شرکت TypeSafe AI مدل جدیدی به نام Jev را معرفی کرده که در دسته‌ی مدل‌های «سیستم یک» (System One) قرار می‌گیرد. ویژگی متمایز Jev این است که برخلاف مدل‌های زبانی بزرگ (LLM) هیچ متنی تولید نمی‌کند. در عوض، کد شما یک وضعیت (State) و مجموعه‌ای از پرسش‌های ساختاریافته را ارسال می‌کند و مدل در پاسخ، گزینه‌ها، امتیازها و احتمالات را برمی‌گرداند تا برنامه مستقیماً بر اساس آن‌ها تصمیم بگیرد.

سه ابزار اصلی: انتخاب، امتیاز و احتمال#

در آموزش منتشر شده توسط MarkTechPost، نحوه‌ی کار با سه ابزار اصلی این مدل بررسی شده است:

  • Choice (انتخاب): یک برچسب را از بین گزینه‌های تعریف‌شده انتخاب می‌کند و احتمال هر گزینه را برمی‌گرداند.
  • Score (امتیاز): وضعیت را روی یک طیف رتبه‌بندی‌شده قرار می‌دهد و امتیازی را که می‌تواند بین دو سطح باشد، محاسبه می‌کند.
  • Noul (احتمال صفر یا یک): تنها یک عدد برمی‌گرداند که نشان می‌دهد احتمال درست بودن یک گزاره چقدر است.

نمونه کد و عملکرد#

برای استفاده از این قابلیت‌ها، کتابخانه‌ی typesafe-sdk (نسخه ۰.۷.۰) نصب می‌شود. در یک نمونه عملی، اطلاعات یک تیکت پشتیبانی شامل «موضوع»، «پیام‌ها» و «سیاست بازپرداخت» به مدل داده می‌شود. مدل در یک درخواست واحد و به‌صورت موازی، تیم مسئول را انتخاب، میزان عصبانیت مشتری را امتیازدهی و درخواست بازپرداخت را بررسی می‌کند. نام پرسش‌ها به خود مدل فرستاده نمی‌شود و مدل تنها بر اساس دستورالعمل‌ها و وضعیت ورودی پاسخ می‌دهد.

تحلیل تحریریه#

معرفی مدل‌هایی مانند Jev نشان می‌دهد که بازار هوش مصنوعی در حال حرکت از «تولید محتوا» به سمت «تصمیم‌گیری قابل‌اتوماسیون» است. مزیت اصلی این رویکرد، حذف توهم (Hallucination) در خروجی‌های متنی است؛ زیرا شما به‌جای خواندن یک پاراگراف، یک عدد یا یک کلاس مشخص دریافت می‌کنید که می‌توانید مستقیماً در شرط‌های برنامه (If/Else) استفاده کنید. این الگو برای سیستم‌های روتینگ تیکت، اعتبارسنجی محتوا و فیلتر کردن داده‌ها بسیار مناسب است، اما نیازمند تغییر نگرش برنامه‌نویس از «چت با هوش مصنوعی» به «پرسش‌وپاسخ ساختاریافته» است.

منبع: MarkTechPost