هوش مصنوعی Jev چیست؟ بررسی مدل تصمیم‌گیر TypeSafe AI و مقایسه با ChatGPT

مدل‌های زبانی بزرگ مثل چت‌جی‌پی‌تی و جمینای،‌ به‌خوبی زبان انسان را می‌فهمند، تحلیل می‌کنند، پاسخ می‌دهند و وظایف پیچیده را انجام می‌دهند؛ ولی استفاده از این مدل‌ها برای بعضی وظایف مثل این است که برای بریدن کاغذ، به‌جای قیچی از اره‌برقی استفاده کنید.

برای انجام‌دادن چنین وظایفی، شرکت TypeSafe AI مدل Jev را ساخته و معرفی کرده است. هوش مصنوعی Jev در سیستم‌های نرم‌افزاری قرار می‌گیرد، اطلاعات را پردازش می‌کند و خروجی‌ها را در ساختارهایی ازپیش‌تعیین‌شده ارائه می‌دهد.

اگر می‌خواهید بدانید Jev چیست، چگونه کار می‌کند، چه تفاوتی با مدل‌هایی مانند ChatGPT دارد و چه کاربردهایی در سیستم‌های هوشمند دارد، این مقاله را بخوانید.

هوش مصنوعی Jev چیست؟

شرکت TypeSafe AI اولین مدل System One خود به‌نام Jev را در سپتامبر ۲۰۲۶ معرفی کرد. این مدل برای تولید تصمیم‌های ساختاریافته (Structured Decisions) سریع طراحی شده است. Jev داده‌ها را دریافت و پردازش می‌کند و در ۳ حالت انتخاب، درجه‌بندی و احتمال بله یا خیر خروجی می‌دهد.

برای مثال، اگر پیام مشتری را که درخواست مرجوعی جنس را پس از ۳ روز انتظار برای پاسخ داده، به آن ارسال کنید، تشخیص می‌دهد:

• به کدام بخش ارجاع داده شود: پشتیبانی
• درجه‌ی نارضایتی مشتری: زیاد
• فوری بودن: بله

در ادامه‌ی مقاله مفصل‌تر درباره‌ی Jev AI و مفاهیم مربوط به آن صحبت می‌کنیم.

هوش مصنوعی Jev چگونه کار می‌کند؟

هوش مصنوعی Jev بر پایه ایده‌ تصمیم‌گیری ساختاریافته (Decision Model) کار می‌کند. در این مدل، به‌جای اینکه از هوش مصنوعی بخواهیم یک پاسخ متنی تولید کند، اطلاعات مربوط به یک موقعیت در اختیار مدل قرار می‌گیرد و از آن خواسته می‌شود درباره همان اطلاعات، تصمیم‌های مشخصی بگیرد.

فرایند کار Jev را می‌توان در ۴ مرحله ساده توضیح داد:

۱. دریافت اطلاعات (State)

ابتدا اطلاعاتی که Jev باید بر اساس آن‌ها تصمیم بگیرد، به‌عنوان State در اختیار مدل قرار می‌گیرد. این اطلاعات می‌تواند متن یک درخواست، اطلاعات یک کاربر، وضعیت یک فرایند یا داده‌های مربوط به یک موقعیت مشخص باشد.

برای مثال، در یک فروشگاه اینترنتی، متن درخواست مشتری و اطلاعات مربوط به سفارش او می‌تواند بخشی از State باشد.

۲. تعریف تصمیم مورد نیاز (Typed Question)

در مرحله بعد مشخص می‌شود که سیستم دقیقا چه تصمیمی می‌خواهد بگیرد و پاسخ باید چه ساختاری داشته باشد؛ برای مثال، انتخاب یک گزینه، تعیین یک امتیاز یا ارزیابی احتمال وقوع یک نتیجه. در ادامه انواع پاسخ را بررسی می‌کنیم.

۳. ارائه خروجی ساختاریافته (Structured Output)

هوش مصنوعی Jev اطلاعات را بررسی می‌کند و نتیجه هر سؤال را در همان ساختاری که از قبل تعریف شده است ارائه می‌دهد؛ به‌گونه‌ای که بتوان از آن مستقیما در یک سیستم نرم‌افزاری استفاده کرد. این خروجی به شکلی طراحی شده که نرم‌افزار بتواند بدون نیاز به تفسیر یک پاسخ متنی، مستقیماً از آن استفاده کند.

۴. استفاده از تصمیم در نرم‌افزار یا Workflow

در نهایت، نرم‌افزار بر اساس تصمیم Jev اقدام بعدی را انجام می‌دهد. برای مثال، اگر Jev تشخیص دهد یک درخواست مربوط به بخش مالی و دارای فوریت بالاست، Workflow می‌تواند به‌صورت خودکار آن را به تیم مالی ارسال و در اولویت بالاتری قرار دهد.

در نتیجه، Jev را می‌توان به‌عنوان یک لایه تصمیم‌گیری در نرم‌افزارها، AI Agentها و Workflowهای خودکار استفاده کرد.

هوش مصنوعی Jev چه نوع تصمیم‌هایی می‌گیرد؟

هوش مصنوعی Jev خروجی‌های خود را در قالب چند نوع تصمیم ساختاریافته ارائه می‌دهد. در مدل‌های زبانی پاسخ متنی و مشروح است؛ ولی نوع تصمیم‌های Jev از قبل مشخص است تا نرم‌افزار بتواند مستقیما از آن استفاده کند. پاسخ‌ها از ۳ نوع زیر هستند:

Choice؛ انتخاب بین چند گزینه

در پاسخ choice، هوش مصنوعی باید از بین چند گزینه که از پیش تعیین شده، یکی را انتخاب کند. برای مثال، یک سیستم می‌تواند از Jev بخواهد مشخص کند یک درخواست مشتری باید به کدام بخش ارسال شود: فروش، مالی، فنی یا پشتیبانی.

Score؛ امتیازدهی

در تصمیم‌های مبتنی‌بر Score، هوش مصنوعی Jev مقدار یک ویژگی را می‌سنجد و به آن امتیاز می‌دهد یا شدت یا کم و زیاد بودن را مشخص می‌کند.

برای نمونه، در یک سیستم فروش می‌توان از Jev خواست میزان ارزش یک مشتری احتمالی را ارزیابی کند.

• ارزش مشتری احتمالی: ۸۵ از ۱۰۰

این نوع تصمیم برای رتبه‌بندی یا اولویت‌بندی اطلاعات استفاده می‌شود.

Noul؛ پاسخ احتمالی به سؤال بله یا خیر

این پاسخ Jev برای سوال‌هایی کاربرد دارد که پاسخ آن بله یا خیر است. با این حال، Jev فقط پاسخ بله یا خیر نمی‌دهد؛ بلکه احتمال درست بودن گزاره را هم مشخص می‌کند.

برای مثال، اگر بپرسیم: «آیا این تراکنش مشکوک است؟»، Jev می‌تواند نتیجه‌ای مانند این ارائه دهد:

• احتمال مشکوک بودن تراکنش: ۹۰درصد

یعنی Jev احتمال مشکوک بودن تراکنش را ۹۰ درصد تشخیص می‌دهد. می‌توان در خود نرم‌افزار تعیین کرد که اگر این احتمال بالاتر از مقدار مشخصی مثلا ۸۰درصد بود، تراکنش برای بررسی انسانی ارسال شود.

مفاهیم Confidence و Probability در Jev چیست؟

مفاهیم Probability و Confidence خودشان نوع مستقلی از تصمیم نیستند؛ بلکه اطلاعات بیشتری درباره میزان عدم‌قطعیت مدل به تصمیم ارائه می‌کنند.

برای مثال، در یک تصمیم Choice ممکن است Jev گزینه «مالی» را انتخاب کند و در کنار آن مشخص کند چقدر به این انتخاب اطمینان دارد. این اطلاعات به نرم‌افزار کمک می‌کند تصمیم بگیرد چه زمانی نتیجه Jev را به‌صورت خودکار اجرا کند و چه زمانی آن را برای بررسی بیشتر به انسان بسپارد.

مدل System One چیست؟

مدل System One نام گروهی از مدل‌های هوش مصنوعی است که شرکت Typesafe AI معرفی کرده است. این مدل‌ها برای تصمیم‌گیری سریع و ساختاریافته در نرم‌افزارها معرفی شده‌اند و Jev اولین مدل عمومی این خانواده است.

تصمیم‌گیری سریع و ساختاریافته یا Typed Decisions یعنی تصمیم‌ها در قالبی مشخص و قابل پردازش ارائه می‌شوند تا نرم‌افزار بتواند بدون نیاز به تفسیر متن، از خروجی مدل استفاده کند.

در مدل‌های System One پس از ارزیابی درخواست، پاسخ در همان قالب‌ها ارائه می‌شود تا در نقطه‌ی مشخصی از ورک‌فلو یا در نرم‌افزار و ایجنت یک تصمیم سریع گرفته شود و مرحله‌ی بعدی براساس آن تصمیم، اجرا شود؛ مثلا درخواست مشتری به کارشناس فروش وصل شود یا تغییری در مرحله‌ی پردازش سفارش ایجاد کند.

نام System One از مفهوم «سیستم یک» در در کتاب Thinking, Fast and Slow دنیل کانمن الهام گرفته شده و به تصمیم‌گیری سریع و واکنشی اشاره دارد. Typesafe از هم از این نام برای مدل‌هایی استفاده کرده که بدون تحلیل و تولید محتوا، با سرعت بالا و براساس الگوهای آموخته‌شده، تصمیم مشخصی می‌گیرند.

به بیان ساده، در System One Model به جای اینکه متن تولید شود، روی این سوال تمرکز می‌شود که «چه تصمیمی باید گرفته شود».

هوش مصنوعی Jev چه فرقی با هوش مصنوعی‌هایی مثل ChatGPT دارد؟

مدل‌های زبانی بزرگ (LLM)‌ مثل چت‌جی‌پی‌تی و جمینای و کلود براساس فکر کردن منطقی پاسخ می‌دهند و خروجی آن‌ها از جنس تحلیل و محتوا (تصویر، متن یا کد) است؛ در حالی که مدل‌های System 1 برای کارهای الگوپذیری طراحی شده‌اند تا بدون نیاز به تفکری منطقی و با سرعت بیشتر خروجی بدهند. جنس خروجی Jav به‌جای محتوا، تصمیم است.

برای مثال، اگر یک شرکت بخواهد یک سیستم هوشمند برای مدیریت درخواست‌های مشتریان ایجاد کند، ChatGPT می‌تواند برای درخواست‌های مشتری پاسخ مناسب بنویسد؛ اما Jev تصمیم می‌گیرد سوال مشتری از چه نوعی است، به کدام بخش ارجاع داده شود و به‌طور کلی مشخص می‌کند درخواست باید چگونه پردازش شود.

اگر از Jev‌ برای سوالات منطقی و نیازمند به تحلیل استفاده کنید، پاسخ اشتباه می‌گیرید. مثلا این معما را بخوانید: «نام ۳ دختر مادر الهام، فروردین، اردیبهشت و خرداد است، نام خواهر چهارم چیست.» اگر این معما را از چت‌جی‌پی‌تی بپرسید، به‌درستی پاسخ می‌دهد الهام؛ ولی Jev براساس الگوی تکرارشده، می‌گوید تیر.

دیگر تفاوت Jev و ChatGPT و سایر مدل‌های زبانی در این است که با انسان تعامل مستقیم ندارد. Chatgpt‌ و Gemini و مدل‌های مشابه، زبان طبیعی را درک و با انسان مکالمه می‌کنند؛ ولی Jev مستقیم در نرم‌افزار یا ورک‌فلو به‌منظور تصمیم‌گیری قرار می‌گیرد و کاربران عادی با آن سروکار ندارند.

خروجی Jev از قبل ساختار مشخصی دارد و از الگوهای تکرارشونده پیروی می‌کند؛ در حالی که مدل‌های زبانی کاملا در پاسخ‌دادن آزاد هستند و ممکن است براساس تحلیل هر جوابی بدهند.

هوش مصنوعی ChatGPT می‌تواند در کارهایی مانند تولید محتوا، پاسخ‌گویی به سؤال‌ها، خلاصه‌سازی، ترجمه و گفتگو با کاربران مورد استفاده قرار گیرد.

در مقابل، Jev یک مدل تصمیم‌گیر است که تمرکز آن روی ارائه خروجی‌های ساختاریافته مانند انتخاب، امتیازدهی و تصمیم‌های احتمالاتی است. این ویژگی باعث می‌شود Jev برای سیستم‌هایی مناسب باشد که نیاز دارند بر اساس داده‌ها یک اقدام مشخص را انتخاب کنند.

در جدول زیر مقایسه‌ی این ۲ ابزار را می‌بینید:

	Jev	Chatgpt
هدف اصلی	تصمیم‌گیری ساختاریافته برای سیستم‌ها	تولید و درک زبان طبیعی
نوع مدل	System One Model	دستیار هوش مصنوعی براساس Large Language Model (LLM) و ابزارها
نوع خروجی	تصمیم‌های مشخص مانند انتخاب، امتیاز و احتمال	متن، پاسخ مکالمه‌ای و محتوای تولیدشده
نحوه استفاده	بیشتر به‌عنوان بخشی از نرم‌افزارها و سیستم‌های هوشمند	تعامل مستقیم با کاربران از طریق گفت‌وگو
مناسب برای	تصمیم‌گیری، دسته‌بندی، امتیازدهی و مسیریابی فرآیندها	نویسندگی، ترجمه، خلاصه‌سازی، پاسخ‌گویی و تحلیل متن
نقش در AI Agent	مدیریت تصمیم‌ها و انتخاب اقدامات	گفت‌وگو، تولید محتوا و انجام وظایف زبانی
تمرکز اصلی	تصمیم (Decision)	تولید محتوا (Generation)

کاربردهای Jev چیست؟

کاربرد اصلی Jev بیشتر در بخش‌هایی است که یک نرم‌افزار باید بر اساس داده‌ها، یک انتخاب، امتیاز یا پیش‌بینی مشخص انجام دهد. از آنجا که خروجی Jev می‌تواند به شکل تصمیم‌های قابل استفاده توسط سیستم ارائه شود، این مدل می‌تواند در حوزه‌های مختلفی از کسب‌وکار و توسعه نرم‌افزار کاربرد داشته باشد.

این هوش مصنوعی می‌تواند در Automation و Workflowهای نرم‌افزاری به کار گرفته شود تا فرایندهای تکرارشونده را بر اساس تصمیم‌های هوشمند و خروجی‌های ساختاریافته مدیریت کند.

۱. پشتیبانی مشتری (Customer Support)

یکی از کاربردهای احتمالی Jev، بهبود سیستم‌های پشتیبانی مشتری است. در یک سامانه پشتیبانی، روزانه تعداد زیادی درخواست از کاربران دریافت می‌شود. یک سیستم هوشمند باید بتواند تشخیص دهد:

• درخواست مربوط به کدام بخش است؟
• میزان اهمیت آن چقدر است؟
• آیا نیاز به انتقال به کارشناس انسانی دارد؟
• کدام پاسخ یا اقدام مناسب‌تر است؟

هوش مصنوعی Jev می‌تواند یک درخواست را بررسی کند و آن را در دسته‌های مختلف قرار دهد:

• مشکل فنی
• سوال درباره پرداخت
• درخواست بازگشت کالا
• شکایت مشتری

این تصمیم می‌تواند سپس توسط سیستم مدیریت ارتباط با مشتری (CRM) برای انجام اقدام بعدی استفاده شود.

۲. تشخیص تقلب (Fraud Detection)

در حوزه‌هایی مانند بانکداری، پرداخت آنلاین و تجارت الکترونیک، تشخیص رفتارهای مشکوک اهمیت زیادی دارد. سیستم‌های سنتی معمولا بر اساس قوانین مشخص کار می‌کنند؛ برای مثال: «اگر مبلغ تراکنش بیشتر از مقدار مشخصی بود، آن را بررسی کن.»

در مقابل، سیستم‌های مبتنی‌بر هوش مصنوعی می‌توانند الگوهای پیچیده‌تری را بررسی کنند. Jev می‌تواند در چنین فرآیندهایی برای تصمیم‌هایی مانند موارد زیر استفاده شود:

• آیا یک تراکنش نیاز به بررسی بیشتر دارد؟
• سطح ریسک این فعالیت چقدر است؟
• احتمال تقلبی بودن یک رفتار چقدر است؟

خروجی ساختاریافته Jev می‌تواند به سیستم اجازه دهد بر اساس سطح ریسک، اقدام مناسب را انتخاب کند.

۳. مسیریابی خودکار (Routing)

در بسیاری از سیستم‌ها، یکی از مهم‌ترین تصمیم‌ها انتخاب مسیر مناسب برای پردازش اطلاعات است. به‌عنوان نمونه، در یک شرکت بزرگ ممکن است یک درخواست مشتری به یکی از این بخش‌ها ارسال شود:

• فروش
• پشتیبانی
• مالی
• واحد فنی

این هوش مصنوعی می‌تواند با تحلیل اطلاعات ورودی، مناسب‌ترین مسیر را انتخاب کند. این قابلیت در سیستم‌های بزرگ که حجم زیادی از درخواست‌ها را پردازش می‌کنند، می‌تواند باعث کاهش کارهای دستی و افزایش سرعت پاسخ‌گویی شود.

۴. ساخت ایجنت‌های هوشمند

یکی دیگر از حوزه‌هایی که Jev می‌تواند نقش مهمی داشته باشد، AI Agent است. ایجنت‌های هوش مصنوعی فقط به تولید پاسخ نیاز ندارند؛ آن‌ها باید بتوانند:

• شرایط را تحلیل کنند
• تصمیم بگیرند
• اقدام مناسب را انتخاب کنند
• فرایندها را اجرا کنند

در یک Agent فروش، مدل زبانی بخش تحلیل شرایط و اجرای فرایندها را مدیریت می‌کند، در حالی که Jev وظیفه تصمیم‌گیری درباره اولویت مشتری و مسیر مناسب ادامه فرایند فروش را بر عهده می‌گیرد.

۵. Moderation؛ بررسی و کنترل محتوا

پلتفرم‌های آنلاین روزانه حجم زیادی از محتوا را دریافت می‌کنند و نیاز دارند محتوای نامناسب یا خلاف قوانین را شناسایی کنند. Jev می‌تواند برای تصمیم‌هایی مانند:

• آیا این محتوا نیاز به بررسی دارد؟
• سطح ریسک محتوا چقدر است؟
• آیا باید به کاربر هشدار داده شود؟

مورد استفاده قرار گیرد.

۶. امتیازدهی سرنخ‌های فروش (Lead Scoring)

در بازاریابی و فروش، همه کاربران ارزش یکسانی برای کسب‌وکار ندارند. شرکت‌ها معمولا تلاش می‌کنند تشخیص دهند کدام کاربران احتمال بیشتری برای خرید دارند. Jev می‌تواند با تحلیل داده‌ها، به هر سرنخ فروش یک امتیاز اختصاص دهد.

برای مثال:

• کاربر A: احتمال خرید بالا
• کاربر B: نیازمند تعامل بیشتر
• کاربر C: احتمال خرید پایین

این اطلاعات به تیم فروش کمک می‌کند منابع خود را روی فرصت‌های مناسب‌تر متمرکز کند.

نحوه استفاده از Jev چگونه است؟

اگر ایجنت، ورک‌فلو یا نرم‌افزاری دارید که در یک مرحله به تصمیم‌گیری نیاز دارد و می‌خواهید از Jev استفاده کنید، به‌صورت کلی باید مراحل زیر را طی کنید. البته برای اجرای واقعی این مراحل نیاز است مطابق نیازتان پیش بروید.

تصمیم‌هایی را که Jev باید بگیرد، تعریف کنید

اول مشخص کنید Jev قرار است در چه مرحله‌ای از فرایند قرار بگیرد و چه تصمیمی بگیرد. این تصمیم‌ها را به‌صورت سوال مشخص کنید؛ مثلا

• درخواست مربوط به چه بخشی است؟
• میزان فوریت درخواست چقدر است؟
• آیا این مورد نیاز به بررسی انسانی دارد؟

بعد از میان ۳ نوع پاسخ Jev معلوم کنید به هر سوال چگونه پاسخ دهد.

در Playground سوال‌ها را آزمایش کنید

شرکت Typesafe یک محیط آزمایشی یا Playground دارد که بدون پیاده‌سازی کامل نرم‌افزار بتوانید عملکرد Jev را آزمایش کنید.

• وارد Playground شوید.
• درخواست یا State را بنویسید.
• سوال‌ها و پاسخ هر کدام را تعریف کنید.
• روی run بزنید و نتیجه را مشاهده کنید.

ساختار آزمایش‌شده را در کد قرار دهید

بعد از اینکه در Playground سوالات را آزمایش کردید و Jev به‌درستی جواب داد، همان ساختار را در کد نرم‌افزار یا workflow یا Agent خود قرار دهید. این ساختار بخش‌های زیر را دارد و وقتی در کد، Jev صدا زده می‌شود، این ساختار برای آن ارسال می‌شود:

• model
• state
• Questions

یک نمونه از کد دارای ساختار را در زیر می‌بینید:

کلید API را بگیرید و در کد قرار دهید

بعد از آن کلید API را از Jev می‌گیرید و در نرم‌افزارتان قرار می‌دهید. این کد بین نرم‌افزار و هوش مصنوعی Jev ارتباط برقرار می‌کند، State و سوالات را برای آن می‌فرستد و جواب را برمی‌گرداند. نرم‌افزار براساس جوابی که از Jev گرفته، برای مرحله‌ی بعدی تصمیم می‌گیرد.

پیش از استفاده گسترده، باید عملکرد Jev را با داده‌های واقعی و بر اساس هدف سیستم بررسی کنید تا میزان دقت و کارایی آن مشخص شود.

محدودیت‌های Jev چیست؟

با وجود قابلیت‌های هوش مصنوعی Jev در تصمیم‌گیری ساختاریافته، این مدل نیز مانند هر فناوری هوش مصنوعی دیگری محدودیت‌هایی دارد و برای همه کاربردها مناسب نیست.

• محاسبات و شمارش دقیق: Jev ماشین‌حساب نیست و نمی‌توان به آن در محاسبات دقیق، شمارش حروف، کلمات یا تعداد آیتم‌ها اعتماد کرد.
• مقایسه تاریخ و زمان: Jev تاریخ‌ها را بیشتر به‌عنوان متن می‌بیند و ممکن است در تشخیص تاریخ زودتر، فاصله بین دو تاریخ یا قرارگرفتن یک تاریخ در یک بازه اشتباه کند.
• استدلال چندمرحله‌ای: هرچه گرفتن یک تصمیم به مراحل بیشتر و ارتباط‌های غیرمستقیم‌تری نیاز داشته باشد، احتمال خطای Jev بیشتر می‌شود. این مدل برای سؤال‌های کوتاه، مستقیم و مشخص مناسب‌تر است.
• اطلاعات اضافی در State: اگر اطلاعات زیادی که ارتباطی با تصمیم ندارند در اختیار مدل قرار دهید، دقت آن کاهش پیدا می‌کند. بهتر است فقط داده‌هایی به Jev بدهید که برای همان تصمیم لازم هستند.
• برداشت تحت‌اللفظی از سؤال: Jev ممکن است دقیقاً همان چیزی را که نوشته شده بررسی کند، نه چیزی را که «منظور» کاربر بوده است. به همین دلیل سؤال‌ها و معیارها را باید واضح و دقیق تعریف کنید.
• ورودی‌های گمراه‌کننده یا مخرب: متن‌هایی که عمداً سعی می‌کنند مدل را منحرف کنند، مثل دستورهای تزریق‌شده (Injected Prompt) یا اطلاعات گمراه‌کننده، روی تصمیم Jev اثر می‌گذارند.
• دستورهای متناقض: اگر سؤال و معیارهای تعریف‌شده با یکدیگر تناقض داشته باشند، عملکرد مدل افت می‌کند.
• تولید متن و مکالمه: Jev برای نوشتن متن، مقاله، پاسخ مکالمه‌ای یا تولید محتوای آزاد آموزش ندیده است. برای چنین کارهایی باید از یک مدل مولد یا LLM استفاده کرد.

با توجه به محدودیت‌های گفته‌شده، Jev بیشتر برای مسائل مشخص و تصمیم‌محور مناسب است و نمی‌توان آن را جایگزین همه ابزارهای هوش مصنوعی دانست. بهترین نتیجه زمانی به دست می‌آید که نوع مسئله، داده‌های ورودی و هدف تصمیم‌گیری از قبل به‌درستی تعریف شده باشند.

چرا Jev سریع‌تر و ارزان‌تر از LLMهاست؟

یکی از دلایل مطرح‌شده برای سرعت و هزینه پایین‌تر Jev، نوع طراحی آن برای انجام تصمیم‌های ساختاریافته است. طبق ادعای TypeSafe AI، مدل‌های System One به‌جای تمرکز بر تولید پاسخ‌های متنی که زمان و پردازش زیادی نیاز دارند، برای ارائه خروجی‌هایی مانند انتخاب، امتیاز و احتمال طراحی شده‌اند (منبع: Typesafe).

این تفاوت در برخی کاربردهای تصمیم‌محور می‌تواند باعث کاهش زمان پردازش و مصرف منابع شود. برای مثال، اگر یک سیستم نیاز داشته باشد میلیون‌ها درخواست را فقط دسته‌بندی کند یا بر اساس اطلاعات موجود به آن‌ها امتیاز بدهد، مدلی که براساس ساختارهایی مشخص تصمیم مورد نیاز را تولید می‌کند، فرایند را ساده‌تر و کارآمدتر می‌کند؛ در نتیجه هزینه‌ی کمتری هم دارد.

آیا Jev واقعا ۲۰۰ برابر سریع‌تر از ChatGPT است؟

طبق اعلام TypeSafe AI، هوش مصنوعی Jev در برخی وظایف تصمیم‌گیری ساختاریافته می‌تواند تا حدود ۲۰۰ برابر سریع‌تر از مدل‌های زبانی بزرگ عمل کند (منبع: typesafe). این مقایسه مربوط به سناریوهایی است که مدل باید تصمیم‌هایی مانند انتخاب، امتیازدهی یا پیش‌بینی احتمال ارائه دهد و نباید به‌عنوان برتری عمومی Jev در همه کاربردهای هوش مصنوعی در نظر گرفته شود.

عدد ۲۰۰ برابر یک معیار عمومی برای همه کاربردهای هوش مصنوعی نیست و باید آن را در چارچوب وظایف مشخص تصمیم‌محور بررسی کرد.

آیا Jev جایگزین مدل‌های زبانی می‌شود؟

خیر، کاربرد Jev با مدل‌های زبانی بزرگ یکسان نیست. LLMها برای درک و تولید زبان طبیعی مناسب هستند و Jev برای فرآیندهایی طراحی شده که به تصمیم‌های مشخص و قابل پردازش نیاز دارند. برای همین این ۲ مدل بیشتر کار یکدیگر را تکمیل می‌کنند تا اینکه جایگزین همدیگر باشد.

آینده‌ی استفاده از این فناوری‌ها بیشتر به سمت ترکیب مدل‌های مختلف هوش مصنوعی پیش می‌رود. برای مثال، یک سیستم هوشمند می‌تواند از یک مدل زبانی برای تعامل با کاربر و از Jev برای تصمیم‌گیری درباره اقدام بعدی استفاده کند.

هزینه‌ی استفاده از Jev چقدر است؟

قیمت Jev به نوع استفاده، میزان درخواست‌ها و سرویس انتخاب‌شده بستگی دارد. از آنجا که Jev بیشتر برای استفاده توسعه‌دهندگان و اتصال از طریق API ارائه می‌شود، هزینه استفاده بر اساس مدل دسترسی و میزان مصرف سرویس تعیین می‌شود.

Jev AI؛ گامی جدید به سمت تصمیم‌گیری هوشمند

هوش مصنوعی Jev یک مدل تصمیم‌محور است که برای ارائه‌ی تصمیم‌های ساختاریافته در سیستم‌های هوشمند توسعه یافته است. این مدل می‌تواند در کنار مدل‌هایی مانند ChatGPT، به تحلیل داده‌ها و اجرای فرآیندهای تصمیم‌گیری خودکار کمک کند. اگر می‌خواهید با نسل جدید مدل‌های هوش مصنوعی آشنا شوید، قابلیت‌های Jev را بررسی کنید و دیدگاه خود را درباره نقش این مدل‌ها با ما به اشتراک بگذارید.