Ce nom est déjà apparu dans d'autres articles, je suis curieux de savoir de quoi il s'agit https://t.co/7qiEKzo5Yd Jev AI a changé les normes des agents IA Julian Goldie SEO #AIrésumé #Claude #Codex Jev révolutionne la prise de décision et l'automatisation des agents IA 🔳 Caractéristiques de Jev Jev est un modèle IA de type System 1 spécialisé dans la prise de décision — choix, évaluation, jugement — et conçu pour traiter en toute vitesse et à faible coût un grand volume de décisions. 🔳 Répartition des rôles avec les modèles traditionnels Alors que les grands modèles gèrent la recherche, la planification et la génération de texte, Jev se charge des décisions courtes : choisir l'outil suivant, décider de poursuivre le traitement, ou déterminer si une validation humaine est nécessaire. 🔳 Vitesse et coût La vidéo présente des chiffres indiquant que Jev est 20 à 200 fois plus rapide et 40 à 400 fois moins coûteux qu’un modèle IA classique, réduisant ainsi la nécessité de déléguer de nombreuses petites décisions à des modèles performants. 🔳 Trois types de jugements Jev permet trois formes de jugement : Choice (choisir parmi plusieurs options), Score (évaluer selon des critères définis) et Yes/No (juger avec une probabilité). Pour chaque décision, une confiance est également fournie. 🔳 Automatisation basée sur la confiance Il est possible de configurer des règles : si la confiance est élevée, l’automatisation s’active ; si elle est faible, une validation humaine est demandée. Cela intègre non seulement le risque d’erreur, mais aussi les cas où l’IA manque de certitude. 🔳 Traitement parallèle de plusieurs jugements Plusieurs questions sur une même situation peuvent être envoyées simultanément pour évaluer en parallèle : l’étape suivante, l’urgence, ou la nécessité d’une approbation — réduisant ainsi les temps d’attente et les coûts au sein des agents IA. 🔳 Exemple de classification d’articles scientifiques Après résumé des articles de recherche IA, le titre, le résumé et 24 thèmes candidats ont été fournis à Jev pour classification. La vidéo indique que 18 traitements ont coûté au total 8 cents et que la médiane du temps de traitement était de 256 ms par article. 🔳 Exemple d’organisation des e-mails 500 e-mails ont été classifiés par Jev en catégories : réponse, enquête complémentaire, attente, ou validation humaine — traités en quelques secondes pour un coût total de 3,5 cents. 🔳 Exemple d’évaluation des leads 700 leads et messages individuels ont été évalués : Jev a prédit les réponses et calculé la confiance en 40 secondes, détectant même les cas où le lead et le message ne correspondaient pas — coût total : 9 cents. 🔳 Utilisation dans les agents navigateur Dans un agent navigateur, Jev choisit la prochaine action à chaque changement de page, tandis que la saisie textuelle est déléguée à un autre modèle génératif. La vidéo montre une réduction de la médiane des commandes navigateur de 1092 à 101 et une réduction du temps de tâche jusqu’à 25 %. 🔳 Précautions concernant la recherche de vols L’exemple présenté indique qu’un vol a été identifié en 7 secondes pour moins de 0,5 cent — mais sans réservation effectuée. Le chronométrage a commencé après le chargement initial de la page. 🔳 Optimisation des liens internes Pour un site de 586 pages, Jev a configuré 584 liens internes en 45,1 secondes, sans placer de lien sur les 139 pages n’ayant pas de cible appropriée — coût : 21 cents. 🔳 Routage des modèles Un modèle peu coûteux et rapide (Jev) est utilisé pour déterminer quel modèle — performant mais cher — doit traiter une demande. La vidéo illustre cette intégration via LangChain : choisir le modèle le moins cher capable d’exécuter la tâche. 🔳 Vérification sécurisée des outils Avant qu’un agent IA n’exécute un outil, Jev peut évaluer les risques : si sûr, exécution ; si risqué, arrêt ou validation humaine. ListItemIcon Réduction du contexte Jev évalue l’importance des appels d’outils dans l’historique de l’agent et supprime les informations inutiles. Un exemple montre une réduction de 1 million de tokens à environ 86 000 tokens en environ une seconde. ListItemIcon Préoccupations sur la réduction du contexte Une critique mentionnée : supprimer les éléments historiques individuellement risque d’effacer les raisons ou contextes passés dans les tâches longues. Des alternatives sont envisagées, comme utiliser Jev pour sélectionner les éléments à résumer plutôt qu’à supprimer. ListItemIcon Limites de Jev Jev ne génère pas de texte, de code ou de résultats de recherche ; il est conçu uniquement pour prendre des décisions. Une haute confiance ne garantit pas une réponse correcte — les résultats concrets (ex. : sauvegarde de fichiers) doivent être vérifiés séparément. ListItemIcon Importance de la conception des entrées Seul le nom du champ de question ne suffit pas à transmettre l’intention du jugement ; il faut décrire précisément la question et les choix proposés. Un manque d’informations ou de contexte suffisants diminue la qualité du jugement. ListItemIcon Structure tarifaire La vidéo indique un coût d’environ 4 cents pour 1 million de tokens d’entrée ; pour l’instant, aucune facturation n’est appliquée pour la sortie. Pour 10 000 exécutions utilisant 1 000 tokens chacune, le coût estimé est d’environ 42 cents. ListItemIcon Ce qui compte, c’est le coût total d’achèvement de la tâche🔳 L'essentiel est le coût de réalisation de la tâche Même si la prise de décision en elle-même est peu coûteuse, si un agent effectue des traitements inutiles en raison d'un routage erroné, le coût total augmente ; il est donc nécessaire d'évaluer le coût total jusqu'à la completion de la tâche, et non le coût unitaire de décision. 🔳 Évolution de la structure des agents IA La vidéo explique que, contrairement à l'approche traditionnelle où un seul modèle assurait à la fois la génération de texte et la prise de décision, une structure de spécialisation s'est développée : les grands modèles gèrent l'investigation et la génération, Jev prend en charge la sélection, l'évaluation, l'approbation et l'escalade, tandis que le code effectue les traitements concrets. 🔳 Applications actuellement adaptées La fonction d'intégration est encore à un stade expérimental ; il est donc plus réaliste de l'introduire initialement pour des décisions simples et claires répétées par les humains, telles que la classification des e-mails, l'évaluation des leads, le routage et le marquage. 🔳 Conclusion de la vidéo Le point central de la vidéo est que séparer la génération de texte de la prise de décision, et déléguer les petites décisions répétitives à des modèles rapides et peu coûteux comme Jev, permet d'améliorer la vitesse, le coût et la portée de l'automatisation des agents IA.