هوش مصنوعی Jev چیست؟ معرفی کامل

هوش مصنوعی
ارسال شده توسط
1405/06/30
16 بازدید
هوش مصنوعی Jev چیست
Jev AI یکی از متفاوت ترین مدل های هوش مصنوعی جدید است که به جای رقابت مستقیم با ChatGPT، Claude یا سایر چت بات ها، سراغ یک مشکل کاملا متفاوت رفته است: تصمیم گیری سریع برای نرم افزارها. اگر خیلی خودمونی بخواهیم بگوییم، Jev قرار نیست برای شما مقاله بنویسد، ایمیل تولید کند یا ساعت ها با شما چت کند؛ در عوض، اطلاعات را می گیرد و خیلی سریع تصمیم می گیرد که مثلا «این درخواست مربوط به کدام بخش است؟»، «این تراکنش چقدر مشکوک است؟» یا «مرحله بعدی این اتوماسیون چه باشد؟». همین رویکرد باعث شده TypeSafe AI از Jev به عنوان اولین مدل عمومی از نسل System One Models یاد کند؛ مدلی که خروجی آن به جای متن آزاد، شامل تصمیم های ساختاریافته، امتیاز و احتمال است.

Jev AI چیست؟

Jev یک مدل هوش مصنوعی ساخته شده توسط شرکت TypeSafe AI است که در سپتامبر 2026 معرفی شد. برخلاف مدل های زبانی بزرگ یا LLMها که معمولا برای تولید متن، مکالمه، برنامه نویسی و پاسخ گویی طراحی می شوند، Jev برای تصمیم گیری داخل نرم افزارها و سیستم های خودکار ساخته شده است.
TypeSafe این دسته از مدل ها را System One Models می نامد.
ایده اصلی ساده است:
LLMهای سنتی کلمه تولید می کنند؛ Jev تصمیم تولید می کند.
برای مثال، فرض کنید یک سیستم پشتیبانی هزاران پیام مشتری دریافت می کند. به جای اینکه برای هر پیام از یک مدل بزرگ بخواهیم توضیح دهد مشکل کاربر چیست، Jev می تواند مستقیما مشخص کند که پیام باید به کدام بخش ارسال شود:

  • Billing
  • Technical Support
  • Sales
  • Returns

سپس نرم افزار می تواند براساس این تصمیم، بدون نیاز به پردازش یک پاسخ متنی طولانی، عملیات بعدی را اجرا کند.

شرکت TypeSafe AI؛ سازنده Jev

Jev توسط استارتاپ TypeSafe AI توسعه داده شده است. بنیان گذار این شرکت Diogo Almeida است که پیش تر در OpenAI روی روش های instruction-following و RLHF مرتبط با تحقیقات منتهی به ChatGPT فعالیت داشته است.
TypeSafe بعد از حدود دو سال فعالیت در حالت stealth، Jev را به عنوان نخستین مدل عمومی System One معرفی کرد.
براساس اعلام رسمی شرکت، پشته فنی آن شامل معماری مدل جدید، یک Parallel Sampler و روش آموزشی جدیدی با نام Reinforcement Learning for Calibrated Decisions یا RLCD است. هدف RLCD این است که مدل علاوه بر انتخاب یک پاسخ، میزان عدم قطعیت و احتمال مربوط به آن تصمیم را نیز به شکل قابل استفاده در نرم افزار ارائه کند.

System One Model چیست؟

نام System One از مفهوم System 1 Thinking الهام گرفته شده است؛ مفهومی که با کتاب Thinking, Fast and Slow دنیل کانمن شناخته می شود.
System 1 در این چارچوب به تصمیم های سریع و نسبتا مستقیم اشاره دارد، در حالی که System 2 بیشتر با تحلیل آهسته و استدلال چند مرحله ای مرتبط است. البته TypeSafe نمی گوید Jev دقیقا مانند شهود انسان فکر می کند. استفاده از این نام بیشتر نشان دهنده نوع وظیفه ای است که مدل برای آن بهینه شده است: قضاوت های سریع، محدود و ساختاریافته درون نرم افزارها.
در مدل های سنتی، فضای خروجی تقریبا باز است و مدل می تواند هر متنی تولید کند. اما در Jev، توسعه دهنده از قبل مشخص می کند که مدل چه نوع جواب هایی اجازه دارد ارائه کند.

تفاوت Jev با ChatGPT و مدل های LLM

Jev را نباید صرفا یک «ChatGPT سریع تر» در نظر گرفت. این دو اساسا برای کاربردهای متفاوتی ساخته شده اند.
یک LLM معمولی ممکن است برای یک درخواست پشتیبانی چنین پاسخی تولید کند:
«به نظر می رسد مشتری به دلیل برداشت دوباره وجه با مشکل صورتحساب مواجه شده و بهتر است درخواست به بخش Billing ارسال شود.»
اما نرم افزار احتمالا به تمام این جمله احتیاجی ندارد و فقط به یک مقدار نیاز دارد:
billing
Jev دقیقا روی همین مسئله تمرکز کرده است.

ویژگیJevLLMهای عمومی
نوع خروجیتصمیم ساختاریافتهمتن
مکالمه با کاربرهدف اصلی نیستبله
تولید مقاله و محتواخیربله
تولید کدهدف اصلی نیستبله
Classificationکاربرد اصلیقابل انجام
Routingکاربرد اصلیقابل انجام
Scoringکاربرد اصلیقابل انجام
خروجی از قبل محدود شدهبلهمعمولا خیر
احتمال و Confidenceبخشی از رابط تصمیمبسته به مدل و پیاده سازی

بنابراین Jev و ChatGPT الزاما جایگزین یکدیگر نیستند و حتی می توانند در یک سیستم در کنار هم استفاده شوند. Jev می تواند تصمیم بگیرد یک درخواست به کدام ابزار یا مدل ارسال شود و سپس یک LLM وظیفه تولید محتوا یا پاسخ نهایی را انجام دهد.

Jev چگونه کار می کند؟

هوش مصنوعی Jev چیست

یکی از مهم ترین ویژگی های Jev این است که شکل خروجی پیش از اجرای مدل مشخص می شود.
به طور ساده، جریان کار آن می تواند به این شکل باشد:
State + Question → Jev → Typed Decision + Probability + Confidence
State می تواند تقریبا هر اطلاعاتی باشد؛ برای مثال:

پیام یک مشتری
نتیجه جستجو
داده های یک اپلیکیشن
رویداد امنیتی
اطلاعات یک تراکنش
محتوای یک سند
داده های ساختاریافته

سپس توسعه دهنده یک یا چند سوال مشخص درباره آن State مطرح می کند و Jev پاسخ هایی با ساختار از پیش تعیین شده تولید می کند.

چرا Jev سریع است؟

مدل های زبانی معمولا متن را توکن به توکن تولید می کنند. حتی اگر فقط بخواهیم بدانیم یک درخواست متعلق به بخش Sales است یا Support، مدل ممکن است چندین توکن برای توضیح، استدلال یا تولید JSON ایجاد کند.
Jev تولید متن آزاد را کنار گذاشته و مستقیما روی خروجی های محدود و ساختاریافته کار می کند. TypeSafe همچنین اعلام کرده که Jev می تواند چند تصمیم را به صورت موازی روی یک State بررسی کند. برای مثال، یک درخواست پشتیبانی می تواند هم زمان از نظر:

  • Intent
  • Urgency
  • Fraud Risk
  • Eligibility
  • Missing Information
  • Escalation

بررسی شود.

Jev چقدر سریع است؟

براساس نتایج منتشرشده توسط TypeSafe، زمان پاسخ End-to-End در برخی فراخوانی های System One حدود 70 تا 500 میلی ثانیه گزارش شده است. در یکی از ارزیابی های منتشرشده توسط شرکت نیز Jev تا حدود 193.6 برابر سریع تر از تنظیم LLM مقایسه شده گزارش شده است.
اما این عدد را نباید به معنی «Jev در تمام کارها 200 برابر سریع تر از ChatGPT است» تفسیر کرد. این آزمایش ها روی Workflowهای خاص System One انجام شده اند و TypeSafe نیز اعلام کرده که نتایج بسیار بزرگ این Benchmarkها احتمالا در محدوده بالای مزایای قابل مشاهده در محیط واقعی قرار دارند.
به همین دلیل برای استفاده تجاری بهتر است Jev روی Workflow واقعی همان کسب و کار Benchmark شود.

قیمت Jev AI

براساس قیمت اعلام شده هنگام عرضه، هزینه Jev برابر با:
0.042 دلار به ازای هر یک میلیون Input Token است.
این یعنی:
1 میلیارد Input Token ≈ 42 دلار
همچنین هزینه Output Token در قیمت اولیه اعلام شده صفر دلار بوده است.
مدل قیمت گذاری آن منطقی است، چون مدل قرار نیست مقدار زیادی متن خروجی تولید کند و تمرکز اصلی روی پردازش State و تولید تصمیم است.
البته این قیمت مربوط به زمان عرضه Jev است و ممکن است در آینده تغییر کند.

کاربردهای Jev AI

ماهیت تصمیم محور آن باعث می شود بتوان از آن در تعداد زیادی از سیستم های نرم افزاری استفاده کرد.

جستجو و Reranking
یک موتور جستجو ممکن است صدها نتیجه پیدا کند. Jev می تواند مشخص کند کدام نتایج با Intent کاربر ارتباط بیشتری دارند و کدام موارد باید اولویت بالاتری بگیرند.
Agent Routing
سیستم های هوش مصنوعی مدرن ممکن است شامل تعداد زیادی Agent و ابزار باشند. برای مثال:

  • Coding Agent
  • Research Agent
  • Image Generator
  • Search Tool
  • Human Reviewer

Jev می تواند درخواست را بررسی کرده و مشخص کند کدام Agent یا Tool باید آن را دریافت کند.

Model Routing
در سیستم هایی که چند مدل AI استفاده می شود، Jev می تواند براساس نوع درخواست انتخاب کند کدام مدل باید اجرا شود. این کار می تواند در مدیریت هزینه و سرعت سیستم های AI اهمیت زیادی داشته باشد.

Context Filtering
Agentهای هوش مصنوعی معمولا مقدار زیادی اطلاعات جمع آوری می کنند. Jev می تواند قبل از ارسال Context به یک LLM بزرگ، مشخص کند کدام سند یا بخش واقعا مرتبط است.
در نتیجه Context نهایی کوچک تر و متمرکزتر خواهد شد.

امنیت و Fraud Detection
Jev می تواند برای ارزیابی درخواست ها، رفتار کاربران، تراکنش ها یا رویدادهای امنیتی استفاده شود و احتمال مشکوک بودن یک مورد را محاسبه کند.

Customer Support Automation
یکی از واضح ترین کاربردهای آن در پشتیبانی مشتری است. مدل می تواند مواردی مانند Intent، Urgency، Department و Escalation Requirement را هم زمان ارزیابی کند و Workflow بعدی را در اختیار سیستم قرار دهد.

Jev در سیستم های AI Agent

یکی از حوزه هایی که می تواند نقش مهمی داشته باشد، AI Agentها هستند. Agentهای پیشرفته دائما باید تصمیم بگیرند:

  • از چه ابزاری استفاده کنند؟
  • آیا اطلاعات کافی دارند؟
  • آیا باید Search انجام دهند؟
  • کدام مدل مناسب تر است؟
  • آیا عملیات خطرناک است؟
  • آیا نیاز به تایید انسان وجود دارد؟

استفاده از یک LLM بزرگ برای تمام این تصمیم های کوچک ممکن است هزینه و Latency سیستم را افزایش دهد. یک معماری احتمالی می تواند به این شکل باشد:
User Request → Jev Decision → Tool / Agent → LLM → Final Output
در چنین سیستمی Jev مانند یک Decision Layer عمل می کند.

آیا Jev جایگزین ChatGPT و Claude خواهد شد؟

در حال حاضر Jev برای جایگزینی کامل ChatGPT، Claude یا سایر مدل های مولد طراحی نشده است. اگر هدف شما موارد زیر باشد:

✔ نوشتن مقاله
✔ تولید ایمیل
✔ برنامه نویسی
✔ تحلیل طولانی
✔ مکالمه
✔ خلاصه سازی
✔ تولید محتوای خلاقانه

یک LLM عمومی همچنان گزینه مناسب تری است.

اما اگر وظیفه شما این باشد:

✔ آیا این درخواست معتبر است؟
✔ کدام بخش باید آن را دریافت کند؟
✔ این محتوا چقدر مرتبط است؟
✔ این تراکنش چقدر پرریسک است؟
✔ کدام Agent باید اجرا شود؟

Jev دقیقا برای همین نوع مسئله ساخته شده است.

محدودیت ها

تمرکز محدود Jev هم زمان بزرگ ترین مزیت و بزرگ ترین محدودیت آن است و برای تولید متن آزاد ساخته نشده و بنابراین نمی تواند بسیاری از کارهایی را انجام دهد که کاربران از ChatGPT یا Claude انتظار دارند.
همچنین محدود بودن خروجی، اشتباه معنایی را حذف نمی کند. اگر State ناقص باشد یا مدل تصمیم اشتباهی بگیرد، خروجی ممکن است از نظر Schema کاملا صحیح ولی از نظر مفهوم غلط باشد.
علاوه بر این، بسیاری از اعداد مربوط به سرعت و هزینه Jev هنوز براساس Benchmarkها و ارزیابی های خود TypeSafe منتشر شده اند و عملکرد واقعی می تواند براساس نوع Workflow، منطقه جغرافیایی، حجم Context و شرایط زیرساخت متفاوت باشد.

آینده Jev و System One Models

شاید مهم ترین بخش معرفی خود مدل نباشد، بلکه ایده پشت آن باشد. تا امروز بخش بزرگی از صنعت هوش مصنوعی روی مدل هایی متمرکز بوده که بتوانند بهتر بنویسند، صحبت کنند یا استدلال طولانی انجام دهند. TypeSafe مسیر دیگری پیشنهاد می کند:
هوش مصنوعی همیشه نباید با انسان صحبت کند؛ گاهی فقط باید یک تصمیم کوچک برای نرم افزار بگیرد.
اگر این رویکرد موفق شود، ممکن است در آینده بسیاری از اپلیکیشن ها یک لایه تصمیم گیری AI داشته باشند که کاربر حتی مستقیما آن را مشاهده نمی کند. در این سناریو مدل هایی مانند Jev می توانند در پشت صحنه میلیون ها تصمیم کوچک برای Routing، Ranking، Security، Agents و Automation بگیرند.

جمع بندی

Jev AI تلاش می کند تعریف متفاوتی از کاربرد هوش مصنوعی در نرم افزار ارائه دهد. برخلاف ChatGPT و سایر LLMهای عمومی که هدف اصلی آن ها تولید زبان است، Jev روی تصمیم های سریع، ساختاریافته و قابل استفاده مستقیم توسط کد تمرکز دارد. خروجی های محدود، Probability، Confidence، پردازش موازی و معماری System One می توانند Jev را برای Workflowهای پرتعداد و کم Latency جذاب کنند. با این حال، ادعاهای سرعت بالا یا Zero Hallucination باید در چارچوب طراحی خاص مدل بررسی شوند؛ Jev می تواند خروجی صحیح از نظر ساختار تولید کند اما همچنان در خود تصمیم اشتباه داشته باشد. در نهایت، شاید بهترین نگاه به Jev این نباشد که آن را رقیب ChatGPT بدانیم؛ بلکه Jev می تواند تبدیل به همان لایه تصمیم گیری هوشمند شود که قبل از اجرای مدل های مولد، ابزارها و AI Agentها در پشت صحنه فعالیت می کند.

اشتراک گذاری:

آکادمی سالچین - سالیدیتی

مطالب زیر را حتما بخوانید

دیدگاهتان را بنویسید