Nama ini juga muncul di artikel lain, jadi saya penasaran seperti apa bentuknya https://t.co/7qiEKzo5Yd Jev AI telah mengubah akal sehat agen AI Julian Goldie SEO #AIringkasan #Claude #Codex Jev mengubah pengambilan keputusan dan otomatisasi agen AI 🔳 Ciri-ciri Jev Jev adalah model AI tipe System 1 yang secara khusus dirancang untuk pengambilan keputusan seperti pemilihan, penilaian, dan penetapan, bukan generasi teks, dengan tujuan memproses sejumlah besar keputusan secara cepat dan berbiaya rendah. 🔳 Pembagian peran dengan model tradisional Model besar bertanggung jawab atas penyelidikan, perencanaan, dan generasi teks, sementara Jev menangani keputusan singkat seperti memilih alat berikutnya, menentukan kelanjutan proses, dan 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 dibanding model AI biasa, sehingga mengurangi kebutuhan untuk menyerahkan banyak keputusan kecil kepada model berkinerja tinggi. 🔳 Tiga metode penilaian Jev mendukung tiga jenis keputusan: 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 di mana keputusan otomatis dijalankan jika tingkat keyakinan tinggi, dan dikirim ke manusia jika rendah—sehingga tidak hanya mengurangi kemungkinan kesalahan, tetapi juga mempertimbangkan situasi di mana AI tidak yakin. 🔳 Pemrosesan paralel beberapa keputusan Dapat mengirim beberapa pertanyaan sekaligus untuk menilai langkah berikutnya, tingkat urgensi, dan 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 pengelolaan email Dalam contoh mengklasifikasikan 500 email, Jev membaginya ke dalam pilihan seperti balas, telusuri lebih lanjut, tunggu, atau konfirmasi manusia—semuanya selesai dalam beberapa detik dengan total biaya 3,5 sen. 🔳 Contoh evaluasi lead Dalam evaluasi 700 lead dan pesan pribadi, Jev memprediksi respons dan tingkat keyakinannya dalam 40 detik, 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 diserahkan ke 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 disajikan 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 membangun tautan internal untuk situs 586 halaman, Jev menempatkan 584 tautan dalam 45,1 detik, tanpa menempatkan tautan pada 139 halaman yang tidak memiliki tujuan tautan yang sesuai—dengan biaya 21 sen. 🔳 Routing model Menggunakan model murah dan cepat bersama model berkinerja tinggi dan mahal; Jev menilai permintaan dan mengarahkannya ke model yang tepat. Video menjelaskan contoh integrasi dengan LangChain yang memilih model termurah yang mampu menangani tugas. ListItemIcon Verifikasi keamanan penggunaan alat Jev dapat digunakan untuk menilai risiko sebelum agen AI menjalankan alat—jika aman, eksekusi dilanjutkan; jika berisiko, eksekusi dihentikan atau dialihkan ke konfirmasi manusia. ListItemIcon Pengurangan konteks Jev menilai pentingnya riwayat pemanggilan alat dalam agen dan menghapus informasi yang tidak perlu; dalam contoh, konteks sekitar 1 juta token dikurangi menjadi sekitar 86.000 token dalam waktu sekitar satu detik. ListItemIcon Kekhawatiran terhadap pengurangan konteks Kritik menyatakan bahwa menghapus riwayat secara individu dapat menghilangkan alasan atau konteks keputusan masa lalu dalam tugas jangka panjang; alternatif seperti memilih konteks untuk diringkas—bukan dihapus—masih perlu dipertimbangkan. ListItemIcon Batasan Jev Jev sendiri tidak menghasilkan teks, kode, atau hasil penyelidikan; ia secara fundamental bertugas untuk pengambilan keputusan. Tingkat keyakinan tinggi tidak menjamin kebenaran; hasil eksekusi nyata seperti penyimpanan file harus diverifikasi secara terpisah. ListItemIcon Pentingnya desain input Hanya nama bidang pertanyaan tidak cukup untuk menyampaikan maksud keputusan; perlu mendeskripsikan teks pertanyaan dan opsi secara spesifik. Jika informasi atau konteks yang diberikan tidak cukup, kualitas keputusan akan menurun. ListItemIcon Struktur harga Video menjelaskan biaya sekitar 4 sen per 1 juta token input; saat ini tidak ada biaya untuk output. Jika menjalankan 10.000 keputusan menggunakan informasi 1.000 token per keputusan, perkiraan biayanya sekitar 42 sen. ListItemIcon Yang penting adalah biaya penyelesaian tugas🔳 Yang penting ialah kos penyelesaian tugas Walaupun keputusan itu sendiri murah, jika agen melakukan pemprosesan yang tidak perlu akibat penghalaan yang salah, kos keseluruhan akan meningkat; oleh itu, perlu dilihat kos keseluruhan hingga penyelesaian tugas, bukan hanya kos per keputusan. 🔳 Perubahan struktur agen AI Dalam video, dahulu model yang sama bertanggungjawab atas penghasilan teks dan pengambilan keputusan, tetapi kini berubah kepada struktur pembahagian kerja: model berskala besar bertanggungjawab atas penyelidikan dan penghasilan, Jev bertanggungjawab atas pemilihan, penilaian, persetujuan, dan pelarian, manakala kod bertanggungjawab atas pemprosesan sebenar. 🔳 Penggunaan yang sesuai pada masa ini Fungsi integrasi masih berada dalam peringkat eksperimen, dan pada masa ini, paling realistik untuk mula menggunakannya dalam keputusan mudah dan jelas yang diulang oleh manusia, seperti pengelasan e-mel, penilaian lead, penghalaan, dan penandaan. 🔳 Kesimpulan video Pemisahan antara penghasilan teks dan pengambilan keputusan, serta menyerahkan keputusan kecil yang berulang kepada model pantas dan berkos rendah seperti Jev, dapat meningkatkan kelajuan, kos, dan lingkup automatik keseluruhan agen AI—ini merupakan argumen utama video.