در سال‌های اخیر، هوش مصنوعی از یک ابزار ساده برای پاسخگویی به پرسش‌ها فراتر رفته و به جزء جدایی‌ناپذیری از بسیاری از نرم‌افزارها تبدیل شده است. مدلهای پیشرفته‌ای مانند GPT-4 و Gemini، قابلیت‌هایی نظیر تولید متن، کدنویسی، تحلیل اسناد، خلاصه‌سازی اطلاعات و حل مسائل پیچیده را ارائه می‌دهند.
با این حال، همه وظایفی که یک نرمافزار به هوش مصنوعی می‌سپارد، لزوماً به تولید متن یا مکالمات طولانی نیاز ندارند. گاهی اوقات، یک سیستم تنها به یک تصمیم مشخص و سریع احتیاج دارد؛ برای مثال، تشخیص اینکه یک تیکت پشتیبانی به کدام بخش باید ارسال شود، میزان فوریت یک درخواست چقدر است، یا آیا یک فعالیت مشکوک نیاز به بررسی انسانی دارد.
در چنین سناریوهایی، هوش مصنوعی Jev وارد عمل می‌شود. این مدل، که توسط شرکت TypeSafe توسعه یافته، با هدف انجام تصمیم‌های ساختاریافته و قابل استفاده مستقیم توسط نرمافزار طراحی شده است. Jev به جای تولید پاسخ‌های طولانی و تشریحی، اطلاعات مشخصی را دریافت کرده و بر اساس پرسش‌های از پیش تعریف‌شده، نتیجه‌ای ارائه میدهد که نرمافزار میتواند بلافاصله از آن بهره ببرد. این رویکرد، Jev را به ابزاری قدرتمند برای اتوماسیون تصمیمگیری در سیستمهای پیچیده تبدیل میکند.
به همین دلیل، Jev را نباید صرفاً رقیبی برای مدلهای زبانی عمومی دانست. تفاوت اصلی در نوع مسئله‌ای است که این ابزارها برای حل آن طراحی شده‌اند. در حالی که مدلهای زبانی عمومی بیشتر برای تولید و تحلیل زبان طبیعی ساخته شده‌اند، Jev تمرکز خود را روی تصمیمگیری محدود و ساختاریافته قرار داده است. برای استفاده از قابلیتهای هوش مصنوعی در پروژه‌های خود، میتوانید به پلتفرم هوشی مراجعه کرده و با ساخت توکن API، ایجنتهای کدنویسی خود را توسعه دهید.
هوش مصنوعی Jev چیست؟
مدل هوش مصنوعی Jev از شرکت TypeSafe به منظور تصمیمگیری سریع، ساختاریافته و قابل استفاده در نرم‌افزارها طراحی شده است. در مدلهای زبانی عمومی، کاربر یا نرمافزار اطلاعاتی را در اختیار مدل قرار میدهد و مدل معمولاً یک پاسخ متنی تولید میکند. حتی زمانی که از مدل می‌خواهیم پاسخ را در قالب مشخصی مانند JSON ارائه دهد، مدل همچنان در حال تولید یک خروجی زبانی است که بعداً باید توسط نرمافزار پردازش شود.
اما Jev رویکرد متفاوتی دارد. در این مدل، توسعه‌دهنده از ابتدا مشخص میکند که چه نوع تصمیمی باید گرفته شود و پاسخ چه ساختاری داشته باشد. برای مثال، یک شرکت میتواند متن تیکت مشتری را در اختیار Jev قرار دهد و از آن بخواهد مشخص کند این درخواست مربوط به کدام بخش است، میزان نارضایتی مشتری چقدر است و آیا رسیدگی به آن فوری است یا خیر.
نتیجه چنین فرایندی میتواند مستقیماً در اختیار نرمافزار قرار بگیرد. نرمافزار نیز بر اساس نتیجه، تیکت را به بخش مربوطه ارسال میکند، اولویت آن را تغییر میدهد یا در صورت نیاز آن را برای بررسی انسانی می‌فرستد. در نتیجه، Jev بیشتر شبیه یک لایه تصمیمگیری برای نرمافزار است تا یک چت‌بات عمومی.
برای آشنایی بیشتر با نحوه عملکرد و کاربرد APIهای هوش مصنوعی، میتوانید به مستندات هوشی مراجعه کنید.
هوش مصنوعی Jev چگونه کار میکند؟
فرایند کار Jev بر پایه سه مفهوم اصلی شکل گرفته است: اطلاعات ورودی، پرسش مشخص و نتیجه ساختاریافته.
- اطلاعات ورودی: ابتدا اطلاعاتی که مدل باید بر اساس آن تصمیم بگیرد، در اختیار Jev قرار می‌گیرد. این اطلاعات میتواند متن یا داده‌های ساختاریافته باشد. برای مثال، اطلاعات یک سفارش، متن یک تیکت، وضعیت یک کاربر یا داده‌های مربوط به یک تراکنش میتواند ورودی سیستم باشد.
- پرسش مشخص: سپس توسعه‌دهنده مشخص میکند که چه تصمیم‌هایی باید گرفته شوند. Jev این کار را با سه نوع اصلی پرسش ارائه میکند که شامل انتخاب، امتیازدهی و قضاوت بله یا خیر هستند. این محدودیت بخشی از طراحی مدل است؛ قرار نیست Jev مانند یک مدل زبانی عمومی درباره هر موضوعی پاسخ آزاد تولید کند. هدف آن تصمیمگیری در یک فضای مشخص است.
- نتیجه ساختاریافته: خروجی Jev همیشه یک ساختار داده مشخص (مثلاً JSON) است که نرمافزار میتواند به راحتی آن را تفسیر کرده و بر اساس آن اقدام کند.
کاربردهای هوش مصنوعی Jev
کاربرد اصلی Jev در سیستمهایی دیده می‌شود که باید تعداد زیادی تصمیم محدود و تکرار شونده بگیرند. این سیستم‌ها می‌توانند از مقالات هوشی برای الهام گرفتن و توسعه راهکارهای خود استفاده کنند.
دستهبندی تیکتهای پشتیبانی
یکی از ساده‌ترین کاربردهای Jev در سیستمهای پشتیبانی مشتری است. فرض کنید یک شرکت روزانه هزاران تیکت دریافت میکند. هر تیکت باید به بخش مناسب ارسال شود و در صورت نیاز، میزان فوریت آن نیز مشخص شود. هوش مصنوعی Jev میتواند برای هر تیکت تعیین کند که مربوط به فروش، مالی، پشتیبانی یا حساب کاربری است. در کنار این تصمیم می‌توان میزان نارضایتی مشتری و فوریت درخواست را نیز ارزیابی کرد. به این ترتیب، سیستم پشتیبانی میتواند بسیاری از تصمیم‌های اولیه را بدون دخالت مستقیم کارشناس انجام دهد.
اولویتبندی درخواستها
همه درخواست‌های مشتری اهمیت یکسانی ندارند. برای مثال، یک مشتری ممکن است فقط درباره رنگ محصول سؤال داشته باشد، در حالی که مشتری دیگری اعلام کند مبلغ سفارش از حساب او کم شده اما سفارش ثبت نشده است. در چنین شرایطی، سیستم میتواند میزان فوریت یا شدت هر درخواست را ارزیابی کند و درخواست‌های مهم‌تر را در اولویت قرار دهد. در اینجا Jev نقش تصمیم‌گیرنده اولیه را دارد و نرمافزار بر اساس نتیجه آن، ترتیب رسیدگی را تعیین میکند.
انتخاب مدل هوش مصنوعی مناسب
یکی از کاربردهای جالب Jev، مدیریت سایر مدلهای هوش مصنوعی است. فرض کنید یک شرکت چند مدل هوش مصنوعی در اختیار دارد. یکی از آنها سریع و کم‌هزینه است، مدل دیگری توانایی بیشتری دارد و مدل سوم برای مسائل پیچیده طراحی شده است. استفاده از قدرتمندترین مدل برای تمام درخواستها ممکن است همیشه ضروری نباشد. Jev میتواند ابتدا نوع درخواست را بررسی کند و مشخص کند که هر درخواست باید به کدام مسیر ارسال شود. برای درخواست‌های ساده می‌توان از یک مدل سبک‌تر استفاده کرد و درخواست‌های پیچیده‌تر را به مدلهای قدرتمندتر سپرد. در این نوع معماری، Jev خودش جایگزین مدلهای زبانی نمی‌شود، بلکه به عنوان یک لایه تصمیمگیری برای انتخاب مسیر مناسب عمل میکند.
استفاده در عاملهای هوش مصنوعی
عاملهای هوش مصنوعی می‌توانند به ابزارهای مختلف دسترسی داشته باشند و اقدامات مختلفی انجام دهند. برای مثال، یک عامل ممکن است بتواند ایمیل ارسال کند، سفارش ثبت کند، اطلاعات حساب را تغییر دهد یا داده‌ای را از یک پایگاه اطلاعاتی دریافت کند. در چنین سیستمهایی می‌توان قبل از اجرای برخی اقدامات، یک مرحله تصمیمگیری اضافه کرد. برای مثال، سیستم میتواند بررسی کند که آیا یک اقدام خاص نیازمند تأیید انسان است یا خیر. اگر احتمال خطر بالا باشد، نرمافزار میتواند اجرای عملیات را متوقف کند و آن را برای بررسی انسانی بفرستد. با این حال، برای اقدامات حساس نباید Jev تنها لایه امنیتی سیستم باشد. احراز هویت، مجوزهای دسترسی، قوانین قطعی و ثبت رویدادها همچنان باید در معماری وجود داشته باشند.
اولویتبندی مشتریان و سرنخهای فروش
در سیستمهای فروش، تعداد سرنخ‌ها ممکن است بسیار زیاد باشد و تیم فروش نتواند همه آنها را با یک میزان توجه بررسی کند. Jev میتواند اطلاعات مربوط به هر سرنخ را بررسی کند و میزان اولویت آن را در یک طیف مشخص تعیین کند. بعد از این مرحله، نرمافزار میتواند سرنخ‌ها را بر اساس نتیجه مرتب کند و آنها را در اختیار تیم فروش قرار دهد. در این کاربرد نیز Jev خودش فرایند فروش را انجام نمی‌دهد؛ بلکه تصمیم اولیه‌ای را در اختیار سیستم قرار میدهد.
دستهبندی محتوا
پلتفرمهایی که حجم زیادی از محتوا دریافت می‌کنند نیز می‌توانند از Jev استفاده کنند. برای مثال، سیستم میتواند مشخص کند یک محتوا در چه دسته‌ای قرار می‌گیرد، آیا نیازمند بررسی انسانی است یا چه میزان اولویت برای بررسی دارد. این موضوع میتواند در پلتفرم‌های محتوایی، سامانه‌های مدیریت اسناد و سرویس‌هایی که حجم زیادی از داده متنی دریافت می‌کنند کاربرد داشته باشد.
استفاده در سیستمهای رباتیک
در سیستمهای رباتیک، معمولاً بخش‌های مختلفی برای دریافت اطلاعات محیط، پردازش داده و انتخاب اقدام وجود دارد. Jev میتواند در بخش تصمیمگیری محدود مورد استفاده قرار گیرد؛ جایی که سیستم باید از میان چند اقدام مشخص یکی را انتخاب کند. البته در سیستمهای حساس، کنترل‌های ایمنی نباید به یک مدل هوش مصنوعی وابسته باشند و قوانین قطعی و کنترل‌های سخت‌افزاری یا نرم‌افزاری باید مستقل باقی بمانند.
مقایسه Jev با سایر مدلهای هوش مصنوعی
هوش مصنوعی‌های مختلف برای اهداف متفاوتی طراحی شده‌اند و همه آنها قرار نیست یک نوع مسئله را حل کنند. در ادامه، Jev را با مدل‌هایی مانند GPT، Gemini و Grok مقایسه می‌کنیم تا تفاوت کاربرد و رویکرد هرکدام روشن‌تر شود. برای دسترسی به این مدل‌ها و مدیریت APIهای خود، میتوانید از داشبورد هوشی استفاده کنید.
مقایسه Jev با مدلهای GPT
مدلهای GPT با هدف انجام طیف گسترده‌ای از وظایف هوش مصنوعی ساخته شده‌اند. این مدل‌ها می‌توانند وظایفی مثل تولید متن، پاسخگویی به پرسش‌ها، کدنویسی، تحلیل اسناد و خلاصه‌سازی را انجام دهند و در بسیاری از فرایندهای پیچیده به عنوان دستیار یا عامل هوش مصنوعی مورد استفاده قرار بگیرند. در مقابل، Jev تمرکز بسیار محدودتری دارد و برای تصمیمگیری ساختاریافته طراحی شده است. برای مثال، اگر یک نرمافزار بخواهد مشخص کند یک درخواست به کدام بخش ارسال شود، میزان فوریت آن چقدر است یا آیا نیاز به بررسی انسانی دارد، Jev میتواند مستقیماً چنین تصمیم‌هایی را در قالب مشخص ارائه کند. بنابراین تفاوت اصلی این دو در دامنه کاربرد است؛ GPT یک مدل عمومی برای تولید و تحلیل است، در حالی که Jev بیشتر یک لایه تصمیمگیری برای نرمافزار محسوب می‌شود.
مقایسه Jev با Gemini
Gemini شامل مجموعه‌ای از مدلهای هوش مصنوعی گوگل است که برای وظایف عمومی، تحلیل متن، پردازش تصویر و صوت، تولید محتوا، برنامه‌نویسی و برخی کاربردهای عامل‌محور استفاده می‌شود. گستردگی قابلیتهای Gemini باعث می‌شود بتوان از آن برای مسائل مختلفی استفاده کرد که به پردازش چند نوع داده یا تولید پاسخ‌های پیچیده نیاز دارند. Jev در مقایسه با Gemini دامنه بسیار محدودتری دارد و تمرکز آن روی تصمیم‌های مشخص و از پیش تعریف‌شده است. به عنوان مثال، Gemini میتواند یک سند یا تصویر را تحلیل کند و درباره آن توضیح بدهد، در حالی که Jev بیشتر زمانی کاربرد دارد که سیستم از قبل بداند چه تصمیمی باید گرفته شود و فقط به یک نتیجه ساختاریافته برای ادامه فرایند نیاز داشته باشد.
مقایسه Jev با Grok
Grok نیز یک مدل هوش مصنوعی عمومی است که برای گفت‌وگو، پاسخگویی، تحلیل اطلاعات و تولید محتوا مورد استفاده قرار می‌گیرد. مانند سایر مدلهای زبانی عمومی، Grok میتواند با ورودیهای مختلف کار کند و پاسخ‌هایی با ساختار نسبتاً آزاد ارائه دهد. Jev با چنین هدفی طراحی نشده است و تمرکز آن روی تصمیم‌هایی است که گزینه‌ها و محدوده پاسخ آنها از قبل مشخص شده‌اند. به همین دلیل، اگر هدف تولید محتوا، گفت‌وگو یا تحلیل گسترده باشد، Jev در همان دسته‌ی Grok قرار نمی‌گیرد، اما برای تصمیم‌هایی مانند دستهبندی، امتیازدهی، تعیین فوریت یا تشخیص نیاز به بررسی انسانی، معماری Jev به شکل متفاوتی عمل میکند.
چرا هوشی؟
در هوشی، ما ابزارهایی را فراهم می‌کنیم که توسعهدهندگان و مدیران محصول می‌توانند به راحتی از پتانسیل کامل هوش مصنوعی بهره ببرند. با ثبت‌نام در هوشی، شما به یک پلتفرم یکپارچه دسترسی پیدا می‌کنید که امکان ساخت توکن API، توسعه ایجنتهای کدنویسی و مدیریت شفاف بیلینگ را فراهم می‌آورد. هوشی با ارائه مستندات جامع و پشتیبانی قوی، به شما کمک میکند تا راهکارهای هوشمندانه خود را با سرعت و کارایی بالا پیاده‌سازی کنید. هوشی راه‌حل‌های منعطفی برای نیازهای مختلف کسب‌وکارها ارائه میدهد، از استارتاپ‌های نوپا تا شرکت‌های بزرگ، تا بتوانند از قدرت هوش مصنوعی برای اتوماسیون و بهینهسازی فرایندهای خود استفاده کنند.