هوش مصنوعی Jev چیست؟ معرفی کامل مدل تصمیم‌گیری، معماری، نحوه عملکرد و کاربردها

هوش مصنوعی Jev یکی از مدل‌های جدید شرکت TypeSafe AI است. این مدل به‌جای تولید متن، روی تصمیم‌گیری‌های ساخت‌یافته تمرکز دارد. برای مثال، می‌تواند درخواست‌های پشتیبانی را دسته‌بندی کند، اولویت پیام‌ها را تشخیص دهد یا تراکنش‌ها را ارزیابی کند. خروجی Jev شامل انتخاب‌ها و احتمال هر تصمیم است. نرم‌افزار نیز می‌تواند مستقیما از این نتایج برای اجرای مرحله بعد استفاده کند.

Jev نخستین مدل از خانواده System One است. شرکت TypeSafe آن را با معماری اختصاصی، نمونه‌برداری موازی و روش آموزشی RLCD توسعه داده است. RLCD مخفف Reinforcement Learning for Calibrated Decisions است. این روش بر آموزش مدل برای ارائه تصمیم‌های احتمالاتی و سنجش میزان اطمینان آن‌ها تمرکز دارد. هدف این طراحی، افزایش سرعت و کارایی در وظایف مشخص نرم‌افزاری است.

هوش مصنوعی Jev چیست؟

هدف مدل Jev ساده‌تر کردن تصمیم‌گیری در نرم‌افزارهاست. این مدل می‌تواند فرایندهایی را که به انتخاب‌های سریع و تکرارشونده نیاز دارند، خودکار کند. برای مثال، Jev AI درخواست‌های پشتیبانی را دسته‌بندی می‌کند و فوریت یک تیکت را می‌سنجد. همچنین می‌تواند ابزار مناسب را برای یک عامل هوش مصنوعی انتخاب کند یا مشخص کند که یک اقدام به بررسی انسانی نیاز دارد یا خیر.

مدل هوش مصنوعی Jev چگونه کار می‌کند؟

هوش مصنوعی Jev به‌جای تولید پاسخ‌های متنی، اطلاعات ورودی را تحلیل می‌کند و برای پرسش‌های مشخص، تصمیم‌های ساختار‌یافته ارائه می‌دهد. این مدل از معماری اختصاصی TypeSafe AI و سازوکار پردازش موازی (Parallel Sampler) و روش آموزشی RLCD استفاده می‌کند. در این روش، چند پرسش درباره یک مجموعه اطلاعات (State) به‌صورت هم‌زمان ارزیابی می‌شوند. خروجی نیز به شکل گزینه انتخاب‌شده، امتیاز یا احتمال وقوع یک گزاره در اختیار نرم‌افزار قرار می‌گیرد. به این ترتیب، Jev می‌تواند بخش تصمیم‌گیری را در فرایندهای خودکار بر عهده بگیرد؛ بدون اینکه لازم باشد برای هر تصمیم یک پاسخ متنی طولانی تولید کند.

دریافت اطلاعات و تعریف پرسش‌های مشخص (State & Questions)

در اولین مرحله، نرم‌افزار اطلاعات موردنیاز را در قالب یک ورودی مشترک به Jev می‌دهد. این اطلاعات که State نام دارند، می‌توانند متن یک پیام پشتیبانی، محتوای یک سند، اطلاعات یک کاربر یا داده‌های ساخت‌یافته باشند. سپس برنامه‌نویس یک یا چند پرسش مشخص درباره همان اطلاعات تعریف می‌کند. نکته مهم این است که Jev خودش هدف تصمیم‌گیری را حدس نمی‌زند؛ بلکه پرسش‌ها و نوع خروجی مورد انتظار از قبل مشخص شده‌اند.

برای مثال، فرض کنید یک فروشگاه اینترنتی از هوش مصنوعی Jev برای بررسی پیام‌های پشتیبانی استفاده می‌کند. متن پیام مشتری به‌عنوان ورودی ارسال می‌شود و نرم‌افزار این پرسش‌ها را مطرح می‌کند: موضوع پیام چیست؟ (طبقه‌بندی درخواست) میزان فوریت رسیدگی چقدر است؟ (امتیازدهی به اولویت) - آیا پیام به بررسی کارشناس انسانی نیاز دارد؟ (پرسش بله یا خیر) در این مرحله، Jev هنوز اقدامی انجام نمی‌دهد. وظیفه آن ارزیابی اطلاعات و پاسخ‌دادن به پرسش‌های تعریف‌شده است.

ارزیابی هم‌زمان پرسش‌ها با پردازش موازی (Parallel Processing)

یکی از تفاوت‌های مهم هوش مصنوعی Jev با مدل‌های زبانی Autoregressive در نحوه پردازش درخواست‌هاست. مدل‌هایی مثل ChatGPT پاسخ را به‌صورت مرحله‌ای تولید می‌کنند؛ یعنی در هر مرحله، توکن بعدی را با توجه به توکن‌های قبلی پیش‌بینی می‌کنند. در مقابل، Jev از یک سازوکار نمونه‌گیری موازی (Parallel Sampling) استفاده می‌کند. به این معنا که پرسش‌های تعریف‌شده درباره یک ورودی مشترک، به‌صورت مستقل و هم‌زمان ارزیابی می‌شوند. بنابراین، برای دریافت چند نتیجه مختلف نیازی نیست نرم‌افزار هر پرسش را در یک درخواست جداگانه ارسال کند.

این روش پردازش به‌خصوص در سیستم‌هایی کاربرد دارد که باید تعداد زیادی تصمیم کوچک و مشخص بگیرند. برای مثال، در همان سامانه پشتیبانی، Jev می‌تواند موضوع پیام، میزان فوریت و نیاز به بررسی انسانی را در یک درخواست ارزیابی کند. هر پرسش نیز بر اساس اطلاعات ورودی مشترک پاسخ داده می‌شود و نتیجه یک پرسش، ورودی پرسش دیگر نیست.

تولید خروجی‌های ساختاریافته؛ سه نوع تصمیم در Jev

پس از ارزیابی اطلاعات، Jev به‌جای تولید جمله و پاراگراف، پاسخ را در قالب سه نوع خروجی مشخص ارائه می‌کند. این ساختار از قبل در درخواست تعیین می‌شود و نرم‌افزار می‌تواند نتیجه را مستقیما دریافت و پردازش کند. سه نوع خروجی اصلی هوش مصنوعی Jev عبارت‌اند از:

• - انتخاب گزینه (Choice): مدل از میان گزینه‌هایی که برنامه‌نویس تعریف کرده است، مناسب‌ترین مورد را انتخاب می‌کند. برای مثال، تشخیص می‌دهد یک پیام پشتیبانی به دسته فروش، ارسال سفارش یا خدمات پس از فروش تعلق دارد. احتمال مربوط به هر گزینه نیز در خروجی ارائه می‌شود.
• - امتیازدهی (Score): مدل هوش مصنوعی Jev اطلاعات را بر اساس یک مقیاس رتبه‌بندی مشخص ارزیابی می‌کند. برای نمونه، می‌تواند میزان فوریت یک درخواست را در مقیاسی از ۱ تا ۵ یا هر مقیاس تعریف‌شده دیگری بسنجد.
• - احتمال بله یا خیر (Noul): در این حالت، مدل احتمال درست‌بودن یک گزاره را برمی‌گرداند. مثلا مشخص می‌کند چقدر احتمال دارد یک پیام به بررسی کارشناس انسانی نیاز داشته باشد.

آموزش Jev با روش یادگیری تقویتی برای تصمیم‌های کالیبره (RLCD)

یکی از بخش‌های متمایز مدل هوش مصنوعی Jev، روش آموزشی آن یعنی RLCD (Reinforcement Learning for Calibrated Decisions) است. هدف این روش، صرفا انتخاب یک پاسخ درست نیست؛ بلکه مدل باید احتمال درستی پیش‌بینی خود را نیز تا حد امکان دقیق برآورد کند. یعنی وقتی Jev برای یک تصمیم احتمال ۸۰ درصد اعلام می‌کند، انتظار داریم از بین مجموعه‌ای از پیش‌بینی‌های مشابه، تقریبا ۸۰ درصد آن‌ها درست باشند. به این ویژگی کالیبراسیون احتمال (Probability Calibration) می‌گویند.

در خودکارسازی، این روش حسابی به کار می‌آید. نرم‌افزار می‌تواند تصمیم‌های مطمئن را خودکار اجرا کند و موارد مشکوک را برای بررسی بیشتر به کارشناس بسپارد. البته امتیاز اطمینان بالا همیشه به معنی پاسخ درست نیست. پژوهش مستقل روی Jev نیز نشان می‌دهد که احتمال‌های خروجی، به‌ویژه در پاسخ‌های بله یا خیر، ممکن است به کالیبراسیون و تنظیم آستانه تصمیم‌گیری نیاز داشته باشند.

اجرای تصمیم‌ها توسط نرم‌افزار (Decision Execution)

آخرین مرحله به خود نرم‌افزاری مربوط می‌شود که از Jev استفاده می‌کند. مدل هوش مصنوعی Jev نتیجه ارزیابی را تحویل می‌دهد، اما تصمیم درباره اقدام بعدی با کد برنامه است. مثلا نرم‌افزار می‌تواند یک درخواست را به واحد فروش بفرستد، پیام‌های فوری را در اولویت قرار دهد یا موارد مشکوک را برای بررسی انسانی کنار بگذارد. حتی اگر مسئله پیچیده‌تر باشد، می‌تواند ادامه کار را به یک مدل زبانی مولد (Generative LLM) بسپارد.

به این ترتیب، مدل Jev نقش یک لایه تصمیم‌گیری هوشمند را در کنار نرم‌افزار ایفا می‌کند؛ نه اینکه قرار باشد جای همه مدل‌های زبانی را بگیرد! Jev AI تصمیم‌های مشخص و پرتکرار را مدیریت می‌کند و مدل‌های زبانی مولد می‌توانند روی کارهایی مثل تولید متن، ارائه توضیحات و استدلال‌های پیچیده‌تر تمرکز کنند. هرکدام کاری را انجام می‌دهند که در آن بهترند.

معماری هوش مصنوعی Jev چگونه طراحی شده است؟

معماری هوش مصنوعی Jev از چند مؤلفه فنی تشکیل شده که هرکدام بخشی از فرایند پردازش اطلاعات و تولید خروجی را بر عهده دارند. سه بخش مهم در این ساختار عبارت‌اند از: نمونه‌گیر موازی (Parallel Sampler)، سازوکار تعریف خروجی‌های ساختار‌یافته (Type-Safe Outputs) و روش آموزشی RLCD. هرکدام از این مؤلفه‌ها نقش متفاوتی در عملکرد Jev دارند و در کنار هم، آن را از مدل‌های زبانی متداول متمایز می‌کنند. در ادامه، با عملکرد هرکدام آشنا می‌شویم.

System One؛ معماری اختصاصی مدل هوش مصنوعی Jev

Jev نخستین مدل از خانواده System One شرکت TypeSafe AI است. خانواده‌ای از مدل‌های هوش مصنوعی که به‌جای تولید متن‌های طولانی، روی تصمیم‌گیری‌های مشخص تمرکز دارند. کارهایی مثل طبقه‌بندی درخواست‌ها، امتیازدهی، تشخیص و مسیریابی اطلاعات در همین دسته قرار می‌گیرند. Jev اطلاعات ورودی را بررسی می‌کند، به پرسش‌های از پیش تعریف‌شده پاسخ می‌دهد و نتیجه را در قالبی مشخص به نرم‌افزار تحویل می‌دهد.

تفاوت اصلی Jev با مدل‌های زبانی مولد (LLM) دقیقا همین‌جاست: نوع خروجی و شیوه استفاده از آن. یک مدل زبانی معمولی پاسخ را با کنار هم قرار دادن توکن‌ها می‌سازد. اما Jev مستقیما داده‌های ساخت‌یافته و متناسب با نوع هر پرسش را برمی‌گرداند. در نتیجه، نرم‌افزار لازم نیست یک متن طولانی را بخواند، پاسخ موردنظر را از دل آن بیرون بکشد و بعد تازه سراغ اجرای تصمیم برود. Jev نتیجه را آماده تحویل می‌دهد؛ باقی ماجرا با نرم‌افزار است!

Parallel Sampler؛ ارزیابی هم‌زمان چند پرسش در مدل هوش مصنوعی Jev

یکی از اجزای کلیدی در معماری مدل هوش مصنوعی Jev، نمونه‌گیر موازی است. مدل‌های زبانی معمولی برای تولید پاسخ، توکن‌ها (Tokens) را یکی‌یکی و با توجه به توکن‌های قبلی پیش‌بینی می‌کنند. این روند تا زمانی ادامه دارد که پاسخ کامل شود. اما Jev روش متفاوتی دارد و می‌تواند چند پرسش و خروجی موردنظر را در یک درخواست و به‌صورت موازی ارزیابی کند.

برای مثال، وقتی نرم‌افزار سه پرسش درباره یک پیام پشتیبانی مطرح می‌کند، Jev می‌تواند هر سه را هم‌زمان بررسی کند. هر پرسش از اطلاعات ورودی مشترکی استفاده می‌کند، اما پاسخ آن به‌صورت مستقل محاسبه می‌شود. این روش تعداد درخواست‌های جداگانه و رفت‌وبرگشت میان نرم‌افزار و مدل هوش مصنوعی را کاهش می‌دهد و به افزایش سرعت پردازش و تصمیم‌گیری کمک می‌کند.

Type-Safe Outputs؛ تعیین نوع خروجی در مدل هوش مصنوعی Jev

یکی دیگر از ویژگی‌های معماری مدل هوش مصنوعی Jev، امکان تعریف قالب پاسخ و گزینه‌های مجاز پیش از ارسال درخواست است. در این ساختار، برنامه‌نویس مشخص می‌کند که مدل باید چه نوع پاسخی ارائه دهد و چه مقادیری را می‌تواند انتخاب کند. Jev نیز فقط در همان چارچوب پاسخ می‌دهد. این محدودیت، از تولید خروجی‌های نامعتبر از نظر ساختار داده جلوگیری می‌کند و استفاده از نتیجه را در کد نرم‌افزار ساده‌تر می‌کند. مدل تصمیم‌گیری هوش مصنوعی Jev سه نوع خروجی اصلی دارد:

• Choice: انتخاب یک گزینه از میان گزینه‌های از پیش تعریف‌شده، همراه با احتمال هر انتخاب.
• Score: امتیازدهی بر اساس یک مقیاس مشخص و ارائه توزیع احتمال.
• Noul: برآورد احتمال درست‌بودن یک گزاره در بازه صفر تا یک.

برای مثال، نرم‌افزار می‌تواند از Jev بخواهد موضوع یک پیام را از بین سه دسته «فروش»، «پشتیبانی» و «ارسال سفارش» مشخص کند. در این حالت، Jev فقط می‌تواند یکی از همین گزینه‌ها را انتخاب کند و خبری از ساختن دسته‌های جدید و خارج از فهرست نیست!

هوش مصنوعی Jev چه کاربردهایی دارد؟

هوش مصنوعی Jev در موقعیت‌هایی کاربرد دارد که نرم‌افزار باید حجم زیادی از اطلاعات را بررسی کند و بر اساس معیارهای مشخص، تصمیم بگیرد. برای مثال، می‌تواند درخواست‌های کاربران را دسته‌بندی کند، پیام‌های مشکوک را تشخیص دهد یا وظایف را به سرویس مناسب ارجاع دهد. مهم‌ترین کاربردهای این مدل عبارت‌اند از:

• - مسیریابی هوشمند درخواست‌ها (Intelligent Routing): بررسی نوع و پیچیدگی درخواست و انتخاب مدل زبانی یا سرویس مناسب برای پردازش آن.
• - مدیریت پشتیبانی مشتریان: دسته‌بندی پیام‌ها، تشخیص فوریت درخواست‌ها و تعیین اینکه کدام موارد به پاسخ خودکار یا بررسی کارشناس نیاز دارند.
• - نظارت بر محتوا (Content Moderation): شناسایی محتوای نامناسب، ارزیابی ریسک پیام‌ها و علامت‌گذاری موارد نیازمند بررسی انسانی.
• - طبقه‌بندی و تحلیل داده‌ها: دسته‌بندی اسناد، پیام‌ها و بازخورد کاربران بر اساس موضوع یا معیارهای از پیش تعیین‌شده.
• - تشخیص تقلب و ارزیابی ریسک: بررسی الگوهای مشکوک در اطلاعات و تراکنش‌ها و اولویت‌بندی موارد برای بررسی بیشتر.
• - ارزیابی خروجی مدل‌های زبانی: بررسی پاسخ‌های تولیدشده از نظر کیفیت، انطباق با دستورالعمل‌ها و احتمال وجود محتوای نامناسب.

مدل هوش مصنوعی Jev چقدر سریع است؟

طبق اعلام رسمی شرکت TypeSafe، زمان پاسخ‌گویی مدل Jev بین ۷۰ تا ۵۰۰ میلی‌ثانیه است. این شرکت مدعی است Jev در وظایف تصمیم‌گیری مشخص، می‌تواند بین ۴۰ تا ۲۰۰ برابر سریع‌تر از مدل‌های زبانی بزرگ عمل کند. در بنچمارک داخلی شرکت نیز سرعت ۱۹۳٫۶ برابر بیشتر گزارش شده است. البته این ارقام حاصل ارزیابی‌های خود TypeSafe هستند و نباید آن‌ها را معیاری قطعی برای تمام کاربردها در نظر گرفت.

تفاوت هوش مصنوعی Jev با مدل‌های زبانی بزرگ (LLM) چیست؟

هوش مصنوعی Jev و مدل‌های زبانی بزرگ (LLM) از نظر نوع پردازش، هدف طراحی و شکل خروجی تفاوت دارند. مدل‌هایی مانند GPT و Claude عمدتا برای تولید متن، پاسخ‌گویی، خلاصه‌سازی و انجام وظایف زبانی ساخته شده‌اند. در مقابل، Jev از خانواده مدل‌های System One است و روی ارزیابی اطلاعات و ارائه تصمیم‌های مشخص برای استفاده مستقیم در نرم‌افزار تمرکز دارد.

عملکرد و سرعت Jev در مقایسه با سایر مدل‌ها

یکی از مزیت‌های اصلی مدل هوش مصنوعی Jev به‌عنوان یک مدل System One، سرعت آن در تصمیم‌های ساختاریافته است. برخلاف LLMها که پاسخ را به‌صورت توکن‌به‌توکن تولید می‌کنند، Jev تمام احتمالات را به‌طور موازی خروجی می‌دهد و مستقیما به سراغ ارزیابی گزینه‌ها، دسته‌بندی و امتیازدهی می‌رود . همین تفاوت معماری، تأخیر و هزینه را در سناریوهایی که نرم‌افزار باید تعداد زیادی تصمیم کوچک و تکراری بگیرد، به‌طور محسوسی کاهش می‌دهد.

در یک آزمایش مستقل در سپتامبر ۲۰۲۶، Jev 1.13 در کنار چهار مدل زبانی دیگر قرار گرفت: GPT-5.4 nano، GPT-5.6 Terra، Gemini 3.5 Flash-Lite و Claude Haiku 4.5. هر پنج مدل با سه وظیفه یکسان به چالش کشیده شدند: دسته‌بندی درخواست‌ها، شناسایی تزریق پرامپت (Prompt Injection) و انتخاب موضوع پیام از میان چند گزینه مشخص.

نتایج این رقابت جالب بود! Jev در این سه وظیفه، زمان پاسخ‌گویی میانه Jev برابر با ۰٫۳۳ ثانیه بود. در مقابل، سریع‌ترین مدل زبانی حاضر در آزمایش، یعنی Gemini 3.5 Flash-Lite، برای انجام همین وظایف به حدود ۰٫۶۷ ثانیه زمان نیاز داشت. به این ترتیب، Jev در این آزمون تقریبا دو برابر سریع‌تر از سریع‌ترین LLM ظاهر شد. گزارش آزمایشی دیگری نیز همین ارقام را برای Jev و Gemini تأیید می‌کند.

جمع‌بندی؛ مدل هوش مصنوعی Jev تازه شروع کرده است!

Jev آمده تا بخشی از کارهایی را که مدل‌های زبانی برای انجامشان به تولید متن نیاز دارند، مستقیم‌تر و سریع‌تر انجام دهد. هنوز برای قضاوت درباره آینده‌اش زود است، اما اگر TypeSafe بتواند عملکرد و دقت آن را در مقیاس واقعی ثابت کند، Jev می‌تواند به یکی از گزینه‌های جدی برای خودکارسازی تصمیم‌ها در نرم‌افزارها تبدیل شود.

اگر در حال توسعه نرم‌افزاری هستید که باید پیام‌ها را دسته‌بندی کند، درخواست‌ها را اولویت‌بندی کند یا از میان چند گزینه تصمیم بگیرد، Jev می‌تواند گزینه‌ای ارزشمند برای بررسی باشد. سرعت پاسخ‌گویی بالا و خروجی‌های ساخت‌یافته آن، نیاز به پردازش متن‌های طولانی و استخراج نتیجه از پاسخ مدل را کاهش می‌دهد.

البته مدل هوش مصنوعی Jev هنوز در ابتدای راه است و برای تولید محتوا، گفت‌وگو و کارهای خلاقانه جایگزین مناسبی برای مدل‌های زبانی بزرگ نیست. بنابراین، انتخاب بین Jev و LLM به نوع مسئله شما بستگی دارد: برای تصمیم‌های مشخص و قابل‌اندازه‌گیری، Jev را بررسی کنید؛ اما اگر به تولید متن و پاسخ‌های متنوع نیاز دارید، LLMها همچنان انتخاب مناسب‌تری هستند.