Jev چیست؟ هوش مصنوعی جدیدی که بهجای حرف زدن، تصمیم میگیرد
اگر این روزها اخبار دنیای هوش مصنوعی را دنبال کرده باشید، احتمالاً اسم Jev را دیدهاید؛ یک مدل هوش مصنوعی جدید که برخلاف ChatGPT، Claude و بسیاری از مدلهای زبانی دیگر، قرار نیست برای شما مقاله بنویسد، کد تولید کند یا با شما چت کند.
ایده Jev کمی متفاوت است:
Jev برای تصمیم گرفتن ساخته شده است، نه برای حرف زدن.
این مدل در تاریخ ۱۵ سپتامبر ۲۰۲۶ توسط شرکت TypeSafe AI معرفی شد و TypeSafe آن را اولین مدل از چیزی میداند که خودش نام آن را System One گذاشته است. (Made with Jev)
اما این یعنی چه؟ چرا باید یک مدل هوش مصنوعی داشته باشیم که فقط تصمیم بگیرد؟
اول یک سؤال ساده: هوش مصنوعی معمولی چه کار میکند؟
فرض کنید یک فروشگاه اینترنتی روزانه هزاران پیام از مشتریان دریافت میکند.
مثلاً یک مشتری نوشته:
«سلام، سفارشم قرار بود دیروز برسه ولی هنوز به دستم نرسیده. میشه بررسی کنید؟»
یک مدل زبانی مثل ChatGPT میتواند متن را بخواند، منظور مشتری را بفهمد و حتی یک پاسخ کامل برای او بنویسد:
«سلام، متأسفم که سفارشتان با تأخیر مواجه شده...»
اما شاید نرمافزار شما اصلاً چنین پاسخی نمیخواهد.
شاید فقط لازم باشد بداند:
- این پیام مربوط به چیست؟
- باید به کدام تیم ارسال شود؟
- چقدر فوری است؟
- آیا نیاز به دخالت انسان دارد؟
- آیا احتمال نارضایتی مشتری بالاست؟
در اینجا شما به یک «نویسنده» نیاز ندارید.
به یک تصمیمگیرنده نیاز دارید.
و این دقیقاً جایی است که Jev وارد میشود.
Jev دقیقاً چیست؟
به زبان ساده، Jev یک مدل هوش مصنوعی است که اطلاعات را دریافت میکند و در پاسخ، تصمیمهای ساختاریافته تحویل نرمافزار میدهد.
مثلاً شما یک پیام مشتری را به Jev میدهید و میپرسید:
موضوع این پیام چیست؟
و گزینهها را مشخص میکنید:
- پرداخت
- ارسال
- بازگشت کالا
- مشکل فنی
- سایر
Jev یکی از گزینهها را انتخاب میکند و علاوه بر آن، احتمال هر گزینه و میزان اطمینان خود را نیز برمیگرداند.
یعنی خروجی دیگر یک پاراگراف از متن نیست.
بلکه چیزی است که نرمافزار میتواند مستقیماً با آن کار کند. (Made with Jev)
به همین دلیل شاید سادهترین تعریف برای Jev این باشد:
Jev یک لایه هوش مصنوعی برای تصمیمگیری داخل نرمافزار است.
فرق Jev با ChatGPT چیست؟
برای فهمیدن تفاوت، این دو مدل را مثل دو عضو یک تیم تصور کنید.
ChatGPT میتواند بگوید:
«من پیام مشتری را بررسی کردم. به نظر میرسد مشکل اصلی مربوط به تأخیر در ارسال سفارش است...»
اما Jev اساساً قرار نیست این توضیح را بنویسد.
Jev میتواند بگوید:
دستهبندی: ارسال
احتمال: ۹۶٪
و بعد نرمافزار شما تصمیم میگیرد چه کاری انجام دهد.
مثلاً:
اگر دستهبندی = ارسال
→ پیام را برای تیم لجستیک بفرست
یا:
اگر اطمینان < ۷۰٪
→ درخواست بررسی انسانی
بنابراین تفاوت اصلی فقط «بزرگتر یا کوچکتر بودن مدل» نیست.
تفاوت در کاری است که مدل برای انجام آن طراحی شده است.
مدلهای زبانی معمولاً برای تولید محتوا، پاسخ و استدلال متنی ساخته شدهاند.
Jev برای تولید یک تصمیم قابل استفاده توسط نرمافزار طراحی شده است. TypeSafe این رویکرد را System One مینامد. (jev.page)
System One یعنی چه؟
نام System One اشارهای به مفهوم «سیستم ۱» در کتاب معروف دنیل کانمن، Thinking, Fast and Slow دارد.
ایده کلی این است که بخشی از تصمیمهای ما سریع و شهودی هستند و بخشی دیگر به تفکر آهسته و تحلیلی نیاز دارند.
TypeSafe از این ایده برای توضیح فلسفه Jev استفاده میکند:
همه تصمیمها نیاز به یک مدل بزرگ و گفتوگومحور ندارند.
اگر نرمافزار شما باید در یک لحظه تصمیم بگیرد که:
«این ایمیل اسپم است یا نه؟»
یا:
«این درخواست باید به کدام تیم برود؟»
یا:
«آیا این کار نیاز به تأیید انسان دارد؟»
لازم نیست هر بار یک مدل بزرگ را وادار کنید که یک پاراگراف توضیح تولید کند.
گاهی فقط یک تصمیم لازم دارید.
Jev چه نوع تصمیمهایی میگیرد؟
در مستندات فعلی Jev، سه نوع سؤال اصلی معرفی شده است:
۱. Choice
یعنی:
کدام گزینه را انتخاب میکنی؟
مثلاً:
«این پیام متعلق به کدام بخش است؟»
- فروش
- پشتیبانی
- مالی
- فنی
Jev یکی را انتخاب میکند و احتمال گزینهها را نیز ارائه میدهد. (Made with Jev)
۲. Score
یعنی:
این مورد چقدر در یک معیار مشخص قرار میگیرد؟
مثلاً:
«میزان فوریت این درخواست چقدر است؟»
و سیستم شما میتواند بر اساس امتیاز تصمیم بگیرد چه اتفاقی بیفتد.
۳. Noul
این نوع برای ارزیابی یک گزاره یا سؤال دودویی استفاده میشود.
مثلاً:
«آیا این پیام شامل درخواست بازپرداخت وجه است؟»
و Jev میتواند احتمال موافق یا مخالف بودن با این گزاره را برگرداند.
نکته مهم این است که خروجیها typed هستند. یعنی نرمافزار از ابتدا میداند قرار است چه نوع پاسخی دریافت کند. (Made with Jev)
چرا این موضوع مهم است؟
اینجا قسمت جذاب ماجرا شروع میشود.
ما در چند سال گذشته، AI را بیشتر به شکل یک «چتبات» دیدهایم.
یک کادر باز میکنیم.
سؤال میپرسیم.
مدل جواب میدهد.
اما آینده نرمافزارهای AI احتمالاً فقط به این شکل نیست.
در بسیاری از نرمافزارها، هزاران تصمیم کوچک در پسزمینه گرفته میشود.
مثلاً یک اپلیکیشن ممکن است برای هر کاربر لازم داشته باشد تصمیم بگیرد:
- کدام محتوا را نشان بدهد؟
- کدام نوتیفیکیشن ارسال شود؟
- کدام کار را اول انجام دهد؟
- کدام درخواست را به انسان منتقل کند؟
- کدام ابزار را اجرا کند؟
- کدام Agent را فعال کند؟
- آیا یک عملیات نیاز به تأیید دارد؟
- آیا یک پیام مهم است؟
- آیا یک تراکنش مشکوک است؟
اینها الزاماً کارهایی نیستند که نیاز به تولید متن دارند.
اینها تصمیم هستند.
و Jev دقیقاً برای همین لایه طراحی شده است.
یک مثال واقعیتر: دستیار هوشمند
فرض کنید یک Agent هوش مصنوعی دارید که میتواند برای کاربر ایمیل بزند، تقویم را بررسی کند، خرید انجام دهد و اطلاعات پیدا کند.
کاربر میگوید:
«برای فردا یه جلسه با علی بذار و قبلش هم قیمت بلیط تهران به استانبول رو بررسی کن.»
Agent باید تصمیمهای زیادی بگیرد:
آیا منظور از «علی» شخص مشخصی است؟
کدام علی؟
آیا قبل از رزرو باید تأیید کاربر را بگیرد؟
آیا جستوجوی بلیط نیاز به ابزار خاصی دارد؟
آیا جلسه باید قبل از پرواز باشد؟
کدام ابزار را باید اول صدا بزند؟
یک LLM میتواند همه این کارها را انجام دهد.
اما در معماریای که از Jev استفاده میکند، میتوان بخشی از تصمیمهای سریع را به Jev سپرد.
مثلاً:
آیا برای اجرای این Tool نیاز به تأیید کاربر داریم؟
Jev تصمیم میگیرد.
بعد:
کدام Agent باید این درخواست را انجام دهد؟
Jev تصمیم میگیرد.
و در نهایت:
آیا اطمینان کافی داریم؟
اگر نه، سیستم میتواند کار را به یک مدل بزرگتر یا انسان بسپارد.
این همان معماریای است که TypeSafe برای ترکیب Jev با LLMها مطرح میکند:
LLM تولید میکند، Jev تصمیم میگیرد و کد اجرا میکند. (Made with Jev)
آیا Jev جایگزین ChatGPT است؟
خیر.
این شاید یکی از مهمترین نکات درباره Jev باشد.
Jev قرار نیست جای ChatGPT، Claude یا مدلهای مولد دیگر را بگیرد.
چون مسئلهای که حل میکنند متفاوت است.
اگر بگویید:
«برای من یک ایمیل بنویس.»
Jev ابزار مناسبی نیست.
اگر بگویید:
«این کد را بررسی کن و باگش را پیدا کن.»
باز هم Jev انتخاب طبیعی نیست.
اما اگر بگویید:
«این درخواست را به یکی از پنج دسته تقسیم کن.»
یا:
«آیا این پیام نیاز به بررسی انسانی دارد؟»
یا:
«کدام یک از این ابزارها باید مرحله بعد اجرا شود؟»
آن وقت Jev دقیقاً وارد زمین خودش میشود.
پس میتوان به شکل خیلی ساده گفت:
LLMها بیشتر برای ساختن محتوا هستند؛ Jev برای تصمیمهایی است که نرمافزار باید بر اساس آنها عمل کند.
سرعت Jev چقدر است؟
TypeSafe میگوید Jev برای بسیاری از درخواستها در محدوده حدود ۷۰ تا ۵۰۰ میلیثانیه پاسخ میدهد. همچنین قیمت اعلامشده برای ورودی حدود ۰٫۰۴۲ دلار به ازای یک میلیون توکن است و خروجی هزینهای ندارد. (Made with Jev)
البته باید یک نکته را در نظر گرفت:
این اعداد، اعداد اعلامشده توسط خود TypeSafe هستند و نباید آنها را بهعنوان یک بنچمارک مستقل برای تمام کاربردها در نظر گرفت.
اما حتی بدون تکیه بر یک عدد خاص، ایده اقتصادی Jev روشن است:
اگر یک نرمافزار مجبور باشد میلیونها تصمیم کوچک بگیرد، هزینه و تأخیر هر تصمیم اهمیت بسیار زیادی پیدا میکند.
فرض کنید یک سیستم روزانه چند میلیون پیام را دستهبندی میکند.
اگر برای هر تصمیم از یک مدل بزرگ و گران استفاده کنید، هزینه خیلی سریع بالا میرود.
ولی اگر برای یک تصمیم ساده بتوانید از یک مدل تخصصی و سریع استفاده کنید، معماری سیستم میتواند کاملاً متفاوت شود.
آیا Jev همان Classifierهای قدیمی نیست؟
تا حدی میتوان Jev را با مفهوم Classification مقایسه کرد.
ما سالهاست سیستمهایی داریم که مثلاً ایمیل را به «Spam» و «Not Spam» تقسیم میکنند.
پس ایده «مدلی که تصمیم میگیرد» جدید نیست.
تفاوت Jev در ادعای TypeSafe این است که میخواهد توانایی فهم زبانی مدلهای پیشرفته را با سرعت و هزینهای مناسب برای تصمیمهای پرتعداد ترکیب کند.
به بیان ساده:
Classifierهای سنتی سریعاند، اما معمولاً برای مسئلههای مشخص و محدود آموزش داده میشوند.
LLMها انعطافپذیر و قدرتمندند، اما برای هر تصمیم کوچک ممکن است بیش از نیاز سیستم باشند.
Jev تلاش میکند بین این دو فضا قرار بگیرد.
Jev برای چه کاربردهایی جالب است؟
کاربردهای احتمالی Jev بسیار بیشتر از چتباتهاست.
پشتیبانی مشتری
پیام مشتری را بخواند و مشخص کند:
- موضوع چیست؟
- فوریت چقدر است؟
- به کدام تیم ارسال شود؟
- آیا مشتری عصبانی است؟
- آیا نیاز به انسان دارد؟
فروش
مثلاً برای هر Lead تصمیم بگیرد:
- این Lead چقدر مرتبط است؟
- احتمال تبدیل چقدر است؟
- آیا نیاز به تماس دارد؟
- به کدام فروشنده اختصاص داده شود؟
Agentها
در سیستمهای Agentic AI میتوان از Jev برای تصمیمگیریهای کوچک و پرتعداد استفاده کرد:
- انتخاب ابزار
- انتخاب Agent
- بررسی نتیجه
- تشخیص نیاز به Retry
- تشخیص نیاز به تأیید انسان
ایمیل
مثلاً برای هر ایمیل مشخص کند:
- مهم است یا نه؟
- نیاز به پاسخ دارد؟
- مربوط به کار است یا شخصی؟
- پاسخ فوری لازم دارد؟
- به کدام دسته تعلق دارد؟
Moderation
مثلاً:
«آیا این محتوا با قوانین پلتفرم مغایرت دارد؟»
و اگر اطمینان مدل پایین بود، محتوا برای بررسی انسانی ارسال شود.
مرورگرها و Computer Use
Agentهایی که با مرورگر کار میکنند دائماً باید تصمیم بگیرند:
«حالا روی کدام دکمه کلیک کنم؟»
«این صفحه همان صفحه موردنظر است؟»
«مرحله بعد چیست؟»
این تصمیمها میتوانند یکی از زمینههای جالب استفاده از مدلهایی مانند Jev باشند.
یک نکته بسیار مهم: Confidence
یکی از ویژگیهای مهم Jev این است که فقط نمیگوید:
«گزینه A»
بلکه احتمال و میزان اطمینان تصمیم را نیز ارائه میکند. (Made with Jev)
این موضوع برای ساخت نرمافزارهای قابل اعتماد بسیار مهم است.
فرض کنید Jev باید تصمیم بگیرد یک درخواست را به کدام تیم ارسال کند.
اگر بگوید:
فنی: ۹۸٪
میتوانیم با خیال راحتتری آن را خودکار کنیم.
اما اگر بگوید:
فنی: ۴۲٪
و گزینه دوم:
پشتیبانی: ۳۹٪
احتمالاً بهتر است سیستم تصمیم را متوقف کند و آن را برای بررسی بیشتر به یک مدل قویتر یا یک انسان بسپارد.
بنابراین مدل فقط نمیگوید:
«من فکر میکنم این جواب است.»
بلکه اطلاعاتی درباره میزان اطمینان هم در اختیار سیستم میگذارد.
البته Confidence بهتنهایی تضمین نمیکند که تصمیم درست است. برای سیستمهای حساس، باید دقت واقعی روی دادههای خودتان، آستانههای مناسب و مسیر fallback را جداگانه آزمایش کنید.
آینده AI شاید کمتر شبیه ChatGPT باشد
شاید جالبترین بخش داستان Jev همین باشد.
ما به هوش مصنوعی عادت کردهایم چون آن را میبینیم.
یک چت باز میکنیم.
یک پیام مینویسیم.
AI جواب میدهد.
اما ممکن است بخش بزرگی از AI آینده اصلاً قابل مشاهده نباشد.
ممکن است در یک اپلیکیشن، دهها مدل کوچک و تخصصی در پسزمینه دائماً در حال تصمیمگیری باشند.
یکی تشخیص دهد چه چیزی مهم است.
یکی تصمیم بگیرد چه چیزی نمایش داده شود.
یکی ابزار بعدی را انتخاب کند.
یکی نتیجه یک Agent را بررسی کند.
یکی تشخیص دهد که آیا باید انسان وارد فرآیند شود.
و کاربر فقط نتیجه نهایی را ببیند.
در چنین دنیایی، AI دیگر فقط یک «چتبات» نیست.
بلکه تبدیل به یک لایه تصمیمگیری در نرمافزار میشود.
Jev یکی از اولین محصولات جدیدی است که این ایده را به شکل بسیار صریح دنبال میکند.
آیا Jev واقعاً یک نسل جدید از AI است؟
هنوز برای چنین نتیجهای زود است.
Jev بسیار تازه است و در سپتامبر ۲۰۲۶ عرضه شده است. بسیاری از ادعاهای مربوط به عملکرد، هزینه و کاربرد آن هنوز باید در مقیاس بزرگ و توسط توسعهدهندگان مختلف آزمایش شوند. (Made with Jev)
اما ایده پشت آن ارزش توجه دارد.
چون سؤال جالبی مطرح میکند:
اگر AI قرار است وارد همه نرمافزارها شود، آیا واقعاً برای هر تصمیم کوچک باید یک چتبات داشته باشیم؟
شاید پاسخ منفی باشد.
شاید معماری آینده چیزی شبیه این باشد:
کد برای قوانین مشخص
Jev برای تصمیمهای سریع و مبهم
LLM برای تولید و استدلال پیچیده
انسان برای تصمیمهای حساس و نهایی
و این ترکیب میتواند از یک مدل واحد بسیار قدرتمندتر باشد.
جمعبندی
Jev یک چتبات جدید نیست.
یک مدل تولید متن هم نیست.
ایده اصلی آن بسیار ساده است:
بهجای اینکه از AI بخواهیم همیشه چیزی تولید کند، گاهی فقط از آن میخواهیم تصمیم بگیرد.
شما اطلاعات را به مدل میدهید.
سؤال و گزینههای مشخص را تعریف میکنید.
Jev تصمیم ساختاریافته، احتمال و میزان اطمینان را برمیگرداند.
بعد نرمافزار شما بر اساس آن تصمیم عمل میکند.
به همین دلیل شاید بهترین راه برای فهم Jev این باشد که آن را نه بهعنوان «یک ChatGPT جدید»، بلکه بهعنوان یک قطعه هوشمند جدید برای ساخت نرمافزارها ببینیم.
AI تا امروز بیشتر به ما یاد داده بود که چطور با ماشین حرف بزنیم.
Jev روی سؤال دیگری تمرکز میکند:
چطور به نرمافزار توانایی تصمیمگیری بدهیم؟
و اگر این مسیر جواب بدهد، شاید موج بعدی AI نه در پنجرههای چت، بلکه در هزاران تصمیم کوچکی اتفاق بیفتد که هر روز در پشت صحنه نرمافزارها گرفته میشوند.