Jev آپریشن میں

Jev، TypeSafe AI کا تیار کردہ AI ساختی فیصلہ سازی ماڈل ہے۔ یہ ماڈل چیٹ، کوڈ یا کوئی بھی متن تیار نہیں کرتا، بلکہ صرف ایک کام کرتا ہے: کثرت سے ہونے والے فیصلے۔ غیر ساختی معلومات لے کر ایک مرتبہ متوازی حساب کے ذریعے فوراً کیلیبریٹڈ امکان کے ساتھ ساختی فیصلہ فراہم کرتا ہے۔ تاخیر صرف 70–500 ملی سیکنڈ، ان پٹ کی قیمت 0.042 امریکی ڈالر فی ملین ٹوکن، آؤٹ پٹ مفت، اور نوعیتی غلطی کی شرح 0% ہے۔ یہ ماڈل Agent سسٹمز کے ابتدائی ریفلیکس آرک کے طور پر کام کرتا ہے، روٹنگ، درجہ بندی، خطرے کی ابتدائی جانچ اور مواد کی فلٹرنگ جیسے کثرت سے ہونے والے فیصلے سنبھالتا ہے، تاکہ جدید بڑے ماڈلز پیچیدہ استدلال پر توجہ دے سکیں؛ یہ دنیا کے علم سے مزین ایک طاقتور فیصلہ ساز ہے۔

ساختی فیصلہ سازی آؤٹ پٹ: ماڈل صرف پہلے سے متعین اقسام کے اندر Choice (انتخاب)، Score (اسکور) اور Noul (بولین فیصلہ) واپس کرتا ہے، ساتھ کیلیبریٹڈ امکان بھی فراہم کرتا ہے۔
متوازی متعدد فیصلے: ایک ہی کال میں متعدد آزاد سوالات کے جواب دیے جا سکتے ہیں، اور تاخیر سوالات کی تعداد کے ساتھ خطی طور پر نہیں بڑھتی۔
اعتماد کی سطح کے مطابق روٹنگ: کیلیبریٹڈ اعتماد کی بنیاد پر خودکار تقسیم—زیادہ اعتماد پر براہِ راست عمل، درمیانے اعتماد پر بڑے ماڈل سے دوبارہ جانچ، اور کم اعتماد پر انسانی مداخلت۔
Agent کی ابتدائی فلٹرنگ پرت: روٹنگ، درجہ بندی، تصدیق اور حالت کی جانچ جیسے کثرت سے ہونے والے چھوٹے فیصلے سنبھال کر مہنگے بڑے ماڈل کی کالز کو 90% سے زیادہ کم کرتی ہے۔
فارمیٹ کی غلطیوں سے پاک ضمانت: آؤٹ پٹ سختی سے پہلے سے متعین Schema تک محدود رہتا ہے، نوعیتی غلطی کی شرح ریاضیاتی طور پر 0% ہے، اور اسے براہِ راست کوڈ پائپ لائن میں شامل کیا جا سکتا ہے۔
ملی سیکنڈ سطح کے حقیقی وقت کے فیصلے: 70–500 ملی سیکنڈ کا ردِعمل اور تقریباً $0.0004 فی فیصلہ، جس سے AI پہلی بار گیم آپریشن، حقیقی وقت کی مواد فلٹرنگ اور تجارتی فیصلوں جیسے تاخیر سے حساس شعبوں میں داخل ہو سکتا ہے۔

آٹو ریگریسو طریقہ ختم، متوازی سیمپلنگ اختیار: روایتی LLM ایک کے بعد ایک Token تیار کرتا ہے، اس لیے آؤٹ پٹ جتنا طویل ہو، ڈی کوڈنگ کے مراحل اتنے زیادہ ہوتے ہیں؛ Jev اپنے تیار کردہ parallel sampler کے ذریعے ایک ہی forward computation میں تمام فیصلوں کے نتائج بیک وقت تیار کرتا ہے، اور لفظ بہ لفظ ڈی کوڈنگ کی ضرورت نہیں رہتی۔
آؤٹ پٹ کی جگہ محدود کرنا: ڈویلپر پہلے سے Schema متعین کرتا ہے، مثلاً refund_risk={low, medium, high}، اور ماڈل صرف انہی اختیارات میں امکان تقسیم کرتا ہے۔ آزادی کے بدلے کارکردگی حاصل ہوتی ہے، آؤٹ پٹ ہمیشہ قابلِ تجزیہ رہتا ہے اور کوڈ اسے براہِ راست استعمال کر سکتا ہے؛ یوں فارمیٹ کے وہم اور نوعیتی غلطیوں کا بنیادی طور پر خاتمہ ہو جاتا ہے۔
RLCD تربیتی طریقہ: Reinforcement Learning for Calibrated Decisions۔ RLHF انسانی ترجیحات کو بہتر بناتا ہے، RLVR قابلِ تصدیق جوابات کو، جبکہ RLCD اس بات کو بہتر بناتا ہے کہ فیصلہ درست ہے یا نہیں اور ماڈل کی بتائی ہوئی اعتماد کی سطح ایماندار ہے یا نہیں۔ جب ماڈل کاموں کے ایک مجموعے کے لیے 90% اعتماد ظاہر کرے، تو تقریباً 90% فیصلے واقعی درست ہونے چاہییں؛ یہی خودکار تقسیم کی ریاضیاتی بنیاد ہے۔
اعتماد بطور انٹرفیس: ہر آؤٹ پٹ کے ساتھ کیلیبریٹڈ امکان شامل ہوتا ہے، اور سافٹ ویئر حد کی بنیاد پر روٹنگ کرتا ہے: >0.90 پر خودکار عمل، 0.7–0.9 پر بڑے ماڈل سے دوبارہ جانچ، اور <0.7 پر انسانی مداخلت—یوں غیر یقینی کو نظام کے سامنے واضح کر دیا جاتا ہے۔

Early Access کے لیے درخواست: TypeSafe AI کی ویب سائٹ https://typesafe.ai/ پر جائیں، waitlist میں شامل ہوں، اور منظوری کے بعد console.typesafe.ai سے API key حاصل کریں۔
Playground میں آزمائش: Console کے Playground میں سوالات ترتیب دیں، آؤٹ پٹ Schema متعین کریں، اور امکانات سمیت فیصلہ سازی کا نتیجہ براہِ راست دیکھیں۔
Schema متعین کریں: جن سوالات کا فیصلہ کرنا ہے اور ان کی اقسام کو JSON میں پہلے سے بیان کریں، مثلاً Choice/Score/Noul اور ان کے اختیارات۔ کال سے پہلے یہی واحد ضروری تیاری ہے۔
API کال کریں: https://api.typesafe.ai/v1/systemone پر POST درخواست بھیجیں، ماڈل ID میں jev-latest درج کریں، غیر ساختی مواد بھیجیں، اور ساختی فیصلہ و کیلیبریٹڈ امکان حاصل کریں۔
سرکاری SDK استعمال کریں: Python کے لیے typesafe-sdk اور JS/TS کے لیے @typesafe-ai/sdk انسٹال کریں؛ یہ درخواست کی تشکیل اور نوعیت کی جانچ خودکار طور پر سنبھالتے ہیں۔

انتہائی کم تاخیر: 70–500 ملی سیکنڈ کا end-to-end ردِعمل، جو جدید بڑے ماڈلز سے 40–200 گنا تیز ہے، اور پہلی بار AI کے فیصلوں کو حقیقی وقت کے منظرناموں میں لاتا ہے۔
انتہائی کم لاگت: ان پٹ 0.042 امریکی ڈالر فی ملین ٹوکن، آؤٹ پٹ مفت، اور تقریباً $0.0004 فی فیصلہ؛ GPT سے زیادہ سے زیادہ 444 گنا سستا۔
فارمیٹ کی صفر غلطی: آؤٹ پٹ پہلے سے متعین Schema تک سختی سے محدود رہتا ہے، اور نوعیتی غلطی کی شرح ریاضیاتی طور پر 0% ہے۔
قابلِ کیلیبریشن اعتماد: ہر فیصلے کے ساتھ ایماندار امکان شامل ہوتا ہے، جو RLCD تربیت سے حاصل کیا گیا ہے۔ نظام حد کی بنیاد پر خودکار تقسیم کر سکتا ہے؛ یہی خودکار نفاذ کی ریاضیاتی بنیاد ہے۔
متوازی متعدد فیصلے: ایک ہی کال میں متعدد آزاد سوالات کے جواب دیے جاتے ہیں، اور تاخیر سوالات کی تعداد کے ساتھ خطی طور پر نہیں بڑھتی۔
عمومی معنوی صلاحیت برقرار: روایتی درجہ بندی کرنے والوں کے برعکس، یہ بغیر مثال کے نئے کام سنبھال سکتا ہے، اور ہر قسم کے فیصلے کے لیے دوبارہ تربیت کی ضرورت نہیں ہوتی۔

پروجیکٹ کی ویب سائٹ: https://typesafe.ai/blog/introducing-system-one-models-and-jev

مواد کی فلٹرنگ اور سفارشات کی ابتدائی جانچ: معلوماتی فیڈ میں اشتعال انگیز یا اشتہاری مواد کو حقیقی وقت میں چھپائیں، یا ہزاروں حاصل کردہ معلومات کی AI سے متعلقہ ہونے کی ابتدائی جانچ کریں، اور صرف مزید باریک جانچ مہنگے ماڈل کے لیے چھوڑیں۔
ٹکٹ روٹنگ اور کسٹمر سروس کی تقسیم: ایک ای میل سے بیک وقت متعلقہ شعبہ، ترجیح، رقم واپسی کے خطرے اور انسانی مداخلت کی ضرورت کا فیصلہ کریں؛ زیادہ اعتماد والے ٹکٹ خودکار طور پر نمٹائیں۔
خطرے اور تعمیل کی ابتدائی جانچ: لین دین، کریڈٹ اور UGC مواد کی خطرے کے لحاظ سے درجہ بندی کریں اور امکان فراہم کریں؛ زیادہ اعتماد والے معاملات خودکار طور پر منظور، جبکہ کم اعتماد والے انسانی مداخلت یا طاقتور ماڈل سے دوبارہ جانچ کے لیے بھیجیں۔
Agent پائپ لائن کی فیصلہ سازی پرت: ٹول کا انتخاب، نتائج کی ترتیب، حالت کی جانچ اور عمل ختم کرنے جیسے کثرت سے ہونے والے چھوٹے فیصلے سنبھالیں، اور مہنگے بڑے ماڈل کی کالز کو 90% سے زیادہ کم کریں۔