Jev چیست؟ آشنایی کامل با مدل هوش مصنوعی جدید برای تصمیم‌گیری

در این مقاله بررسی می‌کنیم Jev چیست، چه تفاوتی با LLMها دارد، چگونه کار می‌کند، چه نوع خروجی‌ای ارائه می‌دهد، چه کاربردهایی دارد و آیا می‌تواند در آینده به یکی از اجزای مهم نرم‌افزارهای هوشمند تبدیل شود.

Jev چیست؟

Jev نخستین مدل عمومی شرکت TypeSafe AI در دسته‌ای است که این شرکت آن را System One Model می‌نامد. این مدل برای انجام تصمیم‌های سریع و ساختاریافته در داخل نرم‌افزارها ساخته شده است.

در یک مدل زبانی معمول، شما اطلاعاتی را به مدل می‌دهید و مدل یک پاسخ متنی تولید می‌کند. اما در Jev، شما یک وضعیت یا State را به مدل می‌دهید و مشخص می‌کنید دقیقاً چه تصمیمی باید درباره آن گرفته شود. سپس Jev نتیجه را در قالبی ساختاریافته ارائه می‌کند.

برای مثال فرض کنید یک فروشگاه آنلاین هزاران پیام از مشتریان دریافت می‌کند. به جای اینکه از یک مدل زبانی بخواهید برای هر پیام پاسخ بنویسد، می‌توانید از Jev بپرسید:

• این پیام مربوط به فروش است یا پشتیبانی؟
• میزان فوریت این درخواست چقدر است؟
• آیا این مشتری احتمالاً قصد خرید دارد؟
• درخواست باید به کدام تیم ارجاع داده شود؟

در چنین شرایطی Jev به جای تولید یک پاراگراف، مستقیماً یک تصمیم ساختاریافته ارائه می‌کند که نرم‌افزار می‌تواند بر اساس آن اقدام بعدی را انجام دهد.

Jev توسط چه شرکتی ساخته شده است؟

Jev توسط شرکت TypeSafe AI توسعه داده شده است. این شرکت در سپتامبر ۲۰۲۶ از مدل Jev و مفهوم System One Models رونمایی کرد.

TypeSafe AI توسط Diogo Almeida تأسیس شده است. این شرکت اعلام کرده که هدف آن ایجاد نوعی از هوش مصنوعی است که به جای اینکه صرفاً برای تعامل با انسان طراحی شود، بتواند به شکل مستقیم در نرم‌افزارها مورد استفاده قرار گیرد.

Jev در زمان معرفی عمومی در مرحله دسترسی اولیه یا Early Access قرار داشت و TypeSafe آن را نخستین مدل عمومی از نسل System One معرفی کرده است. :contentReference[oaicite:1]{index=1}

System One Model چیست؟

برای درک Jev، ابتدا باید با مفهوم System One آشنا شویم.

نام System One از مفهوم معروف «سیستم ۱» در نظریه‌های مربوط به تفکر سریع و شهودی گرفته شده است. ایده اصلی این است که همه تصمیم‌ها به استدلال طولانی و تولید پاسخ متنی نیاز ندارند. بسیاری از تصمیم‌های روزمره را می‌توان بسیار سریع انجام داد.

TypeSafe AI همین ایده را به نرم‌افزار آورده است. به جای اینکه یک مدل زبانی برای هر تصمیم چندین توکن تولید کند و در نهایت یک پاسخ متنی یا JSON تحویل دهد، Jev برای انجام تصمیم‌های مشخص و محدود طراحی شده است.

به بیان ساده:

LLMها بیشتر برای تولید محتوا و تعامل با انسان ساخته شده‌اند؛ Jev برای تولید تصمیمی ساخته شده که نرم‌افزار بتواند مستقیماً از آن استفاده کند.

Jev چه تفاوتی با LLM دارد؟

مدل‌های زبانی بزرگ یا LLM بخش مهمی از فناوری هوش مصنوعی مولد هستند. اگر می‌خواهید با مفهوم LLM و کاربردهای آن بیشتر آشنا شوید، مقاله LLM چیست و چه کاربردهایی دارد؟ راهنمای کامل را مطالعه کنید.

تفاوت Jev با یک LLM معمولی را می‌توان از نوع خروجی آن شروع کرد.

Jev چگونه کار می‌کند؟

ساختار Jev نسبتاً متفاوت از APIهای رایج مدل‌های زبانی است. در یک درخواست معمولی، دو بخش اصلی وجود دارد:

۱. State یا وضعیت

State همان اطلاعاتی است که مدل باید درباره آن تصمیم بگیرد. این اطلاعات می‌تواند یک پیام مشتری، متن یک درخواست، اطلاعات یک پرونده، گزارش یک خطا یا بخشی از وضعیت یک نرم‌افزار باشد.

برای مثال:

مشتری اعلام کرده است که مبلغ بیمه‌نامه را پرداخت کرده
اما هنوز پیام صدور بیمه‌نامه برای او ارسال نشده است.

۲. Question یا سؤال ساختاریافته

بعد از ارائه وضعیت، مشخص می‌کنید مدل باید چه تصمیمی بگیرد.

برای مثال:

این درخواست متعلق به کدام بخش است؟

صدور بیمه‌نامه
پرداخت
خسارت
پشتیبانی

Jev بر اساس وضعیت موجود، یکی از گزینه‌ها را انتخاب می‌کند و در کنار آن احتمال گزینه‌ها و میزان اطمینان را نیز ارائه می‌دهد.

سه نوع سؤال در Jev

Jev در معرفی فعلی خود سه نوع اصلی سؤال را پشتیبانی می‌کند: Choice، Score و Noul. این ساختار به توسعه‌دهنده اجازه می‌دهد نوع تصمیم مورد نیاز نرم‌افزار را از ابتدا مشخص کند. :contentReference[oaicite:2]{index=2}

Choice؛ انتخاب بین چند گزینه

در این حالت چند گزینه از قبل مشخص می‌کنید و Jev انتخاب می‌کند کدام گزینه با وضعیت ورودی مطابقت بیشتری دارد.

مثلاً:

موضوع پیام مشتری چیست؟

فروش
پشتیبانی
خسارت
مالی

خروجی می‌تواند شامل گزینه انتخاب‌شده، احتمال هر گزینه و میزان اطمینان باشد.

Score؛ امتیازدهی

در حالت Score، اطلاعات ورودی بر اساس یک مقیاس مشخص ارزیابی می‌شود. برای مثال می‌توان میزان فوریت یک درخواست را در یک مقیاس چندسطحی تعیین کرد.

این قابلیت می‌تواند برای رتبه‌بندی لیدها، اولویت‌بندی درخواست‌های پشتیبانی یا ارزیابی کیفیت یک سرنخ فروش مورد استفاده قرار گیرد.

Noul؛ تصمیم بله یا خیر

در این حالت سؤال به شکل یک تصمیم دودویی مطرح می‌شود. برای مثال:

آیا این درخواست نیاز به بررسی انسانی دارد؟

مدل می‌تواند احتمال «بله» را به عنوان بخشی از خروجی ارائه کند. بنابراین نرم‌افزار می‌تواند مثلاً تصمیم بگیرد اگر احتمال از یک آستانه مشخص بالاتر بود، پرونده برای بررسی انسانی ارسال شود.

یکی از مهم‌ترین ویژگی‌های Jev؛ احتمال و Confidence

یکی از تفاوت‌های مهم Jev با بسیاری از کاربردهای سنتی LLM، تأکید آن بر احتمال و میزان اطمینان است.

فرض کنید نرم‌افزار باید مشخص کند یک پیام مشتری مربوط به فروش است یا پشتیبانی. Jev فقط نمی‌گوید «فروش». می‌تواند توزیع احتمال گزینه‌ها و یک مقدار Confidence نیز ارائه کند.

در نتیجه برنامه می‌تواند تصمیم بگیرد:

• اگر اطمینان بالا بود، تصمیم به صورت خودکار اجرا شود.
• اگر اطمینان متوسط بود، درخواست وارد یک مرحله کنترل شود.
• اگر اطمینان پایین بود، تصمیم‌گیری به انسان سپرده شود.

این موضوع برای سیستم‌های اتوماسیون اهمیت زیادی دارد؛ چون در بسیاری از کاربردهای واقعی، مسئله فقط «پاسخ چیست؟» نیست، بلکه «چقدر می‌توان به این پاسخ برای انجام یک اقدام خودکار اعتماد کرد؟» نیز اهمیت دارد.

آیا Jev می‌تواند هذیان یا Hallucination داشته باشد؟

TypeSafe AI درباره Jev ادعای متفاوتی نسبت به LLMهای مولد مطرح می‌کند. از آنجا که Jev خروجی متنی آزاد تولید نمی‌کند و پاسخ‌های آن در محدوده انواع و گزینه‌هایی است که برنامه‌نویس تعریف کرده است، مدل نمی‌تواند خارج از قالب تعریف‌شده یک پاسخ متنی یا نوع داده نامعتبر تولید کند. شرکت این ویژگی را با عنوان Type-safe بودن خروجی معرفی می‌کند. :contentReference[oaicite:3]{index=3}

اما این نکته به معنی «عدم امکان اشتباه در تصمیم» نیست. محدود بودن خروجی با درست بودن تصمیم تفاوت دارد. Jev همچنان ممکن است یک گزینه اشتباه را با احتمال مشخص انتخاب کند. بنابراین در کاربردهای حساس، طراحی آستانه اطمینان، ارجاع موارد نامطمئن به انسان و پایش عملکرد مدل اهمیت زیادی دارد.

Jev چقدر سریع است؟

سرعت یکی از مهم‌ترین بخش‌های طراحی Jev است. TypeSafe AI اعلام کرده که Jev برای تصمیم‌های ساختاریافته با تأخیر بسیار پایین طراحی شده و در آزمایش‌های منتشرشده توسط شرکت، زمان پاسخ حدود ۷۰ تا ۵۰۰ میلی‌ثانیه گزارش شده است. :contentReference[oaicite:4]{index=4}

این سرعت برای نرم‌افزارهایی که باید هزاران یا میلیون‌ها تصمیم کوچک در روز بگیرند اهمیت زیادی دارد.

برای مثال در یک سیستم پشتیبانی، ممکن است لازم باشد هر پیام ورودی ابتدا دسته‌بندی شود. اگر این مرحله برای هر پیام چند ثانیه طول بکشد، هزینه و تأخیر سیستم بالا می‌رود. اما اگر این تصمیم در کسری از ثانیه انجام شود، می‌توان آن را به عنوان بخشی از زیرساخت نرم‌افزار اجرا کرد.

قیمت Jev چقدر است؟

یکی دیگر از ادعاهای مهم TypeSafe AI مربوط به هزینه استفاده از Jev است. طبق اطلاعات رسمی منتشرشده توسط این شرکت، قیمت ورودی Jev در زمان معرفی ۰٫۰۴۲ دلار به ازای هر یک میلیون توکن ورودی اعلام شده است و خروجی به دلیل ماهیت مدل هزینه جداگانه‌ای ندارد. :contentReference[oaicite:5]{index=5}

این قیمت در مقایسه با بسیاری از مدل‌های زبانی مولد بسیار پایین است، اما باید توجه داشت که Jev و یک LLM معمولی دقیقاً برای یک کار طراحی نشده‌اند. بنابراین مقایسه قیمت آنها فقط زمانی معنا دارد که هر دو برای یک وظیفه مشخص مورد استفاده قرار بگیرند.

Context Window در Jev چقدر است؟

طبق مستندات فنی منتشرشده برای API، Jev در نسخه فعلی با Context حدود ۶۴ هزار توکن معرفی شده است. ورودی می‌تواند شامل متن، وضعیت برنامه یا داده‌ای باشد که قرار است مدل درباره آن تصمیم بگیرد. :contentReference[oaicite:6]{index=6}

اگر با مفهوم توکن و Context Window آشنا نیستید، پیشنهاد می‌کنیم مقاله توکن و Context Window در هوش مصنوعی چیست؟ را نیز مطالعه کنید.

Jev در چه کارهایی کاربرد دارد؟

Jev بیشترین ارزش خود را در جایی نشان می‌دهد که یک نرم‌افزار باید تعداد زیادی تصمیم مشخص و تکرارشونده بگیرد.

دسته‌بندی درخواست‌های مشتری

یک سیستم پشتیبانی می‌تواند پیام‌های ورودی را به دسته‌هایی مانند فروش، مالی، فنی، شکایت یا پشتیبانی تقسیم کند.

تشخیص لیدهای فروش

اطلاعات یک مشتری بالقوه می‌تواند به Jev داده شود تا احتمال تبدیل شدن آن به مشتری یا سطح کیفیت لید مشخص شود.

اولویت‌بندی تیکت‌ها

در سیستم‌های پشتیبانی می‌توان درخواست‌ها را از نظر فوریت ارزیابی کرد و تیکت‌های مهم‌تر را زودتر به کارشناسان ارجاع داد.

تشخیص تقلب

Jev می‌تواند بخشی از یک سیستم تشخیص رفتارهای مشکوک باشد. در این حالت مدل می‌تواند احتمال مشکوک بودن یک تراکنش یا پرونده را ارزیابی کند و نرم‌افزار بر اساس یک آستانه مشخص تصمیم بگیرد که پرونده نیاز به بررسی بیشتر دارد یا خیر.

انتخاب مسیر بعدی در Agentها

در سیستم‌های Agentic، همیشه لازم نیست مدل یک پاسخ طولانی تولید کند. گاهی فقط باید مشخص شود مرحله بعدی چه باشد. برای مثال:

• جست‌وجوی اطلاعات
• تماس با API
• درخواست اطلاعات بیشتر
• ارجاع به انسان
• اجرای یک عملیات

Jev می‌تواند برای چنین تصمیم‌هایی در کنار مدل‌های مولد استفاده شود.

کاربرد احتمالی Jev در صنعت بیمه

یکی از حوزه‌هایی که می‌تواند از مدل‌های تصمیم‌محور مانند Jev استفاده کند، صنعت بیمه است. سیستم‌های بیمه‌ای دائماً با حجم زیادی از اطلاعات، درخواست‌ها و تصمیم‌های تکرارشونده مواجه هستند.

برای مثال، یک شرکت بیمه یا پلتفرم فروش آنلاین می‌تواند از چنین مدلی برای موارد زیر استفاده کند:

• تشخیص نوع درخواست مشتری
• دسته‌بندی سرنخ‌های فروش
• تشخیص احتمال تبدیل لید به فروش
• اولویت‌بندی درخواست‌های خسارت
• تشخیص نیاز به بررسی انسانی
• انتخاب مسیر مناسب برای یک درخواست
• دسته‌بندی پیام‌های ورودی
• امتیازدهی به کیفیت لید
• تشخیص درخواست‌های غیرعادی برای بررسی بیشتر

برای مثال فرض کنید مشتری پیام زیر را ارسال کند:

من قیمت بیمه شخص ثالث را می‌خواهم و اگر امکان پرداخت قسطی
وجود داشته باشد، می‌خواهم بیمه را همین امروز خریداری کنم.

یک سیستم می‌تواند این پیام را به Jev ارسال کند و چند سؤال مشخص از آن بپرسد:

• آیا مشتری قصد خرید دارد؟
• نوع بیمه چیست؟
• آیا مشتری درباره پرداخت سؤال کرده است؟
• سطح فوریت فروش چقدر است؟

سپس نرم‌افزار می‌تواند بر اساس خروجی‌ها اقدام بعدی را انجام دهد؛ مثلاً مشتری را وارد مسیر فروش کند یا او را به کارشناس مربوطه ارجاع دهد.

Jev در مقابل ChatGPT و Gemini؛ آیا جایگزین آنهاست؟

Jev را بهتر است جایگزین مستقیم ChatGPT، Gemini یا سایر LLMهای مولد در نظر نگیریم. این مدل‌ها برای وظایف متفاوتی ساخته شده‌اند.

اگر هدف شما تولید مقاله، پاسخ به کاربر، خلاصه‌سازی، کدنویسی، ترجمه یا تحلیل باز باشد، یک LLM مولد گزینه طبیعی‌تری است.

اما اگر نرم‌افزار شما فقط باید تصمیم بگیرد «کدام گزینه؟»، «چه امتیازی؟» یا «بله یا خیر؟»، استفاده از مدلی که اساساً برای این نوع تصمیم طراحی شده می‌تواند منطقی‌تر باشد.

چرا Jev به جای تولید متن، تصمیم تولید می‌کند؟

یکی از مشکلات استفاده از LLMها در نرم‌افزار این است که مدل معمولاً یک رشته متنی تولید می‌کند. حتی اگر از مدل بخواهید JSON تحویل دهد، نرم‌افزار شما همچنان باید خروجی را دریافت، بررسی و اعتبارسنجی کند.

اگر مدل در جایی ساختار مورد انتظار را رعایت نکند، برنامه باید بتواند با آن برخورد کند.

Jev از ابتدا با این هدف طراحی شده که خروجی آن بخشی از قرارداد نرم‌افزار باشد. شما گزینه‌ها یا نوع داده قابل قبول را تعریف می‌کنید و مدل در همان فضای مشخص تصمیم می‌گیرد.

TypeSafe این رویکرد را با عبارت «Decisions, not strings» توضیح می‌دهد؛ یعنی به جای رشته‌های متنی، خروجی‌هایی که نرم‌افزار بتواند مستقیماً از آنها استفاده کند. :contentReference[oaicite:7]{index=7}

Jev چگونه در یک سیستم نرم‌افزاری استفاده می‌شود؟

فرض کنید یک سیستم فروش آنلاین دارید. معماری ساده می‌تواند چیزی شبیه این باشد:

ورودی کاربر
      ↓
جمع‌آوری اطلاعات
      ↓
Jev
      ↓
تصمیم ساختاریافته
      ↓
Business Logic
      ↓
اقدام بعدی

مثلاً کاربر یک پیام ارسال می‌کند. سیستم پیام را به عنوان State در اختیار Jev قرار می‌دهد. Jev تشخیص می‌دهد درخواست مربوط به فروش است و احتمال خرید نیز بالاست. سپس کد اصلی سیستم بر اساس این نتیجه، کاربر را به مسیر فروش منتقل می‌کند.

در این معماری، Jev خودش لزوماً مسئول انجام عملیات نیست؛ بلکه نقش یک لایه هوشمند برای تصمیم‌گیری را بر عهده دارد.

آیا Jev برای همه پروژه‌های هوش مصنوعی مناسب است؟

خیر. Jev یک مدل تخصصی برای یک دسته مشخص از مسائل است و همین موضوع یکی از مهم‌ترین نکاتی است که هنگام بررسی آن باید در نظر گرفت.

اگر به یک مدل برای تولید محتوای طولانی، مکالمه، ایده‌پردازی، نوشتن کد یا پاسخ‌دهی مستقیم به کاربران نیاز دارید، Jev انتخاب طبیعی شما نیست.

اما اگر بخش قابل توجهی از سیستم شما شامل تصمیم‌های کوچک، پرتعداد و ساختاریافته است، Jev می‌تواند گزینه‌ای قابل بررسی باشد.

محدودیت‌های Jev چیست؟

با وجود ویژگی‌های جذاب Jev، این مدل هنوز در ابتدای مسیر خود قرار دارد و نباید ادعاهای مربوط به عملکرد آن را بدون آزمایش در سناریوی واقعی پروژه پذیرفت.

یکی از مهم‌ترین محدودیت‌ها این است که Jev برای تولید متن طراحی نشده است. بنابراین نمی‌توان از آن انتظار داشت مانند ChatGPT یک پاسخ کامل برای کاربر بنویسد.

محدودیت دیگر مربوط به خود مسئله تصمیم‌گیری است. اگر گزینه‌هایی که توسعه‌دهنده تعریف کرده‌اند ناقص یا اشتباه باشند، حتی یک مدل دقیق نیز نمی‌تواند نتیجه‌ای خارج از فضای تعریف‌شده ارائه کند.

همچنین احتمال و Confidence نباید به عنوان تضمین درستی تصمیم تفسیر شود. برای کاربردهای حساس، لازم است مدل روی داده‌های واقعی تست شود و موارد نامطمئن به مسیر بررسی انسانی منتقل شوند.

آیا Jev واقعاً ۲۰۰ برابر سریع‌تر و ارزان‌تر است؟

TypeSafe AI در معرفی خود اعداد قابل توجهی درباره سرعت و هزینه Jev در مقایسه با LLMها منتشر کرده است. در وب‌سایت این شرکت، برای برخی Workflowهای مورد آزمایش اعدادی مانند 193.6 برابر سرعت بیشتر و 444.6 برابر هزینه کمتر گزارش شده است. :contentReference[oaicite:8]{index=8}

اما این اعداد را باید با توجه به روش آزمایش تفسیر کرد. این نتایج مربوط به Workflowهای مشخصی برای وظایف System One هستند و به این معنی نیستند که Jev در هر نوع وظیفه‌ای صدها برابر سریع‌تر یا ارزان‌تر از هر LLM موجود است.

خود TypeSafe نیز توضیح داده که این ارزیابی‌ها شرایط و Workflowهای مشخصی دارند و برای مقایسه منصفانه باید نوع وظیفه، مدل مورد استفاده، طول ورودی و خروجی و نحوه اجرای Workflow را در نظر گرفت.

آینده مدل‌هایی مانند Jev

اهمیت Jev فقط در خود این مدل نیست؛ ایده پشت آن می‌تواند نشان‌دهنده یک تغییر مهم در نحوه استفاده از هوش مصنوعی در نرم‌افزارها باشد.

تا امروز بخش زیادی از توسعه AI حول این سؤال بوده است که چگونه مدل‌هایی بسازیم که بهتر با انسان صحبت کنند. اما برای بسیاری از نرم‌افزارها، هدف نهایی صحبت کردن با AI نیست. هدف این است که نرم‌افزار بتواند بهتر تصمیم بگیرد.

در آینده ممکن است معماری بسیاری از محصولات هوش مصنوعی ترکیبی باشد:

LLM
↓
تحلیل، تولید متن و استدلال

Jev
↓
تصمیم‌های سریع و ساختاریافته

Code
↓
اجرای عملیات

در چنین معماری‌ای هر مدل برای کاری استفاده می‌شود که در آن مناسب‌تر است.

جمع‌بندی؛ Jev چیست و چه اهمیتی دارد؟

Jev یک مدل هوش مصنوعی جدید از TypeSafe AI است که با هدف تصمیم‌گیری سریع و ساختاریافته برای نرم‌افزارها ساخته شده است. برخلاف LLMهای معمول که خروجی اصلی آنها متن است، Jev خروجی‌های محدود و تعریف‌شده مانند انتخاب، امتیاز و احتمال ارائه می‌کند.

تمرکز اصلی این مدل روی اتوماسیون است؛ یعنی جایی که یک نرم‌افزار باید بتواند بر اساس اطلاعات ورودی، یک تصمیم مشخص بگیرد و مرحله بعدی Workflow را انتخاب کند.

سرعت پایین، هزینه ورودی اعلام‌شده بسیار کم، خروجی Type-safe و ارائه Probability و Confidence از ویژگی‌هایی هستند که Jev را از مدل‌های زبانی مولد متمایز می‌کنند. با این حال، این مدل جایگزین عمومی ChatGPT یا سایر LLMها نیست و کاربرد اصلی آن در تصمیم‌های محدود و ساختاریافته است.

Jev در حال حاضر فناوری نسبتاً جدیدی است و بخش قابل توجهی از ادعاهای مربوط به عملکرد آن باید در پروژه‌های واقعی و سناریوهای مختلف آزمایش شود. اما ایده اصلی آن قابل توجه است: هوش مصنوعی همیشه قرار نیست برای انسان متن تولید کند؛ گاهی ارزش واقعی آن در این است که برای نرم‌افزار، سریع و قابل استفاده تصمیم بگیرد.