دیگر مضامین میں بھی یہ نام ذکر کیا گیا ہے، دلچسپی کا باعث ہے https://t.co/7qiEKzo5Yd Jev AI نے AI ایجنٹس کے بارے میں روایتی تصورات کو تبدیل کر دیا ہے Julian Goldie SEO #AI خلاصہ #Claude #Codex Jev AI ایجنٹس کے فیصلے کرنے اور خودکار کرنے کے طریقے کو کیسے تبدیل کر رہا ہے 🔳Jev کی خصوصیات Jev متن کی تخلیق کے بجائے انتخاب، جائزہ، فیصلہ وغیرہ جیسے فیصلوں پر مہارت رکھنے والا System 1 قسم کا AI ماڈل ہے، جس کا مقصد تیز رفتاری اور کم لاگت کے ساتھ زیادہ تعداد میں فیصلوں کو انجام دینا ہے۔ 🔳روایتی ماڈلز کے ساتھ کردار کی تقسیم بڑے پیمانے پر ماڈلز تحقیق، منصوبہ بندی، اور متن کی تخلیق جیسے کام انجام دیتے ہیں، جبکہ Jev اگلے استعمال ہونے والے ٹول کے انتخاب، جاری عمل کے فیصلے، اور انسانی تصدیق کی ضرورت جیسے مختصر جوابات والے فیصلے انجام دیتا ہے۔ 🔳رفتار اور لاگت ویڈیو میں دکھایا گیا ہے کہ عام AI ماڈلز کے مقابلے میں 20 گنا سے 200 گنا زیادہ تیزی سے اور 40 گنا سے 400 گنا کم لاگت پر فیصلے کیے جا سکتے ہیں، جس سے بڑے پیمانے کے ماڈلز کو چھوٹے فیصلے کے لیے استعمال کرنے کی ضرورت کم ہو جاتی ہے۔ 🔳تین اقسام کے فیصلے Jev میں، متعدد امیدواروں سے انتخاب کرنے کے لیے Choice، مقرر کردہ معیار پر جائزہ لینے کے لیے Score، اور Yes یا No کو امکان کے ساتھ فیصلہ کرنے کے فارمیٹس استعمال کیے جا سکتے ہیں، اور ہر فیصلے کے لیے یقین دہانی بھی حاصل کی جا سکتی ہے۔ 🔳یقین دہانی کا استعمال خودکار کرنے کے لیے اگر یقین دہانی زیادہ ہو تو خودکار عمل کرے، اگر کم ہو تو انسانی تصدیق کی ضرورت جیسے معیار مقرر کیے جا سکتے ہیں، جس سے AI کے غلط فیصلے کرنے کے امکانات کے ساتھ ساتھ بے یقینی کے حالات بھی آپریٹنگ قوانین میں شامل کیے جا سکتے ہیں۔ 🔳متعدد فیصلوں کی متوازی عمل کاری ایک ہی صورتحال کے بارے میں متعدد سوالات کو ایک ساتھ بھیج کر، اگلے عمل، ہنگامی صورتحال، تصدیق کی ضرورت وغیرہ کے لیے متوازی فیصلے کیے جا سکتے ہیں، جس سے AI ایجنٹس کے اندر انتظار کا وقت اور لاگت کم ہو سکتی ہے۔ 🔳تحقیقی مقالہ جات کی تقسیم کی مثال ترقی کرنے والے نے AI تحقیق کے مقالوں کو خلاصہ کیا، پھر عنوان، خلاصہ، 24 اقسام کے موضوعات کو Jev میں تقسیم کرنے کے لیے دیا۔ ویڈیو میں بتایا گیا ہے کہ 18 مقالوں کی عمل درآمد کی قیمت کل 8 سینٹ تھی اور وقت کا متوسط 256 ملی سیکنڈ فی مقالہ تھا۔ 🔳ای میل کی ترتیب کی مثال 500 ای میلز کو Jev میں تقسیم کرنے کی مثال میں، جوابات، مزید تحقیق، انتظار، اور انسانی تصدیق جیسے انتخاب میں تقسیم کیا گیا، چند سیکنڈ میں عمل مکمل ہوا، اور کل قیمت 3.5 سینٹ تھی۔ 🔳لیڈ جائزہ کی مثال 700 لیڈز اور انفرادی پیغامات کو جائزہ دینے کی مثال میں، 40 سیکنڈ میں ردعمل کی پیش گوئی اور یقین دہانی حاصل کی گئی، اور ان لیڈز اور پیغامات کے عدم مطابقت کے کیسز کو بھی دریافت کیا گیا، کل قیمت 9 سینٹ تھی۔ 🔳براؤزر آپریشنز میں استعمال براؤزر ایجنٹس میں، ہر بار صفحہ بدلنے پر قابل عمل انتخاب کو تازہ کیا جاتا ہے اور Jev کو اگلا عمل منتخب کرنے دیا جاتا ہے، جبکہ متن کی انپٹ کو کسی دوسرے تخلیقی ماڈل سے مکمل کیا جاتا ہے۔ ویڈیو میں بتایا گیا ہے کہ براؤزر کے کمانڈز کی تعداد کا متوسط 1092 سے 101 ہو گیا اور کام کا وقت 25% تک کم ہوا۔ 🔳فلائٹ سرچ کے نوٹس مثال میں، فلائٹ کو 7 سیکنڈ میں دریافت کیا گیا اور قیمت 0.5 سینٹ سے کم تھی، لیکن یہ عمل بس ریزرویشن تک محدود رہا اور 7 سیکنڈ کا حساب ابتدائی صفحہ کے لوڈ ہونے کے بعد شروع کیا گیا۔ 🔳اندرونی لنک کی اصلاح 586 صفحات کی سائٹ میں اندرونی لنکس بنانے کی مثال میں، 45.1 سیکنڈ میں 584 لنکس رکھے گئے، اور 139 صفحات جن میں مناسب لنک منزل نہیں تھی، ان پر لنکس چھوڑ دیے گئے، کل قیمت 21 سینٹ تھی۔ 🔳ماڈل روٹنگ کم لاگت اور تیز ماڈل اور اعلی کارکردگی والے مہنگے ماڈل کو دستیاب رکھ کر، Jev درخواست کے مواد کو فیصلہ کر کے مناسب ماڈل پر تقسیم کرنے کے لیے استعمال کیا گیا۔ ویڈیو میں LangChain کے انضمام کی مثال کے طور پر وضاحت کی گئی کہ کس طرح عمل کے دائرہ کار میں سب سے کم قیمت والا ماڈل منتخب کیا جا سکتا ہے۔ 🔳ٹولز کے استعمال کی حفاظتی تصدیق AI ایجنٹس کسی ٹول کو استعمال کرنے سے پہلے Jev کے ذریعے خطرے کا فیصلہ کرتے ہیں، اگر محفوظ ہو تو عمل کرتے ہیں، اگر خطرہ ہو تو اسے روک کر انسانی تصدیق پر لے جاتے ہیں۔ 🔳سیاق کا تخفیف ایجنٹس کی تاریخ میں موجود ٹول کالز کی اہمیت کو Jev کے ذریعے جائزہ لینے اور غیر ضروری معلومات کو ہٹانے کا طریقہ دکھایا گیا، جس میں لگ بھگ 10 لاکھ ٹوکنز کے سیاق کو تقریباً 86000 ٹوکنز تک تقریباً 1 سیکنڈ میں تخفیف کی مثال دی گئی۔ 🔳سیاق تخفیف پر خدشات تاریخ کو انفرادی طور پر جائزہ لے کر حذف کرنے پر، لمبی مدت کے کاموں میں ماضی کی وجوہات اور واقعات کھو جانے کا امکان جیسی تنقید بھی بیان کی گئی، اور حذف کرنے کے بجائے خلاصہ کے انتخاب کے لیے استعمال کرنے کے طریقے پر غور کرنے کی تجویز دی گئی۔ 🔳Jev کی حدود Jev خود متن، کوڈ، تحقیق کے نتائج وغیرہ تخلیق کرنے والا ماڈل نہیں ہے، بلکہ بنیادی طور پر فیصلے کا ذمہ دار ہے۔ مزید برآں، زیادہ یقین دہانی درستگی کی ضمانت نہیں دیتی، لہذا فائلز کو محفوظ کرنے جیسے حقیقی عمل کے نتائج علیحدہ طور پر تصدیق کرنے ہوں گے۔ 🔳انپٹ ڈیزائن کی اہمیت سوالات کے فیلڈز کے ناموں کی وضاحت کے بغیر فیصلے کی نیت نہیں پہنچتی، اس لیے سوال کے متن اور انتخاب کی تفصیل کو واضح طور پر بیان کرنا ضروری ہے۔ مزید یہ کہ مناسب حالات اور معلومات فراہم نہ کرنے پر فیصلے کا معیار بھی کم ہو سکتا ہے۔ 🔳قیمتوں کا نظام ویڈیو میں بتایا گیا کہ 10 لاکھ ٹوکنز کے انپٹ پر تقریبا 4 سینٹ لاگت آتی ہے، اور آؤٹپٹ پر اس وقت قیمت نہیں آتی۔ اگر 1000 ٹوکنز کے معلومات کو استعمال کرتے ہوئے 10000 فیصلے کیے جائیں، تو اس کی تخمینہ قیمت تقریباً 42 سینٹ ہوگی۔ 🔳اہمیت ہے کام کی تکمیل کی قیمت اگرچہ خود فیصلہ کم قیمت پر ہو، لیکن غلط روٹنگ کی وجہ سے ایجنٹس غیر ضروری عمل کریں تو مجموعی قیمت بڑھ سکتی ہے، اس لیے فیصلے کی قیمت کے بجائے کام کی تکمیل تک کی مجموعی قیمت پر غور ضروری ہے۔ 🔳AI ایجنٹس کے ڈھانچے میں تبدیلی ویڈیو میں وضاحت کی گئی کہ پہلے ایک ہی ماڈل متن تخلیق اور فیصلے کرتا تھا، لیکن اب بڑے پیمانے کے ماڈلز تحقیق اور تخلیق کرتے ہیں، Jev انتخاب، جائزہ، تصدیق، اور ایسکلیشن انجام دیتا ہے، اور کوڈ اصلی عمل کے ذمہ دار ہوتے ہیں۔ 🔳موجودہ وقت کے لیے موزوں استعمال انضمام کی خصوصیات ابھی تجرباتی مرحلے میں ہیں اور اس وقت ای میل کی تقسیم، لیڈ جائزہ، روٹنگ، فلیگز کا تعین جیسے آسان اور واضح فیصلے جہاں انسان بار بار کرتا ہے، ان سے شروع کرنا عملی ہے۔ 🔳ویڈیو کا نتیجہ متن تخلیق اور فیصلے کو الگ کر کے، چھوٹے بار بار ہونے والے فیصلوں کو Jev جیسے تیز رفتاری اور کم لاگت کے ماڈلز کے ذریعے انجام دے کر، AI ایجنٹس کے مجموعی رفتار، قیمت، اور خودکار عمل کے دائرہ کار کو بہتر بنایا جا سکتا ہے، یہ ویڈیو کا مرکزی دعویٰ ہے۔