet bevarer dette skillet.
På samme måte må gjeldende tariff og vilkårene som gjelder for brukeren, være kjent for å kunne lage et forslag om prisfordelen ved en favorittstasjon. En vedlikeholdspåminnelse knyttes derimot til en dato lagret av brukeren eller til en egnet datakilde.
Denne tilnærmingen sikrer at proaktive anbefalinger er konsistente med det tilgjengelige datagrunnlaget.
6.10.3 Varslingsfrekvens og brukerpreferanser
Varsler styres etter viktighet og kontekst. En endring som påvirker gjennomførbarheten av en aktiv reise, har ikke samme prioritet som et generelt bruksforslag.
Brukere kan administrere varslingsinnstillingene sine. Å redusere gjentatte meldinger om samme hendelse, å la være å vise varsler som ikke lenger er gyldige, og å lede anbefalingen til riktig plan er en del av opplevelsen.
Plassering og bakgrunnsfunksjoner kjøres med brukerens tillatelser og innenfor driftsvilkårene til det mobile operativsystemet. Informasjonen som vises under en reise, holdes kort og handlingsorientert; detaljene kan gjennomgås på den aktuelle skjermen.
6.11 Tillit og feilhåndtering
6.11.1 Gjøre informasjonens karakter synlig
eBattery AIs tilnærming til tillit bygger på at det skal kunne forstås hvilken informasjon resultatene er basert på.
Batterinivået brukeren har oppgitt, kontaktstatusen fra operatøren, korttjenestens tidsestimat og AI-ens forklaring er ulike typer informasjon. Dette skillet gjør at anbefalingen kan vurderes riktig.
Generative KI-systemer kan presentere ubegrunnet informasjon på en overbevisende måte. NISTs risikoprofil for generativ KI tar også for seg denne atferden. eBatterys datadrevne tilnærming til beregning og verifisering er utformet for å redusere virkningen av slike feil på beslutninger i appen.
Denne tilnærmingen er særlig viktig for posisjon, stasjonsstatus, pris og energiberegning. En flytende forklaring brukes ikke i stedet for verifiserte data.
6.11.2 Å opptre tydelig og konsekvent når data mangler
At én datakilde ikke svarer, betyr ikke at alle appens funksjoner må stoppe samtidig. Systemet vurderer hvilket resultat som kan tilbys med dataene som er tilgjengelige.
For eksempel, hvis stasjonens plassering og kontaktinformasjon er tilgjengelig, men sanntidsstatusen ikke kan hentes, kan stasjonssøket fortsette, mens tilgjengelighet vises som ukjent.
På tilsvarende måte, når språkmodellen midlertidig ikke kan svare, tolkes det gyldige rutresultatet fra beregningstjenesten slik at det kan presenteres med et standardkort og en kort forklaring.
Der siste kjente data brukes, bevares aktualiteten. En gammel status som vises fra hurtigbufferen, presenteres ikke som levende informasjon som nettopp er mottatt.
6.11.3 Fullmakt, personvern og sikkerhet for eksternt innhold
Dataene AI-laget trenger, begrenses til omfanget av oppgaven som skal utføres. For å forklare hvorfor en stasjon anbefales, er det ikke nødvendig å gi modellen brukerens hele meldingshistorikk eller betalingsopplysninger.
Posisjon, reiseplaner og brukerpreferanser håndteres under tilgangskontroll. Appens transaksjonstillatelser verifiseres uavhengig av språkmodellens frie tekstgenerering.
Beskrivelser fra eksterne kilder og brukeranmeldelser behandles også som data. Et av arkitekturens sikkerhetsprinsipper er at instruksjoner som kan finnes i slikt innhold, ikke får endre appens transaksjonsregler.
Også i fremtidige transaksjonsflyter som betaling eller reservasjon er AIs forslag og gjennomføringen av transaksjonen separate trinn. Brukeren får se transaksjonens omfang, og den aktuelle godkjenningsflyten opprettholdes.
6.11.4 Å lære av feil på en målbar måte
Pålitelighet krever jevnlig vurdering av reelle bruksscenarioer.
Situasjoner som en stasjon som ikke er kompatibel med kjøretøyet, en manglende pris, et endret batteriinndata, et avbrutt tilkobling eller en gammel ruteforespørsel som fullføres sent, er testscenarioer som bestemmer hvordan systemet skal oppføre seg.
Tilbakemeldinger fra brukere bidrar også til denne prosessen. Et valg basert på feil stasjonsinformasjon og et valg som ikke innfridde forventningene, er ikke samme type feil. Når tilbakemeldingen knyttes til det relevante datagrunnlaget og beslutningstrinnet, blir det lettere å forbedre riktig komponent.
Tillitstilnærmingen går lenger enn å bare telle resultater som «vellykket» eller «mislykket»; den bygger på å forstå feilens kilde og hvordan den påvirker brukeren.
6.12 Modelluavhengig infrastruktur og ytelsesmål
6.12.1 Å holde produktlogikken uavhengig av modelleverandøren
Infrastrukturen til eBattery AI bygger på en tilnærming som ikke knytter kjernefunksjonene i produktet til egenskapene til én enkelt språkmodell.
Kjøretøyprofil, stasjonsdata, rutberegning og brukerpreferanser håndteres i appens egne tjenester. Språkmodeller kobles til disse tjenestene via definerte oppgaver og datakontrakter.
Denne strukturen gjør det mulig å vurdere ulike modellfamilier som GPT og Gemini, eller alternativer som utvikles i fremtiden. Et modellbytte bør ikke kreve at grunnleggende regler som kompatibilitet mellom kjøretøy og stasjon skrives om.
Modeller velges ut fra språkkvalitet, nøyaktighet i strukturert utdata, oppgavesuksess, ventetid, kostnad og vilkår for databehandling. Leverandørens navn alene brukes ikke som mål på produktkvalitet.
6.12.2 Bruk av riktig modell og tjeneste for oppgaven
Ikke alle brukerforespørsler krever samme behandlingsbelastning. En kort intensjonsklassifisering og en detaljert turbeskrivelse har ulike behov.
Infrastrukturen er utformet slik at oppgaver kan rutes etter denne forskjellen. Arbeid som beregningstjenestene kan løse direkte, utføres i disse tjenestene. I trinn som krever tolkning og formulering på naturlig språk, brukes en passende modell.
Den arkitektoniske tilnærmingen som støtter ytelsen, omfatter følgende elementer:
Samtidig kjøring av uavhengige datakall der det passer.
Kontrollert hurtiglagring av kjøretøyinformasjon som endrer seg saktere.
Å anvende aktualitetsregler på variable data som tilgjengelighet og pris.
Kansellering av ugyldige kontoer når brukerens forespørsel endres.
Kjøring av lange operasjoner i bakgrunnen uten å blokkere grensesnittet.
Å presentere de ferdige delene av resultatet i etapper, samtidig som helheten ivaretas.
Også i kart- og trafikktjenester må man veie responstid mot beregningsdetaljer. Google Routes API definerer ulike alternativer for trafikkvurdering og forklarer at et mer omfattende søk kan gi høyere forsinkelse. eBatterys ytelsestilnærming vurderer oppførselen til slike eksterne tjenester i den samlede brukeropplevelsen.
6.12.3 Definering av ytelsesmål
I eBattery AI vurderes ytelsen ut fra opplevelsen mellom at brukeren sender forespørselen og at de får et brukbart resultat.
At det første svaret begynner og at ruteplanen er fullført, er forskjellige målinger. At en lasteanimasjon vises, regnes ikke som det samme som at et meningsfylt KI-svar begynner.
| Ytelsesområde | Designmål | Målemetode |
|---|---|---|
| AI-svaret starter | Starte den første meningsfulle svarstrømmen på under 2 sekunder under standardforhold | Tiden fra forespørselen sendes til det første meningsfulle innholdet er synlig for brukeren |
| Standard ruteopprettelse | Levere et brukbart rutresultat på under 5 sekunder der det er mulig i typiske støttede scenarier | Tiden fra forespørselen til rute og grunnleggende ladeplan er klare |
| Skjermoverganger | Å bevare interaksjon og flyt mens en beregning pågår | Forsinkede oppstarter og grensesnitt som henger seg |
| Ny beregning | Å speile meningsfulle endringer i planen i rimelig tid | Tiden fra oppdateringen mottas til det nye alternativet er klart |
| Kompliserte reiseplaner | Levere resultater i trinn ved å gjøre fremdriften synlig | Første brukbare resultat og tider for ferdige planer |
Disse verdiene er ingeniørmål. De faktiske resultatene måles ut fra nettverksforhold, dataleverandører, rutelengde, antall stopp og planens kompleksitet.
Én enkelt gjennomsnittsverdi beskriver ikke hele opplevelsen. I tillegg til den typiske brukeropplevelsen overvåkes målinger som medianen og 95. persentil, slik at tregere forespørsler kan sees. Dermed blir forskjellen synlig mellom at systemet går raskt for de fleste og at enkelte brukere venter lenge.
6.12.4 Å måle nøyaktighet og brukervennlighet sammen med hastighet
Ytelsesvurderingen omfatter både kvaliteten på resultatet og responstiden.
De viktigste vurderingsområdene er:
Treffsikkerhet ved valg av stasjoner som er kompatible med kjøretøyet.
Konsistens i beregninger av energi og batteriprosent.
Overholdelse av stoppRekkefølgen brukeren har fastsatt.
Å holde oppdaterte og gamle data adskilt.
At beskrivelsesteksten samsvarer med verdiene på resultatkortet.
Resultatkortet åpner riktig plan og riktig skjermbilde.
At brukerendringer brukes på riktig versjon.
Konsekvent forståelse av den samme forespørselen på tvers av ulike språk.
Når faktiske data blir tilgjengelige, sammenlignes estimert ankomsttid med observerte resultater for forbruk og ladetid. Disse sammenligningene viser i hvilke regioner, kjøretøyprofiler eller bruksforhold det trengs forbedring.
Modelloppdateringer håndteres med samme evalueringsdisiplin. At en ny modell snakker mer flytende, betyr ikke at den er mer nøyaktig i ruteforklaringer. Ytelsen på dagens oppgaver, de strukturerte resultatene og samsvaret med handlinger i appen gjennomgås samlet.
6.12.5 Et felles grunnlag for voksende funksjoner
Den modelluavhengige strukturen gjør at eBattery AI kan utvides med nye data og tjenester etter hvert som produktet utvikles.
Direkte kjøretøydata, inkludert at værforhold tas med i energimodellen, anbefalinger som lærer av brukerpreferanser, og turplaner med bredere geografisk dekning knyttes alle til den samme beregnings- og kontekststrukturen.
Etter hvert som lading og betaling, EV Market, mobil ladestøtte og andre tjenester tas i bruk, utvides også handlingene assistenten kan veilede brukeren gjennom. Hver ny funksjon behandles sammen med det faktiske omfanget, dataene og brukergodkjenningen for den aktuelle tjenesten.
Gjennom denne utviklingen bevares forholdet assistenten bygger med brukeren: å forstå behovet, bruke egnede data, forklare konsekvensene av alternativene og gjøre det enklere å gjennomføre handlingen brukeren velger i appen.
