هوش مصنوعی در سال‌های اخیر بیشتر با مدل‌هایی مانند ChatGPT و Claude شناخته شده است؛ مدل‌هایی که می‌توانند متن تولید کنند، به پرسش‌ها پاسخ دهند، کدنویسی کنند و با کاربران گفت‌وگو داشته باشند. اما همه مسائل نرم‌افزاری به تولید متن یا مکالمه نیاز ندارند.

گاهی یک نرم‌افزار فقط باید یک تصمیم سریع و مشخص بگیرد؛ مثلاً تشخیص دهد یک درخواست مربوط به کدام بخش است، یک تراکنش چقدر مشکوک است یا کدام ابزار هوش مصنوعی باید یک درخواست را پردازش کند.

اینجاست که Jev AI وارد می‌شود.

Jev یک مدل هوش مصنوعی از شرکت TypeSafe AI است که با تمرکز بر تصمیم‌گیری سریع و ساختاریافته برای نرم‌افزارها طراحی شده است. TypeSafe این رویکرد را System One Models می‌نامد؛ مدل‌هایی که به‌جای تولید متن آزاد، روی گرفتن تصمیم‌های مشخص، امتیازدهی و ارائه احتمال تمرکز دارند.

Jev AI چیست؟

Jev یک مدل هوش مصنوعی توسعه‌یافته توسط شرکت TypeSafe AI است که در سپتامبر ۲۰۲۶ معرفی شد.

تفاوت اصلی Jev با مدل‌های زبانی عمومی یا LLMها در نوع مسئله‌ای است که برای آن طراحی شده است.

مدل‌هایی مانند ChatGPT معمولاً برای کارهایی مثل:

• تولید محتوا
• مکالمه
• برنامه‌نویسی
• خلاصه‌سازی
• تحلیل اطلاعات
• پاسخ به پرسش‌ها

استفاده می‌شوند.

اما Jev بیشتر برای تصمیم‌گیری درون نرم‌افزارها و سیستم‌های خودکار طراحی شده است.

به زبان ساده:

LLMهای سنتی بیشتر روی تولید متن تمرکز دارند؛ Jev روی تولید تصمیم تمرکز می‌کند.

برای مثال، یک سیستم پشتیبانی ممکن است هزاران پیام از مشتریان دریافت کند. Jev می‌تواند به‌جای تولید یک پاسخ طولانی، تشخیص دهد که هر درخواست باید به کدام بخش ارسال شود:

• Billing
• Technical Support
• Sales
• Returns

سپس نرم‌افزار بر اساس این تصمیم، مرحله بعدی Workflow را اجرا می‌کند.

شرکت TypeSafe AI؛ سازنده Jev

Jev توسط شرکت TypeSafe AI توسعه داده شده است.

بنیان‌گذار این شرکت Diogo Almeida است که پیش‌تر در OpenAI روی موضوعاتی مرتبط با instruction-following و RLHF فعالیت داشته است.

TypeSafe پس از حدود دو سال فعالیت در حالت Stealth، Jev را به‌عنوان نخستین مدل عمومی مبتنی بر رویکرد System One معرفی کرد.

براساس اطلاعات منتشرشده از سوی شرکت، فناوری Jev شامل اجزایی مانند:

• معماری مدل اختصاصی
• Parallel Sampler
• روش آموزشی Reinforcement Learning for Calibrated Decisions یا RLCD

است.

هدف RLCD این است که مدل علاوه بر ارائه یک تصمیم، بتواند میزان اطمینان و احتمال مرتبط با آن تصمیم را نیز در اختیار نرم‌افزار قرار دهد.

System One Model چیست؟

نام System One از مفهوم System 1 Thinking گرفته شده است؛ مفهومی که بیشتر با کتاب Thinking, Fast and Slow اثر دنیل کانمن شناخته می‌شود.

در این چارچوب، System 1 به تصمیم‌های سریع و نسبتاً مستقیم اشاره دارد، در حالی که System 2 بیشتر با تحلیل آهسته‌تر و چندمرحله‌ای مرتبط است.

البته منظور TypeSafe این نیست که Jev دقیقاً مانند شهود انسان فکر می‌کند.

این نام بیشتر به نوع وظیفه‌ای اشاره دارد که مدل برای آن بهینه شده است:

تصمیم‌های سریع، محدود و ساختاریافته درون سیستم‌های نرم‌افزاری.

در یک LLM عمومی، فضای خروجی تقریباً باز است و مدل می‌تواند پاسخ‌های مختلفی تولید کند.

اما در Jev، توسعه‌دهنده می‌تواند مشخص کند که مدل چه نوع تصمیم‌هایی مجاز است تولید کند.

تفاوت Jev با ChatGPT و سایر LLMها چیست؟

Jev را نباید صرفاً نسخه سریع‌تر ChatGPT در نظر گرفت. فلسفه طراحی این دو نوع سیستم متفاوت است.

فرض کنید کاربر پیام زیر را برای پشتیبانی ارسال کرده است:

«دوباره از حساب من مبلغ کم شده و فکر می‌کنم یک تراکنش اشتباه انجام شده.»

یک LLM ممکن است توضیحی مانند این تولید کند:

به نظر می‌رسد مشتری با یک مشکل مربوط به صورتحساب مواجه شده و بهتر است درخواست او به بخش Billing ارسال شود.

اما نرم‌افزار لزوماً به این توضیح احتیاج ندارد.

ممکن است فقط به این مقدار نیاز داشته باشد:

billing

Jev برای چنین تصمیم‌هایی طراحی شده است.

بنابراین Jev و مدل‌هایی مانند ChatGPT لزوماً رقیب مستقیم یکدیگر نیستند و حتی می‌توانند در یک معماری نرم‌افزاری کنار یکدیگر استفاده شوند.

Jev چگونه کار می‌کند؟

یکی از ویژگی‌های مهم Jev این است که ساختار خروجی قبل از اجرای مدل مشخص می‌شود.

به‌صورت ساده می‌توان فرآیند را این‌گونه نمایش داد:

State + Question → Jev → Typed Decision + Probability + Confidence

منظور از State می‌تواند اطلاعات مختلفی باشد، از جمله:

• پیام مشتری
• نتیجه جستجو
• اطلاعات یک اپلیکیشن
• رویداد امنیتی
• اطلاعات یک تراکنش
• محتوای یک سند
• داده‌های ساختاریافته

سپس توسعه‌دهنده یک یا چند سؤال مشخص درباره این اطلاعات تعریف می‌کند و Jev تصمیم‌هایی با ساختار از پیش تعیین‌شده تولید می‌کند.

چرا Jev سریع است؟

مدل‌های زبانی معمولاً متن را به‌صورت Token به Token تولید می‌کنند.

حتی اگر نرم‌افزار فقط بخواهد بداند یک درخواست متعلق به بخش Sales است یا Support، یک LLM ممکن است متن اضافه، توضیح یا ساختارهای غیرضروری تولید کند.

Jev به‌جای تولید متن آزاد، روی خروجی‌های محدود و ساختاریافته تمرکز می‌کند.

همچنین TypeSafe اعلام کرده است که Jev می‌تواند چند تصمیم را به‌صورت موازی روی یک State بررسی کند.

برای مثال، یک درخواست پشتیبانی می‌تواند هم‌زمان از نظر موارد زیر بررسی شود:

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

این رویکرد می‌تواند برای سیستم‌هایی که باید تعداد زیادی تصمیم کوچک را با سرعت بالا بگیرند، اهمیت داشته باشد.

Jev چقدر سریع است؟

براساس نتایج منتشرشده توسط TypeSafe، زمان پاسخ End-to-End در برخی فراخوانی‌های System One حدود ۷۰ تا ۵۰۰ میلی‌ثانیه گزارش شده است.

همچنین در یکی از ارزیابی‌های منتشرشده توسط این شرکت، Jev تا حدود ۱۹۳.۶ برابر سریع‌تر از تنظیم مشخصی از یک LLM گزارش شده است.

با این حال، این عدد به معنی آن نیست که Jev در تمام وظایف ۱۹۳ برابر سریع‌تر از ChatGPT یا سایر LLMها است.

این Benchmarkها روی Workflowهای مشخصی انجام شده‌اند و عملکرد واقعی می‌تواند به عواملی مانند:

• نوع Workflow
• حجم Context
• نوع تصمیم
• زیرساخت
• موقعیت جغرافیایی
• نحوه پیاده‌سازی

وابسته باشد.

بنابراین برای استفاده تجاری، بهتر است عملکرد Jev روی Workflow واقعی همان کسب‌وکار اندازه‌گیری شود.

قیمت Jev AI چقدر است؟

براساس قیمت اعلام‌شده هنگام عرضه، هزینه Jev برابر با:

۰.۰۴۲ دلار به ازای هر یک میلیون Input Token

اعلام شده است.

در نتیجه:

۱ میلیارد Input Token ≈ ۴۲ دلار

همچنین در قیمت‌گذاری اولیه اعلام‌شده، هزینه Output Token برابر با صفر دلار بوده است.

این مدل قیمت‌گذاری با ماهیت Jev ارتباط دارد؛ زیرا مدل برای تولید حجم زیادی از متن طراحی نشده و تمرکز آن روی پردازش State و تولید تصمیم است.

البته قیمت اعلام‌شده مربوط به زمان عرضه Jev است و ممکن است در آینده تغییر کند.

کاربردهای هوش مصنوعی Jev

ماهیت تصمیم‌محور Jev باعث می‌شود بتوان از آن در بخش‌های مختلف نرم‌افزار و سیستم‌های هوش مصنوعی استفاده کرد.

۱. جستجو و Reranking

یک موتور جستجو ممکن است صدها نتیجه برای یک Query پیدا کند.

Jev می‌تواند در فرآیند Ranking یا Reranking به سیستم کمک کند تا مشخص شود کدام نتایج ارتباط بیشتری با Intent کاربر دارند.

۲. Agent Routing

سیستم‌های AI Agent ممکن است از چندین Agent و ابزار مختلف تشکیل شده باشند.

برای مثال:

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

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

۳. Model Routing

در سیستم‌هایی که چند مدل هوش مصنوعی دارند، می‌توان از Jev برای انتخاب مدل مناسب استفاده کرد.

برای مثال، سیستم می‌تواند بر اساس نوع درخواست تصمیم بگیرد که:

• یک مدل کوچک اجرا شود؛
• یک مدل بزرگ‌تر استفاده شود؛
• درخواست به یک Agent خاص ارسال شود؛
• یا اصلاً پردازش AI انجام نشود.

این موضوع می‌تواند در کنترل هزینه و کاهش زمان پاسخ سیستم‌های AI اهمیت داشته باشد.

۴. Context Filtering

Agentهای هوش مصنوعی معمولاً اطلاعات زیادی جمع‌آوری می‌کنند.

ارسال تمام این اطلاعات به یک LLM بزرگ می‌تواند باعث افزایش:

• هزینه
• تعداد Token
• Latency
• پیچیدگی پردازش

شود.

Jev می‌تواند قبل از ارسال Context به مدل اصلی، مشخص کند کدام سند یا بخش از اطلاعات ارتباط بیشتری با درخواست دارد.

در نتیجه Context نهایی می‌تواند کوچک‌تر و متمرکزتر باشد.

۵. تشخیص تقلب و مسائل امنیتی

یکی دیگر از کاربردهای Jev می‌تواند بررسی:

• تراکنش‌ها
• رفتار کاربران
• درخواست‌ها
• رویدادهای امنیتی
• ریسک Fraud

باشد.

مدل می‌تواند علاوه بر تصمیم، احتمال یا میزان اطمینان مرتبط با آن را نیز در اختیار سیستم قرار دهد.

۶. اتوماسیون پشتیبانی مشتری

پشتیبانی مشتری یکی از کاربردهای واضح مدل‌های تصمیم‌محور است.

برای مثال، Jev می‌تواند یک درخواست را از نظر مواردی مانند:

• Intent
• Urgency
• Department
• Escalation
• Eligibility

بررسی کند.

سپس سیستم پشتیبانی می‌تواند براساس خروجی مدل، Workflow مناسب را اجرا کند.

Jev در سیستم‌های AI Agent چه نقشی دارد؟

یکی از کاربردهای جالب Jev، قرار گرفتن آن در معماری AI Agentها است.

یک Agent ممکن است در هر مرحله مجبور باشد تصمیم بگیرد:

• از چه ابزاری استفاده کند؟
• آیا اطلاعات کافی دارد؟
• آیا باید Search انجام دهد؟
• کدام مدل AI مناسب‌تر است؟
• آیا عملیات موردنظر خطرناک است؟
• آیا نیاز به تأیید انسان وجود دارد؟

اگر برای تمام این تصمیم‌های کوچک از یک LLM بزرگ استفاده شود، ممکن است هزینه و Latency سیستم افزایش پیدا کند.

یک معماری احتمالی می‌تواند به این شکل باشد:

User Request → Jev Decision → Tool / Agent → LLM → Final Output

در چنین معماری‌ای، Jev نقش یک Decision Layer را ایفا می‌کند.

آیا Jev جایگزین ChatGPT و Claude می‌شود؟

Jev برای جایگزینی کامل مدل‌های عمومی مانند ChatGPT و Claude طراحی نشده است.

اگر هدف شما مواردی مانند:

• نوشتن مقاله
• تولید ایمیل
• برنامه‌نویسی
• تحلیل طولانی
• مکالمه
• خلاصه‌سازی
• تولید محتوای خلاقانه

باشد، مدل‌های زبانی عمومی همچنان برای این نوع کارها طراحی شده‌اند.

اما اگر مسئله شما این باشد که:

• آیا این درخواست معتبر است؟
• این درخواست باید به کدام بخش ارسال شود؟
• کدام محتوا مرتبط‌تر است؟
• این تراکنش چقدر ریسک دارد؟
• کدام Agent باید اجرا شود؟
• آیا نیاز به بررسی انسانی وجود دارد؟

در چنین سناریوهایی، رویکرد Jev می‌تواند کاربرد داشته باشد.

بنابراین بهتر است Jev را نه به‌عنوان جایگزین ChatGPT، بلکه به‌عنوان یک لایه تصمیم‌گیری برای نرم‌افزارها و سیستم‌های AI در نظر گرفت.

محدودیت‌های Jev چیست؟

تمرکز محدود Jev هم‌زمان می‌تواند مزیت و محدودیت آن باشد.

Jev برای تولید متن آزاد طراحی نشده و به همین دلیل نمی‌تواند بسیاری از وظایفی را انجام دهد که کاربران از ChatGPT یا Claude انتظار دارند.

از طرف دیگر، ساختاریافته بودن خروجی به معنی حذف کامل خطاهای معنایی نیست.

اگر State ورودی ناقص باشد یا مدل تصمیم اشتباهی بگیرد، خروجی ممکن است از نظر Schema کاملاً صحیح باشد اما از نظر مفهومی اشتباه باشد.

همچنین بسیاری از اعداد مربوط به سرعت و عملکرد Jev براساس Benchmarkها و ارزیابی‌های منتشرشده توسط TypeSafe هستند و عملکرد واقعی می‌تواند براساس Workflow و شرایط اجرای سیستم متفاوت باشد.

آینده Jev و مدل‌های System One

شاید مهم‌ترین نکته درباره Jev فقط خود مدل نباشد، بلکه ایده پشت آن باشد.

بخش بزرگی از صنعت هوش مصنوعی تاکنون روی ساخت مدل‌هایی متمرکز بوده که بتوانند بهتر:

• بنویسند؛
• صحبت کنند؛
• برنامه‌نویسی کنند؛
• تحلیل کنند؛
• و استدلال کنند.

اما رویکرد System One مسیر متفاوتی را دنبال می‌کند:

هوش مصنوعی همیشه لازم نیست با انسان صحبت کند؛ گاهی فقط باید یک تصمیم کوچک برای نرم‌افزار بگیرد.

اگر این رویکرد در عمل موفق باشد، ممکن است در آینده بسیاری از نرم‌افزارها یک لایه تصمیم‌گیری هوش مصنوعی داشته باشند که کاربر حتی مستقیماً آن را مشاهده نکند.

در چنین معماری‌ای، مدل‌هایی مانند Jev می‌توانند در پشت صحنه برای تصمیم‌گیری در حوزه‌هایی مانند:

• Routing
• Ranking
• Security
• Fraud Detection
• AI Agents
• Automation
• Model Selection

استفاده شوند.