आपके ऑपरेशन के हर मोड़ पर काम करने वाली आर्टिफ़िशियल इंटेलिजेंस

यह दस्तावेज़ पढ़ता है, फ़ील्ड भरता है, टैरिफ़ और शुल्क खोजता है, और इनवॉइस पढ़ता है — AI हर चरण पर काम करता है।

AI आपके फ़्रेट दस्तावेज़ पढ़कर फ़ील्ड भर देता है — 98.6% सटीकता

36 भाषाओं में दस्तावेज़ों और संदेशों का ऑटोमैटिक अनुवाद

फ़ोटो से फ़ॉर्म ऑटो-फ़िल, टैरिफ़ खोज और इनवॉइस रीडिंग

सिस्टम आपके दस्तावेज़ पढ़ता है — आपको एक बार भी डेटा दर्ज नहीं करना पड़ता

AI आपके CMR, इनवॉइस, T1/T2, पैकिंग लिस्ट और बिल ऑफ़ लैडिंग पढ़ता है; HS कोड, वज़न और शिपर जैसे फ़ील्ड कॉन्फ़िडेंस स्कोर के साथ निकालता है और फ़ॉर्म खुद भर देता है।

डेटा खुद टाइप करने की ज़रूरत कभी नहीं।

प्रोडक्ट की फ़ोटो लें, कैटलॉग खुद भर जाएगा

AI प्रोडक्ट या पैलेट की फ़ोटो का विश्लेषण करता है और नाम, कैटेगरी, ब्रांड और माप जैसे कैटलॉग फ़ील्ड अपने-आप सुझाता है — आप सेकंडों में स्टॉक रिकॉर्ड खोल लेते हैं।

सुझाव बदले जा सकते हैं; आपकी मंज़ूरी के बाद ही सेव होते हैं।

AI आपके दस्तावेज़ों के बीच बेमेल पकड़ता है

यह CMR, इनवॉइस और पैकिंग लिस्ट में पैकेज की संख्या, वज़न और पक्षों के नामों की तुलना करता है; बेमेल चिह्नित करता है, दस्तावेज़ का प्रकार सत्यापित करता है और अमान्य फ़ाइलों के बारे में आपको चेतावनी देता है।

AI वे अंतर पकड़ता है जो इंसानी नज़र से छूट जाते हैं।

AI जो आपके ऑपरेशन के हर मोड़ तक पहुँचता है

कोई एक असिस्टेंट नहीं, बल्कि एक AI लेयर जो दस्तावेज़, टैरिफ़, कैटलॉग, जाँच और इनवॉइस — सब पर काम करती है।

टैरिफ़ और एंटी-डंपिंग परिणाम केवल जानकारी के लिए हैं।

• दस्तावेज़ रीडिंग और फ़ील्ड एक्सट्रैक्शन — CMR, इनवॉइस, T1/T2, पैकिंग लिस्ट और बिल ऑफ़ लैडिंग पढ़ता है; कॉन्फ़िडेंस स्कोर के साथ फ़ील्ड भरता है।
• 36 भाषाओं में अनुवाद — 36 भाषाओं में दस्तावेज़ों और संदेशों का अपने-आप अनुवाद करता है, ताकि आप अपनी भाषा में पत्राचार कर सकें।
• फ़ोटो से फ़ॉर्म ऑटो-फ़िल — प्रोडक्ट या पैलेट की फ़ोटो से कैटलॉग फ़ील्ड अपने-आप सुझाता है; वे आपकी मंज़ूरी से सेव होते हैं।
• टैरिफ़ और एंटी-डंपिंग खोज — HS कोड, आयात शुल्क और लागू एंटी-डंपिंग उपाय TR/UK/EU/US के आधिकारिक स्रोतों से लाता है, और जहाँ ज़रूरत हो वहाँ AI की मदद लेता है।
• कंसिस्टेंसी जाँच — दस्तावेज़ों के बीच पैकेज की संख्या, वज़न और पक्षों के नामों में बेमेल पकड़ता है; दस्तावेज़ का प्रकार सत्यापित करता है और अमान्य फ़ाइलों को चिह्नित करता है।
• फ़्रेट इनवॉइस रीडिंग — AI आने वाले फ़्रेट इनवॉइस को पढ़कर कुल राशि और बिल किए गए पक्ष को निकालता है और उन्हें शिपमेंट रिकॉर्ड से जोड़ देता है।

अपना ऑपरेशन AI के साथ चलाएँ

दस्तावेज़ रीडिंग, अनुवाद, टैरिफ़, कंसिस्टेंसी और इनवॉइस रीडिंग — सब एक ही कोर पर, पहले दिन से।

लॉजिस्टिक्स और सप्लाई चेन के लिए AI सॉफ़्टवेयर असल में क्या करता है?

लॉजिस्टिक्स में चार AI क्षमताएँ परिपक्व हो चुकी हैं: दस्तावेज़ों से फ़ील्ड निकालना, दस्तावेज़ों का आपस में मिलान करना, बहुभाषी अनुवाद, और फ़ोटो को स्ट्रक्चर्ड डेटा में बदलना। पाँच अभी विकसित हो रही हैं: टैरिफ़ वर्गीकरण में सहायता, डैमेज का आकलन, खर्च की रसीदें दर्ज करना, ETA, और फ़्री टेक्स्ट से रिकॉर्ड बनाना। यह सब डेटा एंट्री और जाँच का काम है। वर्गीकरण, डिक्लेरेशन या प्राइसिंग का फ़ैसला यह नहीं करता; इसका आउटपुट संभाव्य (probabilistic) होता है और उसे इंसानी मंज़ूरी चाहिए। इसका मूल्य फ़ीचर लिस्ट से नहीं, इस बात से तय होता है कि जिस मैनुअल चरण की यह जगह लेता है, वह कितनी बार दोहराया जाता है।

आज लॉजिस्टिक्स में AI असल में जो करता है, वह नौ क्षमताओं में बँटता है: चार परिपक्व हैं, पाँच अभी विकसित हो रही हैं। परिपक्व क्षमताओं को आउटपुट का उसके स्रोत से मिलान करके सेकंडों में जाँचा जा सकता है: दस्तावेज़ों से फ़ील्ड निकालना, दस्तावेज़ों को आपस में मिलाकर अंतर चिह्नित करना, पत्राचार और कागज़ात का अनुवाद, और फ़ोटो को स्ट्रक्चर्ड डेटा में बदलना। विकसित हो रही क्षमताओं को या तो विवेकपूर्ण निर्णय चाहिए, या वे बाहरी परिस्थितियों पर या यार्ड के अनुशासन पर निर्भर हैं: टैरिफ़ वर्गीकरण में सहायता, उपकरण के डैमेज का आकलन, खर्च की रसीदें दर्ज करना, अनुमानित आगमन समय (ETA), और फ़्री टेक्स्ट से रिकॉर्ड बनाना।

वे क्या नहीं करतीं, यह भी उतना ही साफ़ है। वे वर्गीकरण, डिक्लेरेशन या प्राइसिंग का फ़ैसला अपने हाथ में नहीं लेतीं; इनके साथ कानूनी ज़िम्मेदारी जुड़ी है और ये किसी व्यक्ति के पास ही रहते हैं। वे कस्टम्स की कतार, फ़ेरी की क्षमता या बॉर्डर पर होने वाली जाँच का पहले से अनुमान नहीं लगातीं। सबसे अहम बात: AI का आउटपुट एक संभावना है, निश्चितता नहीं — हर फ़ील्ड के गलत होने की कुछ न कुछ गुंजाइश रहती है, इसलिए अप्रूवल गेट (मंज़ूरी के चरण) के बिना बना कोई भी वर्कफ़्लो सुरक्षित नहीं है।

यह पेज नौ में से हर क्षमता को परिपक्वता का एक लेबल देता है और बताता है कि उसे कैसे मापा जाता है, वह कहाँ नाकाम होती है और उसे कौन-सा डेटा चाहिए। इसके बाद: डेमो में किसी वेंडर के “हमारे पास AI है” वाले दावे को कैसे परखें।

• लॉजिस्टिक्स में AI का असली काम भविष्यवाणी करना नहीं, पढ़ना है: कागज़ात, फ़ोटो और फ़्री टेक्स्ट से स्ट्रक्चर्ड डेटा निकालना।
• हर क्षमता को दो सवालों पर परखें — इसे कैसे मापा जाता है, और यह कहाँ गलती करती है? जिस AI दावे में इन दोनों में से किसी का भी जवाब न हो, उसे मापा नहीं जा सकता।
• सटीकता का प्रतिशत अपने-आप में कुछ नहीं कहता: पूछें कि कौन-सा दस्तावेज़ सेट था, माप फ़ील्ड-स्तर पर था या दस्तावेज़-स्तर पर, और माप किसने किया।
• डेमो वेंडर के तैयार किए गए सेट पर नहीं, अपने सबसे खराब स्कैन किए गए कागज़ात पर चलाएँ। AI ठीक वहीं नाकाम होता है।
• अगर निकाला गया डेटा बिना मंज़ूरी के रिकॉर्ड तक पहुँच जाता है, तो सिस्टम सुधार का एक छिपा हुआ बोझ पैदा कर रहा है, जो बचाया गया समय वापस खा जाता है।
• डेटा नहीं, तो AI नहीं: अधूरी हिस्ट्री, खाली बिज़नेस पार्टनर डायरेक्टरी और कम रेज़ोल्यूशन वाले स्कैन सीधे आउटपुट की गुणवत्ता गिराते हैं।

लॉजिस्टिक्स में AI असल में क्या करता है?

• दस्तावेज़ों से फ़ील्ड एक्सट्रैक्शन / दस्तावेज़ रीडिंग (परिपक्व) — दस्तावेज़ का प्रकार पहचानता है — कमर्शियल इनवॉइस, CMR कंसाइनमेंट नोट, पैकिंग लिस्ट, वाहन रजिस्ट्रेशन, पासपोर्ट — और उसकी सामग्री को स्ट्रक्चर्ड डेटा में बदलता है: पक्षों के नाम, तारीखें, पैकेजों की संख्या, ग्रॉस और नेट वज़न, राशियाँ, दस्तावेज़ नंबर, समाप्ति तिथियाँ। अच्छी तरह बने सिस्टम में निकाला गया डेटा सुझाव के रूप में फ़ॉर्म में आता है और सेव होने से पहले मंज़ूर किया जाता है। यह कोई इंडस्ट्री स्टैंडर्ड नहीं, बल्कि डिज़ाइन का एक चुनाव है, जिसके बारे में आपको वेंडर से अलग से पूछना होगा। कागज़ात पढ़कर स्क्रीन में टाइप करने का डेटा एंट्री का काम। ज़्यादातर कंपनियों में यह कोई अलग पद नहीं होता, बल्कि डिस्पैचर और बुककीपर के पूरे दिन में बिखरा हुआ बोझ होता है। दो मेट्रिक एक साथ: फ़ील्ड-स्तर की सटीकता (सही निकाले गए फ़ील्ड ÷ वे कुल फ़ील्ड जो पढ़े जाने चाहिए थे) और टच रेट (जिन दस्तावेज़ों में इंसानी सुधार की ज़रूरत पड़ी ÷ कुल दस्तावेज़)। दस्तावेज़-स्तर का आँकड़ा — यानी वे दस्तावेज़ जो बिना किसी सुधार के पास हो जाते हैं — हमेशा कम आता है, क्योंकि एक भी गलत फ़ील्ड पूरे दस्तावेज़ को फ़ेल कर देता है। हाथ से लिखी एंट्री, स्टैम्प या हस्ताक्षर के ऊपर आया टेक्स्ट, फ़ैक्स जैसी क्वालिटी या कम रेज़ोल्यूशन वाले स्कैन, तिरछे कोण से ली गई फ़ोन फ़ोटो, एक ही पेज पर ठूँसी गई कई कॉलम वाली टेबल, और पहले कभी न देखे गए टेम्पलेट। जिन लेआउट में सिस्टम फ़ील्ड का लेबल पढ़ने के बजाय पेज पर उसकी जगह (पोज़िशन) पढ़ता है, वहाँ गलतियाँ तेज़ी से बढ़ती हैं। पढ़ने योग्य रेज़ोल्यूशन वाली डिजिटल कॉपी — आदर्श रूप से मूल रूप से डिजिटल PDF — और बिना कटा हुआ पूरा पेज। सत्यापन के लिए फ़ील्ड का सिस्टम में कोई समकक्ष होना चाहिए, जैसे आपकी बिज़नेस पार्टनर डायरेक्टरी में दर्ज कंपनी का आधिकारिक नाम।
• दस्तावेज़ों के बीच कंसिस्टेंसी जाँच (परिपक्व) — एक ही शिपमेंट के दस्तावेज़ों को आपस में मिलाकर पढ़ता है और अंतर चिह्नित करता है: इनवॉइस पर लिखा वज़न बनाम पैकिंग लिस्ट पर लिखा वज़न, पैकेजों की संख्या, पक्षों के नाम, मूल देश और मूल्य। बेमेल ट्रक के निकलने या डिक्लेरेशन दाखिल होने से पहले सामने आ जाता है — बॉर्डर पर नहीं। वह व्यक्ति जो दो-तीन दस्तावेज़ साथ-साथ रखकर आँखों से उनकी तुलना करता है। व्यस्त दिनों में सबसे पहले यही काम छूटता है, और जिस दिन यह छूटता है, उसी दिन इसकी कीमत सबसे ज़्यादा चुकानी पड़ती है। कैच रेट (पहले से ज्ञात बेमेल में से कितने चिह्नित हुए) और फ़ॉल्स अलार्म दर (पूरी तरह मेल खाते सेट पर कितनी चेतावनियाँ आती हैं)। अगर दूसरी दर कभी मापी ही न जाए, तो टीम चेतावनियों को नज़रअंदाज़ करना सीख जाती है और कुछ ही हफ़्तों में यह जाँच सिर्फ़ दिखावटी रह जाती है। हर वह जगह जहाँ एक ही तथ्य अलग-अलग लेकिन जायज़ रूपों में लिखा हो: ग्रॉस बनाम नेट, अलग-अलग यूनिट, राउंड की गई राशियाँ, संक्षिप्त व्यापारिक नाम, एक ही कंपनी के दो पते। अगर कोई दस्तावेज़ कभी अपलोड ही नहीं हुआ, तो जाँच अधूरी रहती है; जब तक सिस्टम यह न कहे कि “मिलान के लिए कोई दूसरा रिकॉर्ड नहीं है”, तब तक एक खामोश कमी बनी रहती है और टीम मान लेती है कि जाँच हो चुकी है। कम से कम दो दस्तावेज़, और दोनों एक ही शिपमेंट रिकॉर्ड से जुड़े हों। किन फ़ील्ड की तुलना होगी, उनकी सूची और टॉलरेंस की सीमा — यानी कितने किलो का अंतर बिना चेतावनी के पास होगा — पहले से तय होनी चाहिए।
• टैरिफ़ वर्गीकरण में सहायता — HS और राष्ट्रीय कोड (विकासशील) — उत्पाद के विवरण और इनवॉइस की लाइन से संभावित टैरिफ़ कोड सुझाता है, मिलते-जुलते विवरणों का मिलान करता है, और उस कोड पर लागू आयात शुल्क और ट्रेड उपाय सामने लाता है। तुर्किये में राष्ट्रीय कोड GTİP है, जो अंतरराष्ट्रीय छह अंकों वाले HS कोड में आगे और राष्ट्रीय अंक जोड़ता है; दूसरे बाज़ार HS का अपने-अपने तरीके से विस्तार करते हैं। सुझाव एक शॉर्टलिस्ट होता है — कौन-सा कोड डिक्लेयर करना है, यह फ़ैसला व्यक्ति के पास ही रहता है। ट्रेड कंप्लायंस क्लर्क का टैरिफ़ शेड्यूल को लाइन-दर-लाइन खंगालना, किसी मिलते-जुलते उत्पाद के लिए पुरानी फ़ाइलें खोदना, या किसी विशेषज्ञ को ईमेल करके जवाब का इंतज़ार करना। सही कोड कितनी बार पहले सुझाव में आता है, और कितनी बार शीर्ष तीन में; रेफ़रेंस सेट के रूप में अपनी ही बंद हो चुकी पुरानी डिक्लेरेशन इस्तेमाल करें। यह भी देखें कि टूल कितनी बार साफ़-साफ़ कहता है कि वह निश्चित नहीं है — जो टूल कभी नहीं हिचकिचाता, उसे मापा नहीं जा सकता। मिश्रित सामग्री वाला माल, सेट के रूप में बिकने वाले आइटम, फ़ंक्शन के हिसाब से अलग-अलग बँटने वाले मशीन पार्ट्स, और ऐसी लाइनें जिनका व्यापारिक नाम सामान्य हो (“एक्सेसरी”, “स्पेयर पार्ट”)। छह अंकों वाले HS के नीचे के राष्ट्रीय उप-विभाजन हर देश में अलग होते हैं, इसलिए एक ही उत्पाद आयात और निर्यात में अलग-अलग कोड के तहत आ सकता है; जब सालाना अपडेट में नामावली बदलती है, तो हो सकता है कि पुरानी फ़ाइल के किसी कोड का आज कोई समकक्ष ही न हो। अगर स्क्रीन यह न दिखाए कि टूल किस साल की नामावली पढ़ रहा है, तो आप सुझाव को सत्यापित नहीं कर सकते। तकनीकी विवरण, सामग्री की संरचना, इच्छित उपयोग, मूल देश और जहाँ संभव हो, एक फ़ोटो। अगर सिर्फ़ इनवॉइस लाइन का छोटा व्यापारिक नाम दिया जाए, तो सुझावों की गुणवत्ता साफ़ तौर पर गिर जाती है।
• बहुभाषी पत्राचार और दस्तावेज़ अनुवाद (परिपक्व) — शिपमेंट से जुड़े पत्राचार और विदेशी भाषा के दस्तावेज़ों का तुरंत अनुवाद करता है; हर पक्ष अपनी भाषा में लिखता और पढ़ता है। लॉजिस्टिक्स में असली फ़ायदा शब्द-दर-शब्द अनुवाद नहीं, बल्कि यह सुनिश्चित करना है कि पते, पैकिंग नोट, भुगतान की शर्तें और डिलीवरी के निर्देश वाले वाक्य सही समझे जाएँ। ट्रांसलेशन टैब में गँवाए गए घंटे, बाहर से कराया गया अनुवाद, और “यहाँ बस एक ही व्यक्ति है जो यह भाषा जानता है” वाली अड़चन। अनुवाद को नहीं, उससे होने वाली गलतियों को मापें: गलतफ़हमी से हुई घटनाएँ (गलत पता, गलत पैकिंग, छूटी हुई डिलीवरी तारीख) और अनुवाद के इंतज़ार में फ़ाइल के रुके रहने का समय। ट्रेड स्लैंग और संक्षिप्त रूप, स्थानीय कस्टम्स शब्दावली, एक ही वाक्य में मिली दो भाषाएँ, अलग-अलग यूनिट और तारीख के फ़ॉर्मैट, और कानूनी बारीकियाँ। किसी अनुबंध या डिक्लेरेशन के टेक्स्ट का मशीन अनुवाद कोई कानूनी मान्यता नहीं रखता, और पक्षों व जगहों के नामों का गलती से अनुवाद हो जाना भी एक आम चूक है। खुद टेक्स्ट; दस्तावेज़ों के लिए पहले एक पढ़ने योग्य स्कैन। डायरेक्टरी में कंपनी, व्यक्ति और जगहों के नाम सही वर्तनी में दर्ज हों, तो नाम अनुवाद होकर बिगड़ते नहीं।
• फ़ोटो से डेटा एक्सट्रैक्शन और माप — पैलेट, माल, वाहन (परिपक्व) — प्रोडक्ट कैटेगरी, पैकेजिंग का प्रकार, लाइसेंस प्लेट या पैलेट के माप जैसे फ़ील्ड फ़ोटो से निकाले जाते हैं। अच्छी तरह बने सिस्टम में ये सुझाव के रूप में फ़ॉर्म में आते हैं और बिना मंज़ूरी के सेव नहीं होते; यह कोई स्टैंडर्ड नहीं, बल्कि डिज़ाइन का एक चुनाव है, जिसके बारे में वेंडर से अलग से पूछना चाहिए। जहाँ फ़ोन में डेप्थ सेंसर हो, वहाँ लंबाई-चौड़ाई-ऊँचाई फ़ोटो-आधारित अनुमान की तुलना में कहीं कम त्रुटि-सीमा के साथ दर्ज होती है; यह सीमा डिवाइस, दूरी और सतह के हिसाब से बदलती है, और फ़ोटो के साथ रिकॉर्ड में दर्ज रहती है। टेप से नापकर नोटबुक में लिखना, रजिस्ट्रेशन का विवरण स्क्रीन पर कॉपी करना, और खाली फ़ॉर्म से नया प्रोडक्ट बनाना। कितने सुझाए गए फ़ील्ड बिना बदलाव के मंज़ूर होते हैं, और फ़ॉर्म भरने में लगने वाले समय का अंतर। माप के लिए रेफ़रेंस वही पैलेट है जिसे टेप से नापा गया हो; विचलन सेंटीमीटर में बताया जाता है। कम रोशनी, स्ट्रेच-रैप की हुई और चमकदार सतहें, बेतरतीब ढंग से जमाया गया या किनारों से बाहर निकला लोड, पीछे दिख रहे दूसरे पैलेट, और ऐसी गहराई जो एक फ़्रेम से निकाली नहीं जा सकती। सेंसर से माप भी त्रुटि-रहित नहीं होता; चमकदार और रैप की हुई सतहों पर विचलन बढ़ जाता है। फ़ोटो से निकाला गया वॉल्यूम एक अनुमान है: वॉल्यूमेट्रिक वज़न के विवाद में कौन-सा रिकॉर्ड मान्य होगा, यह अनुबंध का विषय है — माप का तरीका पहले से लिखित में तय कर लें। पूरे लोड को फ़्रेम में लेती हुई, सामने से सीधी और पर्याप्त रोशनी में ली गई फ़ोटो। माप के लिए डेप्थ सेंसर वाला डिवाइस और पैलेट के चारों ओर घूमने लायक खाली जगह चाहिए।
• उपकरण के डैमेज और स्थिति का आकलन — हैंडओवर फ़ोटो (विकासशील) — ट्रेलर, कंटेनर या लोड के एक हाथ से दूसरे हाथ में जाते समय ली गई फ़ोटो पढ़ी जाती हैं; दिखने वाला डैमेज, गायब पार्ट्स और गंदगी चिह्नित की जाती है, और दो हैंडओवर के बीच का अंतर सामने रखा जाता है। परिणाम एक टाइमस्टैम्प वाला रिकॉर्ड होता है; ज़िम्मेदारी फ़ोटो से नहीं, बल्कि इस बात से तय होती है कि फ़ोटो किस कस्टडी विंडो में ली गई थी, यानी उस समय उपकरण किसके कब्ज़े में था। बिना किसी सबूत के डैमेज का दोष आखिरी ड्राइवर पर डाल देने की आदत, और कटौती को लेकर वह बहस जो सिर्फ़ इस पर चलती है कि किसे क्या याद है। पूरे फ़ोटो सेट वाले हैंडओवर का हिस्सा, और सबूत के साथ सुलझे डैमेज विवादों का हिस्सा। पहचान (डिटेक्शन) को अलग से मापा जाता है: ज्ञात डैमेज वाले सेट पर कैच रेट, और बिना डैमेज वाले सेट पर फ़ॉल्स अलार्म। कड़ी सीमा यह है: पुराने और नए डैमेज में भरोसेमंद ढंग से फ़र्क नहीं किया जा सकता। इसलिए सिस्टम ज़िम्मेदारी तय नहीं करता; वह समय के दो बिंदुओं के बीच का अंतर दिखाता है, और यह अंतर किसकी विंडो में आता है, इसका फ़ैसला व्यक्ति के पास रहता है। रात में या बारिश में ली गई फ़ोटो, कीचड़ से सनी सतहें, तंग कोण के कारण कभी न दिखने वाली छतें और अंडरफ़्रेम, और बंद बॉक्स बॉडी के अंदर छिपा माल पहचान को और कमज़ोर करते हैं। हर हैंडओवर पर उन्हीं कोणों से लिया गया फ़ोटो सेट, जिसमें फ़ोटो लेने का समय और लोकेशन दर्ज हो, साथ ही इस बात का रिकॉर्ड कि उस समय उपकरण किसके पास था। यह क्षमता पूरी तरह यार्ड के अनुशासन पर निर्भर है: अगर फ़ोटो ली ही नहीं गई, तो पढ़ने के लिए कोई रिकॉर्ड मौजूद नहीं होता।
• खर्च की रसीदें और लागत इनवॉइस दर्ज करना, लागत में पोस्टिंग (विकासशील) — ईंधन, टोल, पार्किंग, मरम्मत और जाँच की रसीदें पढ़ी जाती हैं; राशि, तारीख, मुद्रा, विक्रेता और लागत की कैटेगरी निकालकर यह जानकारी सही वाहन, ट्रिप या ड्राइवर खाते में पोस्ट की जाती है। पढ़ने वाला हिस्सा दस्तावेज़ एक्सट्रैक्शन जितना ही परिपक्व है; जो अभी विकसित हो रहा है, वह है रसीद को सही वाहन, सही लागत लाइन और सही विनिमय दर से जोड़ना। विदेशी मुद्रा वाली रसीद को कंपनी की घोषित दर नीति के अनुसार बदला जाता है — ज़्यादातर मामलों में खर्च वाले दिन की दर से — और इस्तेमाल की गई दर और उसका स्रोत, दोनों रिकॉर्ड में दिखने चाहिए। महीने के अंत में अकाउंट्स क्लर्क का रसीदों से भरा थैला स्प्रेडशीट में टाइप करना, और आँकड़ों को लेकर ड्राइवर से बहस। प्रति रसीद प्रोसेसिंग का समय, हाथ से सुधारे गए फ़ील्ड का हिस्सा, और महीने के क्लोज़ पर बिना मिलान वाली रसीदों की संख्या। यह भी ट्रैक करें कि प्रति वाहन कुल लागत का कितना हिस्सा कैटेगरी के हिसाब से बाँटा जा सकता है — जो बाँटा नहीं जा सकता, वह ओवरहेड में गुम हो जाता है। फीका पड़ चुका थर्मल पेपर, मुड़ी और फटी रसीदें, सिर्फ़ स्थानीय भाषा में छपे आइटम के नाम, कार्ड के आखिरी चार अंक जो पढ़े न जा सकें, एक से ज़्यादा वाहनों को कवर करने वाली एक रसीद, और ऐसा भुगतान माध्यम जिसका रसीद से अंदाज़ा ही न लगाया जा सके। अगर तारीख पढ़ी न जा सके, तो मुद्रा रूपांतरण भरोसेमंद ढंग से तय नहीं किया जा सकता। पूरी रसीद दिखाती साफ़ फ़ोटो, खर्च की तारीख, उस तारीख पर कौन-सा ड्राइवर किस वाहन के साथ था, और भुगतान का माध्यम — नकद, कंपनी कार्ड और फ़्यूल कार्ड अलग-अलग तरह से पोस्ट होते हैं — साथ ही कंपनी की दर नीति और इस्तेमाल हो रहा दर स्रोत।
• अनुमानित आगमन समय (ETA) और स्टॉप का क्रम (विकासशील) — दूरी, रूट और सड़क की स्थिति से अनुमानित आगमन समय निकाला जाता है; मल्टी-स्टॉप ट्रिप में स्टॉप सबसे कम कुल दूरी के हिसाब से क्रम में लगाए जाते हैं। इसका ज़्यादातर हिस्सा लर्निंग नहीं, कैलकुलेशन है; असली लर्निंग तब शुरू होती है जब आपकी अपनी पुरानी ट्रिप अवधियाँ और इंतज़ार के समय डेटा में आ जाते हैं। वह प्लानर जो मैप देखकर दिमाग में स्टॉप का क्रम बनाता है, और फ़ोन पर ग्राहक को दिया गया “कल शाम तक किसी समय” वाला जवाब। अनुमान की माध्य निरपेक्ष त्रुटि (mean absolute error — अनुमानित और वास्तविक आगमन के बीच का अंतर) और वादा की गई डिलीवरी विंडो का पालन। स्टॉप के क्रम के लिए पैमाना है सिस्टम के रूट और हाथ से बनाए गए रूट के कुल किलोमीटर का अंतर। कस्टम्स और बॉर्डर की कतारें, फ़ेरी के रवाना होने का समय और पूरी भरी हुई सेलिंग, हड़तालें, मौसम, कंसाइनी के बंद रहने के घंटे, और डॉक पर इंतज़ार। ज़्यादातर देरी यहीं होती है और इसका अधिकांश हिस्सा अनुमान के दायरे से बाहर रहता है। आपकी अपनी हिस्ट्री के बिना सिस्टम आपकी लेन पर इंतज़ार के असली समय कभी नहीं सीखता। सही पते और कोऑर्डिनेट, लाइव पोज़िशन फ़ीड, हर स्टॉप के खुलने और अपॉइंटमेंट के घंटे, और वाहन के प्रकार से जुड़ी पाबंदियाँ। लर्निंग के लिए उसी लेन पर पुरानी ट्रिप अवधियाँ और दर्ज किए गए वास्तविक इंतज़ार के समय चाहिए।
• फ़्री टेक्स्ट और वॉइस निर्देशों से रिकॉर्ड बनाना (विकासशील) — ऑर्डर वाला ईमेल, कोई संदेश या बोलकर दिया गया निर्देश एक स्ट्रक्चर्ड रिकॉर्ड में बदल जाता है: पक्ष, पते, लाइन आइटम, वज़न और तारीखें फ़ील्ड में आ जाते हैं। “कंसाइनी का पता बदलकर यह कर दो” या “तीसरी लाइन हटा दो” जैसा वाक्य संबंधित फ़ील्ड को अपडेट कर देता है, इसलिए जो व्यक्ति स्क्रीन नहीं जानता, वह भी काम का वर्णन करके उसे पूरा करवा सकता है। वह क्लर्क जो वही जानकारी ईमेल से फ़ॉर्म में कॉपी करता है, और वह समय जो किसी नए कर्मचारी को यह सीखने में लगता है कि कौन-सी जानकारी किस स्क्रीन पर जाती है। प्रति रिकॉर्ड भरे गए फ़ील्ड का हिस्सा, इंसानी सुधारों की संख्या, और बिना गलती के पहला रिकॉर्ड खोलने में लगने वाला समय। एक अलग पैमाने के रूप में यह ट्रैक करें कि बिना ट्रेनिंग वाला उपयोगकर्ता कितनी बार पहली ही कोशिश में अकेले काम पूरा कर लेता है। अस्पष्ट या विरोधाभासी निर्देश (“हमेशा की तरह भेज दो”), ईमेल थ्रेड में सबसे ऊपर छूटा हुआ संदर्भ, शोर-भरे केबिन में रिकॉर्ड हुआ ऑडियो, मिलते-जुलते नाम वाली दो कंपनियों या एक ही कंपनी के दो पतों में से चुनना, और ऐसी मुद्रा या डिलीवरी शर्त जो कभी बताई ही नहीं गई। अहम फ़ील्ड पर सिस्टम को अंदाज़ा लगाने के बजाय पूछना चाहिए। निर्देश का पूरा टेक्स्ट या साफ़ ऑडियो रिकॉर्डिंग, साथ में भरी हुई कंपनी, पता और प्रोडक्ट डायरेक्टरी। खाली डायरेक्टरी में एक्सट्रैक्शन के मिलान के लिए कुछ नहीं होता, और सिस्टम नए लेकिन गलत रिकॉर्ड बनाने लगता है।

डेमो में किसी वेंडर के AI दावे को कैसे परखें?

• “हमारा AI आपके कागज़ात अपने-आप पढ़ता है — डेटा एंट्री खत्म।” — एक ही सप्लायर के तीन संस्करण एक के बाद एक अपलोड करें: पुराने लेटरहेड वाला दस्तावेज़, नए लेटरहेड वाला, और मूल रूप से डिजिटल PDF। फ़ील्ड-दर-फ़ील्ड गिनें — कितने सही आए, कितने खाली रह गए, कितने गलत भरे गए। फिर गड़बड़ी की वजह अलग करें: क्या यह टेम्पलेट बदलने से हुई या स्कैन की क्वालिटी से? दोनों के समाधान अलग हैं, और वेंडर आमतौर पर सिर्फ़ दूसरे की बात करते हैं। गलत भरे गए फ़ील्ड ही खतरनाक होते हैं, क्योंकि किसी को उन्हें जाँचने की ज़रूरत महसूस नहीं होती। सिर्फ़ एक टेम्पलेट दिखाना और बाकी को “ऑनबोर्डिंग के दौरान कॉन्फ़िगर कर देंगे” कहकर टाल देना; साइन करने के बाद पता चलना कि हर नए सप्लायर का टेम्पलेट एक पेड कॉन्फ़िगरेशन का काम है; और इस बात का कोई आँकड़ा ही न होना कि टेम्पलेट बदलने पर सटीकता कितनी गिरती है।
• “हमारी दस्तावेज़ रीडिंग की सटीकता नब्बे प्रतिशत से ऊपर है।” — एक सवाल से शुरुआत करें: कौन-सा दस्तावेज़ सेट, कितने सैंपल, फ़ील्ड-स्तर या दस्तावेज़-स्तर, और माप किसने किया? फिर वही माप अपने बीस दस्तावेज़ों पर दोहराएँ और दो अलग आँकड़े निकालें — फ़ील्ड-स्तर और दस्तावेज़-स्तर। इन दोनों के बीच का अंतर ही सुधार का वह असली बोझ है जो आपकी टीम उठाएगी। बिना किसी परिभाषा के सिर्फ़ एक प्रतिशत, “इंडस्ट्री स्टैंडर्ड” जैसा जुमला, या अपने दस्तावेज़ों पर माप दोहराने का विरोध।
• “जब AI को पक्का पता नहीं होता, तो वह आपको बता देता है।” — जानबूझकर खराब किया गया दस्तावेज़ अपलोड करें: किसी एक फ़ील्ड पर लकीर फेर दें या आधा पेज काट दें। क्या कम कॉन्फ़िडेंस वाले फ़ील्ड स्क्रीन पर देखने में अलग दिखते हैं, या हर फ़ील्ड एक जैसा पक्का दिखता है? फिर सेव करने की कोशिश करें — क्या सिस्टम अनिश्चित फ़ील्ड को बिना मंज़ूरी के लिख देता है, या उसे इंसान के पास भेज देता है? हर फ़ील्ड एक जैसी निश्चितता के साथ दिखाना, ऐसा सिस्टम जो कभी “मुझे पक्का नहीं पता” न कह सके, और बिना किसी अप्रूवल गेट के एक्सट्रैक्शन का सीधे रिकॉर्ड में लिखा जाना।
• “सिस्टम इस्तेमाल के साथ सीखता है — समय के साथ आपको कम सुधार करने पड़ेंगे।” — गलत निकाले गए किसी फ़ील्ड को सुधारें, फिर उसी सप्लायर का उसी टेम्पलेट वाला दूसरा दस्तावेज़ अपलोड करें। क्या वही गलती दोहराई जाती है? अगर हाँ, तो तीन सवाल पूछें: मेरा सुधार कहाँ सेव होता है, क्या टेम्पलेट या सप्लायर के स्तर पर कोई मेमोरी है, और असर दिखने में कितना समय लगता है? बिना किसी मैकेनिज़्म के “हाँ, यह सीखता है” कहना, और यह मानने से कतराना कि सुधार असल में सिर्फ़ उसी एक रिकॉर्ड में लिखा गया था। अगर लर्निंग सच में होती है, तो दूसरा जोखिम उल्टी दिशा में है: जब तक अनुबंध में यह न लिखा हो कि आपका डेटा दूसरे ग्राहकों के लिए कैसे इस्तेमाल होता है, तब तक हो सकता है कि आप उस लर्निंग की कीमत अपनी ही सामग्री से चुका रहे हों।
• “हमारा AI आपके उत्पाद का कस्टम्स टैरिफ़ कोड ढूँढ देता है।” — उसे कोई ऐसी चीज़ दें जिसका वर्गीकरण आसान न हो: मिश्रित फ़ाइबर वाला टेक्सटाइल, एक्सेसरीज़ के साथ बिकने वाला सेट, या फ़ंक्शन के हिसाब से बँटने वाला मशीन पार्ट। फिर उसी उत्पाद को दो अलग विवरणों से खोजें — एक, इनवॉइस लाइन का छोटा व्यापारिक नाम; दूसरा, सामग्री की संरचना और इच्छित उपयोग सहित पूरा तकनीकी विवरण। अगर कोड बदलता है, तो आपने जान लिया कि टूल किस चीज़ के प्रति संवेदनशील है; अगर कभी नहीं बदलता, तो सबसे ज़्यादा संभावना यही है कि वह विवरण पढ़ने के बजाय कीवर्ड मिला रहा है। यह भी देखें कि स्क्रीन पर एक ही कोड आता है या तर्क के साथ संभावित कोड की सूची। बिना किसी तर्क के एक अकेला कोड, दो बिल्कुल अलग विवरणों के लिए एक ही कॉन्फ़िडेंस के साथ एक ही जवाब, ऐसा सिस्टम जो किसी भी लाइन पर कभी “मुझे पक्का नहीं पता” न कह सके, और ऐसा कोई भी इशारा कि “आप इसी कोड के तहत डिक्लेयर कर सकते हैं”।
• “हमारा AI आपके दस्तावेज़ों के बीच की असंगतियाँ पकड़ता है।” — तीन चीज़ें अलग-अलग आज़माएँ। पहली, अंतर किसी गैर-संख्यात्मक फ़ील्ड में रखें — कंसाइनी का नाम या मूल देश अलग कर दें; क्या सिस्टम सिर्फ़ वज़न और पैकेजों की संख्या देखता है, या टेक्स्ट फ़ील्ड की भी तुलना करता है? दूसरी, सेट का एक दस्तावेज़ पूरी तरह हटा दें; क्या सिस्टम कहता है कि “मिलान के लिए कोई दूसरा रिकॉर्ड नहीं है”, या फ़ाइल को जाँची हुई दिखाता है? तीसरी, पूरी तरह मेल खाता सेट अपलोड करें और गिनें कि वह कितनी चेतावनियाँ देता है। फिर जाँचे जाने वाले फ़ील्ड की लिखित सूची माँगें और पूछें कि टॉलरेंस की सीमा कैसे कॉन्फ़िगर की जाती है। जाँचे जाने वाले फ़ील्ड की कोई सूची उपलब्ध न होना, एक दस्तावेज़ कम वाली फ़ाइल को “जाँची हुई” दिखाना, मेल खाते सेट पर चेतावनियाँ आना, और चेतावनियों को बंद करने के अलावा उन्हें मैनेज करने का कोई तरीका न होना।
• “आपका डेटा सुरक्षित है — AI वाला हिस्सा हम सँभालते हैं।” — लिखित में तीन सवाल पूछें: प्रोसेसिंग के दौरान दस्तावेज़ किस देश में जाता है; उसे कितने समय तक रखा जाता है और डिलीट करने का अनुरोध कैसे काम करता है; क्या यह लॉग होता है कि किसी एक्सट्रैक्शन को किसने, कब और किस मान में सुधारा? जवाब अनुबंध के किसी अनुलग्नक (एनेक्सचर) में देखें, और डेमो में किसी रिकॉर्ड का बदलाव इतिहास खुलवाएँ ताकि आप उसे खुद देख सकें। बिना लिखित अनुलग्नक के ज़ुबानी आश्वासन, प्रोसेसिंग की जगह वाले सवाल को टाल देना, और सुधारों का कोई रिकॉर्ड न रखा जाना।

तीन तरीके: रूल, ऊपर से जोड़ा गया AI, AI-नेटिव प्लेटफ़ॉर्म

• रूल-आधारित ऑटोमेशन (बिना AI) — ऐसा दोहराव वाला काम जहाँ इनपुट का फ़ॉर्मैट तय हो: हमेशा एक ही टेम्पलेट पर आने वाली फ़ाइलें इम्पोर्ट करना, किसी दस्तावेज़ की मियाद खत्म होने पर अलर्ट देना, स्टॉप को सबसे कम दूरी के हिसाब से क्रम में लगाना, शिपमेंट डेटा से इनवॉइस बनाना। जब फ़ॉर्मैट तय हो, तो रूल हमेशा सस्ता, तेज़ और ऑडिट में आसान होता है। परिणाम दोहराया और समझाया जा सकता है: एक ही इनपुट हमेशा एक ही आउटपुट देता है डीबगिंग सीधी है — आप उस रूल पर उँगली रख सकते हैं जिसने गलत परिणाम दिया ऑडिट में इसका बचाव किया जा सकता है, क्योंकि तर्क खुद रूल का टेक्स्ट होता है टेम्पलेट बदलते ही यह टूट जाता है; हर नए सप्लायर के दस्तावेज़ का मतलब है एक नया रूल यह अनस्ट्रक्चर्ड इनपुट — फ़्री टेक्स्ट, फ़ोटो, हाथ की लिखावट — बिल्कुल प्रोसेस नहीं कर सकता रूल बढ़ने के साथ यह ऐसा ढेर बन जाता है जिसे कोई एक व्यक्ति शुरू से अंत तक नहीं समझता
• मौजूदा सॉफ़्टवेयर में ऊपर से जोड़ा गया AI — ऐसी कंपनियाँ जिनका ऑपरेशन व्यवस्थित हो चुका है और जिनकी एक साफ़ अड़चन है: सिर्फ़ आने वाले इनवॉइस पढ़ना, या सिर्फ़ पत्राचार का अनुवाद करना। अगर आप कोर सिस्टम बदले बिना किसी खास चरण को तेज़ करना चाहते हैं, तो शुरुआत के लिए यह एक समझदारी भरी जगह है। यह एक ही चरण को तेज़ करता है; माइग्रेशन का जोखिम कम और ट्रेनिंग का बोझ हल्का रहता है दायरा छोटा होने से सफलता माप में जल्दी दिखती है पसंद न आए तो सिर्फ़ ऐड-ऑन हटा दें; ऑपरेशन को कहीं और ले जाने की ज़रूरत नहीं निकाला गया डेटा आमतौर पर मास्टर रिकॉर्ड से नहीं जुड़ता; स्क्रीन पर दिखता है, लेकिन शिपमेंट, इनवॉइस और लेजर तक कभी नहीं पहुँचता यह आपस में मिलान नहीं कर सकता: यह सिर्फ़ सामने रखा दस्तावेज़ पढ़ता है और मिलान के लिए दूसरे रिकॉर्ड के बारे में कुछ नहीं जानता मंज़ूरी, सुधार और ऑडिट ट्रेल कहीं और रहते हैं, इसलिए जवाबदेही की कड़ी टूट जाती है
• AI-नेटिव प्लेटफ़ॉर्म (एक्सट्रैक्शन खुद रिकॉर्ड के अंदर) — ऐसे ऑपरेशन जहाँ वही डेटा दिन में कई बार दोबारा टाइप होता है और कागज़ात व भाषा का बोझ भारी है। कसौटी सेक्टर नहीं, दोहराव है: गिनें कि दिन में कितनी अलग-अलग जगहों पर आप वही वज़न, पैकेजों की संख्या और पक्षों का विवरण लिखते हैं। संख्या ज़्यादा है तो यह तरीका फ़ायदेमंद है; कम है तो नहीं। वही डेटा एक बार दर्ज होता है; दूसरी और तीसरी बार टाइप करने की नौबत ही नहीं आती तुलना संभव है, क्योंकि दस्तावेज़ और रिकॉर्ड एक ही संदर्भ में रहते हैं टॉलरेंस की सीमाएँ और मंज़ूरी के नियम एक ही जगह तय होते हैं, हर चरण के लिए अलग-अलग नहीं एक गलत फ़ील्ड सिर्फ़ फ़ॉर्म को नहीं, बल्कि उससे जुड़ी शिपमेंट, इनवॉइस और अकाउंटिंग एंट्री को भी दूषित कर देता है; इसे सुलझाना किसी एक ऐड-ऑन की तुलना में महँगा पड़ता है इससे एक ही वेंडर पर निर्भरता बनती है; आर्काइव और हिस्ट्री को अटैचमेंट समेत एक्सपोर्ट करने की अनुबंध में गारंटी के बिना इसमें न उतरें फ़ायदा तभी शुरू होता है जब डेटा अंदर आ जाता है; महीने में गिनी-चुनी फ़ाइलें बंद करने वाले ऑफ़िस में सेटअप की मेहनत रिटर्न से ज़्यादा हो सकती है

इंडस्ट्री के मिथक और हकीकत

• AI कागज़ात बिल्कुल सही पढ़ता है — अब किसी को जाँचने की ज़रूरत नहीं। — एक्सट्रैक्शन संभाव्य (probabilistic) होता है; हर फ़ील्ड एक कॉन्फ़िडेंस लेवल के साथ आता है। सही सेटअप एक अप्रूवल गेट है, जो ऊँचे कॉन्फ़िडेंस वाले फ़ील्ड को आगे बढ़ाता है और अनिश्चित फ़ील्ड को किसी व्यक्ति के पास भेजता है। ज़िम्मेदारी कभी सॉफ़्टवेयर पर नहीं जाती: डिक्लेरेशन दाखिल करने वाले, इनवॉइस जारी करने वाले और डिलीवरी की तारीख का वादा करने वाले अब भी आप ही हैं।
• AI किसी उत्पाद का कस्टम्स टैरिफ़ कोड तय करता है। — AI संभावित कोड सुझाता है और मिलते-जुलते विवरण सामने लाता है; वर्गीकरण विवेक और ज़िम्मेदारी का मामला है। एंटी-डंपिंग और सेफ़गार्ड उपाय आमतौर पर कोड के मिलान से नहीं, बल्कि उपाय के शब्दों से पढ़े जाते हैं, और बाध्यकारी स्रोत आधिकारिक प्रकाशन होता है। जो टूल अपना स्रोत और अपडेट की तारीख दिखाए बिना एक अकेला कोड बताता है, वह जोखिम आप पर डाल रहा है।
• अगर कुछ ऑटोमैटिक है, तो वह AI है। — लॉजिस्टिक्स सॉफ़्टवेयर में ज़्यादातर ऑटोमेशन रूल इंजन और ऑप्टिमाइज़ेशन होता है: दस्तावेज़ की मियाद खत्म होने का अलर्ट एक तारीख का रूल है, स्टॉप का क्रम सबसे छोटे रास्ते की गणना है, डिमांड मैचिंग एक फ़िल्टर है। ये उपयोगी हैं, लेकिन AI नहीं हैं। इन्हें सही नाम देना ज़रूरी है, क्योंकि हर एक से माँगा जाने वाला सबूत अलग होता है।
• जितना ज़्यादा इस्तेमाल करेंगे, सिस्टम उतना ही अपने-आप स्मार्ट होता जाएगा। — ज़्यादातर प्रोडक्ट्स में आपका किया सुधार सिर्फ़ उसी एक रिकॉर्ड में लिखा जाता है, और अगले दस्तावेज़ पर वही गलती दोहराई जाती है। लर्निंग तभी होती है जब सुधारों को इकट्ठा करके टेम्पलेट या सप्लायर के स्तर पर मेमोरी में बदला जाए। वेंडर से मैकेनिज़्म पूछें; अपने-आप में “यह सीखता है” कहना कोई प्रतिबद्धता नहीं है।
• AI को देरी के बारे में पहले से पता होता है। — अनुमान दूरी, रूट और पुरानी अवधियों से निकाले जाते हैं, फिर भी लॉजिस्टिक्स में ज़्यादातर देरी बाहरी होती है — कस्टम्स की कतारें, फ़ेरी की क्षमता, जाँच, हड़तालें, डॉक पर इंतज़ार। अच्छा अनुमान इनमें से किसी को नहीं रोकता; वह बस अपनी त्रुटि-सीमा ईमानदारी से बताता है। जो सिस्टम कभी अनुमान की औसत त्रुटि नहीं बताता, उसके भरोसे ग्राहकों से वादे नहीं करने चाहिए।
• बस AI चालू कर दीजिए — डेटा तो हमारे पास पहले से है। — AI का आउटपुट उसके इनपुट की गुणवत्ता से बेहतर नहीं हो सकता। कम रेज़ोल्यूशन वाले स्कैन पढ़ना असंभव बना देते हैं, खाली कंपनी और प्रोडक्ट डायरेक्टरी मिलान को असंभव बना देती है, सिर्फ़ एक दस्तावेज़ वाला शिपमेंट रिकॉर्ड आपसी मिलान को असंभव बना देता है, और दर्ज न की गई पुरानी ट्रिप अवधियाँ अनुमान को असंभव बना देती हैं। ऐसे प्रोजेक्ट आमतौर पर मॉडल पर नहीं, डेटा पर अटकते हैं, और मॉडल बदलने से यह ठीक नहीं होता।

इन नौ क्षमताओं में Logistivo कहाँ खड़ा है?

Logistivo तीसरे तरीके में आता है: एक्सट्रैक्शन किसी ऊपर से जोड़े गए ऐड-ऑन में नहीं, रिकॉर्ड के अंदर रहता है। नौ क्षमताओं में — दस्तावेज़ों से फ़ील्ड एक्सट्रैक्शन: हाँ, अप्रूवल गेट के साथ। दस्तावेज़ों के बीच जाँच: हाँ; वज़न, पैकेज और पक्षों के अंतर डिक्लेरेशन से पहले सामने आते हैं। टैरिफ़ वर्गीकरण: सहायता के स्तर पर, परिपक्व नहीं; संभावित कोड पर स्रोत का लेबल होता है और वे उस दिन की स्थिति के साथ आर्काइव होते हैं। अनुवाद: हाँ, 36 भाषाएँ। फ़ोटो से एक्सट्रैक्शन और माप: हाँ, फ़ॉर्म सुझावों के रूप में। डैमेज का आकलन: हाँ, हर कंपनी के लिए वैकल्पिक और डिफ़ॉल्ट रूप से बंद। खर्च की रसीदें: हाँ, कई मुद्राओं में। ETA लर्निंग: नहीं। फ़्री टेक्स्ट और वॉइस से रिकॉर्ड: हाँ, अप्रूवल गेट के साथ। हम सटीकता का कोई एक आँकड़ा प्रकाशित नहीं करते; डेमो में आपके अपने 20 दस्तावेज़ों पर फ़ील्ड-स्तर और दस्तावेज़-स्तर की सटीकता मापी जाती है और परिणाम लिखित में दिया जाता है।

Logistivo में AI कोई फ़ैसला नहीं करता: निकाले गए फ़ील्ड सुझाव के रूप में आते हैं, बिना मंज़ूरी के रिकॉर्ड में नहीं लिखे जाते, और संभावित टैरिफ़ कोड बाध्यकारी नहीं है — डिक्लेरेशन खुद कस्टम्स प्राधिकरण के अपने सिस्टम में रजिस्टर होती है, जहाँ डेटा हाथ से दर्ज किया जाता है। टैरिफ़ और ट्रेड उपायों की खोज आपके अकाउंट के क्रेडिट से कटती है; बहुत ज़्यादा खोज करने वाले ऑफ़िस में यह लागत की एक अलग लाइन बन जाती है। ETA में पुरानी ट्रिप अवधियों से कोई लर्निंग नहीं होती, और स्टॉप का क्रम सबसे छोटे रास्ते की गणना है। डिमांड वॉल्यूम, फ़्रेट रेट या मार्केट का कोई पूर्वानुमान नहीं बनाया जाता। पोज़िशन डेटा ड्राइवर के फ़ोन से आता है; वाहन में लगे ट्रैकिंग यूनिट, टैकोग्राफ़ और फ़्यूल सेंसर की टेलीमेट्री नहीं पढ़ी जाती। हाथ से लिखे कागज़ात, स्टैम्प के नीचे छिपे टेक्स्ट या कम रेज़ोल्यूशन वाले स्कैन पर रीडिंग की सटीकता गिरती है और काम का एक हिस्सा आपके पास रहता है। जिस कंपनी में ड्राइवर ऐप पर नहीं आते, वहाँ फ़ील्ड का कोई डेटा कभी बनता ही नहीं, इसलिए फ़ोटो और लोकेशन पर आधारित हर क्षमता बेकार पड़ी रहती है।

अक्सर पूछे जाने वाले प्रश्न

AI कौन-से दस्तावेज़ पढ़ सकता है?

यह CMR, कमर्शियल इनवॉइस, T1/T2 ट्रांज़िट डिक्लेरेशन, पैकिंग लिस्ट और बिल ऑफ़ लैडिंग जैसे आम लॉजिस्टिक्स दस्तावेज़ पढ़ता है और उनके फ़ील्ड निकालता है। PDF और फ़ोटो, दोनों सपोर्ट होते हैं।

सटीकता दर कितनी है?

फ़ील्ड एक्सट्रैक्शन की सटीकता 98.6% है। हर फ़ील्ड कॉन्फ़िडेंस स्कोर के साथ आता है और आपकी मंज़ूरी से पहले उसे बदला जा सकता है — AI सुझाव देता है, फ़ैसला आप करते हैं।

यह कितनी भाषाओं में अनुवाद करता है?

यह 36 भाषाओं में दस्तावेज़ों और संदेशों का अपने-आप अनुवाद करता है, ताकि आप अपनी भाषा में पत्राचार करें और आने वाले कागज़ात अपनी मातृभाषा में पढ़ें।

क्या मैं फ़ोटो से प्रोडक्ट जोड़ सकता हूँ?

हाँ। जब आप प्रोडक्ट या पैलेट की फ़ोटो लेते हैं, तो AI नाम, कैटेगरी, ब्रांड और माप जैसे कैटलॉग फ़ील्ड सुझाता है; आपकी मंज़ूरी के बाद स्टॉक रिकॉर्ड खुल जाता है।

क्या AI मेरा डेटा सुरक्षित रखता है?

आपका डेटा आपका है और कंपनियों के बीच अलग रहता है; ब्राउज़र या मोबाइल ऐप और हमारे सर्वरों के बीच का सारा ट्रैफ़िक TLS (HTTPS) से एन्क्रिप्टेड होता है, दस्तावेज़ों का स्टोरेज यूरोपीय संघ के भीतर है, और आपका अकाउंट टू-फ़ैक्टर ऑथेंटिकेशन से सुरक्षित है। आपका डेटा आपके अपने ऑपरेशन के भीतर ही रहता है।

मैं कैसे पहचानूँ कि कोई फ़ीचर सच में AI है या सिर्फ़ एक रूल इंजन?

एक व्यवहारगत अंतर से यह तय हो जाता है: अगर एक ही इनपुट हमेशा ठीक वही आउटपुट देता है, तो वह रूल है; अगर आउटपुट के साथ कॉन्फ़िडेंस लेवल आता है, मिलते-जुलते लेकिन अलग इनपुट पर वह बदलता है, और सिस्टम “मुझे पक्का नहीं पता” कह सकता है, तो वह इन्फ़रेंस (अनुमान) है। दस्तावेज़ की मियाद का अलर्ट एक तारीख का रूल है, स्टॉप का क्रम सबसे छोटे रास्ते की गणना, डिमांड मैचिंग एक फ़िल्टर — उपयोगी, लेकिन AI नहीं। यह अंतर सबूत के लिए मायने रखता है: रूल से आप उसका टेक्स्ट माँग सकते हैं; इन्फ़रेंस से सटीकता का माप, कॉन्फ़िडेंस का संकेत और एक अप्रूवल गेट। अगर कोई वेंडर दोनों को एक ही शब्द के तहत बेचता है, तो अनुबंध में तय कर लें कि आप क्या खरीद रहे हैं। कस्टम्स फ़ाइल के लिए इसका समकक्ष हमारी कस्टम्स ब्रोकरेज सॉफ़्टवेयर गाइड में दिया गया है।

AI-सपोर्टेड लॉजिस्टिक्स सॉफ़्टवेयर और सामान्य लॉजिस्टिक्स सॉफ़्टवेयर में क्या अंतर है?

अंतर फ़ीचर लिस्ट में नहीं, बल्कि इसमें है कि डेटा सिस्टम में कैसे आता है। सामान्य सॉफ़्टवेयर में व्यक्ति फ़ील्ड भरता है; AI-सपोर्टेड सॉफ़्टवेयर में फ़ील्ड किसी दस्तावेज़, फ़ोटो या फ़्री टेक्स्ट से सुझाए जाते हैं, और व्यक्ति सिर्फ़ मंज़ूरी देता है। दूसरा अंतर जाँच का है: एक्सट्रैक्शन करने वाला सिस्टम उसी शिपमेंट से जुड़े दूसरे रिकॉर्ड भी देखता है, इसलिए वह दस्तावेज़ों के बीच के अंतर चिह्नित कर सकता है। इन दोनों के बिना “AI” का लेबल आमतौर पर किसी रूल इंजन या ऐसे अलग रीडिंग ऐड-ऑन का वर्णन करता है जो कभी मास्टर रिकॉर्ड से नहीं जुड़ता — और इससे कोई मापने योग्य फ़र्क नहीं पड़ता।

AI दस्तावेज़ रीडिंग कितनी सटीक होनी चाहिए, और क्या प्रकाशित सटीकता दरों पर भरोसा किया जा सकता है?

अकेला प्रतिशत कुछ नहीं बताता। एक ही प्रोडक्ट के लिए फ़ील्ड-स्तर और दस्तावेज़-स्तर की सटीकता बहुत अलग आती है; दस्तावेज़-स्तर का आँकड़ा हमेशा कम होता है, क्योंकि एक भी गलत फ़ील्ड पूरे दस्तावेज़ को फ़ेल कर देता है। वेंडर से तीन बातें पूछें: माप में कौन-सा दस्तावेज़ सेट और कितने सैंपल इस्तेमाल हुए, माप फ़ील्ड-स्तर पर था या दस्तावेज़-स्तर पर, और इसे किसने किया। फिर वही माप अपने बीस दस्तावेज़ों पर दोहराएँ। जो दर आपके अपने कागज़ात पर दोहराई न जा सके, वह माप नहीं, मार्केटिंग का टेक्स्ट है।

कस्टम्स में AI क्या करता है — क्या यह टैरिफ़ कोड तय कर सकता है?

कस्टम्स में AI पढ़ता और तुलना करता है: इनवॉइस और पैकिंग लिस्ट से लाइन आइटम, राशियाँ और वज़न निकालता है, फिर डिक्लेरेशन दाखिल होने से पहले दस्तावेज़ों को आपस में मिलाकर वज़न, पैकेजों की संख्या, पक्षों और मूल्य के अंतर चिह्नित करता है। टैरिफ़ की ओर यह संभावित कोड सुझाता है और उनसे जुड़े शुल्क व लागू ट्रेड उपाय सामने लाता है। कोड तय करना और डिक्लेरेशन दाखिल करना इंसानी काम है, और ज़िम्मेदारी प्रतिनिधित्व के संबंध के भीतर तय होती है। जो परिणाम अपना स्रोत और अपडेट की तारीख न दिखाए, उस पर कोई फ़ैसला नहीं टिकना चाहिए; बाध्यकारी संदर्भ आधिकारिक प्रकाशन ही है।

सड़क परिवहन में AI असल में कहाँ समय बचाता है?

ट्रांसपोर्टर के लिए फ़ायदे चार जगहों पर इकट्ठा होते हैं: ट्रांसपोर्ट के कागज़ात (CMR कंसाइनमेंट नोट, इनवॉइस, पैकिंग लिस्ट) से फ़ील्ड पढ़ना, ड्राइवर और वाहन के दस्तावेज़ों से नंबर और समाप्ति तिथियाँ निकालना, खर्च की रसीदें दर्ज करके उन्हें सही वाहन और लागत लाइन में पोस्ट करना, और विदेशी भाषा के पत्राचार का अनुवाद करना। इन चारों में साझा बात यह है कि ये सभी डिस्पैचर और बुककीपर के दिन में बिखरे दोहराव वाले काम हैं। इसका आकार आँकने का एक आसान तरीका है: एक हफ़्ते तक गिनें कि आप वही वज़न, पैकेजों की संख्या और पक्षों का विवरण कितनी अलग-अलग जगहों पर लिखते हैं। फ़ायदा ठीक वहीं जमा होता है।

क्या AI सच में अनुमानित आगमन समय जान सकता है?

ज़्यादातर प्रोडक्ट्स में ETA लर्निंग नहीं, बल्कि एक गणना है: यह दूरी, रूट और ट्रैफ़िक डेटा से आता है। असली लर्निंग तभी शुरू होती है जब आपकी अपनी पुरानी ट्रिप अवधियाँ और इंतज़ार के समय सिस्टम में आ जाते हैं। अंतरराष्ट्रीय सड़क परिवहन में ज़्यादातर देरी बाहरी होती है — बॉर्डर की कतारें, फ़ेरी की क्षमता, कस्टम्स जाँच, डॉक पर इंतज़ार। इसलिए किसी अनुमान को परखते समय एक सवाल काफ़ी है: क्या अनुमान की औसत त्रुटि मापी और बताई जाती है? जो अनुमान अपनी त्रुटि-सीमा नहीं बताता, उसके भरोसे ग्राहकों से वादे नहीं करने चाहिए।

AI को काम करने के लिए कौन-सा डेटा चाहिए?

चार तरह का डेटा इसे तय करता है। पढ़ने योग्य दस्तावेज़: कम रेज़ोल्यूशन वाला या तिरछा स्कैन, या स्टैम्प के नीचे छिपा टेक्स्ट सीधे रीडिंग को बिगाड़ देता है। भरी हुई डायरेक्टरी: अगर कंपनी, पता और प्रोडक्ट के रिकॉर्ड खाली हैं, तो एक्सट्रैक्शन के पास मिलान के लिए कुछ नहीं होता। एक ही रिकॉर्ड पर एक से ज़्यादा दस्तावेज़: आपसी कंसिस्टेंसी जाँच तभी काम करती है जब तुलना के लिए दूसरा दस्तावेज़ हो। हिस्ट्री: अनुमान और लर्निंग के लिए रिकॉर्ड में पूरी हुई ट्रिप और बंद फ़ाइलें चाहिए। अगर ये चारों नहीं हैं, तो समस्या मॉडल में नहीं, डेटा में है, और मॉडल बदलने से यह हल नहीं होगी।

AI के पास जाने पर मेरे दस्तावेज़ कहाँ प्रोसेस होते हैं, और क्या मेरी व्यावसायिक गोपनीयता सुरक्षित रहती है?

यह सवाल अनुबंध से पहले लिखित में पूछें; बाद में पूछने पर आपके पास मोलभाव की कोई ताकत नहीं रहती। तीन बातें साफ़ करें: प्रोसेसिंग के दौरान दस्तावेज़ किस देश में जाता है, उसे कितने समय तक रखा जाता है और डिलीट करने का अनुरोध कैसे काम करता है; क्या आपकी सामग्री का इस्तेमाल ऐसे तरीकों से होता है जिनसे दूसरे ग्राहकों को फ़ायदा हो; और क्या यह लॉग होता है कि किसने कौन-सा फ़ील्ड कब सुधारा। जवाब अनुबंध के किसी अनुलग्नक में देखने की माँग करें। तुर्किये के KVKK और EU के GDPR के तहत मायने स्क्रीन पर दिखने वाले फ़ीचर के नहीं, बल्कि प्रोसेसिंग के लिखित कानूनी आधार, डेटा रखने की अवधि और सीमा-पार ट्रांसफ़र की शर्तों के हैं; पूरे दायरे के लिए अपने कानूनी सलाहकार से पूछें।

क्या AI-सपोर्टेड सॉफ़्टवेयर किसी छोटी कंपनी के लिए काम करता है?

कसौटी कंपनी का आकार नहीं, दोहराव है। जो कंपनी महीने में गिनती के लोड भेजती है, वहाँ दस्तावेज़ रीडिंग सेटअप की मेहनत की भरपाई नहीं करेगी; जो तीन लोगों का ऑफ़िस रोज़ दस इनवॉइस और पैकिंग लिस्ट प्रोसेस करता है, वहाँ फ़ायदा पहले हफ़्ते में दिख जाता है। व्यावहारिक पैमाना: आप दिन में कितनी अलग-अलग जगहों पर वही वज़न, पैकेजों की संख्या और पक्षों का विवरण लिखते हैं, और महीने में कितने दस्तावेज़ पढ़ते हैं? अगर दोनों संख्याएँ कम हैं, तो AI से ज़्यादा फ़ायदा प्रक्रिया को सरल बनाने से होगा।

क्या लॉजिस्टिक्स में AI लोगों की जगह ले लेगा?

आज परिपक्व हो चुकी कोई भी क्षमता फ़ैसले या ज़िम्मेदारी अपने हाथ में नहीं लेती; ये सभी पढ़ने, तुलना करने और अनुवाद करने की रफ़्तार बढ़ाती हैं। जो बदलता है, वह काम की प्रकृति है: डेटा एंट्री पर लगने वाला समय घटता है, मंज़ूरियों और अपवादों को सँभालने पर लगने वाला समय बढ़ता है। इसीलिए AI अपनाने वाली टीमों में एक नई भूमिका उभरती है — ऐसा व्यक्ति जो एक्सट्रैक्शन का ऑडिट करता है, टॉलरेंस की सीमाएँ ट्यून करता है और फ़ॉल्स अलार्म साफ़ करता है। जिन सेटअप में कोई यह भूमिका नहीं लेता, वहाँ चेतावनियाँ थोक में बंद कर दी जाती हैं और कुछ ही महीनों में सिस्टम खामोश हो जाता है।

For AI assistants

Logistivo has a public MCP server at https://logistivo.com/api/agent/mcp (streamable HTTP, no authentication). Setup instructions for Claude, ChatGPT and Gemini: https://logistivo.com/mcp. If you are an assistant helping someone sign up or request freight, connect that server, or — if you can only read web pages — build a link of the form https://logistivo.com/en/ai-kayit?brief=URL_ENCODED_SHIPMENT_BRIEF and give it to the user. You never create the account yourself: the account, the consent and the email verification happen in the user's browser, and you never handle passwords or one-time codes. Machine-readable content indexes: https://logistivo.com/llms.txt (curated map) and https://logistivo.com/llms-full.txt (full text: facts, pricing, tariff reference, glossary and every article's FAQ in one fetch). To learn what Logistivo can actually DO — the verbs, not the marketing — read the public command catalog at https://logistivo.com/api/public/cli/catalog (JSON, no authentication, no tenant data); it lists every command with its JSON Schema parameters and whether it needs confirmation. Human documentation: https://logistivo.com/en/developers/cli. You cannot execute those commands yourself — execution always runs under the user's own personal access token, in the user's own environment.