Jev চালু আছে

Jev হলো TypeSafe AI-এর তৈরি একটি AI কাঠামোবদ্ধ সিদ্ধান্ত গ্রহণের মডেল। মডেলটি চ্যাট করে না, কোড লেখে না বা কোনো লেখা তৈরি করে না; এটি শুধু একটি কাজ করে: উচ্চ-ফ্রিকোয়েন্সির সিদ্ধান্ত গ্রহণ। অসংগঠিত তথ্য ইনপুট নিয়ে একবারের সমান্তরাল গণনায় তাৎক্ষণিকভাবে ক্যালিব্রেটেড সম্ভাবনাসহ কাঠামোবদ্ধ সিদ্ধান্ত দেয়। লেটেন্সি মাত্র 70–500 মিলিসেকেন্ড, ইনপুটের খরচ 0.042 ডলার/মিলিয়ন টোকেন, আউটপুট বিনামূল্যে এবং টাইপ-ত্রুটির হার 0%। মডেলটি Agent সিস্টেমের প্রাথমিক রিফ্লেক্স আর্ক হিসেবে কাজ করে; রাউটিং, শ্রেণিবিন্যাস, ঝুঁকি নিয়ন্ত্রণের প্রাথমিক筛াই এবং কনটেন্ট ফিল্টারিংয়ের মতো উচ্চ-ফ্রিকোয়েন্সির সিদ্ধান্ত গ্রহণ করে, যাতে অগ্রণী বৃহৎ মডেলগুলো জটিল যুক্তিতে মনোযোগ দিতে পারে। এটি বিশ্বজ্ঞানসম্পন্ন একটি সুপার সিদ্ধান্ত গ্রহণকারী।

কাঠামোবদ্ধ সিদ্ধান্তের আউটপুট: মডেলটি কেবল পূর্বনির্ধারিত ধরনের Choice (নির্বাচন), Score (স্কোর) এবং Noul (বুলিয়ান সিদ্ধান্ত) ফেরত দেয়, সঙ্গে থাকে ক্যালিব্রেটেড সম্ভাবনা।
সমান্তরাল বহু-পথের সিদ্ধান্ত: একবারের কলেই একাধিক স্বাধীন প্রশ্নের উত্তর দেওয়া যায়; প্রশ্নের সংখ্যা বাড়লেও লেটেন্সি সরলরৈখিকভাবে বাড়ে না।
আস্থার মাত্রাভিত্তিক রাউটিং: ক্যালিব্রেটেড আস্থার ভিত্তিতে স্বয়ংক্রিয়ভাবে ভাগ করা হয়—উচ্চ আস্থায় সরাসরি কার্যকর, মাঝারি আস্থায় বৃহৎ মডেলের যাচাই, আর কম আস্থায় মানব কর্মীর কাছে পাঠানো হয়।
Agent-এর প্রাথমিক ফিল্টার স্তর: রাউটিং, শ্রেণিবিন্যাস, যাচাই ও স্ট্যাটাস পরীক্ষা ইত্যাদি ছোট উচ্চ-ফ্রিকোয়েন্সির সিদ্ধান্ত সামলে ব্যয়বহুল বৃহৎ মডেলের কল 90%-এর বেশি কমিয়ে দেয়।
শূন্য ফরম্যাট-ত্রুটির নিশ্চয়তা: আউটপুট পূর্বনির্ধারিত Schema-এর মধ্যেই কঠোরভাবে সীমাবদ্ধ থাকে; টাইপ-ত্রুটির হার গাণিতিকভাবে 0%, তাই সরাসরি কোড পাইপলাইনে যুক্ত করা যায়।
মিলিসেকেন্ড-স্তরের রিয়েল-টাইম সিদ্ধান্ত: 70–500 মিলিসেকেন্ডের প্রতিক্রিয়া এবং প্রতি সিদ্ধান্তে প্রায় $0.0004 খরচের কারণে AI প্রথমবার গেম অপারেশন, রিয়েল-টাইম কনটেন্ট ফিল্টারিং ও ট্রেডিং সিদ্ধান্তের মতো লেটেন্সি-সংবেদনশীল ক্ষেত্রে প্রবেশ করতে পারে।

অটোরিগ্রেসিভ পদ্ধতি বাদ দিয়ে সমান্তরাল স্যাম্পলিং: প্রচলিত LLM একটির পর একটি Token তৈরি করে, তাই আউটপুট যত দীর্ঘ হয় ডিকোডিং ধাপ তত বাড়ে; Jev-এর নিজস্ব parallel sampler একবারের ফরওয়ার্ড গণনায় একই সঙ্গে সব সিদ্ধান্তের ফল তৈরি করে, প্রতিটি অক্ষর আলাদাভাবে ডিকোড করার প্রয়োজন হয় না।
আউটপুটের পরিসর সীমিত করা: ডেভেলপার আগে থেকেই Schema নির্ধারণ করেন, যেমন refund_risk={low, medium, high}। মডেল কেবল এসব বিকল্পের মধ্যে সম্ভাবনা বণ্টন করে। স্বাধীনতার বিনিময়ে দক্ষতা বাড়ে; আউটপুট সবসময় পার্সযোগ্য এবং সরাসরি কোডে ব্যবহারযোগ্য, ফলে প্রক্রিয়াগতভাবে ফরম্যাটের বিভ্রম ও টাইপ-ত্রুটি দূর হয়।
RLCD প্রশিক্ষণ পদ্ধতি: Reinforcement Learning for Calibrated Decisions। RLHF মানব-পছন্দ оптимাইজ করে, RLVR যাচাইযোগ্য উত্তর оптимাইজ করে, আর RLCD অপ্টিমাইজ করে ‘সিদ্ধান্তটি সঠিক কি না’ এবং ‘মডেল যে আস্থার মাত্রা জানায় তা সৎ কি না’। মডেল যখন একদল কাজের জন্য 90% আস্থা জানায়, তখন সেগুলোর প্রায় 90% সত্যিই সঠিক হওয়া উচিত—স্বয়ংক্রিয় রাউটিংয়ের এটাই গাণিতিক ভিত্তি।
আস্থাই ইন্টারফেস: প্রতিটি আউটপুটের সঙ্গে ক্যালিব্রেটেড সম্ভাবনা থাকে। সফটওয়্যার থ্রেশহোল্ড অনুযায়ী রাউট করে: >0.90 হলে স্বয়ংক্রিয়ভাবে কার্যকর, 0.7–0.9 হলে বৃহৎ মডেলের যাচাই এবং <0.7 হলে মানব কর্মীর কাছে পাঠানো হয়—অনিশ্চয়তাকে সিস্টেমের কাছে স্পষ্ট করে তোলা হয়।

Early Access-এর জন্য আবেদন: TypeSafe AI-এর অফিসিয়াল ওয়েবসাইট https://typesafe.ai/ ভিজিট করে waitlist-এ যোগ দিন। অনুমোদনের পর console.typesafe.ai-এ API key সংগ্রহ করুন।
Playground-এ পরীক্ষা: Console-এর Playground-এ প্রশ্ন কনফিগার করুন এবং আউটপুট Schema নির্ধারণ করুন, যাতে সম্ভাবনাসহ সিদ্ধান্তের ফল সরাসরি দেখা যায়।
Schema নির্ধারণ: যে প্রশ্নগুলোর সিদ্ধান্ত নিতে হবে এবং তাদের ধরন (Choice/Score/Noul ও সংশ্লিষ্ট বিকল্প) JSON-এর মাধ্যমে আগে থেকেই ঘোষণা করুন। কল করার আগে এটিই একমাত্র প্রয়োজনীয় প্রস্তুতি।
API কল: https://api.typesafe.ai/v1/systemone-এ POST অনুরোধ পাঠান, মডেল ID হিসেবে jev-latest দিন, অসংগঠিত কনটেন্ট ইনপুট করুন এবং কাঠামোবদ্ধ সিদ্ধান্ত ও ক্যালিব্রেটেড সম্ভাবনা পান।
অফিশিয়াল SDK ব্যবহার: Python-এর জন্য typesafe-sdk এবং JS/TS-এর জন্য @typesafe-ai/sdk ইনস্টল করুন; এগুলো স্বয়ংক্রিয়ভাবে অনুরোধ তৈরি ও টাইপ যাচাই পরিচালনা করবে।

অত্যন্ত কম লেটেন্সি: 70–500 মিলিসেকেন্ডের এন্ড-টু-এন্ড প্রতিক্রিয়া, যা অগ্রণী বৃহৎ মডেলের তুলনায় 40–200 গুণ দ্রুত। এর ফলে AI-এর সিদ্ধান্ত প্রথমবার রিয়েল-টাইম ক্ষেত্রে ব্যবহারযোগ্য হয়েছে।
অত্যন্ত কম খরচ: ইনপুটের জন্য 0.042 ডলার/মিলিয়ন টোকেন, আউটপুট বিনামূল্যে এবং প্রতি সিদ্ধান্তে প্রায় $0.0004; GPT-এর তুলনায় সর্বোচ্চ 444 গুণ সস্তা।
শূন্য ফরম্যাট-ত্রুটি: আউটপুট পূর্বনির্ধারিত Schema-এর মধ্যে কঠোরভাবে সীমাবদ্ধ থাকে; টাইপ-ত্রুটির হার গাণিতিকভাবে 0%।
ক্যালিব্রেটেড আস্থা: প্রতিটি সিদ্ধান্তের সঙ্গে সৎ সম্ভাবনা থাকে (RLCD প্রশিক্ষণের মাধ্যমে); সিস্টেম থ্রেশহোল্ড অনুযায়ী স্বয়ংক্রিয়ভাবে রাউট করতে পারে, যা স্বয়ংক্রিয় ব্যবস্থার গাণিতিক ভিত্তি।
সমান্তরাল বহু-পথের সিদ্ধান্ত: একবারের কলেই একাধিক স্বাধীন প্রশ্নের উত্তর দেওয়া যায়; প্রশ্নের সংখ্যা বাড়লেও লেটেন্সি সরলরৈখিকভাবে বাড়ে না।
সাধারণ ভাষাগত ক্ষমতা বজায়: প্রচলিত শ্রেণিবিন্যাসকারীর তুলনায় এটি জিরো-শটেই নতুন কাজ সামলাতে পারে; প্রতিটি ধরনের সিদ্ধান্তের জন্য আলাদাভাবে পুনঃপ্রশিক্ষণের প্রয়োজন নেই।

প্রকল্পের অফিসিয়াল ওয়েবসাইট: https://typesafe.ai/blog/introducing-system-one-models-and-jev

কনটেন্ট ফিল্টারিং ও সুপারিশের প্রাথমিক বাছাই: রিয়েল-টাইমে তথ্যপ্রবাহের উসকানিমূলক বা বিজ্ঞাপনমূলক কনটেন্ট ভাঁজ করে রাখা, অথবা হাজার হাজার সংগৃহীত তথ্যের AI-সম্পর্কিততা প্রাথমিকভাবে বাছাই করা; বিস্তারিত বাছাই কেবল ব্যয়বহুল মডেলের কাছে পাঠানো।
টিকিট রাউটিং ও গ্রাহকসেবা বণ্টন: একটি ইমেল থেকেই দায়িত্বপ্রাপ্ত বিভাগ, জরুরি মাত্রা, রিফান্ডের ঝুঁকি এবং মানব কর্মীর হস্তক্ষেপ প্রয়োজন কি না—সব একসঙ্গে নির্ধারণ করা যায়। উচ্চ-আস্থার টিকিট সরাসরি স্বয়ংক্রিয়ভাবে প্রক্রিয়া করা যায়।
ঝুঁকি নিয়ন্ত্রণ ও কমপ্লায়েন্সের প্রাথমিক বাছাই: লেনদেন, ঋণ এবং UGC কনটেন্টের ঝুঁকি-স্তর নির্ধারণ করে সম্ভাবনা প্রদান করা; উচ্চ-আস্থার ক্ষেত্রে স্বয়ংক্রিয় অনুমোদন, আর কম-আস্থার ক্ষেত্রে মানব কর্মী বা শক্তিশালী মডেলের যাচাই।
Agent পাইপলাইনের সিদ্ধান্ত স্তর: টুল নির্বাচন, ফলাফল সাজানো, স্ট্যাটাস পরীক্ষা এবং কাজ শেষ করার সিদ্ধান্তের মতো উচ্চ-ফ্রিকোয়েন্সির ছোট সিদ্ধান্ত সামলে ব্যয়বহুল বৃহৎ মডেলের কল 90%-এর বেশি কমিয়ে দেয়।