Jev خدام

Jev هو موديل ديال القرارات المهيكلة بالذكاء الاصطناعي طوّراتو TypeSafe AI. الموديل ما كيهضرش، ما كيكتبش الكود وما كينتج حتى نص؛ كيدير غير حاجة وحدة: القرارات المتكررة. كيدخل ليه معلومات غير مهيكلة، ومن بعد حساب موازي واحد كيخرج فالحين حكم مهيكل ومعاه احتمال معاير. زمن الاستجابة غير 70–500 ميلي ثانية، وثمن الإدخال 0.042 دولار لكل مليون token، والإخراج مجاني، ونسبة أخطاء الأنواع هي 0%. الموديل خدام بحال القوس الانعكاسي اللي كيسبق نظام Agent، وكيهتم بالتوجيه، والتصنيف، والفحص الأولي للمخاطر، وتصفية المحتوى وغيرها من الأحكام المتكررة، باش يخلي الموديلات الكبيرة المتقدمة مركزة على الاستدلال المعقد، وكيولي بمثابة صانع قرارات خارق عندو معرفة بالعالم.

إخراج قرارات مهيكلة: الموديل كيرجع غير Choice (اختيار)، Score (تنقيط)، وNoul (حكم منطقي) من بين الأنواع المحددة مسبقاً، ومعاهم احتمال معاير.
أحكام متعددة بالتوازي: استدعاء واحد يقدر يجاوب فالنفس الوقت على بزاف ديال الأسئلة المستقلة، وزمن الاستجابة ما كيزيدش خطياً مع عدد الأسئلة.
التوجيه حسب درجات الثقة: كيتوزع المسار أوتوماتيكياً حسب الثقة المعايرة: الثقة العالية كتتنفذ مباشرة، والمتوسطة كتمشي للموديل الكبير باش يراجعها، والمنخفضة كتمشي للإنسان.
طبقة تصفية قبل الـAgent: كيتكلف بالتوجيه، والتصنيف، والتحقق، وفحص الحالة وغيرها من القرارات الصغيرة والمتكررة، وكيهبط استعمال استدعاءات الموديلات الكبيرة والغالية بأكثر من 90%.
ضمان انعدام أخطاء الصيغة: الإخراج كيبقى محصور بدقة داخل الـSchema المحدد مسبقاً، ونسبة أخطاء الأنواع رياضياً هي 0%، وبالتالي يقدر يندمج مباشرة فمسار الكود.
حكم فزمن الميلي ثانية: استجابة بين 70–500 ميلي ثانية، وثمن القرار الواحد تقريباً $0.0004، وهاد الشي كيخلي الذكاء الاصطناعي يدخل لأول مرة لمجالات حساسة للتأخير بحال التحكم فالألعاب، وتصفية المحتوى فالحين، وقرارات التداول.

حيد التوليد الذاتي التتابعي وبدّل بأخذ عينات موازي: الـLLM التقليدي كينتج Token بواحدو بالترتيب، وكلما طال الإخراج كيزيد عدد خطوات فك الترميز؛ Jev كيستعمل parallel sampler مطوّر داخلياً باش ينتج جميع نتائج الأحكام فحساب أمامي واحد، بلا ما يحتاج يفك الترميز حرف بحرف.
تقييد فضاء الإخراج: المطوّر كيحدد مسبقاً Schema، بحال refund_risk={low, medium, high}، والموديل كيوزع الاحتمالات غير على هاد الاختيارات. الحرية كتتبدل بالكفاءة، والإخراج ديما قابل للتحليل ويقدر الكود يستهلكو مباشرة، وبهذا كتتحيد هلوسة الصيغة وأخطاء الأنواع من الأصل.
طريقة التدريب RLCD: Reinforcement Learning for Calibrated Decisions. RLHF كيحسن تفضيلات البشر، وRLVR كيحسن الأجوبة القابلة للتحقق، أما RLCD كيركز على واش الحكم صحيح ولا لا، وواش الثقة اللي كيصرح بها الموديل صادقة. ملي الموديل كيقول عندو 90% ديال الثقة فمجموعة ديال المهام، خاص تقريباً 90% منها تكون صحيحة فعلاً؛ وهاد الشي هو الأساس الرياضي للتوزيع الأوتوماتيكي.
الثقة كواجهة: كل إخراج كيجي مع احتمال معاير، والبرنامج كيوجه حسب العتبة: >0.90 تنفيذ أوتوماتيكي، 0.7–0.9 مراجعة من موديل كبير، و<0.7 تحويل للإنسان، وبهذا كيولي عدم اليقين واضح للنظام.

طلب Early Access: دخل لموقع TypeSafe AI https://typesafe.ai/، زيد راسك فالـwaitlist، ومن بعد القبول دخل لـ console.typesafe.ai وخذ API key.
التجربة فـPlayground: فـPlayground ديال Console، وجد الأسئلة وحدد Schema ديال الإخراج، وشوف مباشرة نتائج القرارات ومعاها الاحتمالات.
تحديد Schema: استعمل JSON باش تصرح مسبقاً بالأسئلة اللي بغيتي تحكم عليها وبالأنواع ديالها (Choice/Score/Noul والاختيارات ديالها). هادي هي الحاجة الوحيدة الضرورية قبل الاستدعاء.
استدعاء API: صيفط طلب POST لـ https://api.typesafe.ai/v1/systemone، وحط jev-latest كمعرّف الموديل، ودخل المحتوى غير المهيكل، وغادي يرجع حكم مهيكل واحتمال معاير.
استعمال SDK الرسمي: فـPython ركّب typesafe-sdk، وفـJS/TS ركّب @typesafe-ai/sdk، باش يتكلف أوتوماتيكياً ببناء الطلب والتحقق من الأنواع.

تأخير منخفض بزاف: استجابة من الطرف للطرف بين 70–500 ميلي ثانية، أسرع بـ40–200 مرة من الموديلات الكبيرة المتقدمة، وكيخلي أحكام الذكاء الاصطناعي تدخل لأول مرة للمجالات الفورية.
تكلفة منخفضة بزاف: الإدخال بـ0.042 دولار لكل مليون token، والإخراج مجاني، والقرار الواحد تقريباً $0.0004، وبحد أقصى أرخص بـ444 مرة من GPT.
انعدام أخطاء الصيغة: الإخراج محصور بدقة داخل الـSchema المحدد مسبقاً، ونسبة أخطاء الأنواع رياضياً هي 0%.
ثقة قابلة للمعايرة: كل حكم كيجي مع احتمال صادق (بفضل تدريب RLCD)، والنظام يقدر يوزعو أوتوماتيكياً حسب العتبة؛ وهاد الشي هو الأساس الرياضي للتطبيق الآلي.
أحكام متعددة بالتوازي: استدعاء واحد كيقدر يجاوب فالنفس الوقت على بزاف ديال الأسئلة المستقلة، وزمن الاستجابة ما كيزيدش خطياً مع عدد الأسئلة.
الاحتفاظ بالقدرة الدلالية العامة: مقارنة مع المصنفات التقليدية، كيقدر يتعامل مع مهام جديدة بلا أمثلة، وما كايناش حاجة لإعادة التدريب لكل نوع ديال الأحكام.

الموقع الرسمي للمشروع: https://typesafe.ai/blog/introducing-system-one-models-and-jev

تصفية المحتوى والفرز الأولي للتوصيات: طوي فالحين المحتوى التحريضي والإعلاني فخلاصات المعلومات، أو دير فرز أولي بالذكاء الاصطناعي لآلاف المعلومات المجمعة، وخلي الفحص الدقيق غير للموديل الغالي.
توجيه التذاكر وتوزيع خدمة الزبناء: رسالة إلكترونية وحدة تقدر تحدد القسم اللي غادي تمشي ليه، ودرجة الاستعجال، ومخاطر الاسترجاع، وواش خاص تدخل بشري؛ والتذاكر ذات الثقة العالية كتتعالج أوتوماتيكياً مباشرة.
الفحص الأولي للمخاطر والامتثال: صنّف مخاطر المعاملات، والائتمان، ومحتوى UGC، وخرج الاحتمالات؛ الحالات ذات الثقة العالية كتدوز أوتوماتيكياً، والمنخفضة كتمشي للإنسان أو لمراجعة من موديل قوي.
طبقة القرارات فمسار الـAgent: تكلف باختيار الأدوات، وترتيب النتائج، وفحص الحالة، وتحديد واش يسالي، وغيرها من الأحكام الصغيرة والمتكررة، وكتنقص استدعاءات الموديلات الكبيرة والغالية بأكثر من 90%.