6. Warstwa sztucznej inteligencji - eBattery AI

Podróżowanie samochodem elektrycznym wymaga podejmowania wzajemnie powiązanych decyzji. Dystans do pokonania, aktualny poziom baterii, zużycie pojazdu, warunki drogowe, lokalizacja stacji ładowania i plan czasowy kierowcy to części tej samej podróży. Gdy zmienia się jedna z tych zmiennych, mogą ulec zmianie także pozostałe decyzje. Trasa, która wydaje się krótsza, może zamienić się w dłuższą podróż, jeśli brakuje odpowiedniej infrastruktury ładowania. Mocniejsza stacja może nie dać oczekiwanej oszczędności czasu, jeśli moc ładowania akceptowana przez pojazd jest ograniczona.

eBattery AI znajduje się w centrum aplikacji, aby łącznie oceniać te decyzje i przedstawiać użytkownikowi zrozumiały plan podróży. Pozwala użytkownikowi wyrazić naturalnym językiem, co chce zrobić; na podstawie profilu pojazdu, mapy, trasy i dostępnych danych o stacjach przekształca tę prośbę w możliwe do wykonania opcje.

Dla użytkownika doświadczenie jest proste: wystarczy powiedzieć „Chcę pojechać do Izmiru”, „Zaplanuj dwudniowy wyjazd na weekend” lub „Znajdź odpowiednią stację ładowania w pobliżu”. W tle każde żądanie musi zostać dopasowane do różnych źródeł danych, obliczeń i funkcji aplikacji. Zadaniem eBattery AI jest zarządzanie tą złożonością techniczną przy jednoczesnym zachowaniu przejrzystości uzasadnienia decyzji dla użytkownika.

W centrum tego podejścia znajduje się przejrzystość, możliwość obliczenia i kontrola użytkownika uwzględniono. Asystent musi umieć wyjaśnić, dlaczego proponowana trasa jest odpowiednia; obliczenia zasięgu i ładowania powinien wykonywać spójną metodą; a użytkownik musi móc zmienić plan zgodnie z własnymi potrzebami.

Czat AI obecnego produktu oraz planowanie tras i podróży stanowią rdzeń tej struktury. Dane wejściowe, takie jak bieżące informacje o stacjach, ceny i ruch drogowy, działają w zakresie obejmowanym przez odpowiednie źródła danych. Prognozy wzbogacone o warunki pogodowe, bezpośrednie połączenie z pojazdem i personalizacja ucząca się z zachowań to możliwości, które rozwijają się stopniowo w tej samej architekturze.

6.1 Podejście centralnego asystenta

6.1.1 Połączenie różnych funkcji aplikacji we wspólnym kontekście

eBattery AI to centralny asystent, który zmniejsza potrzebę wielokrotnego podawania tych samych informacji podczas przechodzenia między różnymi częściami aplikacji. Wyszukiwanie stacji rozpoczęte na mapie można doprecyzować w czacie; trasę utworzoną podczas rozmowy można przejrzeć na ekranie trasy; zaplanowaną podróż można edytować wraz z jej dniami i przystankami w module podróży.

W tym doświadczeniu pojazd, podróż i preferencje użytkownika tworzą wspólny kontekst. Na przykład gdy użytkownik, który wybrał zapisany pojazd, mówi „Pokaż mi odpowiednie stacje w pobliżu”, system nie musi za każdym razem ponownie pytać o model pojazdu. Prośba jest oceniana łącznie z wybranym pojazdem i informacjami o lokalizacji, którymi użytkownik zdecydował się podzielić.

Podejście scentralizowane sprawia również, że różne punkty wejścia w aplikacji prowadzą do tej samej logiki decyzyjnej. Wyszukiwanie punktu ładowania rozpoczęte przez użytkownika z poziomu mapy i wyszukiwanie przez AI Chat powinny dawać spójne wyniki, gdy używane są ten sam pojazd, te same preferencje i te same aktualne dane.

Dzięki temu moduły eBattery nie są połączone jedynie przejściem między ekranami; zachowywane jest też zadanie, które użytkownik chce wykonać.

6.1.2 Przekształcanie intencji użytkownika w działanie w aplikacji

Ludzie często nie wyrażają swoich potrzeb za pomocą parametrów technicznych. Zdania takie jak „Wyjeżdżam za dwie godziny”, „Jedziemy z dziećmi, niech plan będzie wygodniejszy” czy „Nie chcę nadkładać zbyt wiele drogi na ładowanie” zawierają kilka preferencji jednocześnie.

eBattery AI przekształca te wypowiedzi w informacje, które można wykorzystać w planowaniu. W razie potrzeby uzupełnia brakujące dane, takie jak punkt początkowy, cel podróży, poziom baterii lub priorytet czasowy. Pytania koncentrują się na obszarach, które naprawdę wpływają na tworzony wynik.

Na przykład przy prośbie „Chcę jechać z Stambułu do Izmiru”, jeśli zapisany pojazd i lokalizacja początkowa są już znane, użytkownik może zostać zapytany tylko o aktualny poziom baterii i preferencje dotyczące podróży. Gdy użytkownik powie „Możemy korzystać z dróg płatnych, niech całkowity czas będzie krótki”, informacje te są dodawane do zapytania o trasę.

Takie podejście łączy język naturalny z funkcjami aplikacji. Użytkownik może opisać swoją potrzebę bez konieczności poznawania technicznej struktury menu; system przenosi żądanie do odpowiedniego obliczenia i przepływu ekranów.

6.1.3 Uzupełnienie rekomendacji o kontrolę użytkownika

Plany proponowane przez eBattery AI można przeglądać i zmieniać. Użytkownik może zmienić zalecaną stację, dodać przystanek pośredni, usunąć muzeum z programu podróży lub poprosić o trasę o niższym koszcie.

Asystent powiązuje te zmiany z resztą planu. Usunięcie przystanku nie tylko skraca listę podróży, ale może też zmienić dzienny dystans, godzinę przyjazdu i zapotrzebowanie na ładowanie. Edycja wykonana przez użytkownika jest oceniana przy zachowaniu tych zależności.

Plan należy do użytkownika. AI uwidacznia opcje, ułatwia obliczenia i wyjaśnia konsekwencje wyborów. Cel podróży, jej tempo i akceptowalny koszt określa użytkownik.

6.2 AI Chat: ekran otwarcia, awatar, streaming, pamięć kontekstu

6.2.1 Pierwsze wrażenie: pokazanie od razu, co można zrobić

Ekran startowy AI Chat bezpośrednio pokazuje użytkownikowi podstawowe możliwości asystenta. Użytkownik może rozpocząć rozmowę dowolnym tekstem lub skorzystać z jednej z gotowych opcji startowych.

Opcja startowa Cel użytkownika Uruchomiony przebieg
Zaplanuj trasę Dojazd do punktu pojazdem Tworzenie trasy na podstawie punktu startu, celu, pojazdu i potrzeb ładowania
Zaplanuj podróż Zwiedzanie regionu w określonym czasie Przygotowanie dziennego planu na podstawie zainteresowań i czasu
Zaproponuj najbliższą stację Dotarcie do odpowiedniego punktu ładowania Tworzenie rekomendacji na podstawie lokalizacji, zgodności pojazdu i dostępnych danych o stacjach
Moje efektywności Zrozumienie danych o użytkowaniu Przejście do oceny zużycia i użytkowania na podstawie istniejących zapisów

Te opcje zmniejszają niepewność przy pierwszej interakcji. Użytkownik nie musi zgadywać, jakie pytania może zadać asystentowi; aplikacja podsuwa punkty wyjścia związane z codziennymi potrzebami EV.

W miarę postępu rozmowy opcje początkowe zastępowane są działaniami odpowiednimi do kontekstu. Po wygenerowaniu trasy na pierwszy plan wysuwa się „Otwórz trasę”, a po zaproponowaniu stacji – „Przejdź do stacji”.

6.2.2 Awatar: wizualna tożsamość asystenta

Tożsamość wizualną AI Chat tworzy animowany awatar robota. Przed rozpoczęciem rozmowy awatar znajduje się w centrum ekranu i dzięki delikatnym ruchom oraz efektom świetlnym wygląda na gotowego do interakcji.

Po wysłaniu pierwszej wiadomości awatar zmniejsza się i przesuwa obok wiadomości asystenta. Dzięki temu uwaga na ekranie naturalnie przechodzi z początkowego doświadczenia na rozmowę. Robi się więcej miejsca na wpisywany tekst użytkownika, odpowiedzi asystenta i utworzone karty wyników.

Awatar pomaga też wizualnie odróżniać wiadomości generowane przez AI. Ta tożsamość tworzy doświadczenie asystenta, które jest odrębne od komunikatora społeczności w aplikacji i z nim spójne.

Rolą ruchu i efektów wizualnych jest prowadzenie użytkownika oraz czytelne przedstawianie stanu systemu. Priorytet mają czytelność i interakcja; animacje nie przesłaniają podstawowych informacji.

6.2.3 Streaming: Przekazywanie odpowiedzi w strumieniu

eBattery AI wyświetla odpowiednie odpowiedzi w formie strumienia. Zamiast czekać na zakończenie długiego wyjaśnienia, użytkownik może stopniowo obserwować, jak odpowiedź się tworzy.

W tym doświadczeniu rozdziela się dwa różne procesy: pisanie wyjaśnienia i obliczanie planu. To, że asystent zaczyna generować tekst, nie oznacza zakończenia obliczeń trasy. Karta trasy, stacji lub podróży jest prezentowana, gdy odpowiednie dane i obliczenia są gotowe.

Na przykład system może najpierw pokazać, że zrozumiał zapytanie, a następnie przekazywać postęp podczas przygotowywania opcji trasy. Po zakończeniu obliczeń wyświetlane są podgląd mapy i przystanki ładowania. W ten sposób zapewniana jest szybka informacja zwrotna, a spójność wyników zostaje zachowana.

Jeśli użytkownik zmieni prośbę w trakcie przebiegu, nowe żądanie ma pierwszeństwo. Spóźniony wynik dotyczący wcześniejszego żądania nie powinien zastępować aktualnego planu. Jest to szczególnie ważne w rozmowach, w których przystanki lub preferencje trasy są zmieniane jedna po drugiej.

6.2.4 Context Memory: zachowanie sensu rozmowy

Pamięć kontekstu umożliwia rozumienie trwającej rozmowy łącznie z jej wcześniejszymi krokami.

Gdy użytkownik najpierw powie „Jadę z Stambułu do Izmiru”, a potem napisze „Zaplanuj też powrót”, asystent powiąże drugie żądanie z pierwszą podróżą. Wyrażenie takie jak „Zrób to bardziej ekonomicznie” również jest stosowane do omawianej trasy lub planu podróży.

Kontekst jest rozpatrywany na trzech poziomach:

  • Kontekst czatu: Informacje podane i zmiany dokonane w trakcie rozmowy.

  • Kontekst aktywnego planu: Edytowana trasa, wycieczka lub wybór stacji.

  • Zapisane preferencje użytkownika: Wybrany pojazd i ustawienia, które użytkownik ustawił na stałe.

Ten podział zapobiega interpretowaniu tymczasowej preferencji jako trwałego nawyku. Powiedzenie przez użytkownika podczas jednej podróży „Unikajmy dziś dróg płatnych” nie oznacza, że wszystkie jego przyszłe podróże będą planowane w ten sam sposób.

Podobnie poziom baterii podany w poprzedniej rozmowie nie może być używany następnego dnia jako aktualne dane pojazdu. Zapamiętywanie kontekstu wymaga także zarządzania tym, jak długo informacja pozostaje ważna.

6.3 Architektura warstwowa: warstwa decyzyjna oparta na regułach i warstwa LLM

6.3.1 Rozdzielenie ról obliczeń i narracji

Architektura eBattery AI opiera się na rozwiązywaniu różnych zadań różnymi metodami.

Obliczanie zasięgu, zapotrzebowania na energię, zgodności pojazdu ze stacją oraz ocena wariantów trasy odbywają się w warstwie decyzyjnej, która działa na zdefiniowanych polach danych i regułach obliczeniowych. Zrozumienie prośby użytkownika w języku naturalnym i wyjaśnienie wyników to zadanie dużego modelu językowego, czyli warstwy LLM.

To rozdzielenie łączy liczbowe podstawy rekomendacji z jej wyjaśnieniem. Gdy asystent mówi „Ta stacja jest bardziej odpowiednia”, uzasadnienie powinno pochodzić z danych wytworzonych przez warstwę obliczeniową. Wartości odległości, czasu i energii użyte w wyjaśnieniu opierają się na tym samym źródle co wartości na karcie wyniku.

Komponent architektury Podstawowa odpowiedzialność Wynik, który daje
Warstwa danych i integracji Porządkowanie danych pochodzących z pojazdów, map, stacji i innych źródeł Dane wejściowe o określonym źródle i aktualności
Zarządzanie żądaniami i kontekstem Połączenie prośby użytkownika, wybranego pojazdu i aktywnego planu Ustrukturyzowane żądanie planowania
Warstwa decyzyjna oparta na regułach Przeprowadzanie kontroli zgodności, obliczeń energii i oceny kandydatów Opcje trasy i planu ładowania
Warstwa LLM Interpretowanie języka naturalnego i wyjaśnianie obliczonych wyników Wyjaśnienie dostosowane do użytkownika
Warstwa weryfikacji i działania Sprawdzanie spójności wyników i uprawnień do transakcji Wyświetlana karta i możliwe do wykonania działanie
Warstwa doświadczenia Prezentowanie czatu, kart i przejść między ekranami Doświadczenie użytkownika w aplikacji

6.3.2 Zakres warstwy decyzyjnej opartej na regułach

Podejście oparte na regułach oznacza, że dla tej samej migawki danych i tej samej wersji reguł obliczenia można spójnie odtworzyć.

Ta warstwa oblicza dostępną energię baterii, szacuje zapotrzebowanie na energię dla odcinków trasy, eliminuje stacje niezgodne z pojazdem i porównuje odpowiednich kandydatów według określonych kryteriów. Uwzględnia również wybrane przez użytkownika preferencje drogowe oraz rezerwę baterii, którą należy zachować.

Obliczenia oparte na regułach nie oznaczają, że świat zewnętrzny jest znany z pewnością. Przyszły ruch, rzeczywiste zużycie lub stan stacji w chwili przybycia mogą się zmienić. Dlatego nawet przy spójnej metodzie obliczeń niektóre dane wejściowe i wyniki mają charakter szacunkowy.

eBattery AI zachowuje tę różnicę: znane dane, informacje wprowadzone przez użytkownika i szacunek modelu nie są przedstawiane z takim samym poziomem pewności.

6.3.3 Zakres warstwy LLM

Model językowy służy do zrozumienia prośby użytkownika i przekształcenia obliczonego wyniku w naturalną wypowiedź.

Sformułowania takie jak „Chcę mniej chodzić”, „Usuń muzea”, „Nie chcę zbyt długo czekać na ładowanie” czy „Dlaczego wybrałeś tę stację?” należą do zakresu działania tej warstwy.

LLM pomaga stworzyć ustrukturyzowane żądanie, które można przekazać do odpowiedniej funkcji aplikacji. Nie uzupełnia jednak ceny stacji, statusu gniazda ani poziomu baterii pojazdu na podstawie własnej ogólnej wiedzy. Te informacje pochodzą z odpowiednich rejestrów i integracji.

Na przykład gdy silnik decyzyjny wybiera stację, ponieważ wymaga ona mniejszego zboczenia z trasy i oferuje odpowiednią moc, asystent może przedstawić to uzasadnienie prostszymi słowami:

„Ta stacja jest zgodna z Twoim pojazdem i leży bliżej głównej trasy. Alternatywa, która wydaje się mocniejsza, nie daje dodatkowej oszczędności czasu ze względu na limit ładowania Twojego pojazdu.”

Wartość tego wyjaśnienia polega na tym, że użytkownik może zobaczyć logikę stojącą za decyzją.

6.3.4 Od zweryfikowanych danych do wyjaśnialnego wyniku

Każdy wynik jest powiązany z kluczowymi danymi wejściowymi, z których skorzystano. Wybrany pojazd, informacje o baterii, czas obliczeń i aktualność danych stacji pozwalają zrozumieć, w jakich warunkach powstał plan.

Taka struktura ułatwia też ocenę opinii użytkowników. To, że polecona stacja nie została wybrana, nie zawsze oznacza, że obliczenia były błędne. Użytkownik może chcieć innego punktu postoju, preferować konkretnego operatora albo mieć ograniczenie czasowe, które nie widnieje w jego planie.

Łączna analiza danych wejściowych decyzji i zmiany wprowadzonej przez użytkownika pomaga rozwijać system w sposób bardziej znaczący z upływem czasu.

6.4 Planowanie trasy — profil pojazdu, obliczanie zasięgu, trasa i preferencje drogowe

6.4.1 Planowanie podróży razem z profilem pojazdu

W eBattery planowanie trasy uwzględnia, oprócz punktu początkowego i docelowego, także cechy energetyczne i ładowania pojazdu.

Na tej samej trasie dwa pojazdy elektryczne mogą wymagać różnych planów ładowania. Różnicę tę tworzą użyteczna pojemność baterii, zużycie, obsługiwane gniazda i moc akceptowana podczas ładowania.

Główne dane o pojeździe używane w planowaniu to:

Informacje o pojeździe Rola w planowaniu
Marka, model i odpowiedni wariant pojazdu Zapewnia wybór właściwego profilu technicznego
Użyteczna pojemność baterii Stanowi podstawę obliczenia energii, którą można wykorzystać w podróży
Wartość zużycia Umożliwia przeliczenie dystansu na szacowane zapotrzebowanie na energię
Obsługa ładowania AC Pomaga ocenić opcje ładowania podczas długiej przerwy i u celu podróży
Obsługa ładowania DC Umożliwia ocenę opcji szybkiego ładowania po drodze
Zgodność gniazd Umożliwia identyfikację dostępnych stacji
Aktualny poziom baterii Określa początkowy stan energii podróży

Brutto pojemność baterii i pojemność użytkowa są oceniane osobno. Wartością przyjmowaną za podstawę obliczania zasięgu jest energia dostępna do jazdy.

W obecnym przebiegu użytkowania użytkownik wprowadza poziom baterii ręcznie przed podróżą. Zapisany profil pojazdu zawiera informacje techniczne, a procent naładowania baterii jest aktualnym wprowadzanym parametrem dla danej podróży. Przyszłe integracje z pojazdami stanowią pole rozwoju, dzięki któremu te informacje będą mogły być pobierane automatycznie z obsługiwanych pojazdów.

6.4.2 Obliczanie zasięgu i rezerwa energii

Podstawą obliczania zasięgu jest zależność między dostępną energią a oczekiwanym zużyciem:

Aktualna energia = Dostępna pojemność baterii × Poziom baterii / 100

Bazowa szacunkowa zasięg = Dostępna energia / Zużycie × 100

Tutaj energia jest podawana w kWh, zużycie w kWh/100 km, a zasięg w kilometrach.

Weźmy na przykład pojazd o użytecznej pojemności baterii 60 kWh, aktualnym poziomie naładowania 40% i zużyciu energii 18 kWh/100 km przyjętym w obliczeniach.

W takim przypadku:

  • Obliczona energia w baterii wynosi 24 kWh.

  • Teoretyczny zasięg do zera wynosi około 133 kilometrów.

  • Na przykład jeśli zachowana zostanie 15% rezerwa przyjazdowa, energia dostępna do planowania spadnie do 15 kWh.

  • Przy tym samym założeniu zużycia dystans obliczony z zachowaniem rezerwy wynosi około 83 kilometrów.

Ten przykład wyjaśnia, dlaczego teoretyczny zasięg widoczny na ekranie różni się od dystansu możliwego do wykorzystania w planowaniu. 15% w tym przypadku to przykładowa rezerwa użyta do pokazania logiki obliczeń.

W rzeczywistym obliczeniu trasy odległość jest oceniana łącznie z cechami drogi i dostępnymi danymi o zużyciu. W miarę rozszerzania zakresu danych do modelu mogą zostać dodane takie wpływy jak nachylenie, ruch drogowy i warunki pogodowe. Gdy zmieniają się warunki, na których opiera się szacunek, plan jest oceniany ponownie.

6.4.3 Punkt początkowy, cel i przystanki pośrednie

Użytkownik może określić punkt początkowy na podstawie bieżącej lokalizacji, wyszukiwania adresu lub mapy. Punkt docelowy i przystanki pośrednie również są częścią tego samego planu podróży.

Przystanki pośrednie mają szczególne znaczenie w planowaniu podróży EV. Podczas jazdy z Stambułu do Izmiru wizyta w Bursie zmienia nie tylko łączny dystans. Na plan wpływają też czas trwania wizyty, dostępność ładowania w tej okolicy oraz poziom baterii, z jakim rozpocznie się kolejny odcinek.

Użytkownik może zmienić kolejność przystanków lub zachować określoną kolejność. Ręcznie ustalona kolejność może odzwierciedlać harmonogram lub osobiste priorytety użytkownika. System przelicza przystanki ładowania zgodnie z tym wyborem.

Przy każdej zmianie odpowiedni plan jest aktualizowany, bez konieczności ponownego wprowadzania przez użytkownika wszystkich informacji.

6.4.4 Tryb trasy i preferencje drogowe

eBattery powiąże opcje trasy z priorytetem podróży użytkownika.

Najszybsza podejście skupia się na całkowitym czasie podróży. Oprócz czasu jazdy w ocenie uwzględnia się objazdy na potrzeby ładowania, czas ładowania oraz, gdy dane są dostępne, czas oczekiwania.

Najbardziej efektywne to podejście uwzględnia zapotrzebowanie na energię i dostępne dane o kosztach razem z rozsądnym czasem podróży. Użytkownikowi przedstawiana jest tańsza opcja, a jednocześnie pokazywany jest jej wpływ na czas.

Żadna z tych dwóch opcji nie ma stałej przewagi w każdej podróży. W podróży służbowej ważniejszy może być czas, a w weekendowym wyjeździe harmonogram przerw lub budżet.

Preferencje trasy, takie jak drogi płatne, autostrady i promy, są dodawane do żądania wyznaczenia trasy. Google Maps Routes API również oferuje opcje unikania dla takich preferencji; opcje te kierują wyszukiwaniem trasy, a możliwość znalezienia odpowiedniej alternatywy zależy od sieci dróg. eBattery łączy te możliwości, zapewniane przez używaną usługę map, z planowaniem pod kątem pojazdu i ładowania.

Regionalne lub bardziej szczegółowe ograniczenia drogowe są rozpatrywane wraz z zakresem pokrycia odpowiednich danych i usługi wyznaczania tras. Trasa przedstawiana użytkownikowi powinna w czytelny sposób pokazywać wpływ preferencji na wynik.

6.5 Planowanie ładowania i ocena stacji — rekomendacja ilości ładowania, margines bezpieczeństwa

6.5.1 Najpierw zgodność, potem porównanie

Pierwszym krokiem planowania ładowania jest ustalenie, które stacje są dostępne do użycia. To, że stacja ma wysoką ocenę lub niską cenę, nie oznacza, że pojazd może się tam naładować.

Z tego powodu ocena przebiega w dwóch etapach:

  1. Wskazywanie kandydatów zgodnych z pojazdem i podróżą.

  2. Porównanie odpowiednich kandydatów pod względem czasu, kosztu i warunków użytkowania.

Zgodność gniazd, dostępność oraz energia potrzebna do dojazdu do stacji są przedmiotem pierwszego etapu. Te podstawowe warunki nie są traktowane jako elementy punktacji, które można zrekompensować innymi zaletami.

Na przykład stacja niezgodna z pojazdem nie jest polecana tylko dlatego, że jest tańsza. Podobnie punkt, który wydaje się nieosiągalny przy obecnej energii, nie zyskuje priorytetu wyłącznie z powodu dużej mocy ładowania.

6.5.2 Ocena stacji: dopasowanie zmieniające się zależnie od podróży

Po wyłonieniu odpowiednich kandydatów stacje przechodzą wielokryterialną ocenę.

Kryterium Oceniany temat
Zboczenie z trasy Dodatkowy dystans i czas potrzebny, by dojechać do stacji i wrócić na główną trasę
Zgodność mocy z pojazdem Zależność mocy stacji od zakresu, z którego może skorzystać pojazd
Cena Taryfa, która jest dostępna i ma zastosowanie do danego użytkownika
Aktualny status Aktualny status odpowiedniego punktu ładowania w obsługiwanych integracjach
Informacje o oczekiwaniu Prawdopodobny czas oczekiwania, gdy dostępne są wiarygodne dane lub wystarczające wsparcie modelu
Niezawodność operacyjna Ciągłość usługi i komfort korzystania, gdy dane są dostępne
Opinie użytkowników Aktualność doświadczeń, ich treść oraz oparcie na wystarczającej liczbie obserwacji
Dopasowanie do przerwy Relacja stacji do bieżących przystanków i planu czasowego użytkownika
Aktualność danych Jak aktualne są informacje wykorzystane przy podejmowaniu decyzji

Waga tych kryteriów zależy od wybranego trybu trasy. W podróży z priorytetem czasu większe znaczenie mogą mieć objazd i czas ładowania. W podróży z priorytetem kosztu różnica w taryfie jest oceniana razem z dodatkowym czasem, który spowoduje.

Brak danych również jest uwzględniany w ocenie. Stacja o nieznanym stanie na żywo nie jest uznawana za „wolną”. Podobnie same informacje o zajętości gniazd nie zawsze wystarczają do obliczenia wiarygodnego czasu oczekiwania w kolejce.

Ocena użytkowników również sama w sobie nie zastępuje niezawodności operacyjnej. Kilku starych opinii nie należy traktować z taką samą wagą jak aktualnego i szerszego zbioru doświadczeń.

6.5.3 Związek między mocą stacji a rzeczywistym doświadczeniem ładowania

Moc podana na stacji nie oznacza, że pojazd będzie ładował się z tą mocą przez całą sesję. Czas ładowania zależy od wielu czynników, takich jak poziom naładowania baterii, pojemność oraz cechy pojazdu i sprzętu ładującego. Zasób Alternative Fuels Data Center Departamentu Energii USA również wyjaśnia, że czas ładowania wynika z łącznego działania tych zmiennych.

Na przykład dla pojazdu z limitem przyjmowania ładowania DC wynoszącym 100 kW stacja o mocy 350 kW nie musi być szybsza niż odpowiednia stacja o mocy 150 kW tylko ze względu na moc znamionową. Jeśli dotarcie do pierwszej stacji wymaga dłuższego objazdu, druga opcja może być korzystniejsza dla całej podróży.

Ocena eBattery rozpatrza moc stacji łącznie z cechami pojazdu. Zamiast automatycznie przedstawiać wysokie liczby jako lepszą opcję, bada, jaką korzyść stacja przyniesie podróży użytkownika.

6.5.4 Ilość ładowania: energia dopasowana do kolejnego odcinka

Plan ładowania obejmuje nie tylko wybór stacji, ale także zalecaną ilość energii.

Podstawowe podejście polega na łącznym rozważeniu zapotrzebowania na energię na następnym odcinku trasy, docelowej rezerwy po przyjeździe i odpowiednich alternatyw. Użytkownik nie musi osiągać tego samego poziomu baterii na każdym przystanku. Krótki przeskok, długi kolejny etap lub możliwość ładowania w miejscu docelowym mogą wyznaczać różne cele.

Podstawowa zależność dla energii, którą należy dodać do baterii, jest następująca:

Energia do dodania = Pojemność użytkowa × (Docelowy poziom baterii w % − Obecny poziom baterii w %) / 100

Na przykład w pojeździe o użytecznej pojemności 60 kWh podniesienie poziomu baterii z 20% do 70% odpowiada przyrostowi energii w baterii o około 30 kWh.

Ta wartość nie musi być dokładnie taka sama jak energia zmierzona na liczniku stacji lub zafakturowana. Ze względu na straty ładowania i zużycie pomocnicze ma znaczenie, w którym punkcie mierzona jest energia.

Czasu ładowania nie oblicza się też po prostu przez podzielenie przez maksymalną moc stacji. Model uwzględnia, gdy jest to możliwe, zachowanie pojazdu podczas ładowania przy różnych poziomach naładowania baterii. Jako przykład poglądowy: jeśli do baterii dodaje się 30 kWh energii przy średniej mocy netto 60 kW, czas przesyłu energii wynosi około 30 minut. Decydującą wartością jest tu średnia moc w trakcie sesji.

W obliczeniu kosztów, oprócz opłaty za energię, uwzględnia się także obowiązujące składniki taryfy dotyczące sesji, czasu lub inne. Użytkownik powinien rozumieć, jaki zakres obejmuje wyświetlana wycena.

6.5.5 Zachowanie marginesu bezpieczeństwa i alternatyw

Planowanie nie opiera się na teoretycznym wykorzystaniu baterii do ostatniej jednostki energii. Pozostawia miejsce na rezerwę po przyjeździe, zmienność szacunków zużycia oraz dostęp do alternatyw na trasie.

Wymaganą rezerwę ocenia się łącznie z długością trasy, gęstością stacji, aktualnością danych i elastycznością planu. Trasa miejska z częstymi możliwościami ładowania i odcinek dalekobieżny z ograniczonymi alternatywami nie mają tych samych warunków.

Gdy eBattery AI wyjaśnia zalecaną ilość ładowania, uwidacznia tę logikę. Użytkownik może zrozumieć, dlaczego zaleca się pobranie większej ilości energii na danej stacji albo dlaczego krótkie ładowanie uznaje się za wystarczające do dotarcia do następnego odpowiedniego punktu.

Aktualna informacja o dostępności również odzwierciedla sytuację z chwili utworzenia planu. Informacja ta nie stanowi rezerwacji gwarantującej, że to samo gniazdo będzie wolne po przyjeździe. Dlatego ocena alternatywnych stacji jest ważną częścią planu.

6.6 Dynamiczne przeliczanie

6.6.1 Uwzględnianie w planie zmieniających się warunków podczas podróży

Trasa nie jest traktowana jako stały dokument utworzony przed rozpoczęciem podróży. W miarę postępów użytkownika mogą zmieniać się lokalizacja, ruch drogowy, status stacji i jego własne preferencje.

Dynamiczne przeliczanie ocenia wpływ tych zmian na plan. Każdy wyzwalacz działa jednak tylko w zakresie, w którym odpowiednie dane są dostępne.

Zmiana Wykorzystywane informacje Możliwy wpływ na plan
Zmiana natężenia ruchu Źródło map i ruchu drogowego Aktualizacja opcji czasu i trasy
Zmiana statusu planowanej stacji Integracja z operatorem Ocena alternatywnego punktu ładowania
Zboczenie użytkownika z trasy Lokalizacja i postęp na trasie Ponowne obliczenie pozostałego dystansu i zapotrzebowania na energię
Aktualizacja informacji o baterii Logowanie użytkownika; obsługiwane przyszłe połączenia z pojazdami Aktualizacja punktu ładowania i docelowej ilości energii
Dodanie lub usunięcie przystanku pośredniego Edycja przez użytkownika Ponowne zaplanowanie dotkniętych odcinków trasy
Zmieniające się warunki pogodowe Zakres, w którym dana integracja jest aktywna Ponowna ocena szacunku zużycia

W podróży opartej na ręcznie wprowadzonym poziomie baterii obliczona przez system pozostała energia jest szacunkiem. Nie jest oznaczana tak samo jak aktualne dane o baterii zmierzone z pojazdu.

6.6.2 Nieprzedstawianie każdej zmiany użytkownikowi jako nowej trasy

Ciągle zmieniające się drobne różnice mogą niepotrzebnie obciążać użytkownika koniecznością podejmowania decyzji. Kilkusekundowe wahania ruchu lub bardzo mała oszczędność czasu nie wymagają za każdym razem nowej rekomendacji.

Podejście do ponownego przeliczania ocenia, co zmiana oznacza dla podróży. Priorytetem są wykonalność obecnego planu, rezerwa energii oraz wyraźna korzyść dla użytkownika.

Dzięki temu plan pozostaje stabilny. Zamiast być stale przekierowywany między dwiema bardzo zbliżonymi opcjami, użytkownik widzi istotną aktualizację wtedy, gdy jest potrzebna.

6.6.3 Wyjaśnienie przyczyny zmiany

Sugerowana nowa trasa jest przedstawiana w porównaniu z obecnym planem. Użytkownik powinien widzieć, jaki warunek się zmienił i jaki jest tego skutek.

Na przykład:

„W zaplanowanej przez Ciebie stacji zmieniły się informacje o użyciu odpowiednich złączy. Alternatywna stacja leży bliżej Twojej trasy i jest osiągalna według bieżącej prognozy energii. Możesz sprawdzić nową opcję.”

W wyjaśnieniu używane są wyłącznie elementy poparte dostępnymi danymi. Jeśli nie ma wiarygodnego szacunku czasu oczekiwania, nie podaje się dokładnego zysku w minutach.

Informacje o ruchu drogowym od dostawcy map oraz ocena EV dokonana przez eBattery na podstawie tych danych są również prawidłowo powiązane. Uzasadnienie rekomendacji pokazuje, jakie dane i w jaki sposób zostały użyte.

6.7 Planowanie podróży z AI — pula kandydatów, grupowanie, budżetowanie czasu, integracja z ładowaniem

6.7.1 Od planu podróży do codziennego doświadczenia

Planowanie wycieczek porządkuje czas, jaki użytkownik spędzi w danym regionie. Celem jest przekształcenie interesujących miejsc w program dopasowany do czasu użytkownika, jego zainteresowań i zapotrzebowania pojazdu na energię.

Gdy użytkownik mówi: „Spędzę dwa dni w Kapadocji, z naciskiem na przyrodę i historię”, system ocenia łącznie region, długość wyjazdu i priorytety. Punkt początkowy, dzienne tempo oraz ewentualne miejsca, które użytkownik szczególnie chce zobaczyć, są dodawane do planu.

Powstały plan oferuje edytowalną strukturę podróży podzieloną na dni.

6.7.2 Tworzenie puli kandydackich miejsc

Pierwszym krokiem jest wskazanie odpowiednich miejsc wartych odwiedzenia w regionie. Pula kandydatów może obejmować miejsca kulturalne, muzea, tereny przyrodnicze, punkty gastronomiczne i miejsca odpoczynku.

W zależności od zakresu źródła uwzględniane informacje obejmują lokalizację, kategorię, czas wizyty, godziny otwarcia i opinie użytkowników.

Wysoka popularność sama w sobie nie jest powodem wyboru. Jeśli miejsce nie odpowiada zainteresowaniom użytkownika, jest zbyt oddalone od codziennego planu albo brakuje czasu na wizytę, może otrzymać niższy priorytet.

Narracja treści jest powiązana z zapisami wybranych miejsc. Informacje, które mogą się zmieniać, takie jak godziny otwarcia czy warunki wstępu, nie są generowane z ogólnej wiedzy modelu językowego tak, jakby były aktualnymi danymi.

6.7.3 Klastrowanie geograficzne i powiązania transportowe

Kandydackie miejsca są oceniane pod kątem powiązań geograficznych i transportowych przed utworzeniem dziennego programu. Celem jest ograniczenie zbędnych przejazdów tam i z powrotem w ciągu jednego dnia.

Dwa punkty, które na mapie wyglądają na bliskie, mogą nie być oddalone o krótką podróż. Połączenia drogowe, punkty przejazdu i geografia regionu decydują o rzeczywistym układzie ruchu. Dlatego dzienne grupowanie nie opiera się wyłącznie na odległości w linii prostej.

Na przykład program jednego dnia powstaje z odwiedzin w tej samej okolicy, a bardziej oddalony przystanek można przenieść na inny dzień. Dzięki temu użytkownik może większą część czasu poświęcić na odwiedziny, a nie na dojazdy.

Gdy użytkownik preferuje określoną kolejność, ten wybór jest zachowywany; system dostosowuje pozostały plan tak, aby był z nią spójny.

6.7.4 Budżetowanie czasu: realistyczny dzienny harmonogram

Wykonalność planu dziennego zależy od czasu dojazdu i przerw oraz od łącznego czasu zwiedzania.

Budżet czasu w ciągu dnia obejmuje następujące składniki:

  • Przejazd między punktami.

  • Czas wizyty spędzony w każdym miejscu.

  • Przerwy na posiłek i odpoczynek.

  • Wymagane przystanki ładowania.

  • Rozsądny zapas czasu na parkowanie, dostęp i podobne przejścia.

Umieszczenie w sześciogodzinnym planie wycieczki użytkownika wyłącznie przystanków, których czasy zwiedzania sumują się do sześciu godzin, nie zostawia czasu na przejazdy. eBattery AI buduje plan w ramach całkowitego czasu dnia.

Wartości programu nie mierzy się wyświetleniem jak największej liczby miejsc. Ważne, aby można go było realizować w tempie wybranym przez użytkownika i aby zostawiał miejsce na zmiany.

6.7.5 Wkomponowanie ładowania w codzienny harmonogram

Przystanki na ładowanie są rozpatrywane razem z zapotrzebowaniem na energię podczas tworzenia planu podróży. Nie są traktowane jak odrębna potrzeba dodana na koniec dnia.

Jeśli przerwę na posiłek można połączyć z odpowiednim punktem ładowania, obie czynności mogą odbywać się w tym samym przedziale czasu. Na przykład 40-minutowa przerwa na posiłek i 25-minutowe ładowanie rozpoczynające się w tym samym miejscu i czasie nie wymagają w odpowiednich warunkach łącznie 65 minut dodatkowego postoju. Plan ocenia nakładające się czasy łącznie.

W tym dopasowaniu liczy się rzeczywisty dostęp do stacji, warunki działania, układ parkingu i preferencje użytkownika. Nie zakłada się, że stacja wyglądająca na mapie na bliską restauracji jest w każdym przypadku odpowiednim miejscem na przerwę.

W podróżach rozłożonych na kilka dni obliczenia energii są kontynuowane między dniami. Poziom baterii na początek następnego dnia jest powiązany z planowanym końcem poprzedniego dnia. Ładowanie w nocy jest uwzględniane tylko wtedy, gdy znajduje się w planie użytkownika i jest wspierane przez odpowiednie udogodnienie.

6.7.6 Edytowalna narracja z podróży

Obliczony harmonogram jest przedstawiany jako przystanki podzielone na dni wraz z opisem w języku naturalnym. Użytkownik widzi, którego dnia zostanie odwiedzony dany obszar, gdzie zaplanowano ładowanie oraz przybliżony rozkład czasu w ciągu dnia.

Prośby takie jak „Zrób drugi dzień spokojniejszy”, „Usuń muzeum” czy „Chcę po południu być na łonie natury” pozwalają edytować plan.

Po zmianie ponownie ocenia się dotknięte dni i odcinki trasy. Opis podróży zmienia się wraz ze zaktualizowanym planem; podstawową zasadą jest unikanie sprzeczności między starym opisem a nową listą przystanków.

Ta struktura skoncentrowana na miastach i regionach stanowi podstawę do szerszego, ogólnokrajowego i długoterminowego planowania na kolejnych etapach.

6.8 Analiza efektywności

6.8.1 Nadanie danym znaczenia z perspektywy kierowcy

Analiza efektywności pomaga użytkownikowi przejrzyściej oceniać zapisy dotyczące energii i podróży.

Jeśli dostępne dane są wystarczające, można porównać zużycie, dystans, wydatki na ładowanie oraz wartości planowane i rzeczywiste z różnych okresów. AI wyjaśnia zmiany w liczbach i wskazuje, które zapisy użytkownik może uznać za pożyteczne do przejrzenia.

Zakres analizy zależy od użytych danych. Informacje uzyskane z połączenia z pojazdem, zapisów sesji lub logowania użytkownika są oddzielone od szacunków obliczanych wyłącznie na podstawie trasy.

6.8.2 Zmierzone zużycie i obliczona prognoza

W ocenie zużycia energia i dystans muszą dotyczyć tego samego okresu, tego samego pojazdu i spójnej metody pomiaru.

Jeśli znane są całkowita energia i całkowity dystans, podstawowe obliczenie zużycia wygląda następująco:

Średnie zużycie = Całkowita energia zużyta podczas jazdy / Całkowity dystans × 100

Proste zsumowanie wartości zużycia z podróży o różnej długości i podzielenie przez liczbę podróży może nie dać prawidłowej średniej dla okresu. Obliczenie na podstawie łącznej energii i dystansu zachowuje wagę krótkich i długich podróży.

Energia zakupiona podczas ładowania również nie zawsze jest taka sama jak energia zużyta podczas jazdy w tym samym okresie. Na tę zależność wpływają poziomy baterii na początku i na końcu okresu, straty ładowania oraz zakres zapisów.

Dlatego eBattery traktuje wydatki na ładowanie, zakupioną energię i zużycie podczas jazdy jako odrębne pojęcia.

6.8.3 Pokazywanie zmiany i wyjaśnianie jej przyczyny na podstawie danych

Jako przykład poglądowy załóżmy, że średnie zużycie rośnie z 18 kWh/100 km do 19,8 kWh/100 km w dwóch porównywalnych okresach. Ta zmiana oznacza 10% wzrost zużycia.

Sam ten wynik nie wskazuje jednak przyczyny wzrostu. Mogły się zmienić trasa, prędkość, warunki pogodowe, obciążenie lub charakter podróży.

Ocena AI pozostaje na poziomie, który wspierają dane. Jeśli istnieje tylko zapis zużycia i dystansu, można powiedzieć „Twoje zużycie wzrosło”; aby dojść do wniosku, że przyczyną było konkretne zachowanie, takie jak gwałtowne hamowanie czy używanie klimatyzacji, potrzebne są odpowiednie pomiary.

Gdy brak bezpośrednich danych z pojazdu, stan baterii nie jest przedstawiany tak, jakby został zmierzony. Szczegółowa analiza stylu jazdy rozszerza się wraz z integracjami, które dostarczają wystarczających danych do oceny tych zachowań.

6.8.4 Budowanie porównywalnych nawyków użytkowania

Celem ekranu efektywności jest ułatwienie użytkownikowi zrozumienia własnego korzystania z usługi w czasie.

Takie podejście wspiera porównywanie podobnych tras, przegląd wydatków na ładowanie na różnych stacjach oraz widoczność różnic między planowanym a rzeczywistym czasem.

Sugestie asystenta są konkretne i wyważone. Zamiast obiecywać użytkownikowi niezweryfikowany procent oszczędności, wyjaśnia on, które dane uległy zmianie i jakie warunki należy sprawdzić, aby porównanie było bardziej miarodajne.

6.9 Karty wyników i Deep Linking

6.9.1 Przekształcenie rozmowy w wynik, który można wykorzystać w aplikacji

Trasa, podróż lub propozycja stacji utworzona w AI Chat jest przedstawiana za pomocą kart wyników. Karty pozwalają użytkownikowi szybko zobaczyć kluczowe informacje i przejść do odpowiedniego modułu.

Typ karty Podstawowa treść karty Powiązany ekran
Karta trasy Start, cel, podsumowanie trasy, szacowany czas i przystanki na ładowanie Planowanie trasy
Karta podróży Region, liczba dni i podsumowanie dziennego planu Planowanie podróży
Karta stacji Lokalizacja, zgodność, moc i dostępne aktualne informacje Szczegóły stacji
Karta wydajności Okres, kluczowe wskaźniki i podsumowanie oceny Efektywność

Celem karty nie jest upchnięcie wszystkich szczegółów na małej przestrzeni. Przedstawia ona wystarczająco dużo informacji, by użytkownik rozpoznał wynik i wybrał kolejną czynność.

6.9.2 Otwieranie tego samego planu za pomocą deep linking

Deep linking sprawia, że karta wyniku kieruje użytkownika do właściwej treści na odpowiednim ekranie.

Gdy użytkownik otwiera trasę utworzoną w czacie, nie widzi pustego formularza trasy. Wybrane punkty początkowy i docelowy, pojazd, przystanki pośrednie oraz pozostałe informacje o planie są widoczne na odpowiednim ekranie.

Ta sama zależność jest zachowana także na kartach podróży i stacji. Dzięki temu ekrany czatu, mapy i planowania stają się różnymi widokami tej samej czynności.

Od strony technicznej karta jest powiązana z odpowiednim zapisem i wersją planu. Gdy użytkownik zmienia plan, nadal jest jasne, który wynik jest aktualny.

6.9.3 Szybkie akcje dopasowane do kontekstu

W zależności od wyników oferowane są działania takie jak „Rozpocznij trasę”, „Jedź do stacji”, „Zapisz”, „Udostępnij” lub „Dodaj do ulubionych”.

Nie każda karta musi pokazywać wszystkie działania. Działania są dobierane do wyniku, który użytkownik uzyskał w danej chwili.

Karty do udostępniania są również traktowane łącznie z zakresem treści. Informacje takie jak adres domowy użytkownika czy jego osobisty punkt startowy nie są uznawane za naturalną ani obowiązkową część udostępniania. Użytkownik powinien widzieć, jakie treści udostępnia.

6.10 Proaktywne sugestie i powiadomienia

6.10.1 Zapewnienie sensownego wsparcia, gdy pojawia się potrzeba

Gdy odpowiednie dane są dostępne, eBattery AI może pokazywać ważne zmiany także bez pytania ze strony użytkownika.

W tym zakresie mieści się zmiana stanu stacji podczas aktywnej podróży, wyraźny wpływ ruchu drogowego lub ponowna ocena planu ładowania na podstawie zaktualizowanych informacji o baterii.

Celem proaktywnego wsparcia jest pomoc użytkownikowi w odpowiednim czasie. Nie każda zmiana danych wywołuje powiadomienie; ocenia się, jak informacja wiąże się z bieżącą podróżą i czy wymaga działania.

6.10.2 Ocena powiadomienia razem z danymi, na których się opiera

Znaczenie ostrzeżenia o niskim poziomie baterii zależy od źródła danych.

Jeśli aktualny poziom baterii można pobrać z pojazdu, można użyć wartości zmierzonej. Jeśli użytkownik wprowadził go ręcznie na początku, wartość obliczana w trakcie podróży ma charakter szacunkowy. Sformułowanie powiadomienia zachowuje tę różnicę.

Podobnie, aby wygenerować sugestię dotyczącą korzystnej ceny na ulubionej stacji, trzeba znać aktualną taryfę i warunki mające zastosowanie do użytkownika. Przypomnienie o przeglądzie jest natomiast powiązane z datą zapisaną przez użytkownika lub odpowiednim źródłem danych.

To podejście sprawia, że proaktywne rekomendacje pozostają spójne z dostępnym zakresem danych.

6.10.3 Częstotliwość powiadomień i preferencje użytkownika

Powiadomienia są zarządzane według ważności i kontekstu. Zmiana wpływająca na wykonalność aktywnej podróży nie ma tego samego priorytetu co ogólna sugestia dotycząca korzystania z aplikacji.

Użytkownik może zarządzać preferencjami powiadomień. Ograniczanie powtarzanych komunikatów o tym samym zdarzeniu, niewyświetlanie nieaktualnych powiadomień i kierowanie rekomendacji do właściwego planu są częścią doświadczenia.

Funkcje lokalizacji i działania w tle są realizowane na podstawie uprawnień użytkownika i w ramach warunków działania mobilnego systemu operacyjnego. Informacje wyświetlane podczas podróży są krótkie i nastawione na działanie; szczegóły można sprawdzić na odpowiednim ekranie.

6.11 Zaufanie i obsługa błędów

6.11.1 Uwidocznienie charakteru informacji

Podejście eBattery AI do zaufania opiera się na tym, by można było zrozumieć, na jakich informacjach opierają się wyniki.

Poziom naładowania baterii wpisany przez użytkownika, status gniazda otrzymany od operatora, szacunek czasu z usługi map i wyjaśnienie AI to różne rodzaje informacji. Takie rozróżnienie pozwala prawidłowo ocenić rekomendację.

Systemy generatywnej sztucznej inteligencji potrafią przedstawiać nieudokumentowane informacje w przekonujący sposób. Profil ryzyka NIST dla generatywnej AI również dotyczy tego zachowania. Oparte na danych podejście eBattery do obliczeń i weryfikacji jest zaprojektowane tak, aby ograniczać wpływ takich błędów na decyzje w aplikacji.

To podejście ma szczególne znaczenie dla lokalizacji, statusu stacji, ceny i obliczeń energii. Płynne wyjaśnienie nie zastępuje zweryfikowanych danych.

6.11.2 Zrozumiałe i spójne zachowanie przy braku danych

Brak odpowiedzi jednego źródła danych nie oznacza, że wszystkie funkcje aplikacji muszą zatrzymać się naraz. System ocenia, jaki wynik można przedstawić na podstawie dostępnych danych.

Na przykład jeśli lokalizacja stacji i informacje o gniazdach są dostępne, ale nie można pobrać jej statusu na żywo, odkrywanie stacji może być kontynuowane, a dostępność jest pokazywana jako nieznana.

Podobnie, gdy model językowy chwilowo nie może odpowiedzieć, poprawny wynik trasy otrzymany z usługi obliczeniowej jest przetwarzany tak, aby można go było przedstawić w standardowej karcie z krótkim opisem.

W przypadkach, gdy używane są ostatnie znane dane, zachowywana jest informacja o ich aktualności. Stary status wyświetlany z pamięci podręcznej nie jest przedstawiany jako świeżo otrzymana informacja na żywo.

6.11.3 Autoryzacja, prywatność i bezpieczeństwo treści zewnętrznych

Dane potrzebne warstwie AI są ograniczone do zakresu wykonywanego zadania. Wyjaśnienie, dlaczego dana stacja jest polecana, nie wymaga przekazywania modelowi całej historii wiadomości użytkownika ani danych płatniczych.

Lokalizacja, plany podróży i preferencje użytkownika są przetwarzane z kontrolą dostępu. Uprawnienia aplikacji do wykonywania operacji są weryfikowane niezależnie od swobodnego generowania tekstu przez model językowy.

Opisy pochodzące ze źródeł zewnętrznych oraz opinie użytkowników są również przetwarzane jako dane. Jedną z zasad bezpieczeństwa architektury jest niepozwalanie, by polecenia, które mogą znajdować się w takich treściach, zmieniały zasady przetwarzania transakcji w aplikacji.

Także w przyszłych przepływach transakcji, takich jak płatność czy rezerwacja, sugestia AI i wykonanie transakcji są odrębnymi krokami. Użytkownikowi pokazuje się zakres transakcji, a odpowiedni przepływ zatwierdzania zostaje zachowany.

6.11.4 Mierzalne uczenie się na błędach

Wiarygodność wymaga regularnej oceny rzeczywistych scenariuszy użytkowania.

Sytuacje takie jak stacja niezgodna z pojazdem, brak ceny, zmieniony wpis baterii, przerwa w połączeniu czy stare żądanie trasy zakończone z opóźnieniem to scenariusze testowe określające, jak system powinien się zachować.

Opinie użytkowników również przyczyniają się do tego procesu. Wybór dokonany na podstawie błędnych informacji o stacji i wybór, który nie spełnił oczekiwań, to nie ten sam rodzaj błędu. Dopasowanie opinii do właściwych danych i etapu decyzji pomaga ulepszyć odpowiedni element.

Podejście oparte na zaufaniu wykracza poza zliczanie wyników wyłącznie jako „udane” lub „nieudane”; opiera się na zrozumieniu źródła błędu i jego wpływu na użytkownika.

6.12 Infrastruktura niezależna od modelu i cele wydajnościowe

6.12.1 Niezależność logiki produktu od dostawcy modelu

Infrastruktura eBattery AI opiera się na podejściu, które nie uzależnia podstawowych funkcji produktu od możliwości jednego modelu językowego.

Profil pojazdu, dane stacji, obliczanie trasy i preferencje użytkownika są zarządzane w własnych usługach aplikacji. Modele językowe łączą się z tymi usługami poprzez zdefiniowane zadania i kontrakty danych.

Taka struktura pozwala oceniać różne rodziny modeli, takie jak GPT i Gemini, lub alternatywy opracowane w przyszłości. Zmiana modelu nie powinna wymagać ponownego pisania podstawowych reguł, takich jak zgodność pojazdu ze stacją.

Wybór modelu opiera się na jakości językowej, poprawności ustrukturyzowanych wyników, skuteczności zadań, opóźnieniach, kosztach i warunkach przetwarzania danych. Sama nazwa dostawcy nie jest używana jako miara jakości produktu.

6.12.2 Użycie modelu i usługi odpowiednich do zadania

Nie każde żądanie użytkownika wymaga takiego samego nakładu przetwarzania. Krótka klasyfikacja intencji i szczegółowa narracja o podróży mają różne potrzeby.

Infrastruktura jest zaprojektowana tak, aby zadania mogły być kierowane zgodnie z tą różnicą. Prace, które usługi obliczeniowe mogą rozwiązać bezpośrednio, są wykonywane w tych usługach; w krokach wymagających interpretacji i opisu w języku naturalnym używany jest odpowiedni model.

Podejście architektoniczne wspierające wydajność obejmuje następujące elementy:

  • Równoczesne wykonywanie niezależnych wywołań danych w odpowiednich przypadkach.

  • Kontrolowane buforowanie informacji o pojeździe, które zmieniają się wolniej.

  • Stosowanie zasad aktualności do zmiennych danych, takich jak dostępność i cena.

  • Anulowanie nieprawidłowych kont, gdy zmienia się żądanie użytkownika.

  • Wykonywanie długotrwałych operacji w tle bez blokowania interfejsu.

  • Etapowe przedstawianie gotowych części wyniku przy zachowaniu jego spójności.

W usługach map i ruchu drogowego również występują kompromisy między czasem odpowiedzi a szczegółowością obliczeń. Google Routes API definiuje różne opcje oceny ruchu i wyjaśnia, że bardziej wszechstronne wyszukiwanie może powodować większe opóźnienie. Podejście eBattery do wydajności ocenia zachowanie takich usług zewnętrznych w ramach całościowego doświadczenia użytkownika.

6.12.3 Określanie celów wydajnościowych

W eBattery AI wydajność jest oceniana przez pryzmat doświadczenia od wysłania przez użytkownika prośby do uzyskania użytecznego wyniku.

Rozpoczęcie pierwszej odpowiedzi i ukończenie planu trasy to różne pomiary. Wyświetlenie animacji ładowania nie jest traktowane jako równoważne z rozpoczęciem sensownej odpowiedzi AI.

Obszar wydajności Cel projektowy Podejście do pomiaru
Rozpoczęcie odpowiedzi AI Rozpoczynanie pierwszego znaczącego strumienia odpowiedzi w mniej niż 2 sekundy w standardowych warunkach Czas od wysłania żądania do pierwszej znaczącej treści widocznej dla użytkownika
Standardowe tworzenie trasy Dostarczanie użytecznego wyniku trasy w czasie krótszym niż 5 sekund, o ile to możliwe, w typowych obsługiwanych scenariuszach Czas od zapytania do przygotowania trasy i podstawowego planu ładowania
Przejścia między ekranami Zachowanie interakcji i płynności w trakcie obliczeń Opóźnienia uruchamiania i zawieszanie się interfejsu
Ponowne obliczenie Uwzględnianie istotnych zmian w planie w odpowiednim czasie Czas od otrzymania aktualizacji do gotowości nowej opcji
Złożone plany podróży Dostarczanie wyników etapami przy zachowaniu widocznego postępu Czasy pierwszego użytecznego wyniku i ukończonego planu

Wartości te są celami inżynieryjnymi. Rzeczywiste wyniki są mierzone w zależności od warunków sieci, dostawców danych, długości trasy, liczby przystanków i złożoności planu.

Pojedyncza średnia nie opisuje całego doświadczenia. Oprócz typowego doświadczenia użytkownika monitorowane są takie miary jak mediana i 95. percentyl, aby można było zobaczyć wolniejsze żądania. Dzięki temu widać różnicę między szybkim działaniem systemu dla większości użytkowników a długim oczekiwaniem niektórych z nich.

6.12.4 Pomiar dokładności i użyteczności łącznie z szybkością

Ocena wydajności obejmuje nie tylko czas odpowiedzi, lecz także jakość wyniku.

Główne obszary oceny to:

  • Trafność wyboru stacji zgodnych z pojazdem.

  • Spójność obliczeń energii i procentu baterii.

  • Zgodność z kolejnością przystanków ustaloną przez użytkownika.

  • Zachowanie rozróżnienia między danymi aktualnymi a starymi.

  • Zgodność tekstu opisu z wartościami na karcie wyniku.

  • Karta wyniku otwiera właściwy plan i ekran.

  • Stosowanie zmian użytkownika do właściwej wersji.

  • Spójne rozumienie tej samej prośby w różnych językach.

Gdy dostępne są dane rzeczywiste, szacowany czas przyjazdu jest porównywany z zaobserwowanymi wynikami zużycia i czasu ładowania. Porównania te wskazują, w których regionach, profilach pojazdów lub warunkach użytkowania potrzebna jest poprawa.

Aktualizacje modeli są traktowane z tą samą dyscypliną oceny. To, że nowy model mówi płynniej, nie oznacza, że jest dokładniejszy w objaśnianiu tras. Jego skuteczność w bieżących zadaniach, ustrukturyzowane wyniki oraz zgodność z działaniami w aplikacji są analizowane łącznie.

6.12.5 Wspólna podstawa dla rozwijających się możliwości

Struktura niezależna od modelu pozwala eBattery AI rozszerzać się o nowe dane i usługi wraz z rozwojem produktu.

Bezpośrednie dane pojazdu, uwzględnienie warunków pogodowych w modelu energetycznym, rekomendacje uczące się na podstawie preferencji użytkownika oraz plany podróży o szerszym zasięgu geograficznym są powiązane z tą samą strukturą obliczeń i kontekstu.

W miarę uruchamiania ładowania i płatności, EV Market, mobilnego wsparcia ładowania i innych usług rośnie także zakres działań, którymi asystent może pokierować. Każda nowa funkcja jest rozpatrywana wraz z rzeczywistym zakresem, danymi i zgodą użytkownika w danej usłudze.

W trakcie tego rozwoju zachowana zostaje relacja asystenta z użytkownikiem: zrozumienie potrzeby, wykorzystanie odpowiednich danych, wyjaśnienie skutków poszczególnych opcji oraz ułatwienie w aplikacji czynności wybranej przez użytkownika.

Szukaj w eBattery

Wyszukaj funkcję, poradnik lub temat.

Punkty startoweJak znaleźć stację ładowania →Przykładowy projekt RWA →Poradniki i wiadomości →