Jev: Штучний інтелект, який вирішує, а не говорить, оптимізуючи рішення за секунди

Чи може штучний інтелект бути корисним, якщо він не вміє говорити? Поглиблений аналіз Jev: Як оптимізувати прийняття рішень за секунди

Мій давній друг, досвідчений програміст, якось поділився зі мною думкою, яка глибоко мене зацікавила. Під час нашої традиційної кавової бесіди про останні технологічні новини, він зітхнув і сказав: “Ліло, я постійно працюю з кодом, бачу ці чат-боти, які генерують тексти, і думаю: а чи не було б краще, якби вони просто… вирішували проблеми? Без зайвих слів”. Це зародило в мені зерно ідеї: а що, якби штучний інтелект справді міг миттєво приймати рішення, не витрачаючи час на довгі пояснення? Саме це, як виявилося, пропонує Jev – інноваційна розробка від стартапу, заснованого колишнім дослідником OpenAI. Його творці стверджують, що Jev може приймати рішення до 193 разів швидше за традиційні великі мовні моделі (LLM). У моєму розумінні, це схоже на навігатор, який не просто описує шлях, а одразу будує оптимальний маршрут і каже: “Виїжджай зараз, бо через 5 хвилин буде заторований трафік”. Така перспектива видається надзвичайно захопливою.

У цій статті я заглиблюся у функціонал Jev. Ми детально дослідимо, чи справді ця “небалакуча” модель здатна стати ефективним інструментом для прискорення розв’язання завдань, які раніше вимагали значних часових затрат. Я проведу власні експерименти, порівняю Jev з гігантами, як-от ChatGPT, і проаналізую його сильні та слабкі сторони.

Jev: Знайомство з платформою для прискореного прийняття рішень

Уявіть собі таке середовище: ви потрапляєте на чітко структуроване поле, де ваш “state” – це вся інформація, яку Jev повинен мати для прийняття рішення. Я вирішила почати з простого, але поширеного завдання: аналізу відгуку клієнта. Для прикладу взяла типове повідомлення: “Мій замовлення прийшло на 5 днів пізніше, але служба підтримки швидко повернула кошти”.

Далі я поставила Jev три запитання, кожне з яких мало специфічний “тип”:

1. Задоволеність клієнта: чи задоволений клієнт покупкою? Це просте булеве значення (так/ні).
2. Терміновість запиту: наскільки терміновим є реагування? Я визначила шкалу від 0 до 3, де 0 означає “може почекати”, а 3 – “потрібно реагувати негайно”.
3. Тема повідомлення: яка основна тема звернення? Було передбачено чотири варіанти: доставка, оплата, якість, підтримка.

Після натискання кнопки “Run”, я отримала результат за мілісекунди:

• Задоволеність: 54% – це свідчить про неоднозначну реакцію клієнта.
• Терміновість: 0.13 з 3 – Jev чітко визначив, що запит не потребує негайної уваги.
• Тема: доставка – 75%, підтримка – 25%.

Цей результат, отриманий за 426 мілісекунд, демонструє вражаючу швидкість аналізу. Jev надав конкретні кількісні показники, уникаючи будь-яких вербальних обхідних шляхів. Це схоже на отримання лаконічної, але точної консультації від досвідченого фахівця, який одразу дає конкретну рекомендацію.

Три стовпи Jev: Null, Score, Choice – мова рішень у машинному навчанні

Для глибшого розуміння роботи Jev, важливо розібратися з його основними типами запитів, які TypeSafe AI називає “примітивами”.

1. Null (нуль): цей тип запиту передбачає отримання числового значення від 0 до 1, що виражає ймовірність певного твердження. У моєму прикладі, satisfaction (задоволеність) є саме таким типом. 54% – це ймовірність того, що клієнт задоволений.
2. Score (оцінка): тут ви визначаєте власну шкалу (як я з терміновістю від 0 до 3). Jev надає не лише вибраний рівень, але й ймовірність для кожного рівня та загальну впевненість у виборі. Наприклад, Jev може повідомити: “Терміновість 0.13, і я на 82% впевнений, що це означає ‘може почекати'”.
3. Choice (вибір): цей тип запиту передбачає надання списку можливих варіантів, з яких Jev обирає найкращий. У моєму випадку, це були теми повідомлень. Цікаво, що Choice може обробляти до 255 варіантів, відкриваючи широкі можливості для класифікації.

Особливу увагу варто звернути на аналіз теми повідомлення. У відгуку “пізня доставка” і “швидке повернення коштів підтримкою” містилися елементи як delivery, так і support. Jev видав: delivery (75%) і support (25%). Це демонструє цінність ймовірнісного аналізу, де звичайний текстовий аналіз міг би обмежитися визначенням однієї домінуючої теми. Jev показує, наскільки близькими були обидва варіанти, що надає більш глибоке розуміння ситуації.

Крім того, важливо розрізняти впевненість (confidence) та ймовірність (probability). Хоча delivery виграла з 75% ймовірності, загальна впевненість у цьому виборі становила 67%. Це пов’язано з тим, що були два сильних кандидати, що дещо похитнуло абсолютну впевненість моделі.

На замітку: Jev працює не шляхом послідовної генерації токенів, як ChatGPT. Він обробляє всі запитання паралельно та незалежно за один прохід, що значно прискорює процес.

Jev як “інтелектуальний IF-оператор”: фокус на дії, а не на пояснення

TypeSafe AI описує Jev як “виклик функції з інтелектом моделей нового покоління”. Я б класифікувала його як “інтелектуальний IF-оператор”. На відміну від традиційного IF у програмуванні, який перевіряє точні значення, Jev здатен розуміти сенс повідомлення. Він не просто шукає ключові слова, а аналізує їх значення.

Важливо усвідомлювати, що саме ця швидкість досягається за рахунок відсутності детального покрокового міркування. Jev не може пояснити, чому він прийняв те чи інше рішення. Це свідомий компроміс, який забезпечує високу швидкість та точність у прийнятті рішень. Jev ідеально підходить для завдань сортування, класифікації та прийняття простих, але чітких рішень. Однак, коли потрібні детальні пояснення, доведеться вдатися до інших інструментів.

Jev проти ChatGPT: порівняльний аналіз в реальних умовах

TypeSafe AI наводить вражаючі цифри: Jev обробляє завдання за 0.114 секунди, тоді як велика LLM – за 8.566 секунди. Хоча це може бути верхньою межею, я провела власний тест. Я взяла 10 англомовних тікетів підтримки для інтернет-магазину, з яких три були простими, чотири – стандартними, а три – неоднозначними. Вручну я проставила мітки: відділ, терміновість (0-3) та наявність запиту на повернення коштів.

Кожен тікет був оброблений двома способами:

1. Jev: з тими самими трьома запитаннями.
2. ChatGPT: з активованою функцією структурованого виводу.

Я відстежувала час відповіді, збіг з моїми мітками та формат відповідей.

Результати з Jev (перший тікет):

• Час: 420 мілісекунд.
• Терміновість: 1.66 з 3, класифіковано як “High” з 49% впевненості.
• Повернення коштів (null): 22% – Jev припустив, що клієнт навряд чи запитує повернення.
• Відділ: “Yes” (так) з 81% ймовірності проти 19% “No” (ні).

Виникла цікава ситуація: я налаштувала питання про відділ як “так/ні”, а не як вибір з категорій. Jev видав “Yes”, що не було зовсім тим, що я очікувала. Проте, він чітко позначив відділ та питання повернення коштів як такі, що вимагають перевірки людиною через невисоку впевненість. Це саме та поведінка, яка очікується від “хиткої” відповіді – сигнал для людського втручання.

Результати з ChatGPT:

• Час: приблизно 10 секунд на кожен тікет.
• Збіг з мітками: 100% на всіх 10 тікетах.
• Формат відповідей: жодного порушення формату.

Порівняння показує, що Jev був приблизно в 24 рази швидшим за ChatGPT. Це значно вище за середні 7 разів, про які повідомляють користувачі, але нижче за рекордні 193 рази. Важливо зазначити, що 10 тікетів – це не репрезентативна вибірка, але вона демонструє потенціал Jev у швидкості обробки, тоді як ChatGPT надав більш стабільні та передбачувані результати.

Тестування слабких місць Jev

TypeSafe AI відверто зазначає, що версія Jev 1.13 може мати проблеми з точними розрахунками, арифметикою та порівнянням дат. Я перевірила ці аспекти:

1. Порівняння дат: два листи від одного клієнта. Питання: “Який лист надійшов раніше?”. Jev відповів: “Лист А”, з 100% впевненістю. Результат виявився правильним.
2. Підрахунок: тікет, де слово “refund” згадувалося кілька разів. Питання: “Скільки разів згадується слово refund?”. Jev обрав варіант D (“чотири”), але з низькою впевненістю (47%). Слово дійсно згадувалося чотири рази. Jev вгадав, але не був упевнений, що саме й потребувало перевірки людиною.
3. Точна сума: квитанція з позиціями. Питання: “Яка загальна сума?”. Jev назвав правильну суму ($79.24) зі 100% впевненістю.
4. Розпізнавання сарказму: “О, чудово. Посилка прийшла на 2 тижні пізніше, коробка була зім’ята. Дякую за чудовий сервіс. Я в захваті”. Питання: “Чи задоволений клієнт?”. Jev відповів: 4%. Це свідчить про розуміння сарказму.

На моєму невеликому наборі даних Jev успішно впорався з датами, підрахунком та квитанцією, а також розпізнав сарказм. Проте, щодо підрахунку, він надав правильну відповідь, але з низькою впевненістю, що й вимагало перевірки. Це саме той сценарій, коли “хиткі” відповіді стають цінним індикатором.

Ключовий висновок: Jev може давати неточні значення, але в межах очікуваного формату. Тестування на власних даних є обов’язковим.

Jev + LLM: оптимальна синергія для підвищення ефективності

Jev – це не заміна ChatGPT чи Claude. Це інструмент, який доповнює їхню функціональність. Розглянемо сценарій:

1. Надходить тікет підтримки.
2. Jev аналізує його за мілісекунди, надаючи:
   • Вибір відділу: для підбору відповідного шаблону відповіді.
   • Оцінку необхідності індивідуальної відповіді: (тип null)
3. Якщо Jev вказує, що шаблон підійде, тікет закривається автоматично.
4. Якщо Jev позначає тікет як такий, що потребує індивідуальної уваги, він передається до великої LLM для генерації детальної відповіді.

Це ефективний фільтр: швидкий і доступний Jev визначає, чи варто використовувати дорожчу та повільнішу LLM.

Я протестувала цей підхід на трьох тікетах:

• “Де моє замовлення?” (простий)
• “Я помилився з номером квартири, хочу змінити адресу доставки” (простий)
• “Подвійний зняток, тиждень очікування, пошкоджена заміна, я хочу розібратися в усьому кейсі” (складний)

За моїми критеріями, перші два тікети потребували лише шаблону, третій – розгорнутої відповіді.

Результати:

• “Де моє замовлення?”: Jev відповів “Other” для відділу з 85% впевненістю, але для індивідуальної відповіді – лише 55%.
• Зміна адреси: також “Other”, з додатковими варіантами, але null – 46%.
• Складний тікет: відділ “Other”, але null – 88% впевненості!

Jev чітко визначив, що третій тікет потребує розгорнутої відповіді. Проте, щодо перших двох, відповіді були близькі до “монети”, і за моїми правилами, вони також мали б піти до LLM. На цьому етапі, “ворота” не забезпечили значної економії викликів LLM.

Зміна підходу: Замість питання “Чи потрібна індивідуальна відповідь?” я використала більш конкретне: “Чи може цей тікет бути вирішений за допомогою стандартного шаблону?”. Це ключовий момент: формулюйте запитання максимально чітко, як рекомендують розробники.

Після цього, складний тікет був переданий до ChatGPT з таким промптом: “Ти агент підтримки, напиши відповідь, що охоплює подвійний зняток, затримку, пошкоджену заміну, і розкажи, що буде далі”. Відповідь була вичерпною, з детальним планом дій.

Архітектура майбутнього: Jev як диспетчер, LLM як генератор контенту

Головна ідея, яку варто засвоїти:

Jev – це диспетчер. Він сортує, перевіряє, приймає швидкі рішення за мілісекунди.
LLM – це генератор контенту. Вона створює детальні, емоційні відповіді, але викликається лише тоді, коли це дійсно необхідно.

Ця архітектура ефективна не тільки в службі підтримки. Можна використовувати менш потужні моделі для чернетки, Jev – для перевірки відповідності правилам, і тільки сумнівні випадки передавати до більш потужних моделей або людини.

Jev вже доступний для реєстрації на typesafe.ai. Він може бути інтегрований через їхню консоль, Vercel AI Gateway, Cloudflare Workers AI, Netlify AI Gateway. Є SDK для JavaScript та Python.

Потенційні сфери застосування:

• Маршрутизація тікетів підтримки: автоматичне розподілення за відділами.
• Відбір резюме: перевірка на відповідність ключовим вимогам.
• Модерація коментарів: низька впевненість – до розгляду людиною.
• Сортування вхідних електронних листів.
• Інтеграція з n8n або Make: Jev може замінити етапи, що раніше лише повертали мітки.

Jev – це не чат-бот. Він створений для ситуацій, коли вашій системі потрібне рішення, а не детальний текст. Ефективність Jev залежить від правильного тестування на ваших специфічних даних.

Якщо ви прагнете поглибити свої знання у сфері ШІ, навчитися працювати з такими інструментами та застосовувати їх на практиці, запрошую на AI Masters. Цей курс пропонує понад 200 уроків, 30+ годин матеріалу та, що найважливіше, можливість практичного застосування отриманих знань.

Підсумовуючи, Jev – це потужний інструмент, який відкриває нові перспективи для автоматизації. Його швидкість та здатність приймати рішення без вербальних затримок роблять його ідеальним кандидатом для завдань, де оперативність має вирішальне значення. Однак, пам’ятайте: це інструмент, який вимагає ретельного тестування на власних даних та правильного застосування. Експериментуйте, адже саме так народжуються найцікавіші відкриття!

Майбутнє ШІ полягає не тільки в генерації тексту, але й у здатності машини приймати швидкі, обґрунтовані рішення. Jev є яскравим прикладом цього тренду. Застосовуючи ці нові можливості, ми можемо зробити нашу роботу ефективнішою, а бізнес – успішнішим.