Jev expliqué aux novices

Si tu traînes sur Internet depuis quelques jours, tu es probablement tombé sur Jev, un nouveau modèle d’IA qui fait sensation dans la communauté. Jev n’est pas un LLM classique. Il est conçu pour prendre des décisions, pas pour générer du texte. Après avoir creusé le sujet de près ces derniers jours, je suis convaincu que le battage médiatique est justifié et qu’il y a un énorme potentiel ici pour les créateurs de produits.

Comme je l’ai déjà dit, il est crucial que tout le monde comprenne comment fonctionne réellement la technologie derrière l’IA, même ceux qui occupent des postes non techniques. Comprendre le fonctionnement d’un système agentique te permet d’appliquer cette technologie avec pertinence à tes propres produits.

Plusieurs personnes m’ont contacté en expliquant qu’elles avaient lu tout ce qui existait sur Jev sans pour autant comprendre ce que c’était vraiment. Cet article est donc écrit pour elles. C’est un guide sur Jev pour les néophytes. Si tout ce que tu as lu jusqu’à présent t’a laissé plus de questions que de réponses, cet article sera différent. À la fin, tu auras une compréhension fondamentale de ce qu’est Jev, de ses différences avec un LLM, et de la manière dont tu peux l’intégrer aux produits que tu construis.

L’importance des décisions dans le logiciel

Le logiciel regorge de décisions. Ce message client nécessite-t-il une attention urgente ? Ce paiement est-il frauduleux ? Devrions-nous afficher la page en anglais ou en français ?

Un produit peut avoir besoin de prendre ce type de décision des millions de fois par jour.

Mais la complexité des décisions que les ordinateurs peuvent prendre est limitée. Les questions ci-dessus peuvent être résolues par des règles simples. Par exemple, nous pourrions déterminer s’il faut afficher la page en anglais ou en français en fonction des paramètres linguistiques de l’utilisateur ou peut-être de son adresse IP. Mais toutes les questions ne sont pas si simples.

Prenons l’exemple d’une photo d’un hot-dog. Aucune série de règles simples ne permettra à un ordinateur d’identifier si ma photo contient effectivement un hot-dog.

Les informaticiens ont donc inventé une nouvelle méthode permettant aux ordinateurs de prendre des décisions plus complexes : l’apprentissage automatique (machine learning). Il s’avère qu’en combinant certains algorithmes élégants avec de très nombreux exemples de photos contenant des hot-dogs, un ordinateur peut devenir assez performant pour identifier les photos de hot-dogs.

GIF

Notre modèle de détection de hot-dogs est un type de modèle appelé classifieur. On l’appelle ainsi parce qu’il classe les choses. Les classifieurs sont largement utilisés aujourd’hui dans les logiciels pour prendre des décisions complexes.

Mais le problème avec les classifieurs, c’est qu’ils ne généralisent pas au-delà du domaine sur lequel ils ont été entraînés. Mon classifieur capable d’identifier des photos de hot-dogs ne pourra pas m’aider à détecter des transactions frauduleuses. Et en raison des données et de l’expertise nécessaires pour entraîner un classifieur, de nombreux types de problèmes restaient insolubles pour les ordinateurs. Jusqu’à…

Le grand modèle de langage

Lorsqu’OpenAI a lancé ChatGPT en novembre 2022, cela a pris le monde d’assaut. La raison de sa popularité soudaine n’était pas tant son intelligence brute que sa capacité à généraliser.

ChatGPT possédait une compréhension fondamentale du monde qui lui permettait d’avoir une conversation sur les hot-dogs et les transactions frauduleuses, le tout en un seul endroit.

Les grands modèles de langage comme ChatGPT, Claude, Grok et Kimi ont pour fonction principale la génération de texte. Mais quiconque a utilisé ces modèles sait qu’ils peuvent penser, raisonner et, in fine, prendre des décisions. Voici, par exemple, comment un LLM pourrait décider si une image donnée représente un hot-dog ou non.

GIF

Oui, les grands modèles de langage sont capables de prendre des décisions. Et ils peuvent le faire dans un large éventail de domaines de connaissances.

Les LLM seraient-ils le Saint Graal ? Pourrions-nous enfin disposer d’un modèle de prise de décision généralisable applicable aux décisions logicielles actuelles ?

En pratique, non. Les LLM, malgré leur puissance incroyable, sont relativement lents et coûteux. Bien trop lents et chers pour être utilisés dans la plupart des types d’applications où le logiciel intervient.

Si seulement nous avions un modèle capable de prendre des décisions dans un large éventail de domaines de connaissances générales, rapidement et à moindre coût…

Présentation de Jev, un classifieur qui généralise

Jev est une nouvelle classe de modèle optimisée pour la prise de décision plutôt que pour la génération de texte.

Jev conserve la propriété de généralisation propre aux LLM tout en étant relativement rapide et économique, comme un classifieur. Selon les affirmations, Jev est 20 à 200 fois plus rapide et 40 à 400 fois moins cher que les LLM comparables.

Cela est possible car Jev ne renvoie pas une réponse token par token comme un LLM ; il renvoie simplement une décision.

Et c’est pourquoi les ingénieurs sont si enthousiastes. Ce n’est pas que Jev représente un niveau d’intelligence jamais vu auparavant ; c’est qu’il offre un niveau d’intelligence inédit opérant à cette vitesse et à ce coût.

Tu ne peux pas discuter avec Jev. Ce n’est pas un chatbot. Jev attend trois éléments en entrée :

• La question à laquelle tu veux répondre
• L’ensemble des réponses possibles à cette question
• Le contexte nécessaire pour répondre à la question (Jev appelle cela l’« état »)

Et Jev te fournira ensuite les éléments suivants en sortie :

• La réponse sélectionnée
• La probabilité que cette réponse soit correcte

C’est tout. Pas de discussion, juste une décision.

Jev prend en charge trois types de décisions :

• Oui/non, ce que Jev appelle un « Noul » : renvoie la probabilité estimée qu’une affirmation soit vraie
• Choix : sélectionne parmi jusqu’à 255 options à choix multiples et fournit les probabilités que chacune soit correcte
• Score : évalue quelque chose sur une échelle de 2 à 10 niveaux

Ces options permettent une prise de décision avancée en une fraction du temps et du coût des approches précédentes. Jetons un coup d’œil à un exemple pour chacune.

Le noul (oui/non)

Imaginons que j’aie ouvert un nouveau stand de hot-dogs et que je veuille passer en revue les retours clients à mesure qu’ils arrivent afin de réagir ou de répondre en conséquence.

Pour chaque avis, posons d’abord la simple question de savoir si l’avis exprime une plainte concernant la nourriture. L’entrée pour Jev pourrait ressembler à ceci.

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}

Tu vois que nous avons défini la question à laquelle nous voulons répondre (les « instructions »), les critères pour choisir oui ou non, et l’état nécessaire pour que Jev prenne une décision précise.

Nous soumettons donc la question ci-dessus à Jev. Jev renvoie alors ce qui suit.

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

Jev détermine que ce retour particulier a seulement 4 % de chances d’être une plainte concernant la nourriture. Nous pouvons donc classer cet avis comme prioritaire bas et le traiter quand nous aurons du temps.

Choix

Comprenons un peu mieux chaque élément de feedback en demandant à Jev de classer l’avis dans une catégorie. Voici à quoi pourrait ressembler notre requête vers Jev.

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}

Nous avons défini chaque choix que Jev peut faire avec une description indiquant quand utiliser chacun (les « critères »). Jev renvoie ce qui suit.

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 a choisi « queue » comme réponse. Tu peux aussi voir qu’il attache des probabilités à chacun des choix.

Score

Maintenant, faisons évaluer par Jev le niveau de satisfaction global du client concernant son expérience dans notre stand de hot-dogs, selon cinq niveaux définis.

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}

Encore une fois, nous fournissons une question claire, un ensemble de réponses possibles et l’état. Jev renvoie ce qui suit.

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 sur 4, il y a place à amélioration.

La magie de Jev réside dans sa capacité à prendre ces décisions beaucoup plus rapidement et à moindre coût qu’un LLM. Voici une comparaison côte à côte de l’examen de 60 éléments de feedback laissés pour notre stand de hot-dogs. À gauche, Jev ; à droite, un LLM (gpt-5.6 Luna).

L’avantage de vitesse et de coût de Jev abaisse la barrière à l’entrée pour la prise de décision automatisée par logiciel.

Appliquer Jev

Partout dans ton produit où une décision pourrait améliorer le résultat pour un utilisateur, envisage d’appliquer Jev. Voici quelques exemples.

Utilise Oui/Non partout où savoir si quelque chose est vrai ou faux te permet de modifier l’action entreprise.

• Le message de ce client suggère-t-il qu’il est sur le point d’annuler son abonnement ?
• Cette mise à jour du fournisseur indique-t-elle qu’une expédition manquera sa date limite ?
• L’explication de cet étudiant révèle-t-elle une idée fausse méritant d’être corrigée ?
• Cette transcription de réunion contient-elle un engagement dont personne n’a la responsabilité ?
• Le message de ce joueur suggère-t-il qu’il est bloqué et aurait besoin d’un indice ?

Utilise Choix partout où sélectionner parmi un ensemble d’options te permet de décider de la suite à donner.

• Quelle équipe spécialisée devrait traiter cette demande client inhabituelle ?
• Quel tutoriel produit correspond le mieux à ce que cet utilisateur essaie d’accomplir ?
• Quel personnage d’un jeu devrait répondre à ce que vient de dire le joueur ?
• Quel segment d’audioguide de musée répond le mieux à la question d’un visiteur ?
• Quel substitut disponible préserve le mieux le rôle d’un ingrédient manquant dans une recette ?

Utilise Score partout où juger à quel point, à quel degré ou avec quelle précision quelque chose répond à un critère te permet de prioriser ou d’ajuster une action.

• À quel point ce bug logiciel est-il perturbant pour le flux de travail réel du client ?
• Dans quelle mesure cet itinéraire de voyage correspond-il à l’idée qu’une personne se fait de bonnes vacances ?
• Dans quelle mesure cet entretien client soutient-il une hypothèse produit particulière ?
• À quel point le dialogue de cette scène s’écarte-t-il de la voix établie du personnage ?
• À quel point cet indice de jeu serait-il révélateur, compte tenu de ce que le joueur sait déjà ?

Il est temps de construire avec Jev

Jev ouvre un monde de nouvelles possibilités dans les types de logiciels et d’expériences que nous pouvons créer pour les utilisateurs.

Maintenant que tu sais ce qu’est Jev et comment il fonctionne, comment vas-tu appliquer cela aux produits que tu construis ?