Nama ini juga muncul di artikel lain, jadi penasaran seperti apa bentuknya https://t.co/7qiEKzo5Yd Jev AI Mengubah Logika AI Agent Julian Goldie SEO #AIringkasan #Claude #Codex Jev Mengubah Keputusan dan Otomatisasi AI Agent 🔳 Fitur Jev Jev adalah model AI tipe System 1 yang dirancang khusus untuk pengambilan keputusan seperti pemilihan, evaluasi, dan penilaian, bukan generasi teks, dengan tujuan memproses sejumlah besar keputusan secara cepat dan berbiaya rendah. 🔳 Pembagian Peran dengan Model Konvensional Model besar bertanggung jawab atas penelitian, perencanaan, dan generasi teks, sementara Jev menangani keputusan singkat seperti memilih alat berikutnya, menentukan kelanjutan proses, atau menilai apakah konfirmasi manusia diperlukan. 🔳 Kecepatan dan Biaya Dalam video, disebutkan bahwa Jev 20 hingga 200 kali lebih cepat dan 40 hingga 400 kali lebih hemat biaya dibandingkan model AI biasa, sehingga mengurangi kebutuhan untuk menyerahkan banyak keputusan kecil ke model berkinerja tinggi. 🔳 Tiga Metode Penilaian Jev mendukung tiga jenis penilaian: Choice (memilih dari beberapa opsi), Score (menilai berdasarkan kriteria yang ditentukan), dan Yes/No (menentukan probabilitas ya/tidak), serta menyediakan tingkat keyakinan untuk setiap keputusan. 🔳 Otomatisasi Berbasis Tingkat Keyakinan Dapat menetapkan aturan operasional: jika tingkat keyakinan tinggi, proses otomatis; jika rendah, minta konfirmasi manusia. Ini memungkinkan sistem mengakomodasi tidak hanya kemungkinan kesalahan keputusan, tetapi juga situasi di mana AI tidak yakin. 🔳 Pemrosesan Paralel Beberapa Keputusan Dapat mengirim beberapa pertanyaan sekaligus untuk menilai langkah berikutnya, tingkat urgensi, atau kebutuhan persetujuan secara paralel, sehingga mengurangi waktu tunggu dan biaya dalam agen AI. 🔳 Contoh Klasifikasi Makalah Penelitian Setelah pengembang merangkum makalah penelitian AI, mereka memberikan judul, ringkasan, dan 24 opsi topik ke Jev untuk diklasifikasikan. Dalam video, total biaya untuk 18 proses adalah 8 sen, dengan median waktu pemrosesan 256 milidetik per makalah. 🔳 Contoh Pengelompokan Email 500 email diklasifikasikan oleh Jev ke dalam kategori: balas, telusuri lebih lanjut, tunggu, atau konfirmasi manusia—semuanya selesai dalam beberapa detik dengan total biaya 3,5 sen. 🔳 Contoh Evaluasi Lead 700 lead dan pesan pribadi dievaluasi dalam 40 detik untuk memprediksi respons dan tingkat keyakinannya, termasuk mendeteksi ketidaksesuaian antara lead dan pesan, dengan biaya total 9 sen. 🔳 Penerapan dalam Operasi Browser Dalam agen browser, setiap kali halaman berubah, Jev diminta memilih tindakan berikutnya dari daftar opsi yang diperbarui, sementara input teks tetap ditangani oleh model generatif lain. Video menunjukkan bahwa jumlah perintah browser turun dari median 1.092 menjadi 101, dan waktu tugas berkurang hingga 25%. 🔳 Catatan tentang Pencarian Penerbangan Contoh yang disebutkan menemukan penerbangan dalam 7 detik dengan biaya kurang dari 0,5 sen, tetapi tidak melakukan pemesanan. Pengukuran 7 detik dimulai setelah halaman pertama dimuat. 🔳 Optimalisasi Tautan Internal Dalam contoh pembuatan tautan internal untuk situs 586 halaman, Jev menempatkan 584 tautan dalam 45,1 detik dan tidak menempatkan tautan pada 139 halaman yang tidak memiliki tujuan tautan yang sesuai, dengan biaya 21 sen. 🔳 Routing Model Menyediakan model murah dan cepat bersama model berkinerja tinggi dan mahal; Jev menilai permintaan dan mengarahkan ke model yang tepat. Video menjelaskan contoh integrasi dengan LangChain: memilih model termurah yang mampu menangani tugas. ListItemIcon Menggunakan Jev untuk menilai risiko sebelum agen AI menjalankan alat: jika aman, jalankan; jika berisiko, hentikan atau alihkan ke konfirmasi manusia. ListItemIcon Mengurangi Konteks Jev mengevaluasi pentingnya riwayat panggilan alat agen dan menghapus informasi yang tidak perlu; contoh menunjukkan pengurangan konteks dari sekitar 1 juta token menjadi sekitar 86.000 token dalam waktu sekitar satu detik. ListItemIcon Kekhawatiran tentang Pengurangan Konteks Kritik menyatakan bahwa menghapus riwayat secara individual dapat menghilangkan alasan atau konteks keputusan masa lalu dalam tugas jangka panjang; alternatif seperti memilih ringkasan alih-alih penghapusan masih perlu dipertimbangkan. ListItemIcon Batasan Jev Jev sendiri tidak menghasilkan teks, kode, atau hasil penelitian; ia hanya bertugas membuat keputusan. Tingkat keyakinan tinggi tidak menjamin kebenaran; hasil proses aktual seperti penyimpanan file harus diverifikasi secara terpisah. ListItemIcon Pentingnya Desain Masukan Hanya nama bidang pertanyaan tidak cukup untuk menyampaikan maksud penilaian; perlu mendeskripsikan teks pertanyaan dan opsi secara spesifik. Jika informasi atau konteks yang diberikan tidak memadai, kualitas keputusan akan menurun. ListItemIcon Struktur Harga Video menjelaskan biaya sekitar 4 sen per 1 juta token masukan; saat ini tidak ada biaya untuk output. Jika 10.000 kali penilaian dilakukan menggunakan informasi 1.000 token, perkiraan biayanya sekitar 42 sen. ListItemIcon Yang Penting adalah Biaya Penyelesaian Tugas🔳 Yang penting adalah biaya penyelesaian tugas Meskipun keputusan itu sendiri murah, biaya keseluruhan akan meningkat jika agen melakukan pemrosesan yang tidak perlu akibat routing yang salah; oleh karena itu, yang perlu dilihat adalah biaya total hingga penyelesaian tugas, bukan biaya per keputusan. 🔳 Perubahan struktur agen AI Dalam video tersebut dijelaskan bahwa sebelumnya, model yang sama bertanggung jawab atas pembuatan teks dan pengambilan keputusan, tetapi kini berubah menjadi struktur spesialisasi: model besar menangani penelitian dan generasi, Jev menangani pemilihan, evaluasi, persetujuan, dan escalasi, sedangkan kode bertanggung jawab atas pemrosesan aktual. 🟡 Aplikasi yang sesuai saat ini Fungsi integrasi masih berada pada tahap eksperimen; saat ini, pendekatan yang realistis adalah memulai dengan keputusan sederhana dan jelas yang diulang-ulang oleh manusia, seperti klasifikasi email, evaluasi lead, routing, dan penandaan. 🔳 Kesimpulan video Inti argumen video adalah bahwa dengan memisahkan pembuatan teks dari pengambilan keputusan, dan menyerahkan keputusan kecil yang berulang kepada model cepat dan berbiaya rendah seperti Jev, kecepatan, biaya, dan cakupan otomatisasi keseluruhan agen AI dapat ditingkatkan.