Jev einfach erklärt für Einsteiger

Wenn du in den letzten Tagen im Internet unterwegs warst, bist du wahrscheinlich schon auf Jev gestoßen – ein neues KI-Modell, das die KI-Community im Sturm erobert hat. Jev ist kein herkömmliches LLM. Es wurde entwickelt, um Entscheidungen zu treffen, nicht um Texte zu schreiben. Nachdem ich mich in den letzten Tagen intensiv mit Jev beschäftigt habe, glaube ich wirklich, dass der Hype berechtigt ist und hier enormes Potenzial für Produktentwickler liegt.

Wie ich bereits erwähnt habe, ist es entscheidend, dass jeder versteht, wie die Technologie hinter KI tatsächlich funktioniert – auch Nicht-Techniker. Das Verständnis, wie ein agentisches System arbeitet, ermöglicht es dir, diese Technologie bedacht in deinen eigenen Produkten einzusetzen.

Mehrere Personen haben sich bei mir gemeldet und erklärt, dass sie alles über Jev gelesen haben, was verfügbar ist, aber immer noch nicht verstehen, was es eigentlich ist. Dieser Artikel richtet sich an sie. Er ist ein Leitfaden zu Jev für alle, die keine Experten sind. Wenn alles, was du bisher über Jev gelesen hast, mehr Fragen als Antworten aufgeworfen hat, wird dieser Artikel anders sein. Am Ende wirst du ein grundlegendes Verständnis dafür haben, was Jev ist, wie es sich von einem LLM unterscheidet und wie du es in den Produkten anwenden kannst, die du entwickelst.

Die Bedeutung von Entscheidungen in Software

Software steckt voller Entscheidungen. Erfordert diese Kunden-Nachricht dringende Aufmerksamkeit? Ist diese Zahlung betrügerisch? Sollen wir die Seite auf Englisch oder Französisch anzeigen?

Ein Produkt muss solche Entscheidungen möglicherweise Millionen Mal pro Tag treffen.

Aber die Komplexität der Entscheidungen, die Computer treffen können, ist begrenzt. Die oben genannten Fragen lassen sich mit einfachen Regeln beantworten. Zum Beispiel könnten wir basierend auf der Spracheinstellung des Nutzers oder vielleicht seiner IP-Adresse entscheiden, ob die Seite auf Englisch oder Französisch angezeigt werden soll. Aber nicht alle Fragen sind so einfach.

Nehmen wir zum Beispiel ein Foto eines Hotdogs. Keine Reihe einfacher Regeln kann einem Computer beibringen, ob mein Bild tatsächlich einen Hotdog enthält.

Also entwickelten Informatiker eine neue Methode, damit Computer komplexere Entscheidungen treffen können: maschinelles Lernen. Es stellte sich heraus, dass ein Computer durch die Kombination cleverer Algorithmen mit sehr vielen Beispielen von Bildern, die Hotdogs enthalten, durchaus fähig wird, Bilder mit Hotdogs zuverlässig zu identifizieren.

GIF

Unser Hotdog-Modell ist eine Art Modell, das als Klassifikator bezeichnet wird. Der Name kommt daher, weil es Dinge klassifiziert. Klassifikatoren werden heute in der Software umfangreich eingesetzt, um komplexe Entscheidungen zu treffen.

Das Problem bei Klassifikatoren ist jedoch, dass sie sich nicht außerhalb des Bereichs generalisieren lassen, auf dem sie trainiert wurden. Mein Klassifikator, der Bilder von Hotdogs erkennt, kann mir nicht helfen, betrügerische Transaktionen zu identifizieren. Und aufgrund der Daten und des Fachwissens, die für das Training eines Klassifikators erforderlich sind, gab es viele Arten von Problemen, die Computer nicht lösen konnten. Bis…

Das große Sprachmodell

Als OpenAI im November 2022 ChatGPT veröffentlichte, eroberte es die Welt im Sturm. Der Grund für seine enorme Popularität lag nicht primär an seiner reinen Intelligenz, sondern an seiner Fähigkeit zur Generalisierung.

ChatGPT verfügte über ein grundlegendes Verständnis der Welt, das es ihm ermöglichte, sowohl über Hotdogs als auch über betrügerische Transaktionen zu sprechen – alles in einem.

Große Sprachmodelle wie ChatGPT, Claude, Grok und Kimi haben die Hauptfunktion, Text zu generieren. Aber jeder, der diese Modelle genutzt hat, weiß, dass sie denken, schlussfolgern und letztlich Entscheidungen treffen können. Als Beispiel: So könnte ein LLM eine Entscheidung darüber treffen, ob ein gegebenes Bild ein Hotdog ist oder nicht.

GIF

Ja, große Sprachmodelle sind in der Lage, Entscheidungen zu treffen. Und sie können Entscheidungen über ein breites Spektrum von Wissensdomänen hinweg treffen.

Könnten LLMs der heilige Gral sein? Haben wir endlich ein allgemeines Entscheidungsmodell, das wir auf die heutigen Software-Entscheidungen anwenden können?

Praktisch gesehen, nein. LLMs sind trotz ihrer unglaublichen Leistungsfähigkeit relativ langsam und teuer. Viel zu langsam und teuer für die meisten Anwendungsfälle, in denen Software eingesetzt wird.

Wenn wir doch nur ein Modell hätten, das Entscheidungen über ein breites Spektrum allgemeiner Wissensdomänen treffen und dies schnell und kostengünstig tun könnte…

Vorstellung von Jev: Ein Klassifikator, der generalisiert

Jev ist eine neue Klasse von Modellen, die darauf optimiert ist, Entscheidungen zu treffen, anstatt Text zu generieren.

Jev behält die Eigenschaft der Generalisierung wie ein LLM bei, ist aber relativ schnell und günstig wie ein Klassifikator. Die Behauptungen besagen, dass Jev 20–200-mal schneller und 40–400-mal günstiger ist als vergleichbare LLMs.

Dies wird erreicht, weil Jev keine Antwort Token für Token zurückgibt wie ein LLM, sondern einfach eine Entscheidung liefert.

Und genau deshalb sind Ingenieure so begeistert davon. Es ist nicht so, dass Jev eine nie dagewesene Stufe der Intelligenz darstellt; es ist vielmehr eine Stufe der Intelligenz, die nie zuvor mit dieser Geschwindigkeit und zu diesen Kosten operiert hat.

Mit Jev kannst du nicht chatten. Es ist kein Chatbot. Jev erwartet drei Dinge als Eingabe:

• Die Frage, die du beantworten möchtest
• Die Menge der möglichen Antworten auf diese Frage
• Den Kontext, der zur Beantwortung der Frage benötigt wird (Jev nennt dies „State“)

Und Jev gibt dann Folgendes als Ausgabe zurück:

• Die ausgewählte Antwort
• Die Wahrscheinlichkeit, dass die Antwort korrekt ist

Das war’s. Kein Chatten, nur eine Entscheidung.

Jev unterstützt drei Arten von Entscheidungen:

• Ja/Nein, was Jev als „Noul“ bezeichnet: Gibt die geschätzte Wahrscheinlichkeit zurück, dass eine Aussage wahr ist
• Auswahl: Wählt aus bis zu 255 Multiple-Choice-Optionen und liefert Wahrscheinlichkeiten, dass jede Option korrekt ist
• Bewertung: Bewertet etwas auf einer Skala von 2 bis 10 Stufen

Diese Optionen ermöglichen fortgeschrittene Entscheidungsfindung in einem Bruchteil der Zeit und Kosten früherer Ansätze. Schauen wir uns ein Beispiel für jeden Typ an.

Der Noul (Ja/Nein)

Sagen wir, ich habe einen neuen Hotdog-Stand eröffnet und möchte Kundenfeedback sofort prüfen, um entsprechend reagieren oder antworten zu können.

Für jedes Feedback stellen wir zunächst die einfache Frage, ob es sich um eine Beschwerde über das Essen handelt. Die Eingabe für Jev könnte etwa so aussehen.

1{
2  "model": "jev-latest",
3  "state": "Waited twenty minutes, but the hotdog was worth it. Would come back if the queue was shorter.",
4  "questions": {
5    "food_complaint": {
6      "type": "noul",
7      "instructions": "Does this review express dissatisfaction with the food itself?",
8      "criteria": {
9        "true": "Complains about the taste, temperature, or quality of the food.",
10        "false": "Does not complain about the food. Complaints only about queues or service do not count."
11      }
12    }
13  }
14}

Du siehst, wir haben die Frage definiert, die wir beantworten möchten (die „instructions“), die Kriterien, wann Ja oder Nein gewählt werden soll, und den State, den Jev für eine präzise Entscheidung benötigt.

Wir geben also die obige Frage an Jev weiter. Jev gibt dann Folgendes aus.

1{
2  "answers": {
3    "food_complaint": {
4      "type": "noul",
5      "noul": 0.04
6    }
7  }
8}

Jev bestimmt, dass dieses spezifische Feedback nur zu 4 % wahrscheinlich eine Beschwerde über das Essen ist. Wir könnten dieses Feedback daher als niedrigere Priorität einstufen und später nachfassen, wenn wir Zeit haben.

Auswahl

Lass uns jedes Feedback-Element etwas besser verstehen, indem wir Jev bitten, das Feedback in eine Kategorie einzuordnen. Hier ist, wie unsere Anfrage an Jev aussehen könnte.

1{
2  "model": "jev-latest",
3  "state": "Waited twenty minutes, but the hotdog was worth it. Would come back if the queue was shorter.",
4  "questions": {
5    "main_topic": {
6      "type": "choice",
7      "instructions": "What is the main topic of this review? Select the option that best captures its primary focus.",
8      "criteria": {
9        "queue": "Queue length or waiting time is the main focus.",
10        "food": "The taste, temperature, or quality of the food is the main focus.",
11        "service": "Staff friendliness, helpfulness, or how they handled the order is the main focus. Comments only about waiting time belong under queue.",
12        "other": "The main focus is something other than food, waiting time, or staff service."
13      }
14    }
15  }
16}

Wir haben jede Auswahlmöglichkeit definiert, die Jev treffen kann, mit einer Beschreibung, wann sie verwendet werden soll (die „criteria“). Jev gibt Folgendes zurück.

1{
2  "answers": {
3    "main_topic": {
4      "type": "choice",
5      "choice": "queue",
6      "probabilities": {
7        "queue": 0.80,
8        "food": 0.15,
9        "service": 0.03,
10        "other": 0.02
11      },
12      "confidence": 0.60
13    }
14  }
15}

Ok, Jev hat „queue“ als Antwort gewählt. Du kannst auch sehen, dass es Wahrscheinlichkeiten für jede der Optionen beifügt.

Bewertung

Jetzt lassen wir Jev bewerten, wie zufrieden der Kunde insgesamt mit dem Erlebnis an unserem Hotdog-Stand ist, basierend auf fünf definierten Stufen.

1{
2  "model": "jev-latest",
3  "state": "Waited twenty minutes, but the hotdog was worth it. Would come back if the queue was shorter.",
4  "questions": {
5    "overall_satisfaction": {
6      "type": "score",
7      "instructions": "How satisfied is this customer with their overall experience? Consider both positive and negative comments.",
8      "criteria": [
9        "Very dissatisfied: strongly negative about the experience overall.",
10        "Dissatisfied: mostly negative, despite any positives.",
11        "Mixed: meaningful positives and negatives, with neither clearly dominating.",
12        "Satisfied: mostly positive, despite some complaints.",
13        "Very satisfied: strongly positive, with no meaningful complaints."
14      ]
15    }
16  }
17}

Wiederum liefern wir eine klare Frage, eine Menge möglicher Antworten und den State. Jev gibt Folgendes zurück.

1{
2  "answers": {
3    "overall_satisfaction": {
4      "type": "score",
5      "score": 2.1,
6      "probabilities": {
7        "0": 0.05,
8        "1": 0.15,
9        "2": 0.50,
10        "3": 0.25,
11        "4": 0.05
12      }
13    }
14  }
15}

2,1 von 4 – da ist noch Luft nach oben.

Die Magie von Jev besteht darin, dass es diese Entscheidungen viel schneller und günstiger treffen kann als ein LLM. Hier ist ein direkter Vergleich bei der Prüfung von 60 Feedback-Einträgen, die für unseren Hotdog-Stand hinterlassen wurden. Links ist Jev, rechts ein LLM (gpt-5.6 Luna).

Jevs Geschwindigkeits- und Kostenvorteil senkt die Hürde für softwarebasierte Entscheidungen.

Anwendung von Jev

Überall dort, wo in deinem Produkt eine Entscheidung getroffen werden kann, um das Ergebnis für einen Nutzer zu verbessern, solltest du den Einsatz von Jev in Betracht ziehen. Hier sind einige Beispiele.

Nutze Ja/Nein, überall dort, wo das Wissen, ob etwas wahr oder falsch ist, die eingeleitete Maßnahme verändert.

• Deutet die Nachricht dieses Kunden darauf hin, dass er kurz davor steht, sein Abonnement zu kündigen?
• Legt die Aktualisierung dieses Lieferanten nahe, dass eine Lieferung ihren Termin verfehlen wird?
• Enthält die Erklärung dieses Schülers ein Missverständnis, das geklärt werden sollte?
• Enthalten die Protokolle dieses Meetings eine Verpflichtung, die niemandem zugewiesen wurde?
• Deutet die Nachricht dieses Spielers darauf hin, dass er feststeckt und einen Hinweis gebrauchen könnte?

Nutze Auswahl, überall dort, wo die Wahl aus einer Reihe von Optionen bestimmt, was als Nächstes passiert.

• Welches Spezialistenteam sollte diese ungewöhnliche Kundenanfrage bearbeiten?
• Welches Produkt-Tutorial passt am besten dazu, was dieser Nutzer erreichen möchte?
• Welche Figur in einem Spiel sollte auf das reagieren, was der Spieler gerade gesagt hat?
• Welcher Abschnitt des Museums-Audioguides beantwortet die Frage eines Besuchers am besten?
• Welcher verfügbare Ersatz bewahrt am besten die Rolle einer fehlenden Zutat in einem Rezept?

Nutze Bewertung, überall dort, wo das Urteil darüber, wie stark, wie gut oder wie nah etwas einem Kriterium entspricht, die Priorisierung oder Anpassung einer Maßnahme ermöglicht.

• Wie disruptiv ist dieser Software-Bug für den tatsächlichen Arbeitsablauf des Kunden?
• Wie gut stimmt diese Reiseroute mit der Vorstellung jemandes von einem guten Urlaub überein?
• Inwiefern stützt dieses Kundeninterview eine bestimmte Produkthypothese?
• Wie weit weicht der Dialog dieser Szene von der etablierten Stimme der Figur ab?
• Wie aufschlussreich wäre dieser Spielhinweis angesichts dessen, was der Spieler bereits weiß?

Zeit, mit Jev zu bauen

Jev hat eine Welt neuer Möglichkeiten in Bezug auf die Arten von Software und Erlebnissen eröffnet, die wir für Nutzer entwickeln können.

Da du nun weißt, was Jev ist und wie es funktioniert, wie wirst du dies auf die Produkte anwenden, die du baust?