6. Lớp trí tuệ nhân tạo - eBattery AI

Đi lại bằng xe điện đòi hỏi đưa ra các quyết định liên kết với nhau. Quãng đường cần đi, mức pin hiện tại, mức tiêu thụ của xe, điều kiện đường, vị trí các trạm sạc và lịch trình của người lái đều là các phần của cùng một chuyến đi. Khi một trong các biến số này thay đổi, các quyết định khác cũng có thể bị ảnh hưởng. Một tuyến đường trông ngắn hơn có thể trở thành chuyến đi dài hơn nếu không có hạ tầng sạc phù hợp. Một trạm mạnh hơn có thể không mang lại lợi thế thời gian như mong đợi nếu công suất sạc mà xe chấp nhận bị giới hạn.

eBattery AI nằm ở trung tâm ứng dụng để cùng đánh giá các quyết định này và đưa ra cho người dùng một kế hoạch hành trình dễ hiểu. Người dùng có thể diễn đạt bằng ngôn ngữ tự nhiên điều mình muốn làm; dựa trên hồ sơ xe, bản đồ, lộ trình và dữ liệu trạm có thể truy cập, eBattery AI biến yêu cầu này thành các lựa chọn khả thi.

Trải nghiệm của người dùng rất đơn giản: chỉ cần nói “Tôi muốn đến İzmir”, “Lập kế hoạch chuyến đi hai ngày cho cuối tuần” hoặc “Tìm trạm sạc phù hợp gần tôi” là đã có thể bắt đầu. Ở phía sau, mỗi yêu cầu phải được ghép với các nguồn dữ liệu, phép tính và chức năng ứng dụng khác nhau. Nhiệm vụ của eBattery AI là xử lý độ phức tạp kỹ thuật này đồng thời giữ cho lý do đằng sau quyết định luôn rõ ràng với người dùng.

Ở trung tâm của cách tiếp cận này là sự rõ ràng, khả năng tính toán được và quyền kiểm soát của người dùng được bao gồm. Trợ lý phải giải thích được vì sao lộ trình mình đề xuất là phù hợp; phải tính toán quãng đường và việc sạc bằng một phương pháp nhất quán; và người dùng phải có thể thay đổi kế hoạch theo nhu cầu của riêng mình.

Trò chuyện AI, lập lộ trình và kế hoạch chuyến đi của sản phẩm hiện tại là cốt lõi của cấu trúc này. Các đầu vào như thông tin trạm theo thời gian thực, giá và giao thông hoạt động cùng với phạm vi của các nguồn dữ liệu liên quan. Các dự báo được bổ sung điều kiện thời tiết, kết nối trực tiếp với xe và cá nhân hóa học từ hành vi là những khả năng được mở rộng dần dần trên cùng kiến trúc.

6.1 Cách tiếp cận trợ lý trung tâm

6.1.1 Đưa các chức năng khác nhau của ứng dụng vào một bối cảnh chung

eBattery AI là trợ lý trung tâm giúp người dùng đỡ phải cung cấp lại cùng một thông tin khi chuyển qua lại giữa các phần khác nhau của ứng dụng. Một lượt tìm trạm sạc bắt đầu trên bản đồ có thể được tinh chỉnh thêm trong cuộc trò chuyện; một lộ trình được tạo trong lúc trò chuyện có thể được xem lại trên màn hình lộ trình; một chuyến đi đã lên kế hoạch có thể được chỉnh sửa cùng các ngày và điểm dừng trong mô-đun chuyến đi.

Trong trải nghiệm này, xe, chuyến đi và tùy chọn của người dùng tạo nên bối cảnh chung. Ví dụ, khi một người dùng đã chọn xe đã lưu của mình nói “Cho tôi xem các trạm phù hợp gần đây”, hệ thống không cần hỏi lại mẫu xe mỗi lần. Yêu cầu được đánh giá cùng với xe đã chọn và thông tin vị trí mà người dùng đã chọn chia sẻ.

Cách tiếp cận tập trung cũng giúp các điểm vào khác nhau của ứng dụng đi đến cùng một logic ra quyết định. Việc tìm điểm sạc mà người dùng bắt đầu từ bản đồ và việc tìm kiếm qua AI Chat cần cho ra kết quả nhất quán khi dùng cùng một xe, cùng các tùy chọn và cùng dữ liệu cập nhật.

Như vậy, giữa các mô-đun của eBattery không chỉ có việc chuyển màn hình; công việc mà người dùng muốn thực hiện cũng được giữ nguyên.

6.1.2 Chuyển ý định của người dùng thành thao tác trong ứng dụng

Con người thường không diễn đạt nhu cầu bằng các thông số kỹ thuật. Những câu như “Hai tiếng nữa tôi sẽ khởi hành”, “Chúng tôi đi cùng các con, nên muốn một kế hoạch thoải mái hơn” hoặc “Tôi không muốn đi vòng quá xa để sạc” bao hàm nhiều ưu tiên cùng lúc.

eBattery AI chuyển những câu nói này thành thông tin có thể dùng trong việc lập kế hoạch. Khi cần, nó bổ sung các chi tiết còn thiếu như điểm xuất phát, điểm đến, mức pin hoặc ưu tiên về thời gian. Các câu hỏi tập trung vào những điểm thực sự ảnh hưởng đến kết quả cần tạo ra.

Ví dụ, với yêu cầu "Tôi muốn đi từ İstanbul đến İzmir", nếu xe đã lưu và vị trí xuất phát đã được biết, người dùng có thể chỉ được hỏi về mức pin hiện tại và tùy chọn cho chuyến đi. Khi người dùng nói "Có thể đi đường thu phí, miễn là tổng thời gian ngắn", thông tin này được thêm vào yêu cầu lộ trình.

Cách tiếp cận này gắn ngôn ngữ tự nhiên với các chức năng của ứng dụng. Người dùng có thể mô tả nhu cầu mà không phải tìm hiểu cấu trúc kỹ thuật của các menu; hệ thống sau đó chuyển yêu cầu vào luồng tính toán và màn hình liên quan.

6.1.3 Hoàn thiện đề xuất bằng quyền kiểm soát của người dùng

Bạn có thể xem xét và thay đổi các kế hoạch do eBattery AI đưa ra. Người dùng có thể đổi trạm được đề xuất, thêm điểm dừng trung gian, bỏ một bảo tàng khỏi lịch trình chuyến đi hoặc yêu cầu một lộ trình chi phí thấp hơn.

Trợ lý liên hệ những thay đổi này với phần còn lại của kế hoạch. Việc bỏ một điểm dừng không chỉ rút ngắn danh sách chuyến đi mà còn có thể thay đổi quãng đường mỗi ngày, giờ đến và nhu cầu sạc. Chỉnh sửa của người dùng được đánh giá trong khi vẫn giữ các mối liên hệ này.

Kế hoạch thuộc về người dùng. AI giúp hiển thị các lựa chọn, đơn giản hóa phép tính và giải thích hệ quả của từng lựa chọn. Mục đích chuyến đi, nhịp độ và mức chi phí chấp nhận được do người dùng quyết định.

6.2 AI Chat: Trải nghiệm mở đầu, Avatar, Streaming, Context Memory

6.2.1 Trải nghiệm mở đầu: Cho thấy ngay những gì có thể làm

Màn hình mở đầu của AI Chat cho người dùng thấy trực tiếp các khả năng cốt lõi của trợ lý. Người dùng có thể bắt đầu cuộc trò chuyện bằng văn bản tự do hoặc dùng một trong các tùy chọn khởi đầu có sẵn.

Lựa chọn khởi đầu Mục tiêu của người dùng Luồng đã khởi động
Lập lộ trình Đến một điểm sạc bằng xe Tạo lộ trình dựa trên điểm đi, điểm đến, xe và nhu cầu sạc
Lập kế hoạch chuyến đi Khám phá một khu vực trong một khoảng thời gian định sẵn Lập lịch trình hằng ngày theo sở thích và thời gian
Gợi ý trạm gần nhất Đến được một điểm sạc phù hợp Tạo gợi ý từ vị trí, khả năng tương thích của xe và dữ liệu các trạm có thể truy cập
Hiệu suất của tôi Hiểu dữ liệu sử dụng Chuyển sang đánh giá mức tiêu thụ và mức sử dụng dựa trên các bản ghi hiện có

Các tùy chọn này giảm bớt sự mơ hồ trong lần tương tác đầu tiên. Người dùng không phải đoán xem có thể hỏi trợ lý những câu gì; ứng dụng đưa ra các điểm khởi đầu gắn với nhu cầu xe điện hằng ngày.

Khi cuộc trò chuyện tiến triển, các thao tác phù hợp ngữ cảnh sẽ thay thế các lựa chọn khởi đầu. Sau khi tạo lộ trình, các hành động như “Mở lộ trình” nổi bật lên; sau khi gợi ý một trạm, là “Đến trạm”.

6.2.2 Avatar: Diện mạo hình ảnh của trợ lý

Bản sắc hình ảnh của AI Chat là một avatar robot hoạt hình. Trước khi cuộc trò chuyện bắt đầu, avatar nằm ở giữa màn hình và với những chuyển động nhẹ cùng hiệu ứng ánh sáng, trông như đã sẵn sàng tương tác.

Khi tin nhắn đầu tiên được gửi, ảnh đại diện thu nhỏ lại và chuyển sang cạnh các tin nhắn của trợ lý. Nhờ vậy, tiêu điểm của màn hình tự nhiên chuyển từ trải nghiệm khởi đầu sang cuộc trò chuyện. Có thêm không gian cho nội dung người dùng nhập, câu trả lời của trợ lý và các thẻ kết quả được tạo.

Ảnh đại diện cũng giúp phân biệt trực quan các tin nhắn do AI tạo ra. Danh tính này tạo nên một trải nghiệm trợ lý nhất quán và khác biệt với tính năng nhắn tin cộng đồng trong ứng dụng.

Chức năng của chuyển động và hiệu ứng hình ảnh là dẫn hướng người dùng và làm cho trạng thái của hệ thống dễ hiểu. Khả năng đọc và tương tác được ưu tiên; các hoạt ảnh không che lấp thông tin thiết yếu.

6.2.3 Streaming: Cung cấp phản hồi dưới dạng luồng

eBattery AI hiển thị các câu trả lời phù hợp theo dạng luồng. Thay vì chờ một giải thích dài hoàn tất, người dùng có thể thấy câu trả lời hình thành từng bước.

Trong trải nghiệm này, hai quá trình khác nhau được tách biệt: viết phần giải thích và tính toán kế hoạch. Việc trợ lý bắt đầu tạo văn bản không có nghĩa là việc tính toán lộ trình đã hoàn tất. Thẻ lộ trình, trạm sạc hoặc chuyến đi chỉ được hiển thị khi dữ liệu và phép tính liên quan đã sẵn sàng.

Chẳng hạn, hệ thống có thể trước tiên cho thấy yêu cầu đã được hiểu, sau đó chia sẻ tiến độ trong khi chuẩn bị các phương án lộ trình. Khi tính toán hoàn tất, bản xem trước bản đồ và các điểm dừng sạc được hiển thị. Nhờ vậy, phản hồi nhanh được cung cấp trong khi tính toàn vẹn của kết quả vẫn được giữ nguyên.

Nếu người dùng thay đổi yêu cầu trong lúc đang xử lý, yêu cầu mới sẽ được ưu tiên. Một kết quả đến muộn của yêu cầu trước không được thay thế kế hoạch hiện tại. Điều này đặc biệt quan trọng trong các cuộc trò chuyện mà điểm dừng hoặc lựa chọn lộ trình bị thay đổi liên tiếp.

6.2.4 Context Memory: Giữ nguyên ý nghĩa của cuộc trò chuyện

Bộ nhớ ngữ cảnh giúp hiểu cuộc trò chuyện đang diễn ra cùng với các bước trước đó.

Khi người dùng trước tiên nói “Tôi sẽ đi từ Istanbul đến Izmir” rồi viết “Lên kế hoạch cả chiều về nữa”, trợ lý sẽ liên kết yêu cầu thứ hai với chuyến đi đầu tiên. Cụm như “Làm cái này tiết kiệm hơn” cũng được áp dụng cho tuyến đường hoặc kế hoạch chuyến đi đang được trao đổi.

Ngữ cảnh được xử lý ở ba cấp độ:

  • Ngữ cảnh trò chuyện: Thông tin được cung cấp và các thay đổi được thực hiện trong cuộc trò chuyện.

  • Ngữ cảnh kế hoạch đang hoạt động: Lộ trình, chuyến đi hoặc lựa chọn trạm đang được chỉnh sửa.

  • Tùy chọn người dùng đã lưu: Xe được chọn và các cài đặt mà người dùng đã đặt cố định.

Sự phân biệt này ngăn một lựa chọn tạm thời bị hiểu thành thói quen lâu dài. Việc người dùng nói “Hôm nay hãy tránh đường thu phí” trong một chuyến đi không có nghĩa là mọi chuyến đi sau này của họ sẽ được lên kế hoạch theo cách tương tự.

Tương tự, mức pin được nhập trong cuộc trò chuyện trước không thể được dùng làm dữ liệu xe hiện tại của ngày hôm sau. Ghi nhớ ngữ cảnh cũng đòi hỏi phải quản lý thời hạn hiệu lực của thông tin.

6.3 Kiến trúc phân lớp: Lớp quyết định dựa trên quy tắc và lớp LLM

6.3.1 Tách biệt vai trò của tính toán và diễn giải

Kiến trúc của eBattery AI được xây dựng trên nguyên tắc giải quyết các tác vụ khác nhau bằng những phương pháp khác nhau.

Việc tính toán quãng đường, nhu cầu năng lượng, mức tương thích giữa xe và trạm cũng như đánh giá các phương án lộ trình được thực hiện ở lớp quyết định, hoạt động với các trường dữ liệu và quy tắc tính toán đã được xác định. Còn việc hiểu yêu cầu bằng ngôn ngữ tự nhiên của người dùng và giải thích kết quả là nhiệm vụ của mô hình ngôn ngữ lớn, tức lớp LLM.

Sự tách biệt này liên kết cơ sở số liệu của một đề xuất với cách đề xuất đó được giải thích. Khi trợ lý nói “Trạm này phù hợp hơn”, lý do phải đến từ dữ liệu do lớp tính toán tạo ra. Các giá trị khoảng cách, thời gian và năng lượng dùng trong phần giải thích dựa trên cùng một nguồn với các giá trị trên thẻ kết quả.

Thành phần kiến trúc Trách nhiệm cốt lõi Kết quả mà nó tạo ra
Lớp dữ liệu và tích hợp Sắp xếp dữ liệu đến từ xe, bản đồ, trạm và các nguồn khác Dữ liệu đầu vào có nguồn và độ mới được xác định
Quản lý yêu cầu và ngữ cảnh Kết hợp yêu cầu của người dùng, xe đã chọn và gói đang dùng Yêu cầu lập kế hoạch có cấu trúc
Lớp ra quyết định dựa trên quy tắc Thực hiện kiểm tra tương thích, tính toán năng lượng và đánh giá các ứng viên Các lựa chọn lộ trình và kế hoạch sạc
Lớp LLM Diễn giải ngôn ngữ tự nhiên và giải thích các kết quả đã tính toán Cách diễn giải phù hợp với người dùng
Lớp xác minh và hành động Kiểm tra tính nhất quán của kết quả và quyền thực hiện giao dịch Một thẻ có thể hiển thị và một hành động có thể thực hiện
Lớp trải nghiệm Hiển thị cuộc trò chuyện, các thẻ và chuyển đổi giữa các màn hình Trải nghiệm người dùng trong ứng dụng

6.3.2 Phạm vi của lớp ra quyết định dựa trên quy tắc

Cách tiếp cận dựa trên quy tắc có nghĩa là với cùng một ảnh chụp dữ liệu và cùng một phiên bản quy tắc, các phép tính có thể được tái tạo một cách nhất quán.

Lớp này tính toán năng lượng pin có thể sử dụng, ước tính nhu cầu năng lượng của từng đoạn lộ trình, loại bỏ các trạm không tương thích với xe và so sánh các ứng viên phù hợp theo các tiêu chí đã định. Các tùy chọn đường đi mà người dùng đã chọn và mức pin dự trữ cần giữ lại cũng được xem xét tại đây.

Tính toán dựa trên quy tắc không có nghĩa là thế giới bên ngoài được biết chắc chắn. Giao thông trong tương lai, mức tiêu thụ thực tế hoặc tình trạng của trạm lúc đến nơi có thể thay đổi. Do đó, dù phương pháp tính nhất quán, một số đầu vào và đầu ra vẫn mang tính ước tính.

eBattery AI giữ sự phân biệt này: dữ liệu đã biết, thông tin do người dùng nhập và ước tính của mô hình không được trình bày với cùng mức độ chắc chắn.

6.3.3 Phạm vi của tầng LLM

Mô hình ngôn ngữ được dùng để hiểu yêu cầu của người dùng và biến kết quả đã tính toán thành lời diễn giải tự nhiên.

Những câu như “Tôi muốn đi bộ ít hơn”, “Bỏ các bảo tàng đi”, “Tôi không muốn chờ sạc quá lâu” hoặc “Tại sao bạn chọn trạm này?” nằm trong phạm vi hoạt động của lớp này.

LLM giúp tạo ra một yêu cầu có cấu trúc để có thể chuyển đến chức năng ứng dụng phù hợp. Tuy nhiên, nó không tự bổ sung giá của trạm sạc, tình trạng cổng sạc hay mức pin của xe từ kiến thức chung của mình. Các thông tin này được lấy từ các bản ghi và tích hợp liên quan.

Ví dụ, khi công cụ ra quyết định chọn một trạm vì ít phải đi chệch lộ trình hơn và có công suất phù hợp, trợ lý có thể diễn đạt lý do này một cách đơn giản hơn:

“Trạm này tương thích với xe của bạn và gần tuyến đường chính hơn. Phương án thay thế trông mạnh hơn không mang lại lợi thế về thời gian vì giới hạn sạc của xe bạn.”

Giá trị của lời giải thích này là người dùng có thể thấy được logic đằng sau quyết định.

6.3.4 Từ dữ liệu đã xác minh đến kết quả có thể giải thích

Mỗi kết quả được gắn với các dữ liệu đầu vào quan trọng mà nó sử dụng. Xe đã chọn, thông tin pin, thời điểm tính toán và độ mới của dữ liệu trạm giúp bạn hiểu kế hoạch được tạo ra trong những điều kiện nào.

Cấu trúc này cũng giúp việc đánh giá phản hồi của người dùng dễ dàng hơn. Việc một trạm được đề xuất không được chọn không phải lúc nào cũng có nghĩa là phép tính sai. Người dùng có thể muốn một điểm dừng khác, ưa thích một nhà vận hành nhất định, hoặc có ràng buộc về thời gian không hiển thị trong kế hoạch của họ.

Xem xét đồng thời dữ liệu đầu vào của quyết định và thay đổi của người dùng giúp hệ thống được cải thiện có ý nghĩa hơn theo thời gian.

6.4 Lập lộ trình — Hồ sơ xe, tính quãng đường, lộ trình và tùy chọn đường đi

6.4.1 Lập kế hoạch hành trình cùng với hồ sơ phương tiện

Trong eBattery, việc lập kế hoạch lộ trình xem xét cả đặc tính năng lượng và sạc của xe, bên cạnh điểm xuất phát và điểm đến.

Hai xe điện đi cùng một tuyến đường có thể cần các kế hoạch sạc khác nhau. Dung lượng pin khả dụng, mức tiêu thụ, các ổ cắm được hỗ trợ và công suất nhận sạc tạo nên sự khác biệt này.

Các thông tin xe chính được sử dụng trong lập kế hoạch như sau:

Thông tin xe Vai trò trong việc lập kế hoạch
Hãng, mẫu xe và phiên bản xe phù hợp Đảm bảo chọn đúng hồ sơ kỹ thuật
Dung lượng pin khả dụng Tạo nền tảng cho phép tính năng lượng có thể sử dụng trong hành trình
Giá trị tiêu thụ Cho phép quy đổi quãng đường thành nhu cầu năng lượng ước tính
Hỗ trợ sạc AC Giúp đánh giá các lựa chọn sạc khi nghỉ dài và tại điểm đến
Hỗ trợ sạc DC Cho phép đánh giá các lựa chọn sạc nhanh dọc đường
Tương thích đầu sạc Giúp xác định các trạm có thể sử dụng
Mức pin hiện tại Xác định trạng thái năng lượng ban đầu của hành trình

Dung lượng pin gộp và dung lượng khả dụng được đánh giá riêng. Giá trị làm cơ sở tính quãng đường là năng lượng có thể dùng để lái xe.

Trong luồng sử dụng hiện tại, người dùng tự nhập mức pin trước chuyến đi. Trong khi hồ sơ xe đã lưu chứa thông tin kỹ thuật, phần trăm pin là dữ liệu đầu vào hiện tại của chuyến đi đó. Các tích hợp kết nối xe trong tương lai tạo ra không gian mở rộng để thông tin này được tự động lấy từ các xe được hỗ trợ.

6.4.2 Tính toán quãng đường và dự trữ năng lượng

Nền tảng của phép tính quãng đường là mối quan hệ giữa năng lượng hiện có và mức tiêu thụ dự kiến:

Năng lượng hiện tại = Dung lượng pin khả dụng × Mức pin / 100

Ước tính quãng đường cơ bản = Năng lượng khả dụng / Mức tiêu thụ × 100

Ở đây, năng lượng tính bằng kWh, mức tiêu thụ tính bằng kWh/100 km và quãng đường tính bằng kilômét.

Ví dụ, hãy xét một chiếc xe có dung lượng pin khả dụng 60 kWh, mức sạc hiện tại 40% và mức tiêu thụ dùng trong tính toán là 18 kWh/100 km.

Trong trường hợp này:

  • Năng lượng tính toán trong pin là 24 kWh.

  • Phạm vi lý thuyết cho đến mức không khoảng 133 kilômét.

  • Ví dụ, nếu giữ lại mức dự phòng khi đến nơi là 15%, năng lượng có thể dùng để lập kế hoạch sẽ giảm xuống còn 15 kWh.

  • Với cùng giả định về mức tiêu thụ, quãng đường tính được khi giữ lại phần dự trữ là khoảng 83 kilômét.

Ví dụ này giải thích vì sao phạm vi lý thuyết hiển thị trên màn hình khác với quãng đường có thể dùng để lập kế hoạch. Mức 15% ở đây là phần dự phòng minh họa nhằm cho thấy logic tính toán.

Trong tính toán tuyến đường thực tế, khoảng cách được đánh giá cùng với đặc điểm của con đường và các dữ liệu đầu vào về mức tiêu thụ có thể truy cập. Khi phạm vi dữ liệu được mở rộng, các yếu tố như độ dốc, giao thông và thời tiết có thể được đưa vào mô hình. Khi các điều kiện mà ước tính dựa vào thay đổi, kế hoạch cũng được đánh giá lại.

6.4.3 Điểm xuất phát, điểm đến và các điểm dừng trung gian

Người dùng có thể xác định điểm xuất phát từ vị trí hiện tại, từ tìm kiếm địa chỉ hoặc trên bản đồ. Điểm đến và các điểm dừng trung gian cũng là các phần của cùng một kế hoạch chuyến đi.

Các điểm dừng trung gian đặc biệt quan trọng trong việc lập kế hoạch cho xe điện. Khi đi từ İstanbul đến İzmir, một lần ghé thăm Bursa không chỉ làm thay đổi tổng quãng đường. Thời gian ghé thăm, việc khu vực đó có chỗ sạc hay không và mức pin khi bắt đầu chặng tiếp theo cũng ảnh hưởng đến kế hoạch.

Người dùng có thể thay đổi thứ tự các điểm dừng hoặc giữ một thứ tự nhất định. Thứ tự được đặt thủ công có thể phản ánh lịch trình hoặc ưu tiên cá nhân của người dùng. Hệ thống tính toán lại các điểm dừng sạc cho phù hợp với lựa chọn này.

Với mỗi thay đổi, kế hoạch liên quan được cập nhật mà người dùng không phải nhập lại toàn bộ thông tin.

6.4.4 Chế độ lộ trình và tùy chọn đường đi

eBattery liên kết các lựa chọn tuyến đường với ưu tiên hành trình của người dùng.

Nhanh nhất tập trung vào tổng thời gian chuyến đi. Ngoài thời gian lái xe, các đoạn đường vòng để sạc, thời gian sạc và, khi có dữ liệu, cả thời gian chờ cũng được đưa vào đánh giá.

Hiệu quả nhất cách tiếp cận này xem xét nhu cầu năng lượng và dữ liệu chi phí có thể truy cập cùng với thời gian hành trình hợp lý. Khi đề xuất cho người dùng một lựa chọn chi phí thấp hơn, tác động của nó lên thời gian cũng được hiển thị.

Giữa hai lựa chọn này không có lựa chọn nào luôn vượt trội cho mọi chuyến đi. Với chuyến công tác, thời gian có thể quan trọng hơn; với chuyến đi cuối tuần, lịch nghỉ hoặc ngân sách có thể quan trọng hơn.

Các tùy chọn đường đi như đường thu phí, đường cao tốc và phà được thêm vào yêu cầu lộ trình. Google Maps Routes API cũng cung cấp các tùy chọn tránh cho những lựa chọn này; các tùy chọn đó định hướng việc tìm lộ trình và việc có tìm được phương án thay thế phù hợp hay không phụ thuộc vào mạng lưới đường. eBattery kết hợp những khả năng do dịch vụ bản đồ đang dùng cung cấp này với việc lập kế hoạch cho xe và sạc.

Các hạn chế đường theo khu vực hoặc chi tiết hơn được xử lý cùng với phạm vi của dịch vụ dữ liệu và định tuyến liên quan. Lộ trình trình bày cho người dùng phải thể hiện rõ ảnh hưởng của các tùy chọn lên kết quả.

6.5 Lập kế hoạch sạc và chấm điểm trạm — Đề xuất lượng sạc, biên an toàn

6.5.1 Tương thích trước, so sánh sau

Bước đầu tiên của việc lập kế hoạch sạc là xác định các trạm có thể sử dụng. Một trạm có điểm đánh giá cao hoặc giá thấp không có nghĩa là xe có thể sạc tại đó.

Vì vậy, việc đánh giá được tiến hành theo hai giai đoạn:

  1. Xác định các ứng viên tương thích với xe và hành trình.

  2. So sánh các ứng viên phù hợp về thời gian, chi phí và điều kiện sử dụng.

Khả năng tương thích đầu cắm, khả năng tiếp cận và năng lượng cần thiết để đến trạm là nội dung của giai đoạn đầu. Các điều kiện cơ bản này không được xem là các yếu tố tính điểm có thể được bù đắp bằng những ưu điểm khác.

Ví dụ, một trạm không tương thích với xe sẽ không được đề xuất chỉ vì giá rẻ hơn. Tương tự, một điểm có vẻ không thể đến được với năng lượng hiện có sẽ không được ưu tiên chỉ vì công suất sạc cao.

6.5.2 Chấm điểm trạm: Mức phù hợp thay đổi theo hành trình

Sau khi xác định được các ứng viên phù hợp, các trạm được đưa qua một đánh giá đa tiêu chí.

Tiêu chí Nội dung được đánh giá
Lệch lộ trình Quãng đường và thời gian bổ sung cần thiết để đến trạm và quay lại tuyến đường chính
Tương thích công suất với xe Mối quan hệ giữa công suất trạm và phạm vi mà xe có thể tận dụng
Giá Biểu giá có thể truy cập và áp dụng cho người dùng liên quan
Trạng thái hiện tại Tình trạng hiện tại của điểm sạc phù hợp trong các tích hợp được hỗ trợ
Thông tin chờ Thời gian chờ có khả năng xảy ra khi có dữ liệu đáng tin cậy hoặc đủ hỗ trợ từ mô hình
Độ tin cậy vận hành Tính liên tục của dịch vụ và trải nghiệm sử dụng khi có dữ liệu
Đánh giá của người dùng Mức độ cập nhật của các trải nghiệm, nội dung của chúng và việc chúng có dựa trên đủ số lượng quan sát hay không
Phù hợp với giờ nghỉ Mối liên hệ của trạm với các điểm dừng và kế hoạch thời gian hiện tại của người dùng
Độ mới của dữ liệu Mức độ cập nhật của thông tin được dùng để ra quyết định

Tầm quan trọng của các tiêu chí này thay đổi theo chế độ lộ trình được chọn. Trong chuyến đi ưu tiên thời gian, quãng đường vòng và thời gian sạc có thể mang tính quyết định hơn. Trong chuyến đi ưu tiên chi phí, chênh lệch biểu giá được xem xét cùng với thời gian phát sinh thêm.

Việc thiếu dữ liệu cũng được đưa vào đánh giá. Một trạm không rõ trạng thái trực tiếp sẽ không được coi là "trống". Tương tự, chỉ riêng thông tin về mức độ sử dụng cổng sạc không phải lúc nào cũng đủ để tính thời gian chờ đáng tin cậy.

Điểm đánh giá của người dùng cũng không thể thay thế độ tin cậy vận hành. Một vài đánh giá cũ không nên được xem với cùng trọng số như một tập trải nghiệm hiện tại và rộng hơn.

6.5.3 Mối quan hệ giữa công suất trạm và trải nghiệm sạc thực tế

Giá trị công suất ghi trên trạm không có nghĩa là xe sẽ sạc ở mức công suất đó trong suốt phiên sạc. Thời gian sạc phụ thuộc vào nhiều yếu tố, như mức pin, dung lượng, cũng như đặc tính của xe và thiết bị sạc. Nguồn Alternative Fuels Data Center của Bộ Năng lượng Hoa Kỳ cũng giải thích rằng các biến số này cùng nhau quyết định thời gian sạc.

Ví dụ, với một xe có giới hạn chấp nhận sạc DC là 100 kW, một trạm công suất 350 kW có thể không nhanh hơn một trạm phù hợp công suất 150 kW chỉ vì công suất ghi trên nhãn. Nếu việc đến trạm đầu tiên đòi hỏi đường vòng dài hơn thì lựa chọn thứ hai có thể phù hợp hơn cho toàn bộ hành trình.

Đánh giá của eBattery xem xét công suất trạm cùng với đặc tính của xe. Thay vì mặc nhiên trình bày các con số cao là lựa chọn tốt hơn, eBattery xem xét lợi ích mà trạm mang lại cho hành trình của người dùng.

6.5.4 Lượng sạc: Năng lượng phù hợp cho chặng tiếp theo

Kế hoạch sạc bao gồm cả lượng năng lượng được đề xuất, bên cạnh việc chọn trạm.

Cách tiếp cận cơ bản là cân nhắc cùng lúc nhu cầu năng lượng của chặng lộ trình tiếp theo, mức dự trữ khi đến nơi đã đặt ra và các phương án thay thế phù hợp. Người dùng không cần đạt cùng một mức pin ở mọi điểm dừng. Một chặng ngắn, một chặng tiếp theo dài hoặc khả năng sạc tại điểm đến có thể tạo ra những mục tiêu khác nhau.

Mối quan hệ cơ bản đối với năng lượng cần nạp thêm vào pin như sau:

Năng lượng cần thêm = Dung lượng khả dụng × (Phần trăm pin mục tiêu − Phần trăm pin hiện tại) / 100

Ví dụ, với một xe có dung lượng khả dụng 60 kWh, việc nâng mức pin từ 20% lên 70% tương ứng với mức tăng năng lượng khoảng 30 kWh trong pin.

Giá trị này không nhất thiết phải hoàn toàn trùng với năng lượng đo được tại công tơ của trạm hoặc năng lượng được tính phí. Do tổn hao khi sạc và mức tiêu thụ phụ trợ, việc đo năng lượng được thực hiện ở điểm nào là điều quan trọng.

Thời gian sạc cũng không được tính đơn giản bằng cách chia cho công suất tối đa của trạm. Khi có thể truy cập, mô hình xem xét hành vi sạc của xe ở các mức pin khác nhau. Ví dụ minh họa: nếu nạp 30 kWh vào pin với công suất ròng trung bình 60 kW thì thời gian truyền năng lượng khoảng 30 phút. Giá trị quyết định ở đây là công suất trung bình trong phiên sạc.

Khi tính chi phí, ngoài tiền năng lượng còn tính đến các thành phần phiên, thời gian hoặc biểu giá khác có thể áp dụng. Người dùng phải có thể hiểu được mức ước tính hiển thị bao gồm những gì.

6.5.5 Giữ biên an toàn và các phương án thay thế

Việc lập kế hoạch không dựa trên giả định dùng pin về mặt lý thuyết đến đơn vị năng lượng cuối cùng. Kế hoạch chừa chỗ cho mức dự trữ khi đến nơi, sự biến động trong ước tính tiêu thụ và khả năng tiếp cận các phương án thay thế trên đường đi.

Mức dự trữ cần thiết được đánh giá cùng với độ dài tuyến đường, mật độ trạm, độ mới của dữ liệu và tính linh hoạt của kế hoạch. Một tuyến nội đô có nhiều điểm sạc và một đoạn đường dài có ít lựa chọn thay thế không có cùng điều kiện.

Khi giải thích lượng sạc được đề xuất, eBattery AI làm cho logic này hiển thị rõ ràng. Người dùng có thể hiểu vì sao nên nạp thêm năng lượng tại một trạm, hoặc vì sao một lần sạc ngắn được xem là đủ để đến điểm dừng phù hợp tiếp theo.

Thông tin về tình trạng sẵn sàng hiện tại cũng phản ánh tình hình tại thời điểm kế hoạch được tạo. Thông tin này không tạo ra một lượt đặt chỗ đảm bảo cùng đầu sạc đó sẽ trống khi bạn đến. Vì vậy, việc cân nhắc các trạm thay thế là một phần quan trọng của kế hoạch.

6.6 Tính toán lại động

6.6.1 Phản ánh các điều kiện thay đổi trong chuyến đi vào kế hoạch

Lộ trình không được xem là một tài liệu cố định được tạo ra trước khi chuyến đi bắt đầu. Khi người dùng di chuyển, vị trí, giao thông, trạng thái trạm và các ưu tiên của chính họ có thể thay đổi.

Tính toán lại động đánh giá tác động của những thay đổi này lên kế hoạch. Tuy nhiên, mỗi yếu tố kích hoạt chỉ hoạt động trong phạm vi dữ liệu liên quan có thể truy cập.

Thay đổi Thông tin được sử dụng Tác động có thể xảy ra đối với kế hoạch
Thay đổi về giao thông Nguồn bản đồ và giao thông Cập nhật các lựa chọn về thời lượng và lộ trình
Thay đổi trạng thái của một trạm sạc theo kế hoạch Tích hợp nhà vận hành Đánh giá điểm sạc thay thế
Người dùng đi chệch khỏi lộ trình Vị trí và tiến trình lộ trình Tính lại quãng đường còn lại và nhu cầu năng lượng
Cập nhật thông tin pin Đăng nhập người dùng; các kết nối xe được hỗ trợ trong tương lai Cập nhật điểm dừng sạc và lượng năng lượng mục tiêu
Thêm hoặc bớt điểm dừng trung gian Người dùng chỉnh sửa Lập lại kế hoạch cho các đoạn lộ trình bị ảnh hưởng
Điều kiện thời tiết thay đổi Phạm vi mà tích hợp liên quan đang hoạt động Đánh giá lại ước tính mức tiêu thụ

Trong một chuyến đi chạy theo mức pin do người dùng nhập thủ công, năng lượng còn lại do hệ thống tính toán chỉ là ước tính. Nó không được gắn nhãn giống như dữ liệu pin hiện tại được đo trực tiếp từ xe.

6.6.2 Không trình bày mọi thay đổi với người dùng như một lộ trình mới

Những chênh lệch nhỏ liên tục thay đổi có thể tạo ra gánh nặng quyết định không cần thiết cho người dùng. Vài giây dao động giao thông hoặc lợi thế thời gian rất nhỏ không đòi hỏi một đề xuất mới mỗi lần.

Cách tiếp cận tính toán lại đánh giá ý nghĩa của thay đổi đối với hành trình. Tính khả thi của kế hoạch hiện tại, dự trữ năng lượng và lợi ích rõ rệt cho người dùng được ưu tiên.

Nhờ vậy kế hoạch được giữ ổn định. Thay vì liên tục bị chuyển qua lại giữa hai lựa chọn rất gần nhau, người dùng chỉ thấy một bản cập nhật có ý nghĩa khi cần.

6.6.3 Giải thích lý do thay đổi

Lộ trình mới được đề xuất sẽ được trình bày kèm so sánh với kế hoạch hiện tại. Người dùng phải thấy được điều kiện nào đã thay đổi và kết quả của sự thay đổi đó.

Ví dụ:

“Thông tin sử dụng đã thay đổi đối với các đầu sạc phù hợp tại trạm bạn đã lên kế hoạch. Một trạm thay thế gần tuyến đường hơn và có thể đến được theo ước tính năng lượng hiện tại. Bạn có thể xem xét lựa chọn mới.”

Phần giải thích chỉ sử dụng những yếu tố được dữ liệu hiện có hỗ trợ. Nếu không có ước tính thời gian chờ đáng tin cậy, sẽ không đưa ra con số tiết kiệm chính xác theo phút.

Thông tin giao thông từ nhà cung cấp bản đồ và đánh giá EV của eBattery dựa trên dữ liệu này cũng được liên kết chính xác. Lý do của đề xuất làm rõ dữ liệu nào được sử dụng và sử dụng như thế nào.

6.7 Lập kế hoạch chuyến đi bằng AI — Nhóm địa điểm ứng viên, phân cụm, ngân sách thời gian, tích hợp sạc

6.7.1 Từ kế hoạch di chuyển đến trải nghiệm hằng ngày

Lập kế hoạch du lịch sắp xếp thời gian người dùng sẽ ở lại một khu vực nhất định. Mục tiêu là biến các địa điểm thú vị thành một lịch trình phù hợp với thời gian, sở thích của người dùng và nhu cầu năng lượng của xe.

Khi người dùng nói “Tôi sẽ ở Cappadocia hai ngày, ưu tiên thiên nhiên và lịch sử”, hệ thống đánh giá cùng lúc khu vực, thời lượng chuyến đi và các ưu tiên. Điểm xuất phát, nhịp độ mỗi ngày và những nơi người dùng đặc biệt muốn xem (nếu có) được thêm vào kế hoạch.

Lịch trình thu được cung cấp một cấu trúc chuyến đi chia theo ngày và có thể chỉnh sửa.

6.7.2 Xây dựng danh sách địa điểm ứng viên

Bước đầu tiên là xác định các địa điểm tham quan phù hợp trong khu vực. Danh sách ứng viên có thể gồm các khu văn hóa, bảo tàng, khu thiên nhiên, điểm ăn uống và điểm nghỉ chân.

Tùy theo phạm vi của nguồn, thông tin được xem xét bao gồm vị trí, danh mục, thời lượng tham quan, giờ mở cửa và đánh giá của người dùng.

Chỉ riêng độ phổ biến cao không phải là lý do để chọn. Nếu một địa điểm không phù hợp với sở thích của người dùng, quá xa lịch trình hằng ngày hoặc không đủ thời gian để ghé thăm, địa điểm đó có thể được ưu tiên thấp hơn.

Phần thuyết minh nội dung được gắn với bản ghi của các địa điểm đã chọn. Những thông tin có thể thay đổi, chẳng hạn giờ mở cửa hoặc điều kiện vào cửa, không được tạo ra từ kiến thức chung của mô hình ngôn ngữ như thể đó là dữ liệu mới nhất.

6.7.3 Phân cụm địa lý và mối quan hệ giao thông

Các địa điểm ứng viên được đánh giá về mối quan hệ địa lý và giao thông trước khi lịch trình hằng ngày được xây dựng. Mục tiêu là giảm những lượt đi về không cần thiết trong cùng một ngày.

Hai điểm trông gần nhau trên bản đồ có thể không cách nhau một quãng di chuyển ngắn. Kết nối đường bộ, điểm giao cắt và địa lý của khu vực quyết định mô hình di chuyển thực tế. Vì vậy, việc nhóm theo ngày không chỉ dựa trên khoảng cách đường thẳng.

Chẳng hạn, trong khi lịch trình của một ngày được xây dựng từ các điểm tham quan trong cùng khu vực, một điểm dừng ở xa hơn có thể được chuyển sang ngày khác. Nhờ vậy người dùng có thể dành nhiều thời gian hơn cho việc tham quan thay vì di chuyển.

Khi người dùng ưu tiên một thứ tự nhất định, lựa chọn này được giữ nguyên; hệ thống điều chỉnh phần kế hoạch còn lại cho phù hợp với thứ tự đó.

6.7.4 Lập ngân sách thời gian: Một lịch trình hằng ngày thực tế

Tính khả thi của kế hoạch hằng ngày phụ thuộc vào thời gian di chuyển và nghỉ ngơi, cùng với tổng thời gian tham quan.

Ngân sách thời gian của một ngày gồm các thành phần sau:

  • Việc di chuyển giữa các điểm.

  • Thời gian ghé thăm dành cho mỗi địa điểm.

  • Nghỉ ăn và nghỉ ngơi.

  • Các điểm dừng sạc cần thiết.

  • Khoảng thời gian hợp lý cho việc đỗ xe, tiếp cận và các chuyển tiếp tương tự.

Nếu chỉ xếp vào lịch trình chuyến đi sáu giờ của người dùng những điểm dừng có tổng thời gian tham quan là sáu giờ, sẽ không còn thời gian để di chuyển. eBattery AI xây dựng kế hoạch trong khung thời gian tổng của cả ngày.

Giá trị của chương trình không được đo bằng việc liệt kê càng nhiều địa điểm càng tốt. Điều quan trọng là có thể thực hiện theo nhịp độ mà người dùng chọn và chừa chỗ cho những thay đổi.

6.7.5 Sắp xếp việc sạc vào lịch trình hằng ngày

Các điểm dừng sạc được xem xét cùng với nhu cầu năng lượng khi tạo kế hoạch chuyến đi. Chúng không được coi là một nhu cầu độc lập được thêm vào cuối ngày.

Nếu một bữa ăn nghỉ có thể được ghép với một điểm sạc phù hợp, hai hoạt động có thể diễn ra trong cùng một khung thời gian. Chẳng hạn, một bữa ăn nghỉ 40 phút và một lần sạc 25 phút bắt đầu cùng nơi và cùng lúc, trong điều kiện phù hợp, không đòi hỏi tổng cộng 65 phút dừng thêm. Kế hoạch đánh giá các khoảng thời gian chồng lấp cùng nhau.

Trong việc ghép nối này, khả năng tiếp cận thực tế của trạm, điều kiện vận hành, bố trí bãi đỗ và sở thích của người dùng đều quan trọng. Một trạm trông có vẻ gần nhà hàng trên bản đồ không mặc nhiên được coi là lựa chọn nghỉ chân phù hợp trong mọi trường hợp.

Với các chuyến đi kéo dài nhiều ngày, phép tính năng lượng tiếp tục giữa các ngày. Mức pin lúc bắt đầu của ngày hôm sau được liên kết với điểm kết thúc theo kế hoạch của ngày trước. Việc sạc qua đêm chỉ được tính đến khi có trong kế hoạch của người dùng và được cơ sở liên quan hỗ trợ.

6.7.6 Bản mô tả chuyến đi có thể chỉnh sửa

Lịch trình đã tính được trình bày dưới dạng các điểm dừng chia theo ngày, kèm phần giải thích bằng ngôn ngữ tự nhiên. Người dùng có thể xem ngày nào sẽ tham quan khu vực nào, việc sạc được bố trí ở đâu và phân bổ thời gian gần đúng trong ngày.

Những yêu cầu như “Làm ngày thứ hai thư thả hơn”, “Bỏ bảo tàng đi” hay “Buổi chiều tôi muốn ở gần thiên nhiên” giúp bạn chỉnh sửa kế hoạch.

Sau khi có thay đổi, các ngày và đoạn tuyến bị ảnh hưởng được đánh giá lại. Phần mô tả chuyến đi cũng thay đổi theo kế hoạch đã cập nhật; nguyên tắc là không để xảy ra mâu thuẫn giữa mô tả cũ và danh sách điểm dừng mới.

Cấu trúc tập trung vào thành phố và khu vực này là nền tảng cho việc lập kế hoạch dài hạn, quy mô toàn quốc rộng hơn ở các giai đoạn sau.

6.8 Phân tích hiệu quả

6.8.1 Làm cho dữ liệu có ý nghĩa từ góc nhìn của người lái xe

Phân tích hiệu quả giúp người dùng đánh giá các bản ghi năng lượng và chuyến đi của mình rõ ràng hơn.

Nếu dữ liệu truy cập được đủ, có thể so sánh mức tiêu thụ, quãng đường, chi tiêu sạc và các giá trị kế hoạch so với thực tế ở các kỳ khác nhau. AI giải thích sự thay đổi trong các con số và chỉ ra những bản ghi mà người dùng có thể thấy hữu ích khi xem lại.

Phạm vi của phân tích phụ thuộc vào dữ liệu được sử dụng. Thông tin thu được qua kết nối với xe, bản ghi phiên hoặc đăng nhập của người dùng được tách biệt với các ước tính chỉ tính toán từ lộ trình.

6.8.2 Mức tiêu thụ đo được và ước tính được tính toán

Khi đánh giá mức tiêu thụ, năng lượng và quãng đường phải thuộc cùng một kỳ, cùng một xe và dùng một phương pháp đo nhất quán.

Nếu biết tổng năng lượng và tổng quãng đường, cách tính mức tiêu thụ cơ bản như sau:

Mức tiêu thụ trung bình = Tổng năng lượng khi lái xe / Tổng quãng đường × 100

Việc đơn giản cộng các giá trị tiêu thụ của những chuyến đi có độ dài khác nhau rồi chia cho số chuyến có thể không cho ra mức trung bình đúng của kỳ. Tính theo tổng năng lượng và quãng đường sẽ giữ được trọng số của các chuyến đi ngắn và dài.

Năng lượng mua trong lúc sạc cũng không phải lúc nào cũng bằng năng lượng tiêu thụ khi lái xe trong cùng kỳ. Mức pin đầu kỳ và cuối kỳ, tổn thất khi sạc và phạm vi ghi nhận đều ảnh hưởng đến mối quan hệ này.

Vì vậy, eBattery xử lý chi tiêu sạc, năng lượng đã mua và mức tiêu thụ khi lái xe như những khái niệm có ý nghĩa riêng biệt.

6.8.3 Cho thấy sự thay đổi và giải thích nguyên nhân bằng dữ liệu

Để minh họa, giả sử mức tiêu thụ trung bình tăng từ 18 kWh/100 km lên 19,8 kWh/100 km giữa hai kỳ có thể so sánh. Thay đổi này có nghĩa là mức tiêu thụ tăng 10%.

Tuy nhiên, chỉ riêng kết quả này không cho biết nguyên nhân của mức tăng. Lộ trình, tốc độ, điều kiện thời tiết, tải trọng hoặc cấu trúc chuyến đi có thể đã thay đổi.

Đánh giá của AI chỉ dừng ở mức dữ liệu hỗ trợ. Nếu chỉ có bản ghi mức tiêu thụ và quãng đường, AI có thể nói “Mức tiêu thụ của bạn đã tăng”; để kết luận rằng một hành vi cụ thể như phanh gấp hay dùng điều hòa là nguyên nhân thì cần có các phép đo liên quan.

Khi không có dữ liệu trực tiếp từ xe, tình trạng pin sẽ không được trình bày như thể đã được đo. Phân tích chi tiết hành vi lái xe sẽ mở rộng cùng các tích hợp cung cấp đủ dữ liệu để đánh giá những hành vi này.

6.8.4 Xây dựng thói quen sử dụng có thể so sánh

Mục đích của màn hình hiệu suất là giúp người dùng dễ hiểu việc sử dụng của chính mình theo thời gian.

Việc so sánh các tuyến đường tương tự, xem xét chi phí sạc tại các trạm khác nhau và thấy được chênh lệch giữa thời gian dự kiến và thời gian thực tế hỗ trợ cho cách hiểu này.

Gợi ý của trợ lý cụ thể và có chừng mực. Thay vì hứa với người dùng một tỷ lệ tiết kiệm chưa được xác minh, trợ lý giải thích dữ liệu nào đã thay đổi và cần xem xét những điều kiện nào để có sự so sánh có ý nghĩa hơn.

6.9 Thẻ kết quả và Deep Linking

6.9.1 Biến cuộc trò chuyện thành kết quả có thể dùng trong ứng dụng

Tuyến đường, chuyến đi hoặc gợi ý trạm sạc được tạo trong AI Chat được trình bày bằng các thẻ kết quả. Các thẻ giúp người dùng nhanh chóng xem thông tin quan trọng và chuyển sang mô-đun liên quan.

Loại thẻ Nội dung cốt lõi của thẻ Màn hình liên quan
Thẻ lộ trình Điểm xuất phát, điểm đến, tóm tắt lộ trình, thời gian ước tính và các điểm dừng sạc Lập lộ trình
Thẻ chuyến đi Khu vực, số ngày và tóm tắt lịch trình hằng ngày Lập kế hoạch chuyến đi
Thẻ trạm sạc Vị trí, khả năng tương thích, công suất và các thông tin hiện hành có thể truy cập Chi tiết trạm
Thẻ hiệu suất Kỳ, các chỉ báo chính và tóm tắt đánh giá Hiệu suất

Mục đích của thẻ không phải là nhồi nhét mọi chi tiết vào một không gian nhỏ. Thẻ cung cấp đủ thông tin để người dùng nhận ra kết quả và chọn thao tác tiếp theo.

6.9.2 Mở cùng một kế hoạch bằng deep linking

Deep linking giúp thẻ kết quả đưa người dùng đến đúng nội dung trên màn hình liên quan.

Khi người dùng mở một tuyến đường đã tạo trong cuộc trò chuyện, họ sẽ không gặp một biểu mẫu tuyến đường trống. Điểm xuất phát và điểm đến đã chọn, phương tiện, các điểm dừng giữa đường và các thông tin khác của kế hoạch đều hiển thị trên màn hình tương ứng.

Mối liên hệ này cũng được giữ nguyên trên các thẻ chuyến đi và thẻ trạm. Nhờ đó, màn hình trò chuyện, bản đồ và lập kế hoạch trở thành những góc nhìn khác nhau của cùng một thao tác.

Về mặt kỹ thuật, thẻ được liên kết với bản ghi liên quan và phiên bản kế hoạch. Khi người dùng thay đổi kế hoạch, vẫn luôn rõ kết quả nào là mới nhất.

6.9.3 Thao tác nhanh phù hợp với ngữ cảnh

Tùy theo kết quả, các thao tác như “Bắt đầu tuyến đường”, “Đến trạm”, “Lưu”, “Chia sẻ” hoặc “Thêm vào Yêu thích” sẽ được đề xuất.

Không phải thẻ nào cũng cần hiển thị tất cả thao tác. Các thao tác được chọn theo kết quả mà người dùng đang tạo ra ở thời điểm đó.

Các thẻ có thể chia sẻ cũng được xử lý cùng với phạm vi nội dung của chúng. Các thông tin như địa chỉ nhà hoặc điểm xuất phát cá nhân của người dùng không được coi là một phần tự nhiên hay bắt buộc của việc chia sẻ. Người dùng phải thấy được mình đang chia sẻ nội dung gì.

6.10 Gợi ý chủ động và thông báo

6.10.1 Cung cấp hỗ trợ có ý nghĩa khi nhu cầu phát sinh

Khi có dữ liệu liên quan, eBattery AI cũng có thể làm nổi bật những thay đổi quan trọng mà người dùng không cần hỏi.

Trong phạm vi này có việc trạng thái trạm thay đổi trong chuyến đi đang diễn ra, tác động giao thông đáng kể, hoặc việc đánh giá lại kế hoạch sạc dựa trên thông tin pin được cập nhật.

Mục đích của hỗ trợ chủ động là giúp người dùng đúng lúc. Không phải mọi thay đổi dữ liệu đều tạo ra thông báo; hệ thống đánh giá mức độ liên quan của thông tin với hành trình hiện tại và việc nó có cần hành động hay không.

6.10.2 Đánh giá thông báo cùng với dữ liệu làm cơ sở

Ý nghĩa của cảnh báo pin yếu phụ thuộc vào nguồn của dữ liệu.

Nếu có thể lấy mức pin hiện tại từ xe, giá trị đo được sẽ được sử dụng. Nếu người dùng nhập thủ công lúc bắt đầu, giá trị được tính trong suốt chuyến đi chỉ mang tính ước tính. Cách diễn đạt của thông báo giữ nguyên sự khác biệt này.

Tương tự, để đưa ra gợi ý về lợi thế giá của một trạm sạc yêu thích, cần biết biểu giá hiện hành và các điều kiện áp dụng cho người dùng. Còn nhắc nhở bảo dưỡng được gắn với một ngày do người dùng lưu hoặc với một nguồn dữ liệu phù hợp.

Cách tiếp cận này giúp các gợi ý chủ động luôn nhất quán với phạm vi dữ liệu hiện có.

6.10.3 Tần suất thông báo và tùy chọn của người dùng

Thông báo được quản lý theo mức độ quan trọng và bối cảnh. Một thay đổi ảnh hưởng đến tính khả thi của hành trình đang diễn ra không có cùng mức ưu tiên với một gợi ý sử dụng chung.

Người dùng có thể quản lý tùy chọn thông báo. Giảm các tin nhắn lặp lại cho cùng một sự kiện, không hiển thị những thông báo đã hết hiệu lực và hướng đề xuất đến đúng gói là một phần của trải nghiệm.

Các chức năng vị trí và chạy nền hoạt động theo quyền của người dùng và trong phạm vi điều kiện hoạt động của hệ điều hành di động. Thông tin hiển thị trong chuyến đi được giữ ngắn gọn và hướng đến hành động; có thể xem chi tiết trên màn hình liên quan.

6.11 Độ tin cậy và xử lý lỗi

6.11.1 Làm rõ bản chất của thông tin

Cách tiếp cận về sự tin cậy của eBattery AI được xây dựng trên việc cho phép người dùng hiểu kết quả dựa trên thông tin nào.

Mức pin do người dùng nhập, trạng thái ổ cắm lấy từ nhà vận hành, ước tính thời gian của dịch vụ bản đồ và phần giải thích của AI là các loại thông tin khác nhau. Sự phân biệt này giúp đánh giá đúng đề xuất.

Các hệ thống AI tạo sinh có thể trình bày thông tin không có căn cứ bằng giọng văn thuyết phục. Hồ sơ rủi ro AI tạo sinh của NIST cũng đề cập đến hành vi này. Cách tiếp cận tính toán và xác minh dựa trên dữ liệu của eBattery được thiết kế để giảm tác động của những sai sót như vậy lên các quyết định trong ứng dụng.

Cách tiếp cận này đặc biệt quan trọng với vị trí, trạng thái trạm sạc, giá và tính toán năng lượng. Một lời giải thích trôi chảy không được dùng thay cho dữ liệu đã xác minh.

6.11.2 Hành xử rõ ràng và nhất quán khi thiếu dữ liệu

Việc một nguồn dữ liệu không phản hồi không có nghĩa là mọi chức năng của ứng dụng phải dừng cùng lúc. Hệ thống đánh giá có thể đưa ra kết quả nào với dữ liệu hiện có.

Ví dụ, nếu có vị trí và thông tin ổ cắm của trạm nhưng không lấy được trạng thái trực tiếp, việc khám phá trạm vẫn có thể tiếp tục, còn tình trạng sẵn sàng được hiển thị là không xác định.

Tương tự, khi mô hình ngôn ngữ tạm thời không thể phản hồi, kết quả lộ trình hợp lệ nhận từ dịch vụ tính toán được phân tích để có thể trình bày bằng một thẻ tiêu chuẩn và phần giải thích ngắn.

Khi dùng dữ liệu đã biết gần nhất, tính cập nhật vẫn được giữ nguyên. Trạng thái cũ hiển thị từ bộ nhớ đệm không được trình bày như thông tin trực tiếp vừa nhận.

6.11.3 Ủy quyền, quyền riêng tư và an toàn nội dung bên ngoài

Dữ liệu mà lớp AI cần được giới hạn trong phạm vi của tác vụ cần thực hiện. Để giải thích vì sao một trạm được đề xuất, không cần chuyển toàn bộ lịch sử tin nhắn hay thông tin thanh toán của người dùng cho mô hình.

Vị trí, kế hoạch di chuyển và tùy chọn của người dùng được xử lý dưới sự kiểm soát truy cập. Quyền thực hiện giao dịch của ứng dụng được xác minh độc lập với việc mô hình ngôn ngữ tạo văn bản tự do.

Các mô tả đến từ nguồn bên ngoài và đánh giá của người dùng cũng được xử lý như dữ liệu. Một trong những nguyên tắc bảo mật của kiến trúc là không cho phép các chỉ dẫn có thể xuất hiện trong những nội dung này làm thay đổi quy tắc giao dịch của ứng dụng.

Trong các luồng giao dịch tương lai như thanh toán hay đặt chỗ, đề xuất của AI và việc thực hiện giao dịch cũng là những bước riêng biệt. Phạm vi của giao dịch được hiển thị cho người dùng và luồng xác nhận liên quan được giữ nguyên.

6.11.4 Học hỏi từ sai sót một cách có thể đo lường

Độ tin cậy đòi hỏi phải đánh giá thường xuyên các kịch bản sử dụng thực tế.

Những tình huống như trạm không tương thích với xe, thiếu giá, dữ liệu pin thay đổi, mất kết nối hoặc yêu cầu lộ trình cũ hoàn tất muộn là các kịch bản kiểm thử xác định hệ thống cần xử lý như thế nào.

Phản hồi của người dùng cũng góp phần vào quá trình này. Một lựa chọn dựa trên thông tin trạm sai và một lựa chọn không đáp ứng kỳ vọng không phải là cùng một loại lỗi. Việc đối chiếu phản hồi với dữ liệu và bước quyết định liên quan giúp cải thiện đúng thành phần.

Cách tiếp cận về độ tin cậy vượt ra ngoài việc chỉ đếm kết quả là "thành công" hay "thất bại"; nó dựa trên việc hiểu nguồn gốc của lỗi và tác động của lỗi đó đến người dùng.

6.12 Hạ tầng độc lập với mô hình và các mục tiêu hiệu năng

6.12.1 Giữ logic sản phẩm độc lập với nhà cung cấp mô hình

Hạ tầng của eBattery AI dựa trên cách tiếp cận không gắn các chức năng cốt lõi của sản phẩm với tính năng của một mô hình ngôn ngữ duy nhất.

Hồ sơ xe, dữ liệu trạm, tính toán lộ trình và tùy chọn của người dùng được quản lý trong các dịch vụ riêng của ứng dụng. Các mô hình ngôn ngữ kết nối với những dịch vụ này thông qua các tác vụ và hợp đồng dữ liệu đã được định nghĩa.

Cấu trúc này cho phép đánh giá các họ mô hình khác nhau như GPT và Gemini, hoặc các lựa chọn thay thế sẽ được phát triển trong tương lai. Việc thay đổi mô hình không nên đòi hỏi phải viết lại các quy tắc cốt lõi như khả năng tương thích giữa xe và trạm sạc.

Việc chọn mô hình dựa trên chất lượng ngôn ngữ, độ chính xác của đầu ra có cấu trúc, mức độ hoàn thành tác vụ, độ trễ, chi phí và điều kiện xử lý dữ liệu. Tên nhà cung cấp không được dùng riêng lẻ làm thước đo chất lượng sản phẩm.

6.12.2 Sử dụng mô hình và dịch vụ phù hợp với tác vụ

Không phải mọi yêu cầu của người dùng đều đòi hỏi cùng một khối lượng xử lý. Một phân loại ý định ngắn và một bài mô tả chuyến đi chi tiết có những nhu cầu khác nhau.

Hạ tầng được thiết kế để có thể điều hướng tác vụ theo sự khác biệt này. Những việc mà các dịch vụ tính toán có thể giải quyết trực tiếp sẽ được thực hiện trong các dịch vụ đó; với các bước cần diễn giải và trình bày bằng ngôn ngữ tự nhiên, mô hình phù hợp sẽ được sử dụng.

Cách tiếp cận kiến trúc hỗ trợ hiệu năng bao gồm các yếu tố sau:

  • Chạy đồng thời các lệnh gọi dữ liệu độc lập với nhau khi phù hợp.

  • Lưu đệm có kiểm soát đối với thông tin xe thay đổi chậm hơn.

  • Áp dụng quy tắc về độ mới đối với dữ liệu biến động như tình trạng trống và giá.

  • Hủy các tài khoản không hợp lệ khi yêu cầu của người dùng thay đổi.

  • Chạy các tác vụ dài ở chế độ nền mà không chặn giao diện.

  • Trình bày theo từng giai đoạn các phần đã sẵn sàng của kết quả, đồng thời giữ nguyên tính toàn vẹn.

Các dịch vụ bản đồ và giao thông cũng có sự đánh đổi giữa thời gian phản hồi và mức độ chi tiết của phép tính. Google Routes API định nghĩa các tùy chọn khác nhau để đánh giá giao thông và giải thích rằng tìm kiếm toàn diện hơn có thể gây độ trễ cao hơn. Cách tiếp cận hiệu năng của eBattery đánh giá hành vi của các dịch vụ bên ngoài như vậy trong tổng thể trải nghiệm người dùng.

6.12.3 Xác định mục tiêu hiệu suất

Trong eBattery AI, hiệu suất được đánh giá qua trải nghiệm từ lúc người dùng gửi yêu cầu đến lúc nhận được kết quả dùng được.

Thời điểm bắt đầu phản hồi đầu tiên và thời điểm hoàn tất kế hoạch tuyến đường là hai chỉ số đo khác nhau. Việc hiển thị hiệu ứng tải không được coi là tương đương với việc bắt đầu một phản hồi AI có ý nghĩa.

Khu vực hiệu suất Mục tiêu thiết kế Cách tiếp cận đo lường
AI bắt đầu phản hồi Bắt đầu luồng phản hồi có ý nghĩa đầu tiên trong vòng dưới 2 giây trong điều kiện tiêu chuẩn Khoảng thời gian từ lúc gửi yêu cầu đến khi người dùng thấy nội dung có ý nghĩa đầu tiên
Tạo lộ trình tiêu chuẩn Đưa ra kết quả tuyến đường dùng được trong vòng dưới 5 giây khi có thể ở các kịch bản điển hình được hỗ trợ Thời gian từ khi gửi yêu cầu đến khi tuyến đường và kế hoạch sạc cơ bản sẵn sàng
Chuyển màn hình Giữ sự tương tác và độ mượt mà trong khi phép tính đang chạy Chậm khởi động và giao diện bị treo
Tính toán lại Phản ánh kịp thời những thay đổi quan trọng vào kế hoạch Thời gian từ khi nhận bản cập nhật đến khi tùy chọn mới sẵn sàng
Kế hoạch hành trình phức tạp Đưa ra kết quả theo từng giai đoạn bằng cách giữ tiến độ luôn hiển thị Thời gian có kết quả dùng được đầu tiên và hoàn tất kế hoạch

Các giá trị này là mục tiêu kỹ thuật. Kết quả thực tế được đo theo điều kiện mạng, nhà cung cấp dữ liệu, độ dài lộ trình, số điểm dừng và độ phức tạp của kế hoạch.

Một giá trị trung bình duy nhất không mô tả được toàn bộ trải nghiệm. Bên cạnh trải nghiệm người dùng điển hình, các chỉ số như trung vị và phân vị thứ 95 cũng được theo dõi để nhìn thấy những yêu cầu chậm hơn. Nhờ vậy, khoảng cách giữa việc hệ thống chạy nhanh với đa số người dùng và việc một số người dùng phải chờ lâu trở nên rõ ràng.

6.12.4 Đo độ chính xác và khả năng sử dụng cùng với tốc độ

Việc đánh giá hiệu suất bao gồm cả chất lượng của kết quả bên cạnh thời gian phản hồi.

Các lĩnh vực đánh giá chính gồm:

  • Độ chính xác khi chọn các trạm tương thích với xe.

  • Tính nhất quán của các phép tính năng lượng và phần trăm pin.

  • Tuân thủ thứ tự điểm dừng do người dùng đặt.

  • Giữ sự phân biệt giữa dữ liệu hiện tại và dữ liệu cũ.

  • Văn bản mô tả khớp với các giá trị trên thẻ kết quả.

  • Thẻ kết quả mở đúng gói và đúng màn hình.

  • Áp dụng các thay đổi của người dùng vào đúng phiên bản.

  • Hiểu nhất quán cùng một yêu cầu bằng nhiều ngôn ngữ khác nhau.

Khi có dữ liệu thực tế, thời gian đến dự kiến được so sánh với kết quả quan sát về mức tiêu thụ và thời gian sạc. Những so sánh này cho thấy cần cải thiện ở khu vực, hồ sơ xe hoặc điều kiện sử dụng nào.

Các bản cập nhật mô hình cũng được xử lý với cùng kỷ luật đánh giá. Một mô hình mới nói trôi chảy hơn không có nghĩa là chính xác hơn trong việc giải thích lộ trình. Hiệu quả trong các tác vụ hiện có, kết quả có cấu trúc và mức độ nhất quán với các hành động trong ứng dụng được xem xét cùng nhau.

6.12.5 Nền tảng chung cho các khả năng đang mở rộng

Cấu trúc không phụ thuộc vào mô hình giúp eBattery AI mở rộng với dữ liệu và dịch vụ mới khi sản phẩm phát triển.

Dữ liệu xe trực tiếp, việc đưa điều kiện thời tiết vào mô hình năng lượng, các đề xuất học từ sở thích người dùng và kế hoạch chuyến đi có phạm vi địa lý rộng hơn đều được gắn với cùng một cấu trúc tính toán và ngữ cảnh.

Khi sạc–thanh toán, EV Market, hỗ trợ sạc di động và các dịch vụ khác đi vào hoạt động, các tác vụ mà trợ lý có thể hướng dẫn cũng được mở rộng. Mỗi chức năng mới được xử lý cùng với phạm vi thực tế, dữ liệu và sự chấp thuận của người dùng đối với dịch vụ liên quan.

Trong suốt quá trình phát triển này, mối quan hệ giữa trợ lý và người dùng được giữ nguyên: hiểu nhu cầu, sử dụng dữ liệu phù hợp, giải thích hệ quả của các lựa chọn và giúp thao tác người dùng đã chọn dễ thực hiện hơn ngay trong ứng dụng.

Tìm kiếm trên eBattery

Tìm một tính năng, hướng dẫn hoặc chủ đề.

Điểm xuất phátTìm trạm sạc →Dự án RWA mẫu →Hướng dẫn và tin tức →