مدل‌های هوش مصنوعی مولد معمولاً برای تولید متن، پاسخ به سؤال و انجام وظایف زبانی استفاده می‌شوند؛ اما تمام کاربرهای هوش مصنوعی به تولید متن نیاز ندارند. در بسیاری از نرم‌افزارها، سیستم باید یک درخواست را دسته‌بندی کند، میزان اهمیت رخداد را بسنجد یا از میان چند گزینه، مسیر مناسب را انتخاب کند. Jev با تمرکز بر همین نوع تصمیم‌گیری‌های ساختاریافته معرفی شده‌است.
این هوش مصنوعی، محصول شرکت TypeSafe AI، که در سپتامبر ۲۰۲۶ به‌صورت دسترسی اولیه معرفی شد، به‌جای تولید پاسخ متنی آزاد، اطلاعات ورودی و پرسش‌های مشخص را دریافت می‌کند و نتیجه‌ای ساختاریافته ارائه می‌دهد که نرم‌افزار بتواند از آن استفاده کند.
Jev چیست؟
Jev یک مدل تصمیم‌گیرنده هوش مصنوعی است که برای پاسخ‌گویی به پرسش‌های محدود و مشخص در نرم‌افزارها طراحی شده‌است. این مدل در رویکردی که TypeSafe AI آن‌را System One می‌نامد، به‌جای تولید متن، خروجی‌هایی مانند انتخاب از میان گزینه‌های تعریف‌شده، امتیازدهی و احتمال یک پاسخ بله یا خیر ارائه می‌کند.
برای مثال، یک نرم‌افزار پشتیبانی ممکن است بخواهد مشخص کند که یک درخواست مربوط به کدام بخش است، چقدر فوریت دارد و آیا بررسی انسانی لازم است یا خیر. این پرسش‌ها پاسخ‌های مشخصی دارند و نتیجه باید به شکلی باشد که سیستم بتواند مستقیماً از آن استفاده کند.
در چنین شرایطی، Jev می‌تواند نقش یک لایه تصمیم‌گیری را ایفا کند؛ درحالی‌که منطق اجرایی، قوانین قطعی و اقدامات بعدی همچنان در اختیار نرم‌افزار باقی می‌مانند.
تفاوت Jev با مدل‌های زبانی بزرگ یا LLM
مدل‌های زبانی بزرگ (LLM) برای وظایفی مانند تولید متن، خلاصه‌سازی، ترجمه، پاسخ‌گویی و استدلال زبانی کاربرد دارند. خروجی آن‌ها معمولاً متن یا محتوایی است که برنامه باید آن‌را تفسیر کند.
Jev برای نوع محدودتری از وظایف طراحی شده است: تبدیل اطلاعات ورودی به تصمیم‌هایی با ساختار از پیش تعریف‌شده.
در یک سیستم مدیریت درخواست:
- LLM: می‌تواند پیام کاربر را تحلیل کند، علت مشکل را توضیح دهد یا پیش‌نویس پاسخ بنویسد.
- Jev: می‌تواند پیام را در یکی از دسته‌های تعریف‌شده قرار دهد، فوریت آن‌را امتیازدهی کند یا احتمال نیاز به بررسی انسانی را برآورد کند.
- کد نرم‌افزار: نتیجه را دریافت می‌کند و بر اساس قوانین و آستانه‌های تعیین‌شده، مسیر بعدی را اجرا می‌کند.
این تفاوت به معنای برتری یک مدل بر دیگری نیست. انتخاب رویکرد مناسب به نوع وظیفه بستگی دارد. اگر سیستم به تولید توضیح یا محتوای جدید نیاز داشته باشد، مدل مولد مناسب‌تر است؛ اگر به یک تصمیم ساختاریافته در محدوده مشخص نیاز داشته باشد، رویکرد Jev می‌تواند مفید باشد.
Jev چگونه کار می‌کند؟
فرایند کار با Jev را می‌توان در چهار مرحله خلاصه کرد.
دریافت وضعیت یا State:
ابتدا اطلاعات مرتبط با تصمیم به مدل داده می‌شود. این اطلاعات ممکن است شامل پیام کاربر، داده‌های یک درخواست، متن یک سند یا رکوردهای ساختاریافته باشد.
برای مثال، در سامانه پشتیبانی، متن درخواست و اطلاعات مرتبط با آن می‌توانند بخشی از State باشند.
تعریف پرسش مشخص:
سپس مشخص می‌شود که سیستم دقیقاً به چه تصمیمی نیاز دارد. پرسش باید محدوده روشنی داشته باشد و شکل پاسخ مورد انتظار از قبل تعیین شود. برای نمونه، به‌جای پرسش کلی «این درخواست را بررسی کن»، می‌توان پرسید: «این درخواست در کدام‌یک از دسته‌های فنی، مالی یا عمومی قرار می‌گیرد؟»
دریافت خروجی ساختاریافته:
Jev بر اساس نوع پرسش، نتیجه‌ای در قالب مشخص ارائه می‌دهد. این ساختار باعث می‌شود نرم‌افزار برای استخراج پاسخ به تفسیر یک پاراگراف آزاد نیاز نداشته باشد.
تصمیم‌گیری و اجرای مرحله بعد:
در نهایت، کد نرم‌افزار نتیجه را بررسی می‌کند. ممکن است درخواست به یک صف مشخص هدایت شود، برای بررسی بیشتر علامت‌گذاری شود یا به یک مدل دیگر ارجاع داده شود.
نکته مهم این است که Jev به‌تنهایی مسئول اجرای کل فرایند نیست؛ منطق نرم‌افزار همچنان باید تصمیم بگیرد چه اقدامی انجام شود.
انواع خروجی Jev چیست؟
بر اساس مستندات مدل، سه نوع اصلی پرسش برای Jev تعریف شده است.
- Choice؛ انتخاب از میان گزینه‌ها: در این حالت، مدل یکی از گزینه‌های از پیش تعیین‌شده را انتخاب می‌کند. این روش برای دسته‌بندی درخواست‌ها، تشخیص نوع پیام یا انتخاب مسیر مناسب در یک Workflow کاربرد دارد.
برای مثال، یک درخواست می‌تواند در گروه «پشتیبانی فنی»، «فروش» یا «مالی» قرار گیرد.
- Score؛ امتیازدهی: در این نوع پرسش، سیستم باید یک وضعیت را بر اساس معیارهای تعریف‌شده امتیازدهی کند. برای نمونه، می‌توان میزان فوریت یک درخواست را با سطوحی مانند کم، متوسط و زیاد ارزیابی کرد.
این خروجی می‌تواند برای اولویت‌بندی درخواست‌ها یا شناسایی مواردی که نیاز به بررسی بیشتر دارند، استفاده شود.
- Noul؛ ارزیابی بله یا خیر: این نوع پرسش برای بررسی یک گزاره مشخص طراحی شده است. برای مثال، سیستم می‌تواند ارزیابی کند که آیا یک درخواست به بررسی انسانی نیاز دارد یا خیر.
در این حالت، خروجی احتمالی باید با توجه به معیارهای تعریف‌شده و میزان ریسک تصمیم تفسیر شود.
نقش Jev در AI Agentها
یک AI Agent می‌تواند اطلاعات را بررسی کرده، از ابزارها استفاده و مراحل مختلف یک وظیفه را مدیریت نماید. اما در جریان اجرای آن، تصمیم‌های کوچک و تکرارشونده‌ای وجود دارند که باید سریع و در قالبی قابل استفاده برای نرم‌افزار گرفته شوند.
برای مثال، Agent ممکن است لازم باشد تعیین کند که آیا یک ابزار را اجرا کند، نتیجه یک مرحله را برای بررسی انسانی بفرستد یا درخواست را به مسیر دیگری هدایت کند. در چنین معماری‌ای، Jev می‌تواند در نقطه تصمیم‌گیری قرار گیرد:
دریافت وضعیت ← ارزیابی گزینه‌ها ← خروجی ساختاریافته ← بررسی قوانین ← اجرای اقدام توسط Agent
این مدل به‌خودی‌خود یک Agent کامل نیست. ابزارها، مدیریت جریان کار، دسترسی‌ها و اجرای عملیات همچنان باید توسط اجزای دیگر سیستم مدیریت شوند.
کاربردهای Jev در نرم‌افزارها
با توجه به نوع خروجی و طراحی این مدل، چند کاربرد بالقوه برای آن قابل تصور است:
- دسته‌بندی درخواست‌ها: هدایت پیام‌ها و تیکت‌ها به بخش مناسب.
- اولویت‌بندی رخدادها: امتیازدهی به اهمیت درخواست‌ها یا رویدادها.
- انتخاب ابزار: کمک به تعیین ابزار مناسب از میان گزینه‌های تعریف‌شده.
- بررسی نیاز به تأیید انسانی: مشخص کردن مواردی که باید پیش از اقدام بررسی شوند.
- فیلتر کردن اطلاعات: انتخاب موارد مرتبط برای بررسی بیشتر.
- مسیریابی وظایف بین مدل‌ها: کمک به انتخاب مسیر پردازش مناسب در یک Workflow.
این موارد، نمونه‌هایی از کاربردهای احتمالی بر اساس قابلیت‌های مدل هستند؛ نه تضمینی برای عملکرد دقیق آن در تمام محیط‌ها. هر پیاده‌سازی باید با داده‌ها و شرایط واقعی همان کاربرد ارزیابی شود.
محدودیت‌های Jev چیست؟
خروجی ساختاریافته به‌تنهایی به معنای درست بودن تصمیم نیست. Jev نیز ممکن است گزینه نادرستی را انتخاب کند یا احتمال بالایی به یک پاسخ اشتباه اختصاص دهد.
به همین دلیل، پیش از استفاده در محیط عملیاتی باید چند نکته بررسی شود:
- دقت در کاربرد واقعی: عملکرد مدل باید با مجموعه‌ای از نمونه‌های نماینده همان وظیفه آزمایش شود.
- مدیریت عدم قطعیت: برای تصمیم‌های حساس باید آستانه‌های مناسب و مسیر جایگزین تعریف شود.
- حفظ کنترل در نرم‌افزار: دسترسی‌ها، محاسبات دقیق و قوانین قطعی باید در کد باقی بمانند.
- بررسی ورودی‌ها: اطلاعات نامرتبط یا محتوای مخرب می‌توانند نتیجه را تحت تأثیر قرار دهند.
- نیاز به بازبینی انسانی: در اقدامات پرریسک، نباید تنها به خروجی مدل تکیه کرد.
همچنین، Jev برای تولید متن آزاد، نوشتن توضیحات طولانی یا انجام محاسبات دقیق طراحی نشده است. در یک سیستم واقعی، ممکن است ترکیب آن با LLM، کد معمولی و سازوکارهای نظارتی انتخاب مناسب‌تری باشد.
آیا Jev می‌تواند در کاربردهای صنعتی استفاده شود؟
کاربرد Jev محدود به صنعت نیست؛ بااین‌حال، ماهیت تصمیم‌گیری ساختاریافته آن می‌تواند در طراحی برخی نرم‌افزارهای صنعتی نیز مورد بررسی قرار گیرد.
برای مثال، یک سامانه نرم‌افزاری ممکن است رخدادهای ثبت‌شده را بر اساس دسته‌های مشخص مرتب کند، اهمیت آن‌ها را امتیازدهی کند یا موارد نیازمند بررسی انسانی را مشخص سازد. در چنین سناریویی، مدل می‌تواند به‌عنوان یک جزء تصمیم‌گیرنده در کنار سیستم‌های جمع‌آوری داده و منطق عملیاتی قرار گیرد.
البته این کاربردها نیازمند ارزیابی مستقل هستند. نباید فرض کرد که Jev مستقیماً داده خام سنسورها را تحلیل می‌کند یا بدون زیرساخت مناسب قادر به کنترل تجهیزات صنعتی است. در کاربردهای حساس، کنترل‌های ایمنی، اعتبارسنجی داده‌ها و تأیید انسانی همچنان اهمیت دارند.
آینده مدل‌های تصمیم‌گیرنده در هوش مصنوعی
توسعه ابزارهای هوش مصنوعی فقط به ساخت مدل‌هایی برای تولید متن محدود نیست. بخشی از نیاز نرم‌افزارها به تصمیم‌های مشخص، قابل ارزیابی و قابل استفاده در کد مربوط می‌شود.
مدل‌هایی مانند Jev این رویکرد را دنبال می‌کنند که در آن، وظایف مولد و تصمیم‌گیرنده می‌توانند بین اجزای مختلف یک سیستم تقسیم شوند. برای مثال، یک مدل زبانی می‌تواند اطلاعات را توضیح دهد، یک مدل تصمیم‌گیرنده گزینه مناسب را انتخاب کند و نرم‌افزار بر اساس قوانین قطعی اقدام نهایی را اجرا کند.
میزان موفقیت این معماری به کیفیت مدل، طراحی Workflow، ارزیابی خروجی‌ها و نحوه مدیریت ریسک بستگی دارد. بنابراین، Jev را باید یکی از رویکردهای جدید در طراحی سیستم‌های هوش مصنوعی دانست، نه جایگزینی عمومی برای تمام مدل‌های موجود.
جمع‌بندی
Jev یک مدل تصمیم‌گیرنده از TypeSafe AI است که به‌جای تولید متن آزاد، خروجی‌های ساختاریافته‌ای مانند انتخاب، امتیاز و احتمال یک پاسخ بله یا خیر ارائه می‌دهد. این رویکرد می‌تواند برای وظایفی مانند دسته‌بندی درخواست‌ها، اولویت‌بندی و انتخاب مسیر در AI Agentها مفید باشد.
بااین‌حال، دقت تصمیم‌ها باید در هر کاربرد ارزیابی شود و اجرای اقدامات همچنان به نرم‌افزار، قوانین و سازوکارهای کنترلی وابسته است.
در حوزه‌هایی مانند IoT و مانیتورینگ زیرساخت نیز تفکیک میان جمع‌آوری داده، تحلیل، تصمیم‌گیری و اجرای اقدام اهمیت دارد. سپهر انفورماتیک در زمینه راهکارهای IoT، ارتباط با تجهیزات و مانیتورینگ زیرساخت که حوزه‌هایی از شناخت فناوری‌های نوظهور هوش مصنوعی برای کمک به درک بهتر مسیر توسعه سیستم‌های هوشمند هستند، کمک می‌کند.
