ظهور Jev: چرا هوش مصنوعی دیگر نباید مثل انسان پرحرفی کند؟
در حالی که دنیای فناوری هنوز مبهوت پیشرفت مدلهای زبانی بزرگ (LLMs) بود، شرکت TypeSafe AI با معرفی مدل تصمیمگیری Jev نشان داد که برای اتوماسیون نرمافزاری، تولید انشای طولانی نه تنها لازم نیست، بلکه مانع اصلی سرعت و دقت است.
۱. مدل تصمیمگیری سیستم ۱ (System One Decision Model) چیست؟
در روانشناسی شناختی (دانیل کانمن)، مغز انسان دارای دو سیستم فکری است: سیستم ۱ (شهودی، فوقسریع، قاطع و اتوماتیک) و سیستم ۲ (تحلیلی، آرام، پرحرف و زنجیرهای). مدلهای زبانی فعلی (LLMs نظیر GPT و Claude) شبیه سیستم ۲ عمل میکنند؛ آنها کلمات را به صورت توکن به توکن و با تولید زنجیره تفکر (Chain of Thought) میسازند.
اما در سمت مقابل، Jev یک مدل تصمیمگیری محض (Decision Model) است. ورودی Jev دادههای ساختارنیافته (متن ایمیل، لاگ سرور، تراکنش بانکی، تصویر یا مشخصات سفارش) به همراه چند سوال ساختاریافته است. خروجی Jev متن مکالمهای نیست، بلکه مقادیر تایپشده ماشینی (Typed Data) شامل گزینههای قطعی، امتیازات عددی یا متغیرهای دودویی (True/False به اصطلاح Noul) به همراه درصد احتمال اطمینان است.
۲. جدول مقایسه بنیادین Jev در برابر LLM
| ویژگی | مدلهای زبانی بزرگ (LLMs) | مدل تصمیمگیری Jev |
|---|---|---|
| نوع خروجی (Output) | متن زبان طبیعی، انشا، توضیحات حاشیهای | دادههای تایپشده ساختاریافته و ماشینخوان (Enum/Score/Boolean) |
| زمان پاسخگویی (Latency) | کند (۲ تا ۱۰ ثانیه برای هر درخواست) | فوقسریع (۷۰ تا ۵۰۰ میلیثانیه) |
| خطر توهم (Hallucination) | بالا (ممکن است در خروجی JSON فیلدهای نامعتبر بسازد) | صفر در ساختار خروجی (کاملاً مقید به تایپهای مجاز) |
| مصرفکننده خروجی | انسان (برای مطالعه و گفتگو) | نرمافزارها، دیتابیسها و کدهای برنامهنویسی |
۳. چرا این تحول آینده اتوماسیون کسبوکارها را تغییر میدهد؟
تا پیش از Jev، توسعهدهندگان مجبور بودند یک مدل ۲۰۰ میلیارد پارامتری گرانقیمت را صدا بزنند و با پرامپتهای طولانی التماس کنند که «لطفاً فقط در قالب JSON پاسخ بده و هیچ کلمه اضافهای نگو!» و باز هم در ۵٪ مواقع مدل خطا میداد یا کل سیستم به دلیل تأخیر چندثانیهای متوقف میشد. Jev این معضل تاریخی را حل کرده است: لایه هوش برای اتخاذ تصمیمات بلادرنگ مستقیماً وارد کد نرمافزار شده است.