Este nome já apareceu em outros artigos, e estou curioso sobre o que é. https://t.co/7qiEKzo5Yd Jev AI mudou o senso comum dos agentes de IA Julian Goldie SEO #AIResumo #Claude #Codex Jev transforma a tomada de decisão e automação de agentes de IA 🔳 Características do Jev O Jev é um modelo de IA do tipo System 1, especializado em decisões como seleção, avaliação e julgamento — e não em geração de texto — projetado para processar grandes volumes de julgamentos rapidamente e com baixo custo. 🔳 Divisão de funções com modelos tradicionais Enquanto modelos grandes se encarregam de pesquisa, planejamento e geração de texto, o Jev lida com decisões rápidas e curtas, como escolher a próxima ferramenta a usar, decidir se deve continuar o processamento ou se precisa de confirmação humana. 🔳 Velocidade e custo No vídeo, são apresentados números de até 20 a 200 vezes mais rápido e 40 a 400 vezes mais barato em comparação com modelos de IA convencionais, reduzindo a necessidade de delegar grandes volumes de pequenas decisões a modelos de alto desempenho. 🔳 Três tipos de julgamentos O Jev permite escolher entre múltiplas opções (Choice), avaliar com base em critérios definidos (Score) e determinar probabilisticamente respostas Sim ou Não (Yes/No), além de fornecer um nível de confiança para cada julgamento. 🔳 Automação baseada em confiança É possível definir regras operacionais que automatizem ações quando a confiança for alta e solicitem confirmação humana quando for baixa, incorporando não apenas o risco de erro, mas também a incerteza do modelo nos processos. 🔳 Processamento paralelo de múltiplas decisões É possível enviar várias perguntas sobre a mesma situação simultaneamente e obter julgamentos paralelos sobre o próximo passo, urgência e necessidade de aprovação, reduzindo tempos de espera e custos dentro dos agentes de IA. 🔳 Caso de classificação de artigos acadêmicos Após resumir artigos de pesquisa em IA, o desenvolvedor enviou ao Jev títulos, resumos e 24 categorias candidatas para classificação. No vídeo, são apresentados 18 processamentos com custo total de 8 centavos e mediana de tempo por processo de 256 milissegundos. 🔳 Caso de organização de e-mails Em um exemplo com 500 e-mails, o Jev classificou-os em opções como “responder”, “pesquisar mais”, “aguardar” ou “confirmar com humano”, concluindo em segundos com custo total de 3,5 centavos. 🔳 Caso de avaliação de leads Ao avaliar 700 leads e mensagens individuais, o Jev previu respostas e calculou níveis de confiança em 40 segundos, detectando também casos em que o lead e a mensagem não correspondiam, com custo total de 9 centavos. 🔳 Aplicação em operações de navegador Em agentes de navegador, o Jev é usado para escolher a próxima ação sempre que a página muda, enquanto apenas a entrada de texto é delegada a outro modelo gerador. O vídeo mostra que o número médio de comandos do navegador caiu de 1.092 para 101, reduzindo o tempo da tarefa em até 25%. 🔳 Observações sobre busca de voos O exemplo apresentado descobriu voos em 7 segundos com custo inferior a 0,5 centavo, mas não realizou a reserva; além disso, os 7 segundos foram medidos apenas após o carregamento inicial da página. 🔳 Otimização de links internos Em um site com 586 páginas, o Jev posicionou 584 links em 45,1 segundos, evitando colocar links em 139 páginas onde não havia destino adequado, com custo total de 21 centavos. 🔳 Roteamento de modelos Apresenta-se o uso do Jev para decidir qual modelo — barato e rápido ou caro e de alto desempenho — deve ser chamado conforme a natureza da tarefa. No vídeo, é explicado um exemplo integrado ao LangChain que seleciona o modelo mais barato capaz de executar a tarefa. 🔳 Verificação segura do uso de ferramentas O Jev pode ser usado para avaliar riscos antes que um agente execute uma ferramenta: se seguro, executa; se arriscado, interrompe ou encaminha para confirmação humana. 🔳 Redução de contexto O Jev avalia a importância das chamadas de ferramentas no histórico do agente e remove informações desnecessárias. Um exemplo mostra redução de cerca de 1 milhão de tokens para cerca de 86 mil tokens em aproximadamente 1 segundo. 🔳 Preocupações com redução de contexto Aponta-se que eliminar entradas individuais do histórico pode fazer com que justificativas e contextos anteriores sejam perdidos em tarefas longas; sugere-se considerar alternativas como usar o Jev apenas para selecionar trechos para resumo, em vez de eliminar. 🔳 Limitações do Jev O Jev não gera texto, código ou resultados de pesquisa — sua função básica é tomar decisões. Além disso, alta confiança não garante correção; resultados concretos como salvamento de arquivos devem ser verificados separadamente. InputBorder Design Importance Apenas o nome do campo da pergunta não transmite a intenção da decisão; é necessário descrever explicitamente o texto da pergunta e as opções disponíveis. Além disso, julgamentos mal feitos ocorrem quando informações ou contextos insuficientes são fornecidos. 🔳 Estrutura de preços O vídeo explica que cerca de 4 centavos são cobrados por entrada de aproximadamente 1 milhão de tokens, e atualmente não há custo para saída. Para 10.000 execuções usando 1.000 tokens por julgamento, o custo estimado é cerca de 42 centavos. 🔳 O importante é o custo total da conclusão da tarefa🔳 O importante é o custo de conclusão da tarefa Mesmo que a própria decisão seja barata, se o agente realizar processamentos desnecessários devido a um roteamento incorreto, o custo total aumentará; portanto, é necessário avaliar o custo total até a conclusão da tarefa, e não apenas o custo por decisão. 🔳 Mudança na estrutura do agente de IA O vídeo explica que, anteriormente, o mesmo modelo era responsável tanto pela geração de texto quanto pela tomada de decisão, mas agora há uma estrutura de divisão de trabalho: modelos grandes lidam com pesquisa e geração, Jev realiza seleção, avaliação, aprovação e encaminhamento, enquanto o código executa as operações reais. 🔳 Aplicações adequadas no momento atual A função integrada ainda está em fase experimental; atualmente, é mais realista introduzi-la em decisões simples e claras repetidas por humanos, como classificação de e-mails, avaliação de leads, roteamento e marcação de sinalizadores. 🔳 Conclusão do vídeo A principal afirmação do vídeo é que separar a geração de texto da tomada de decisão e atribuir decisões pequenas e repetitivas a modelos rápidos e de baixo custo, como o Jev, pode melhorar a velocidade, o custo e o escopo de automação dos agentes de IA como um todo.