6. Lagret för artificiell intelligens - eBattery AI
Att resa med elbil kräver sammanhängande beslut. Sträckan som ska köras, aktuell batterinivå, fordonets förbrukning, vägförhållanden, laddstationernas placering och förarens tidsplan är alla delar av samma resa. När en av dessa variabler ändras kan även övriga beslut påverkas. En rutt som ser kortare ut kan bli en längre resa om lämplig laddinfrastruktur saknas. En kraftfullare station ger kanske inte den förväntade tidsvinsten om den laddeffekt som fordonet kan ta emot är begränsad.
eBattery AI placeras i appens centrum för att bedöma dessa beslut tillsammans och ge användaren en begriplig reseplan. Den låter användaren uttrycka med naturligt språk vad hen vill göra; utifrån fordonsprofilen, kartan, rutten och tillgängliga stationsdata omvandlar den önskemålet till genomförbara alternativ.
För användaren är upplevelsen enkel: att säga “Jag vill åka till İzmir”, “Planera en tvådagarsresa till helgen” eller “Hitta en lämplig laddstation nära mig” räcker för att komma igång. I bakgrunden måste varje förfrågan matchas med olika datakällor, beräkningar och appfunktioner. eBattery AI:s uppgift är att hantera den tekniska komplexiteten och samtidigt hålla resonemanget bakom beslutet tydligt för användaren.
I centrum för det här angreppssättet står tydlighet, beräkningsbarhet och användarkontroll ingår. Assistenten måste kunna förklara varför den föreslagna rutten är lämplig, bygga sina beräkningar av räckvidd och laddning med en konsekvent metod, och användaren måste kunna ändra planen efter sina egna behov.
Den nuvarande produktens AI-chatt samt rutt- och reseplanering utgör kärnan i denna struktur. Indata som aktuell stationsinformation, priser och trafik fungerar tillsammans med täckningen hos respektive datakällor. Prognoser berikade med väderförhållanden, direkt fordonsanslutning och personalisering som lär sig av beteende är förmågor som utökas stegvis på samma arkitektur.
6.1 Ansats med central assistent
6.1.1 Samla appens olika funktioner i ett gemensamt sammanhang
eBattery AI är en central assistent som minskar behovet för användaren att ge samma uppgifter om och om igen när hen rör sig mellan appens olika delar. En stationssökning som startats på kartan kan förfinas i chatten; en rutt som skapats under chatten kan granskas på ruttskärmen; en planerad resa kan redigeras med sina dagar och stopp i reslagsmodulen.
I den här upplevelsen utgör fordonet, resan och användarens inställningar den gemensamma kontexten. Till exempel, när en användare som har valt sitt sparade fordon säger ”Visa lämpliga stationer i närheten” behöver systemet inte fråga efter fordonsmodellen på nytt varje gång. Begäran bedöms tillsammans med det valda fordonet och den platsinformation som användaren har valt att dela.
Den centraliserade ansatsen gör också att olika ingångar i appen når samma beslutslogik. En sökning efter laddpunkt som användaren startar från kartan och en sökning via AI Chat bör ge konsekventa resultat när samma fordon, samma preferenser och samma aktuella data används.
På så sätt länkas eBatterys moduler inte bara genom en skärmövergång; den uppgift som användaren vill slutföra bevaras också.
6.1.2 Omvandla användarens avsikt till en apphandling
Människor uttrycker sällan sina behov med tekniska parametrar. Meningar som "Jag åker om två timmar", "Vi åker med barnen, så jag vill ha en bekvämare plan" eller "Jag vill inte avvika för mycket för att ladda" innehåller flera önskemål samtidigt.
eBattery AI omvandlar dessa uttryck till information som kan användas i planeringen. Vid behov fyller den i saknade uppgifter som startpunkt, destination, batterinivå eller tidsprioritet. Frågorna fokuserar på de områden som verkligen påverkar resultatet.
Till exempel, vid begäran "Jag vill åka från İstanbul till İzmir", om det sparade fordonet och startplatsen redan är kända, kan användaren behöva ange endast aktuell batterinivå och reseönskemål. När användaren säger "Vi kan använda vägar med avgift, håll den totala tiden kort" läggs denna information till i ruttbegäran.
Detta tillvägagångssätt kopplar naturligt språk till appens funktioner. Användaren kan beskriva vad hen behöver utan att behöva lära sig menyernas tekniska uppbyggnad; systemet för sedan över begäran till rätt beräkning och skärmflöde.
6.1.3 Komplettera rekommendationen med användarkontroll
De planer som eBattery AI erbjuder kan granskas och ändras. Användaren kan byta den rekommenderade stationen, lägga till ett mellanstopp, ta bort ett museum från resprogrammet eller be om en billigare rutt.
Assistenten kopplar dessa ändringar till resten av planen. Att ta bort ett stopp förkortar inte bara resans lista; det kan också ändra den dagliga sträckan, ankomsttiden och laddbehovet. Användarens redigering bedöms med dessa samband bevarade.
Planen tillhör användaren. AI gör alternativen synliga, förenklar beräkningar och förklarar konsekvenserna av valen. Resans syfte, tempo och acceptabla kostnad bestäms av användaren.
6.2 AI Chat: Startupplevelse, avatar, streaming, kontextminne
6.2.1 Startupplevelse: Visa direkt vad som kan göras
AI Chats startskärm visar direkt för användaren assistentens viktigaste förmågor. Användaren kan börja samtala med fri text eller använda ett av de färdiga startalternativen.
| Startalternativ | Användarens mål | Påbörjat flöde |
|---|---|---|
| Planera rutt | Att ta sig till en punkt med fordon | Skapa en rutt utifrån start, mål, fordon och laddbehov |
| Planera resa | Utforska en region inom en bestämd tid | Ta fram ett dagsschema utifrån intressen och tid |
| Föreslå närmaste station | Att nå en lämplig laddpunkt | Ta fram rekommendationer utifrån plats, fordonskompatibilitet och tillgängliga stationsdata |
| Mina effektiviteter | Att förstå användningsdata | Övergång till bedömning av förbrukning och användning utifrån befintliga poster |
Dessa alternativ minskar osäkerheten vid den första interaktionen. Användarna behöver inte gissa vilka frågor de kan ställa till assistenten; appen erbjuder startpunkter kopplade till vardagliga EV-behov.
Allt eftersom samtalet fortskrider ersätts startalternativen av åtgärder som passar sammanhanget. Efter en skapad rutt framträder åtgärder som “Öppna rutten” och efter en föreslagen station “Gå till stationen”.
6.2.2 Avatar: Assistentens visuella identitet
AI Chats visuella identitet är en animerad robotavatar. Innan en chatt börjar placeras avataren i mitten av skärmen och ser med diskreta rörelser och ljuseffekter redo ut att interagera.
När det första meddelandet skickas krymper avataren och flyttas bredvid assistentens meddelanden. Skärmens fokus skiftar då naturligt från startupplevelsen till samtalet. Mer utrymme öppnas för det användaren skriver, assistentens svar och de resultatkort som skapas.
Avataren hjälper också till att visuellt skilja AI-genererade meddelanden från andra. Denna identitet skapar en assistentupplevelse som är särskild och konsekvent, åtskild från community-meddelandena i appen.
Rörelsers och visuella effekters uppgift är att vägleda användaren och göra systemets tillstånd begripligt. Läsbarhet och interaktion prioriteras; animationer kommer inte i vägen för väsentlig information.
6.2.3 Streaming: Svaret levereras som en ström
eBattery AI visar lämpliga svar som en ström. I stället för att vänta på att en lång förklaring blir klar kan användaren se svaret ta form steg för steg.
I den här upplevelsen hålls två olika processer isär: att skriva förklaringen och att beräkna planen. Att assistenten börjar generera text betyder inte att ruttberäkningen är klar. Rutt-, stations- eller resekortet presenteras när relevanta data och beräkningar är klara.
Till exempel kan systemet först visa att förfrågan har uppfattats och sedan dela framstegen medan ruttalternativen förbereds. När beräkningen är klar visas en kartförhandsvisning och laddstopp. På så sätt ges snabb återkoppling samtidigt som resultatens integritet bevaras.
Om användaren ändrar sin begäran under flödet gäller den nya begäran. Ett sent inkommande resultat som hör till den tidigare begäran ska inte ersätta den aktuella planen. Detta är särskilt viktigt i konversationer där stopp eller ruttpreferenser ändras i snabb följd.
6.2.4 Context Memory: Att bevara samtalets mening
Kontextminnet gör det möjligt att förstå den pågående konversationen tillsammans med dess tidigare steg.
När en användare först säger ”Jag ska från Istanbul till Izmir” och sedan skriver ”Planera återresan också” kopplar assistenten den andra begäran till den första resan. En formulering som ”Gör det här mer ekonomiskt” tillämpas också på den rutt eller reseplan som diskuteras.
Kontexten hanteras på tre nivåer:
Chattkontext: Information som lämnats och ändringar som gjorts under samtalet.
Aktivt plansammanhang: Den rutt, resa eller stationsvalsom redigeras.
Sparade användarinställningar: Det valda fordonet och de inställningar som användaren har ställt in permanent.
Denna åtskillnad hindrar att en tillfällig preferens tolkas som en bestående vana. Att en användare säger "Låt oss undvika vägtullar i dag" på en resa betyder inte att alla framtida resor planeras på samma sätt.
På samma sätt kan ett batterinivåvärde som angavs i ett tidigare samtal inte användas som aktuella fordonsdata nästa dag. Att komma ihåg sammanhang innebär också att hantera hur länge informationen förblir giltig.
6.3 Lagerarkitektur: regelbaserat beslutslager och LLM-lager
6.3.1 Att skilja på beräkningens och berättandets roller
eBattery AI:s arkitektur bygger på att olika uppgifter löses med olika metoder.
Beräkning av räckvidd, energibehov, kompatibilitet mellan fordon och station samt utvärdering av ruttalternativ sker i beslutslagret, som arbetar med definierade datafält och beräkningsregler. Att förstå användarens önskemål på naturligt språk och förklara resultaten är i sin tur uppgiften för den stora språkmodellen, det vill säga LLM-lagret.
Denna uppdelning kopplar samman det numeriska underlaget för en rekommendation med hur den förklaras. När assistenten säger ”Den här stationen passar bättre” ska motiveringen komma från data som beräkningslagret har tagit fram. Avstånds-, tids- och energivärdena som används i förklaringen bygger på samma källa som värdena på resultatkortet.
| Arkitekturkomponent | Grundläggande ansvar | Resultatet den ger |
|---|---|---|
| Data- och integrationslager | Organisera data som kommer från fordon, kartor, stationer och andra källor | Indata med definierad källa och aktualitet |
| Hantering av förfrågningar och kontext | Att kombinera användarens begäran, det valda fordonet och den aktiva planen | Strukturerad planeringsbegäran |
| Regelbaserat beslutslager | Utföra kompatibilitetskontroller, energiberäkningar och kandidatutvärdering | Alternativ för rutt och laddplan |
| LLM-lager | Tolka naturligt språk och förklara beräknade resultat | Förklaring anpassad till användaren |
| Verifierings- och åtgärdslager | Kontroll av resultatens konsekvens och transaktionsbehörighet | Ett visningsbart kort och ett genomförbart steg |
| Upplevelselager | Att visa chatten, korten och skärmövergångarna | Användarupplevelsen i appen |
6.3.2 Det regelbaserade beslutslagrets omfattning
Det regelbaserade angreppssättet innebär att beräkningar kan återskapas konsekvent för samma ögonblicksbild av data och samma regelversion.
Det här lagret beräknar den användbara batterienergin, uppskattar energibehovet för ruttens delsträckor, sållar bort stationer som inte är kompatibla med fordonet och jämför lämpliga kandidater utifrån definierade kriterier. Även de vägpreferenser som användaren valt och den batterireserv som ska bevaras beaktas här.
Regelbaserad beräkning betyder inte att omvärlden är känd med säkerhet. Framtida trafik, faktisk förbrukning eller stationens skick vid ankomsten kan ändras. Även om beräkningsmetoden är konsekvent är därför vissa indata och utdata uppskattningar.
eBattery AI bevarar denna skillnad: känd data, information som användaren har angett och en modellskattning presenteras inte med samma grad av säkerhet.
6.3.3 LLM-lagrets omfattning
Språkmodellen används för att förstå användarens önskemål och för att omvandla det beräknade resultatet till en naturlig förklaring.
Uttryck som "Jag vill gå mindre", "Ta bort museerna", "Jag vill inte vänta för länge på laddning" eller "Varför valde du den här stationen?" hör till detta lagers arbetsområde.
LLM:en hjälper till att ta fram en strukturerad förfrågan som kan skickas vidare till rätt appfunktion. Den fyller dock inte i stationens pris, uttagens status eller fordonets batterinivå utifrån sin egen allmänna kunskap. Den informationen hämtas från de relevanta registren och integrationerna.
Till exempel, när beslutsmotorn väljer en station på grund av mindre avvikelse från rutten och lämpligt effektstöd, kan assistenten förenkla denna motivering:
”Den här stationen är kompatibel med ditt fordon och ligger närmare huvudrutten. Alternativet som verkar kraftfullare ger ingen extra tidsfördel på grund av ditt fordons laddningsgräns.”
Värdet av den här förklaringen är att användaren kan se logiken bakom beslutet.
6.3.4 Från verifierade data till ett förklarbart resultat
Varje resultat kopplas till de viktiga indata det använde. Det valda fordonet, batteriinformationen, beräkningstidpunkten och hur aktuella stationsdata är gör det möjligt att förstå under vilka förutsättningar planen skapades.
Denna struktur gör det också enklare att utvärdera användarfeedback. Att en rekommenderad station inte väljs betyder inte alltid att beräkningen var fel. Användaren kanske vill ha en annan pausplats, föredrar en viss operatör eller har en tidsbegränsning som inte syns i planen.
Att granska beslutets indata tillsammans med användarens ändring bidrar till att systemet kan förbättras på ett mer meningsfullt sätt över tid.
6.4 Ruttplanering – fordonsprofil, räckviddsberäkning, rutt och vägpreferenser
6.4.1 Att planera resan tillsammans med fordonsprofilen
I eBattery tar ruttplaneringen hänsyn till fordonets energi- och laddegenskaper utöver start- och slutpunkterna.
Två elbilar på samma rutt kan behöva olika laddningsplaner. Användbar batterikapacitet, förbrukning, stödda kontakter och laddningseffekt som fordonet kan ta emot skapar denna skillnad.
De viktigaste fordonsuppgifterna som används i planeringen är följande:
| Fordonsinformation | Roll i planeringen |
|---|---|
| Märke, modell och lämplig fordonsvariant | Säkerställer att rätt teknisk profil väljs |
| Användbar batterikapacitet | Utgör grunden för energiberäkningen som kan användas under resan |
| Förbrukningsvärde | Gör det möjligt att omvandla avståndet till ett uppskattat energibehov |
| Stöd för AC-laddning | Hjälper till att bedöma alternativ för laddning vid längre pauser och vid destinationen |
| Stöd för DC-laddning | Gör det möjligt att utvärdera snabbladdningsalternativ längs vägen |
| Uttagskompatibilitet | Gör det möjligt att identifiera tillgängliga stationer |
| Aktuell batterinivå | Definierar resans energimässiga startläge |
Bruttokapaciteten och den användbara kapaciteten hos batteriet bedöms separat. Värdet som ligger till grund för räckviddsberäkningen är den energi som kan användas för körning.
I det nuvarande användarflödet anger användaren batterinivån manuellt före resan. Medan den sparade fordonsprofilen innehåller de tekniska uppgifterna är batteriprocenten den aktuella inmatningen för den resan. Framtida integrationer med fordonsanslutning utgör utrymmet för expansion som gör det möjligt att hämta denna information automatiskt från fordon som stöds.
6.4.2 Räckviddsberäkning och energireserv
Räckviddsberäkningen bygger på förhållandet mellan tillgänglig energi och förväntad förbrukning:
Aktuell energi = Användbar batterikapacitet × Batterinivå / 100
Grundläggande räckviddsuppskattning = Tillgänglig energi / Förbrukning × 100
Här anges energi i kWh, förbrukning i kWh/100 km och räckvidd i kilometer.
Tänk till exempel på ett fordon med en användbar batterikapacitet på 60 kWh, en aktuell laddnivå på 40 % och en förbrukning på 18 kWh/100 km som används i beräkningen.
I detta fall:
Den beräknade energin i batteriet är 24 kWh.
Den teoretiska räckvidden ner till noll är cirka 133 kilometer.
Om man till exempel behåller en ankomstreserv på 15 % sjunker den energi som kan användas för planering till 15 kWh.
Med samma förbrukningsantagande är det avstånd som beräknas med bibehållen reserv cirka 83 kilometer.
Detta exempel förklarar varför den teoretiska räckvidden som kan visas på skärmen skiljer sig från den sträcka som kan användas i planeringen. De 15 % som anges här är en exempelreserv som används för att visa beräkningslogiken.
I den faktiska ruttberäkningen bedöms avståndet tillsammans med vägens egenskaper och tillgängliga förbrukningsdata. När datatäckningen växer kan effekter som lutning, trafik och väderförhållanden läggas till i modellen. När de förutsättningar som beräkningen bygger på ändras, omvärderas planen.
6.4.3 Start, destination och mellanstopp
Användaren kan ange startpunkten utifrån sin nuvarande plats, en adresssökning eller kartan. Destinationen och mellanstoppen är också delar av samma reseplan.
Mellanstopp är särskilt viktiga vid planering för elbil. När man reser från İstanbul till İzmir ändrar ett besök i Bursa mer än bara den totala sträckan. Besökets längd, om det finns laddning i området och vilken batterinivå nästa etapp börjar med påverkar också planen.
Användaren kan ändra ordningen på stoppen eller behålla en viss ordning. En manuellt bestämd ordning kan spegla användarens tidsplan eller personliga prioritering. Systemet räknar om laddstoppen i enlighet med denna preferens.
Vid varje ändring uppdateras den aktuella planen utan att användaren behöver ange all information igen.
6.4.4 Ruttläge och vägpreferenser
eBattery kopplar ruttalternativen till användarens resprioritet.
Snabbast -ansatsen fokuserar på den totala restiden. Utöver körtiden ingår omvägar för laddning, laddtid och, när data finns, väntetid i bedömningen.
Mest effektiv -angreppssättet behandlar energibehovet och tillgängliga kostnadsdata tillsammans med en rimlig restid. När användaren erbjuds ett billigare alternativ visas också dess effekt på restiden.
Inget av dessa två alternativ har en fast fördel för varje resa. På en tjänsteresa kan tiden vara viktigast, på en helgresa kan rastupplägget eller budgeten vara det.
Vägpreferenser som avgiftsbelagda vägar, motorvägar och färjor läggs till i ruttförfrågan. Google Maps Routes API erbjuder också undvikandealternativ för sådana preferenser; dessa alternativ styr ruttsökningen, och om ett lämpligt alternativ kan hittas beror på vägnätet. eBattery kombinerar dessa funktioner, som tillhandahålls av den kartttjänst som används, med fordons- och laddplanering.
Regionala eller mer detaljerade vägrestriktioner hanteras tillsammans med täckningen hos den aktuella data- och ruttjänsten. Rutten som presenteras för användaren bör tydligt visa hur inställningarna påverkar resultatet.
6.5 Laddningsplanering och stationspoängsättning – rekommenderad laddmängd, säkerhetsmarginal
6.5.1 Först kompatibilitet, sedan jämförelse
Det första steget i laddningsplaneringen är att identifiera de stationer som kan användas. Att en station har högt betyg eller lågt pris innebär inte att fordonet kan laddas där.
Därför genomförs bedömningen i två steg:
Identifiera kandidater som är kompatibla med fordonet och resan.
Jämförelse av lämpliga kandidater utifrån tid, kostnad och användningsvillkor.
Uttagskompatibilitet, tillgänglighet och den energi som behövs för att nå stationen hör till det första steget. Dessa grundvillkor behandlas inte som poängfaktorer som kan kompenseras av andra fördelar.
Till exempel rekommenderas inte en station som är inkompatibel med fordonet bara för att den är billigare. På samma sätt får en punkt som inte verkar nåbar med den tillgängliga energin inte prioritet enbart på grund av sin höga laddeffekt.
6.5.2 Stationspoängsättning: Lämplighet som varierar med resan
När lämpliga kandidater har identifierats genomgår stationerna en utvärdering med flera kriterier.
| Kriterium | Bedömt ämne |
|---|---|
| Ruttavvikelse | Den extra sträcka och tid som krävs för att nå stationen och återvända till huvudrutten |
| Effektkompatibilitet med fordonet | Hur stationens effekt förhåller sig till det intervall som fordonet kan utnyttja |
| Pris | Det tariff som är tillgänglig och tillämplig för berörd användare |
| Aktuell status | Aktuell status för en lämplig laddpunkt i integrationer som stöds |
| Väntinformation | Sannolik väntetid när tillförlitliga data eller tillräckligt modellstöd finns |
| Driftsäkerhet | Tjänstekontinuitet och användarupplevelse när data finns tillgänglig |
| Användaromdömen | Hur aktuella erfarenheterna är, vad de innehåller och om de bygger på ett tillräckligt antal observationer |
| Passform för rast | Stationens förhållande till användarens aktuella stopp och tidsplan |
| Dataaktualitet | Hur aktuell informationen som användes i beslutet är |
Hur viktiga dessa kriterier är varierar med det valda ruttläget. På en resa där tid prioriteras kan omvägar och laddningstid vara mer avgörande. På en resa där kostnad prioriteras bedöms en tariffskillnad tillsammans med den extra tid den skulle medföra.
Saknade data ingår också i bedömningen. En station vars liveStatus är okänd betraktas inte som ”ledig”. På samma sätt räcker inte alltid enbart information om uttagens beläggning för att beräkna en tillförlitlig kötid.
Inte heller ett användarbetyg ersätter ensamt driftmässig tillförlitlighet. Några få gamla omdömen bör inte ges samma vikt som en aktuell och bredare uppsättning erfarenheter.
6.5.3 Sambandet mellan stationens effekt och den faktiska laddningsupplevelsen
Det effektvärde som anges på en station betyder inte att fordonet laddar med den effekten under hela sessionen. Laddtiden beror på flera faktorer, till exempel batterinivå, kapacitet samt fordonets och laddutrustningens egenskaper. Även amerikanska energidepartementets resurs Alternative Fuels Data Center förklarar att dessa variabler tillsammans avgör laddtiden.
Till exempel behöver en station med 350 kW kapacitet inte vara snabbare än en lämplig station med 150 kW kapacitet för ett fordon med en DC-laddningsgräns på 100 kW, enbart på grund av märkeffekten. Om det krävs en längre omväg för att nå den första stationen kan det andra alternativet passa bättre för resan som helhet.
eBatterys bedömning behandlar stationens effekt tillsammans med fordonets egenskaper. I stället för att automatiskt presentera höga siffror som det bättre alternativet granskas den nytta stationen ger användarens resa.
6.5.4 Laddmängd: Energi som passar nästa etapp
Laddningsplanen omfattar även den rekommenderade energimängden, utöver valet av station.
Grundansatsen är att tillsammans beakta energibehovet för nästa ruttsträcka, den eftersträvade ankomstreserven och lämpliga alternativ. Användaren behöver inte nå samma batterinivå vid varje stopp. Ett kort mellanspel, en lång nästa etapp eller laddmöjlighet vid destinationen kan ge olika mål.
Det grundläggande sambandet för den energi som behöver tillföras batteriet är följande:
Energi som ska tillföras = Användbar kapacitet × (Målnivå för batteri i procent − Nuvarande batterinivå i procent) / 100
Till exempel motsvarar en höjning av batterinivån från 20 % till 70 % i ett fordon med 60 kWh användbar kapacitet en energiökning på cirka 30 kWh i batteriet.
Det här värdet behöver inte vara exakt detsamma som den energi som mäts i stationens mätare eller faktureras. På grund av laddförluster och hjälpförbrukning spelar det roll var energin mäts.
Laddtiden beräknas inte heller enbart genom att dividera med stationens maximala effekt. När uppgifterna är tillgängliga beaktar modellen fordonets laddningsbeteende vid olika batterinivåer. Som ett förklarande exempel: om 30 kWh energi tillförs batteriet med en genomsnittlig nettoeffekt på 60 kW blir energiöverföringstiden ungefär 30 minuter. Det avgörande värdet här är den genomsnittliga effekten under sessionen.
I kostnadsberäkningen beaktas, utöver energiavgiften, tillämpliga sessions-, tids- eller andra tariffkomponenter. Användaren ska kunna förstå vilken omfattning den visade uppskattningen täcker.
6.5.5 Bevarande av säkerhetsmarginal och alternativ
Planeringen bygger inte på att batteriet teoretiskt används ända ner till sista energienheten. Den lämnar utrymme för en ankomstreserv, variationer i förbrukningsuppskattningen och tillgång till alternativ längs vägen.
Den nödvändiga reserven bedöms tillsammans med rutens längd, stationstäthet, datans aktualitet och planens flexibilitet. En stadsrutt med täta laddmöjligheter och en långfärdssträcka med begränsade alternativ har inte samma förutsättningar.
När eBattery AI förklarar den rekommenderade laddmängden gör den denna logik synlig. Användaren kan förstå varför det rekommenderas att ta mer energi vid en station, eller varför en kort laddning anses räcka till nästa lämpliga stopp.
Aktuell tillgänglighetsinformation speglar också situationen när planen skapades. Denna information innebär ingen reservation av att samma uttag är ledigt vid ankomst. Att utvärdera alternativa stationer är därför en viktig del av planen.
6.6 Dynamisk omberäkning
6.6.1 Låta förändrade förhållanden under resan avspeglas i planen
Rutten behandlas inte som ett fast dokument som skapats innan resan börjar. När användaren färdas kan position, trafik, stationsstatus och hens egna preferenser förändras.
Den dynamiska omberäkningen bedömer hur dessa ändringar påverkar planen. Varje utlösare fungerar dock bara i den utsträckning som aktuella data är tillgängliga.
| Ändring | Information som används | Möjlig påverkan på planen |
|---|---|---|
| Förändrad trafik | Karta och trafikkälla | Uppdatering av tids- och ruttalternativ |
| Ändrad status för en planerad station | Operatörsintegration | Bedömning av en alternativ laddpunkt |
| Att användaren avviker från rutten | Plats och ruttframsteg | Omräkning av återstående sträcka och energibehov |
| Uppdatering av batteriinformation | Användarinloggning; stödda framtida fordonsanslutningar | Uppdatering av laddstopp och målenergimängd |
| Att lägga till eller ta bort ett mellanstopp | Användarredigering | Ny planering av de berörda ruttsträckorna |
| Förändrade väderförhållanden | Det omfång där den aktuella integrationen är aktiv | Omvärdering av förbrukningsberäkningen |
På en resa som körs med manuellt angiven batterinivå är den återstående energin som systemet beräknar en uppskattning. Den märks inte på samma sätt som aktuella batteridata uppmätta från fordonet.
6.6.2 Att inte presentera varje ändring som en ny rutt för användaren
Små skillnader som hela tiden ändras kan ge användaren en onödig beslutsbörda. Några sekunders variation i trafiken eller en mycket liten tidsvinst kräver inte en ny rekommendation varje gång.
Omberäkningsmetoden bedömer vad ändringen betyder för resan. Den nuvarande planens genomförbarhet, energireserven och den tydliga nyttan för användaren prioriteras.
På så sätt bevaras planens stabilitet. I stället för att ständigt styras mellan två mycket närliggande alternativ ser användaren en meningsfull uppdatering när en sådan behövs.
6.6.3 Att förklara orsaken till ändringen
Den föreslagna nya rutten presenteras i jämförelse med den nuvarande planen. Användaren ska kunna se vilket villkor som har ändrats och vad resultatet blir.
Till exempel:
”Användningsinformationen har ändrats för de lämpliga uttagen vid stationen du planerade. En alternativ station ligger närmare din rutt och går att nå enligt den aktuella energiprognosen. Du kan granska det nya alternativet.”
Endast de delar som stöds av tillgängliga data används i förklaringen. Om det inte finns någon tillförlitlig uppskattning av väntetiden anges ingen exakt tidsvinst i minuter.
Trafikinformation från kartleverantören och eBatterys EV-bedömning baserad på dessa data kopplas också korrekt. Rekommendationens motivering gör det tydligt vilka data som används och hur.
6.7 AI-reseplanering – kandidatpool, klustring, tidsbudgetering, laddningsintegration
6.7.1 Från transportplan till vardagsupplevelse
Reseplaneringen organiserar den tid användaren tillbringar i ett visst område. Målet är att omvandla intressanta platser till ett program som passar användarens tid, intressen och fordonets energibehov.
När användaren säger “Jag ska tillbringa två dagar i Kappadokien, med fokus på natur och historia” bedömer systemet regionen, resans längd och prioriteringarna tillsammans. Startpunkten, den dagliga takten och eventuella platser som användaren särskilt vill se läggs till i planen.
Det resulterande programmet ger en redigerbar resestruktur indelad i dagar.
6.7.2 Uppbyggnad av poolen med kandidatplatser
Det första steget är att identifiera lämpliga besöksmål i regionen. Kandidatpoolen kan omfatta kulturella platser, museer, naturområden, ställen för mat och dryck samt rastplatser.
Beroende på källans omfattning omfattar den information som beaktas plats, kategori, besökstid, öppettider och användaromdömen.
Hög popularitet är inte i sig ett skäl att välja något. Om en plats inte matchar användarens intressen, ligger för långt från dagsschemat eller om det inte finns tillräckligt med tid för ett besök kan den få lägre prioritet.
Innehållsberättelsen knyts till posterna för de valda platserna. Uppgifter som kan ändras, till exempel öppettider eller inträdesvillkor, genereras inte ur språkmodellens allmänna kunskap som om de vore aktuella data.
6.7.3 Geografisk klustring och transportsamband
Kandidatplatser bedöms utifrån sina geografiska och transportmässiga samband innan det dagliga schemat byggs. Syftet är att minska onödiga fram- och tillbakaresor under samma dag.
Två punkter som ser nära varandra ut på kartan behöver inte ligga nära varandra restidsmässigt. Vägförbindelser, passager och områdets geografi avgör det verkliga rörelsemönstret. Därför baseras den dagliga grupperingen inte enbart på fågelvägen.
Till exempel kan en dags schema byggas av besök i samma område, medan ett mer avlägset stopp flyttas till en annan dag. På så sätt kan användaren lägga en större del av sin tid på besök i stället för resor.
När användaren föredrar en viss ordning bevaras detta val; systemet anpassar den återstående planen så att den stämmer överens med den ordningen.
6.7.4 Tidsbudgetering: ett realistiskt dagsschema
Om den dagliga planen är genomförbar beror på restider och raster samt den totala besökstiden.
En dags tidsbudget omfattar följande komponenter:
Förflyttning mellan punkterna.
Besökstiden på varje plats.
Mat- och vilopauser.
Nödvändiga laddstopp.
Ett rimligt tidsutrymme för parkering, åtkomst och liknande övergångar.
Att i en användares sex timmar långa reseplan bara lägga in stopp vars besökstider summerar till sex timmar lämnar ingen tid för förflyttning. eBattery AI bygger planen inom dagens totala tidsram.
Programmets värde mäts inte i hur många platser som kan listas. Det viktiga är att det går att följa i den takt användaren väljer och att det lämnar utrymme för ändringar.
6.7.5 Passa in laddning i det dagliga schemat
Laddstopp beaktas tillsammans med energibehovet när en reseplan skapas. De behandlas inte som ett fristående behov som läggs till i slutet av dagen.
Om en matrast kan kombineras med en lämplig laddpunkt kan de två aktiviteterna ske under samma tidsintervall. Till exempel kräver en 40 minuter lång matrast och en 25 minuter lång laddning som börjar på samma plats och vid samma tid under lämpliga förhållanden inte ett extra stopp på sammanlagt 65 minuter. Planen bedömer överlappande tider tillsammans.
I den här matchningen spelar stationens faktiska åtkomst, driftsförhållanden, parkeringsutformning och användarens preferenser roll. En station som verkar ligga nära en restaurang på kartan antas inte vara ett lämpligt rastalternativ i alla fall.
För resor som sträcker sig över flera dagar fortsätter energiberäkningen över dagarna. Nästa dags startbatteri kopplas till föregående dags planerade slutnivå. Nattladdning beaktas endast när den ingår i användarens plan och stöds av den aktuella anläggningen.
6.7.6 Redigerbar reseberättelse
Det beräknade schemat presenteras som stopp indelade i dagar, tillsammans med en förklaring på naturligt språk. Användaren kan se vilket område som besöks vilken dag, var laddningen placeras och den ungefärliga tidsfördelningen för dagen.
Önskemål som “Gör den andra dagen lugnare”, “Ta bort museet” eller “Jag vill vara i naturen på eftermiddagen” gör att du kan redigera planen.
Efter en ändring bedöms de berörda dagarna och ruttsträckorna på nytt. Reseberättelsen ändras också tillsammans med den uppdaterade planen; principen är att det inte ska uppstå någon motsägelse mellan den gamla beskrivningen och den nya stopplistan.
Denna stads- och regionsinriktade struktur utgör grunden för bredare, landsomfattande och långsiktig planering i senare skeden.
6.8 Effektivitetsanalys
6.8.1 Göra data meningsfulla ur förarens perspektiv
Effektivitetsanalysen hjälper användare att tydligare bedöma sina energi- och resedata.
Om de tillgängliga uppgifterna räcker kan förbrukning, sträcka, laddningskostnad samt planerade och faktiska värden från olika perioder jämföras. AI förklarar förändringen i siffrorna och visar vilka poster det kan vara bra för användaren att granska.
Analysens omfattning beror på de data som används. Information som erhållits via fordonsanslutning, sessionsregister eller användarinloggning hålls åtskild från uppskattningar som enbart beräknats utifrån rutten.
6.8.2 Uppmätt förbrukning och beräknad uppskattning
I en förbrukningsbedömning måste energin och sträckan avse samma period, samma fordon och en konsekvent mätmetod.
Om total energi och total sträcka är kända görs den grundläggande förbrukningsberäkningen så här:
Genomsnittlig förbrukning = total körenergi / total sträcka × 100
Att helt enkelt summera förbrukningsvärdena för resor av olika längd och dela med antalet resor ger kanske inte rätt genomsnitt för perioden. Att beräkna utifrån total energi och sträcka bevarar vikten av korta och långa resor.
Energi som köpts under laddning är inte heller alltid densamma som den energi som förbrukats under körning under samma period. Batterinivåerna i början och slutet av perioden, laddningsförluster och registrens omfattning påverkar detta samband.
Därför behandlar eBattery laddningsutgifter, köpt energi och körförbrukning som separata begrepp med olika innebörd.
6.8.3 Att visa förändringen och förklara orsaken med data
Som ett förklarande exempel kan vi anta att den genomsnittliga förbrukningen stiger från 18 kWh/100 km till 19,8 kWh/100 km mellan två jämförbara perioder. Denna förändring innebär en ökning av förbrukningen med 10 %.
Men enbart det här resultatet visar inte orsaken till ökningen. Rutten, hastigheten, vädret, lasten eller färdens upplägg kan ha ändrats.
AI:ns bedömning håller sig till den nivå som data stöder. Om det bara finns uppgifter om förbrukning och sträcka kan den säga "Din förbrukning har ökat"; för att dra slutsatsen att ett visst beteende, som hård inbromsning eller användning av luftkonditionering, orsakade det krävs relevanta mätningar.
Om det saknas direkta fordonsdata presenteras inte batterihälsan som om den hade mätts. Detaljerad analys av körbeteende utökas med integrationer som ger tillräckligt med data för att utvärdera dessa beteenden.
6.8.4 Skapa jämförbara användningsvanor
Syftet med effektivitetsvyn är att göra det lättare för användaren att förstå sin egen användning över tid.
Jämförelser av liknande rutter, granskning av laddningsutgifter på olika stationer och möjligheten att se skillnaderna mellan planerad och faktisk tid stödjer denna förståelse.
Assistentens förslag är konkreta och måttfulla. I stället för att lova användaren en overifierad besparingsprocent förklarar den vilka data som har ändrats och vilka förhållanden som bör undersökas för en mer meningsfull jämförelse.
6.9 Resultatkort och deep linking
6.9.1 Att göra ett samtal till ett resultat som kan användas i appen
En rutt, resa eller stationsrekommendation som skapats i AI Chat presenteras med resultatkort. Korten låter användaren snabbt se den viktigaste informationen och gå vidare till rätt modul.
| Korttyp | Kortets kärninnehåll | Tillhörande skärm |
|---|---|---|
| Ruttkort | Start, destination, ruttsammanfattning, beräknad tid och laddstopp | Ruttplanering |
| Reskort | Region, antal dagar och sammanfattning av dagsprogrammet | Reseplanering |
| Stationskort | Plats, kompatibilitet, effekt och tillgänglig aktuell information | Stationsdetaljer |
| Effektivitetskort | Period, nyckelindikatorer och sammanfattande bedömning | Effektivitet |
Kortets syfte är inte att trycka ihop alla detaljer på en liten yta. Det ger tillräckligt med information för att användaren ska känna igen resultatet och välja nästa åtgärd.
6.9.2 Att öppna samma plan med deep linking
Deep linking gör att resultatkortet leder användaren till rätt innehåll på den aktuella skärmen.
När användaren öppnar en rutt som skapats i chatten möts hen inte av ett tomt ruttformulär. De valda start- och målpunkterna, fordonet, mellanstoppen och planens övriga uppgifter visas på rätt skärm.
Samma samband bevaras även på resekort och stationskort. På så sätt blir chatt-, kart- och planeringsvyerna olika vyer av samma åtgärd.
Tekniskt är kortet kopplat till den aktuella posten och planversionen. När användaren ändrar planen står det klart vilket resultat som är aktuellt.
6.9.3 Snabbåtgärder anpassade efter sammanhanget
Beroende på resultaten erbjuds åtgärder som ”Starta rutt”, ”Gå till station”, ”Spara”, ”Dela” eller ”Lägg till i favoriter”.
Varje kort behöver inte visa alla åtgärder. Åtgärderna väljs utifrån det resultat användaren har skapat just då.
Delbara kort hanteras också utifrån sitt innehållsomfång. Uppgifter som användarens hemadress eller personliga startpunkt betraktas inte som en naturlig eller obligatorisk del av delningen. Användaren ska kunna se vilket innehåll hen delar.
6.10 Proaktiva förslag och aviseringar
6.10.1 Att ge meningsfullt stöd när ett behov uppstår
När relevanta data finns tillgängliga kan eBattery AI även lyfta fram viktiga förändringar utan att användaren frågar.
Inom detta område ingår en ändring av stationens status under en aktiv resa, en betydande trafikpåverkan eller en omvärdering av laddningsplanen utifrån uppdaterad batteriinformation.
Syftet med proaktivt stöd är att hjälpa användaren i rätt tid. Inte varje dataändring ger upphov till en avisering; man bedömer hur informationen förhåller sig till den pågående resan och om den kräver någon åtgärd.
6.10.2 Att utvärdera en avisering tillsammans med de data den bygger på
Innebörden av en varning för låg batterinivå beror på datakällan.
Om den aktuella batterinivån kan hämtas från fordonet kan det uppmätta värdet användas. Om användaren angav den manuellt i början är värdet som beräknas under resan en uppskattning. Aviseringens formulering bevarar denna skillnad.
På samma sätt måste den aktuella tariffen och de villkor som gäller för användaren vara kända för att ett förslag om prisfördelen på en favoritstation ska kunna tas fram. En underhållspåminnelse knyts i stället till ett datum som användaren har sparat eller till en lämplig datakälla.
Detta synsätt håller proaktiva rekommendationer i linje med den tillgängliga datatäckningen.
6.10.3 Aviseringsfrekvens och användarinställningar
Aviseringar hanteras efter betydelse och sammanhang. En förändring som påverkar genomförbarheten av en pågående resa har inte samma prioritet som ett allmänt användningsförslag.
Användaren kan hantera sina aviseringsinställningar. Att upprepade meddelanden om samma händelse minskas, att aviseringar som inte längre är giltiga inte visas och att rekommendationen leds till rätt plan är en del av upplevelsen.
Plats- och bakgrundsfunktioner körs med användarens tillstånd och inom ramen för det mobila operativsystemets driftsvillkor. Information som visas under en resa hålls kort och handlingsinriktad; detaljerna kan granskas på den aktuella skärmen.
6.11 Förtroende och felhantering
6.11.1 Göra informationens karaktär synlig
eBattery AI:s förtroendeansats bygger på att det går att förstå vilken information resultaten grundar sig på.
Batterinivån som användaren angett, uttagets status från operatören, karttjänstens tidsuppskattning och AI:ns förklaring är olika typer av information. Den här åtskillnaden gör att rekommendationen kan bedömas korrekt.
Generativa AI-system kan presentera obelagd information på ett övertygande sätt. NIST:s riskprofil för generativ AI behandlar också detta beteende. eBatterys datadrivna beräknings- och verifieringssynsätt är utformat för att minska effekten av sådana fel på appens beslut.
Den här ansatsen är särskilt viktig för plats, stationsstatus, pris och energiberäkning. En flytande förklaring används inte i stället för verifierade data.
6.11.2 Att agera tydligt och konsekvent när data saknas
Att en datakälla inte svarar innebär inte att alla appens funktioner måste stanna samtidigt. Systemet bedömer vilket resultat som kan erbjudas med tillgängliga data.
Om till exempel en stations plats och uttagsinformation finns tillgänglig men dess liveberoende status inte kan hämtas kan stationsupptäckten fortsätta, medan tillgängligheten visas som okänd.
På motsvarande sätt, när språkmodellen tillfälligt inte kan svara, tolkas det giltiga ruttresultatet från beräkningstjänsten så att det kan presenteras med ett standardkort och en kort förklaring.
När de senast kända uppgifterna används bevaras aktualiteten. En gammal status som visas från cachen presenteras inte som nyss mottagen liveinformation.
6.11.3 Behörighet, integritet och säkerhet för externt innehåll
De data som AI-lagret behöver begränsas till omfattningen av den uppgift som ska utföras. För att förklara varför en station rekommenderas behöver inte användarens hela meddelandehistorik eller betalningsuppgifter överföras till modellen.
Plats, resplaner och användarpreferenser hanteras under åtkomstkontroll. Appens transaktionsbehörigheter verifieras oberoende av språkmodellens fria textgenerering.
Beskrivningar från externa källor och användaromdömen behandlas också som data. En av arkitekturens säkerhetsprinciper är att instruktioner som kan finnas i sådant innehåll inte får ändra appens transaktionsregler.
Även i framtida transaktionsflöden, som betalning eller bokning, är AI:ns förslag och genomförandet av transaktionen separata steg. Användaren får se transaktionens omfattning och det relevanta godkännandeflödet bibehålls.
6.11.4 Att lära av fel på ett mätbart sätt
Tillförlitlighet kräver regelbunden utvärdering av verkliga användningsscenarier.
Situationer som en station som är inkompatibel med fordonet, ett saknat pris, en ändrad batteriinmatning, ett avbrott i anslutningen eller en gammal ruttförfrågan som slutförs sent är testscenarier som avgör hur systemet ska bete sig.
Användarnas återkoppling bidrar också till denna process. Ett val som gjorts utifrån felaktig stationsinformation och ett val som inte motsvarade förväntningarna är inte samma typ av fel. Genom att koppla återkopplingen till rätt data och beslutssteg blir det lättare att förbättra rätt komponent.
Förtroendeansatsen går längre än att bara räkna resultat som ”lyckade” eller ”misslyckade”; den bygger på att förstå felets källa och dess påverkan på användaren.
6.12 Modelloberoende infrastruktur och prestandamål
6.12.1 Att hålla produktlogiken oberoende av modellleverantören
Infrastrukturen bakom eBattery AI bygger på ett synsätt som inte knyter produktens kärnfunktioner till egenskaperna hos en enda språkmodell.
Fordonsprofil, stationsdata, ruttberäkning och användarinställningar hanteras i appens egna tjänster. Språkmodeller kopplas till dessa tjänster via definierade uppgifter och dataavtal.
Den här strukturen gör det möjligt att utvärdera olika modellfamiljer som GPT och Gemini, eller alternativ som utvecklas i framtiden. Ett modellbyte bör inte kräva att grundläggande regler som kompatibilitet mellan fordon och station skrivs om.
Modellval görs utifrån språkkvalitet, noggrannhet i strukturerad utdata, uppgiftsframgång, latens, kostnad och villkor för databehandling. Leverantörens namn används inte ensamt som mått på produktkvalitet.
6.12.2 Användning av rätt modell och tjänst för uppgiften
Inte varje användarförfrågan kräver samma bearbetningsbelastning. En kort avsiktsklassificering och en detaljerad reseberättelse har olika behov.
Infrastrukturen är utformad så att uppgifter kan dirigeras utifrån denna skillnad. Arbete som beräkningstjänsterna kan lösa direkt utförs i dessa tjänster. För steg som kräver tolkning och förklaring på naturligt språk används en lämplig modell.
Det arkitektoniska angreppssätt som stöder prestandan omfattar följande delar:
Att oberoende dataanrop körs samtidigt när det är lämpligt.
Kontrollerad cachning av fordonsinformation som förändras långsammare.
Tillämpning av aktualitetsregler på föränderliga data som tillgänglighet och pris.
Annullering av ogiltiga konton när användarens begäran ändras.
Att köra långa operationer i bakgrunden utan att blockera gränssnittet.
Att de färdiga delarna av resultatet presenteras stegvis, samtidigt som helheten bevaras.
Även i karttjänster och trafiktjänster finns avvägningar mellan svarstid och beräkningsdetaljer. Google Routes API definierar olika alternativ för trafikbedömning och förklarar att en mer omfattande sökning kan ge längre fördröjning. eBatterys prestandaansats utvärderar beteendet hos sådana externa tjänster inom den samlade användarupplevelsen.
6.12.3 Fastställande av prestandamål
I eBattery AI bedöms prestandan utifrån upplevelsen mellan att användaren skickar sin förfrågan och att hen får ett användbart resultat.
Att det första svaret börjar och att ruttplanen blir klar är olika mätningar. Att en laddningsanimation visas betraktas inte som detsamma som att ett meningsfullt AI-svar börjar.
| Prestandaområde | Designmål | Mätmetod |
|---|---|---|
| AI-svaret påbörjas | Starta det första meningsfulla svarsflödet på under 2 sekunder under normala förhållanden | Tiden från att begäran skickas tills det första meningsfulla innehållet syns för användaren |
| Skapa standardrutt | Att leverera ett användbart ruttresultat på under 5 sekunder när det är möjligt i typiska scenarier som stöds | Tiden från begäran tills rutten och den grundläggande laddningsplanen är klara |
| Skärmövergångar | Att behålla interaktion och flyt medan en beräkning pågår | Förseningar vid start och gränssnittsfrysningar |
| Omberäkning | Att återspegla betydelsefulla förändringar i planen inom rimlig tid | Tiden från att uppdateringen tas emot tills det nya alternativet är klart |
| Komplexa reseplaner | Leverera resultat i etapper genom att hålla framstegen synliga | Första användbara resultat och tider för färdiga planer |
Dessa värden är tekniska mål. De faktiska resultaten mäts utifrån nätverksförhållanden, dataleverantörer, rutt längd, antal stopp och planens komplexitet.
Ett enda medelvärde beskriver inte hela upplevelsen. Utöver den typiska användarupplevelsen följs mått som median och 95:e percentilen för att långsammare förfrågningar ska synas. På så sätt blir skillnaden synlig mellan att systemet är snabbt för de flesta och att vissa användare får vänta länge.
6.12.4 Att mäta noggrannhet och användbarhet tillsammans med hastighet
Prestandautvärderingen omfattar resultatets kvalitet såväl som svarstiden.
De viktigaste bedömningsområdena är:
Träffsäkerhet vid val av stationer som är kompatibla med fordonet.
Konsekvens i beräkningarna av energi och batteriprocent.
Efterlevnad av den stoppordning som användaren har angett.
Att hålla aktuella data och gamla data åtskilda.
Att beskrivningstexten stämmer överens med värdena på resultatkortet.
Att resultatkortet öppnar rätt plan och skärm.
Att användarens ändringar tillämpas på rätt version.
Konsekvent förståelse av samma begäran på olika språk.
När faktiska data blir tillgängliga jämförs den beräknade ankomsttiden med de observerade resultaten för förbrukning och laddningstid. Dessa jämförelser visar i vilka regioner, fordonsprofiler eller användningsförhållanden förbättring behövs.
Modelluppdateringar hanteras med samma utvärderingsdisciplin. Att en ny modell talar mer flytande innebär inte att den är mer exakt i ruttförklaringar. Dess prestanda i nuvarande uppgifter, dess strukturerade resultat och dess överensstämmelse med åtgärder i appen granskas tillsammans.
6.12.5 En gemensam grund för växande förmågor
Den modelloberoende strukturen gör att eBattery AI kan växa med nya data och tjänster i takt med att produkten utvecklas.
Direkta fordonsdata, väderförhållanden i energimodellen, rekommendationer som lär sig av användarens preferenser och reseplaner med större geografisk täckning knyts alla till samma beräknings- och kontextstruktur.
I takt med att laddning och betalning, EV Market, mobilt laddstöd och andra tjänster tas i bruk utökas även de åtgärder som assistenten kan vägleda användaren genom. Varje ny funktion hanteras utifrån den aktuella tjänstens faktiska omfattning, data och användarens godkännande.
Genom hela denna utveckling bevaras den relation som assistenten bygger med användaren: att förstå behovet, använda lämpliga data, förklara konsekvenserna av alternativen och göra den åtgärd som användaren väljer enklare att utföra i appen.
