System One Models & Jev: ახალი AI ავტომატიზაციისთვის

TypeSafe AI-მ System One Models & Jev წარადგინა – გადაწყვეტილებებზე ორიენტირებული ხელოვნური ინტელექტის მოდელების ახალი კლასი და მისი პირველი საჯარო მოდელი. Jev პროგრამებს სტრუქტურირებულ პასუხებსა და ალბათობებს უბრუნებს, რათა მათ შედეგები ავტომატიზებულ პროცესებში პირდაპირ გამოიყენონ.

კომპანიის დამფუძნებელი, დიოგო ალმეიდა, OpenAI-ში იმ მეთოდებზე მუშაობდა, რომლებიც ChatGPT-ის საფუძვლად იქცა. ახალი პროექტის წარდგენამდე მან ორი წელი არასაჯაროდ მუშაობას დაუთმო. მისი მთავარი კითხვა იყო, რატომ არ გადაიზარდა ჩატმოდელების შესაძლებლობები უფრო ფართომასშტაბიან ავტომატიზაციაში.

სარჩევი

• რით განსხვავდება Jev ჩატმოდელებისგან
• როგორ მუშაობს RLCD სწავლების მეთოდი
• რამდენად სწრაფი და იაფია Jev
• რას ნიშნავს ფორმატის გარანტია და სად რჩება შეცდომის რისკი
• System One Models & Jev პრაქტიკაში
• რატომ არის Jev ძალიან მნიშვნელოვანი
• AI მოდელები - სხვა სტატიები

რით განსხვავდება Jev ჩატმოდელებისგან

ჩატმოდელის პასუხს ადამიანი ხშირად ტექსტის სახით კითხულობს. პროგრამას კი კონკრეტული შედეგი სჭირდება: რომელი კატეგორია შეარჩიოს, როგორ შეაფასოს შემთხვევა ან რა მოქმედება შეასრულოს შემდეგ. Jev სწორედ ასეთი ამოცანებისთვისაა შექმნილი.

ტექნიკური დოკუმენტაციის მიხედვით, Jev ბუნებრივ ენაზე მიწოდებულ ინფორმაციას ამუშავებს, თუმცა თავისუფალ ტექსტს, კოდს ან საკუთარი მსჯელობის განმარტებას არ გენერირებს. დეველოპერი წინასწარ განსაზღვრავს შესაძლო პასუხებსა და მათ ფორმატს, მოდელი კი ამ ჩარჩოში აბრუნებს შედეგს.

არჩევანი, შეფასება და ალბათობა

TypeSafe სამ ძირითად შესაძლებლობას გამოყოფს, რომელთა გაერთიანება ერთ მოთხოვნაში შეიძლება:

• Choice – მოცემული ვარიანტებიდან არჩევანის გაკეთება, მაგალითად, მომხმარებლის მიმართვის შესაბამის განყოფილებაში გადამისამართება.
• Score – შემთხვევის შეფასება წინასწარ განსაზღვრული კრიტერიუმებისა და სკალის მიხედვით.
• Noul – დებულების ჭეშმარიტების ალბათობის შეფასება 0-დან 1-მდე მნიშვნელობით.

შეკითხვები ერთსა და იმავე კონტექსტზე პარალელურად და ერთმანეთისგან დამოუკიდებლად მუშავდება. მიღებული პასუხების გაერთიანებასა და შემდგომ მოქმედებებს პროგრამის კოდი მართავს. ასე დეველოპერს შეუძლია რამდენიმე მცირე შეფასებისგან უფრო რთული სამუშაო პროცესი ააწყოს.

როგორ მუშაობს RLCD სწავლების მეთოდი

TypeSafe-ის მიდგომის საფუძველია RLCD – Reinforcement Learning for Calibrated Decisions, ანუ განმტკიცებითი სწავლება კალიბრირებული გადაწყვეტილებებისთვის. კომპანიის განმარტებით, მეთოდი მოდელს გადაწყვეტილებებისა და მათთან დაკავშირებული ალბათობების დასაბრუნებლად ამზადებს.

კალიბრაციის მიზანია, მოდელის მიერ შეფასებული ალბათობები რეალურ შედეგებს შეესაბამებოდეს. მაგალითად, მოვლენები, რომლებსაც მოდელი 80%-იან ალბათობას ანიჭებს, მრავალი პროგნოზის ერთობლიობაში დაახლოებით 80%-ში უნდა ხდებოდეს. ეს ცალკეული პასუხის სისწორის გარანტია არ არის.

პროგრამისთვის ასეთი ინფორმაცია პრაქტიკულად გამოსადეგია. მას შეუძლია გარკვეულ შემთხვევებში ავტომატურად იმოქმედოს, გაურკვევლობისას კი დამატებითი ინფორმაცია მოითხოვოს ან საკითხი ადამიანს გადასცეს. მოქმედების პირობებს დეველოპერი განსაზღვრავს.

რამდენად სწრაფი და იაფია Jev

ალმეიდა წარდგენის განცხადებაში Jev-ს 20-200-ჯერ უფრო სწრაფ და 40-400-ჯერ უფრო იაფ მოდელად აღწერს. ეს კომპანიის მიერ დასახელებული მაჩვენებლებია და გადაწყვეტილებებზე ორიენტირებულ ამოცანებს ეხება; მათი ყველა ტიპის AI გამოყენებაზე გავრცელება სწორი არ იქნება.

ოფიციალურ ბლოგში TypeSafe პასუხის მიღების დროდ 70-500 მილიწამს ასახელებს. გამოქვეყნებული ტარიფით, მილიონი შემომავალი ტოკენი 0.042 აშშ დოლარი ღირს, გამომავალ ტოკენებზე კი საფასური არ ირიცხება.

კომპანია სიჩქარეს პარალელურ დამუშავებას უკავშირებს: Jev შედეგებს ერთ მოთხოვნაში აბრუნებს, ტექსტური პასუხის ტოკენების თანმიმდევრული გენერირების გარეშე. ამასთან, TypeSafe აღნიშნავს, რომ გამოქვეყნებული სიჩქარის ტესტები ძირითადად აშშ-ის დასავლეთ სანაპიროდან ჩატარდა, სადაც მისი სერვისიც არის განთავსებული.

რას ეფუძნება შედარება

TypeSafe-ის შეფასებები ოთხ სამუშაო პროცესს მოიცავს: უსაფრთხოების ინციდენტების დამუშავებას, AI აგენტის მოქმედებების შემოწმებას, ინვოისების დამუშავებასა და მომხმარებელთა მომსახურებას. დავალებები იყოფა ვიწრო შეკითხვებად, რომელთა პასუხებს შემდეგ პროგრამული წესები აერთიანებს.

საორიენტაციო პასუხები მიღებულია OpenAI-ის GPT-6 Astra-სა და Anthropic-ის Claude Fable 5.1-ის პასუხების საშუალო მაჩვენებლით. შესაბამისად, ეს შეფასება აჩვენებს სხვა მოდელების პასუხებთან თანხვედრას კონკრეტულ სამუშაო პროცესებში. ის დამოუკიდებლად დადგენილ სწორ პასუხებთან შედარებას არ უდრის.

კომპანია თავადაც აღნიშნავს, რომ გამოქვეყნებული ყველაზე დიდი უპირატესობები პრაქტიკაში მოსალოდნელი გაუმჯობესების ზედა ზღვართან შეიძლება იყოს. ამიტომ კონკრეტული სისტემისთვის რეალური სარგებელი მის ამოცანებზე, მოთხოვნების სირთულესა და გამოყენების პირობებზე იქნება დამოკიდებული.

რას ნიშნავს ფორმატის გარანტია და სად რჩება შეცდომის რისკი

TypeSafe Jev-ის ერთ-ერთ უპირატესობად წინასწარ განსაზღვრულ სქემასთან შესაბამისობას ასახელებს. კომპანიის განმარტებით, მოდელი პასუხის დასაშვებ ტიპსა და სტრუქტურას არ არღვევს. სწორედ ამ თვისებას უკავშირდება განცხადებაში გამოყენებული მტკიცება ჰალუცინაციების არარსებობის შესახებ.

სწორი ფორმატი გადაწყვეტილების სისწორეს ავტომატურად არ ნიშნავს. პასუხი შეიძლება დასაშვებ ვარიანტს შეესაბამებოდეს, მაგრამ კონკრეტული შემთხვევისთვის მცდარი იყოს. ამიტომ TypeSafe-ის დოკუმენტაცია გაურკვევლობის გათვალისწინებასა და საჭიროებისას ადამიანის ჩართვასაც აღწერს.

დარწმუნებულობის მაჩვენებელი Choice-ისა და Score-ის პასუხებში ალბათობების განაწილებიდან გამოითვლება. დეველოპერს შეუძლია განსაზღვროს, რა შემთხვევაში ენდოს ავტომატურ გადაწყვეტილებას და როდის გადაამისამართოს საქმე დამატებით შემოწმებაზე.

System One Models & Jev პრაქტიკაში

Jev გამოსადეგია პროცესებისთვის, სადაც პროგრამას ხშირად სჭირდება მცირე, მკაფიოდ განსაზღვრული შეფასება. მაგალითად, მომხმარებლის მიმართვის კლასიფიკაცია, ინვოისის გადახდისთვის გადაცემა ან უსაფრთხოების შეტყობინების ანალიტიკოსთან გადამისამართება. რთული გადაწყვეტილება შეიძლება რამდენიმე ასეთ კითხვად დაიშალოს და მათი პასუხები კოდში გაერთიანდეს.

TypeSafe-ის რეკომენდაციით, თითოეული შეკითხვა ერთ კონკრეტულ საკითხს უნდა ეხებოდეს. როდესაც ამოცანა რამდენიმე დამოუკიდებელი ფაქტორის შეფასებას მოითხოვს, მათი ცალ-ცალკე დამუშავება დეველოპერს მეტ კონტროლს აძლევს: მას შეუძლია თავად განსაზღვროს, როგორ იმოქმედებს თითოეული შედეგი საბოლოო გადაწყვეტილებაზე.

Jev ამ ეტაპზე ადრეული წვდომის რეჟიმშია. დაინტერესებულ ადამიანებს TypeSafe-ის ვებსაიტზე Waitlist-ში ჩაწერა შეუძლიათ, კომპანია კი წვდომას ეტაპობრივად ხსნის.

რატომ არის Jev ძალიან მნიშვნელოვანი

ჩვეულებრივი AI მოდელები სიტყვაუხვი ადამიანებივით საუბრობენ: ჭკვიანები არიან, მაგრამ უმარტივესი გადაწყვეტილებების მიღებაზეც კი ბევრ დროსა და ფულს ხარჯავენ. კომპიუტერებს კი ვრცელი ტექსტების ნაცვლად მილიონობით სწრაფი პასუხი სჭირდებათ – „კი“, „არა“ ან რიცხვითი შეფასება.

ChatGPT-ის ერთ-ერთი თანაშემქმნელის მიერ შემუშავებული Jev ტექსტების წერის ნაცვლად პირდაპირ სტრუქტურირებულ გადაწყვეტილებებს გვაწვდის და თითოეულს სანდოობის მაჩვენებელს ურთავს. ის 20–200-ჯერ უფრო სწრაფია და 40–400-ჯერ იაფი, ხოლო პასუხებზე საფასური არ ირიცხება. ამგვარად, პროგრამულ უზრუნველყოფაში AI-ის გადაწყვეტილების მიღების უნარის გამოყენება ყველგან ხდება შესაძლებელი, დაყოვნებისა და ხარჯის გარეშე. ეს ფართომასშტაბიან ავტომატიზაციასა და ეკონომიკურ გარდაქმნებს უხსნის გზას.

AI დამწყებთათვის ხელოვნური ინტელექტი: სრული გზამკვლევი ისწავლე საფუძვლები - მანქანური დასწავლიდან ChatGPT-მდე, ინტერაქტიული ტესტით. →