आम लोगों के लिए Jev का सरल विवरण

अगर आप पिछले कुछ दिनों से इंटरनेट पर हैं, तो आपने शायद Jev के बारे में सुना होगा—एक नया AI मॉडल जिसने AI कम्युनिटी को हिलाकर रख दिया है। Jev एक पारंपरिक LLM नहीं है। यह टेक्स्ट लिखने के लिए नहीं, बल्कि निर्णय लेने के लिए बनाया गया है। पिछले कुछ दिनों में Jev पर गहराई से रिसर्च करने के बाद, मुझे सच में लगता है कि इसकी चर्चा जायज है और प्रोडक्ट बिल्डर्स के लिए इसमें बहुत बड़ी संभावनाएं हैं।

जैसा कि मैंने पहले कहा था, यह जरूरी है कि हर कोई यह समझे कि AI के पीछे की तकनीक वास्तव में कैसे काम करती है, चाहे वह गैर-तकनीकी भूमिकाओं में ही क्यों न हों। जब आप एजेंटिक सिस्टम (agentic system) के कार्यप्रणाली को समझते हैं, तो आप अपनी खुद की प्रोडक्ट्स में इस तकनीक का सोच-समझकर इस्तेमाल कर सकते हैं।

मुझे कई लोगों ने संपर्क किया और बताया कि उन्होंने Jev के बारे में जो भी पढ़ा है, उसके बावजूद वे अभी भी नहीं समझ पा रहे हैं कि यह वास्तव में क्या है। इसलिए, यह आर्टिकल उनके लिए है। यह सामान्य उपयोगकर्ताओं (normies) के लिए Jev की एक गाइड है। अगर Jev के बारे में आपके द्वारा पढ़ी गई अन्य सभी चीजों ने आपको उत्तरों से ज्यादा सवाल दिए हैं, तो यह आर्टिकल अलग होगा। इसे पढ़ने के अंत तक, आपको यह समझ आ जाएगा कि Jev क्या है, यह LLM से कैसे अलग है, और आप इसे अपने बनाए हुए प्रोडक्ट्स में कैसे लागू कर सकते हैं।

सॉफ्टवेयर में निर्णयों का महत्व

सॉफ्टवेयर निर्णयों से भरा हुआ है। क्या इस ग्राहक का संदेश तुरंत ध्यान देने की मांग करता है? क्या यह पेमेंट फ्रॉडुलेंट (धोखाधड़ी वाला) है? क्या हमें पेज को अंग्रेजी में रेंडर करना चाहिए या फ्रेंच में?

एक प्रोडक्ट को दिन में लाखों बार ऐसे निर्णय लेने पड़ सकते हैं।

लेकिन कंप्यूटर जिन जटिल निर्णयों को ले सकते हैं, उनकी क्षमता सीमित होती है। ऊपर पूछे गए सवालों का जवाब कुछ सरल नियमों से दिया जा सकता है। उदाहरण के लिए, हम यूजर की भाषा सेटिंग या शायद उनके IP पते के आधार पर यह तय कर सकते हैं कि पेज अंग्रेजी में दिखाना है या फ्रेंच में। लेकिन हर सवाल इतना सरल नहीं होता।

मान लीजिए, एक हॉटडॉग की तस्वीर लें। कोई भी सरल नियमों का सेट कंप्यूटर को यह पहचानने में मदद नहीं करेगा कि मेरी तस्वीर में वास्तव में हॉटडॉग है या नहीं।

इसलिए कंप्यूटर वैज्ञानिकों ने कंप्यूटरों के लिए अधिक जटिल निर्णय लेने की एक नई विधि विकसित की: मशीन लर्निंग। यह पता चला कि कुछ स्मार्ट एल्गोरिदम और हॉटडॉग वाली तस्वीरों के बहुत सारे उदाहरणों को मिलाकर, एक कंप्यूटर हॉटडॉग वाली तस्वीरों को पहचानने में काफी कुशल हो सकता है।

GIF

हमारा हॉटडॉग मॉडल 'क्लासिफायर' (classifier) नामक मॉडल का एक प्रकार है। इसे क्लासिफायर इसलिए कहा जाता है क्योंकि यह चीजों को वर्गीकृत करता है। आज के समय में सॉफ्टवेयर में जटिल निर्णय लेने के लिए क्लासिफायर का व्यापक रूप से उपयोग किया जाता है।

लेकिन क्लासिफायर की समस्या यह है कि वे उस डोमेन के बाहर सामान्यीकरण (generalize) नहीं करते जिस पर उन्हें ट्रेन किया गया था। मेरा क्लासिफायर जो हॉटडॉग की तस्वीरों को पहचान सकता है, वह मुझे फ्रॉडुलेंट ट्रांजैक्शन पहचानने में मदद नहीं करेगा। और एक क्लासिफायर को ट्रेन करने के लिए आवश्यक डेटा और विशेषज्ञता के कारण, कई प्रकार की समस्याएं थीं जिन्हें कंप्यूटर हल नहीं कर पाते थे। जब तक कि...

लार्ज लैंग्वेज मॉडल

जब OpenAI ने नवंबर 2022 में ChatGPT लॉन्च किया, तो इसने दुनिया भर में धूम मचा दी। इसके इतना लोकप्रिय होने का कारण इसकी बुद्धिमत्ता नहीं, बल्कि इसकी सामान्यीकरण (generalization) क्षमता थी।

ChatGPT के पास दुनिया की एक मौलिक समझ थी जिसका मतलब था कि यह हॉटडॉग और फ्रॉडुलेंट ट्रांजैक्शन दोनों के बारे में एक ही बातचीत में चर्चा कर सकता था।

ChatGPT, Claude, Grok, और Kimi जैसे लार्ज लैंग्वेज मॉडल्स (LLMs) का प्राथमिक कार्य टेक्स्ट जनरेट करना है। लेकिन जिन्होंने इन मॉडल्स का इस्तेमाल किया है, वे जानते हैं कि ये सोच सकते हैं, तर्क दे सकते हैं, और अंततः निर्णय ले सकते हैं। उदाहरण के लिए, यहाँ बताया गया है कि एक LLM यह निर्णय कैसे ले सकता है कि दी गई छवि हॉटडॉग है या नहीं।

GIF

हाँ, लार्ज लैंग्वेज मॉडल्स निर्णय लेने में सक्षम हैं। और वे ज्ञान के विभिन्न क्षेत्रों में फैले निर्णय ले सकते हैं।

क्या LLMs 'हॉली ग्रेल' (holy grail) हो सकते हैं? क्या हम अंततः एक सामान्य निर्णय-लेने वाला मॉडल प्राप्त कर सकते हैं जिसे आज के सॉफ्टवेयर निर्णयों पर लागू किया जा सके?

खैर, व्यवहारिक रूप से नहीं। LLMs, अपनी अद्भुत शक्ति के बावजूद, अपेक्षाकृत धीमे और महंगे होते हैं। अधिकांश प्रकार के एप्लिकेशन जहाँ सॉफ्टवेयर का उपयोग होता है, वहां इन्हें इस्तेमाल करना बहुत धीमा और महंगा साबित होता है।

काश! हमारे पास ऐसा मॉडल होता जो सामान्य ज्ञान के विस्तृत क्षेत्रों में तेजी से और सस्ते में निर्णय ले सके...

Jev का परिचय: एक क्लासिफायर जो सामान्यीकरण करता है

Jev मॉडल का एक नया वर्ग है जो टेक्स्ट जनरेट करने के बजाय निर्णय लेने के लिए अनुकूलित (optimized) है।

Jev एक LLM की तरह सामान्यीकरण (generalizing) की विशेषता को बनाए रखता है, जबकि एक क्लासिफायर की तरह अपेक्षाकृत तेज और सस्ता होता है। दावा किया जाता है कि Jev तुलनीय LLMs की तुलना में 20-200 गुना तेज और 40-400 गुना सस्ता है।

यह इसलिए संभव है क्योंकि Jev एक LLM की तरह टोकन-दर-टोकन जवाब नहीं लौटाता; यह सीधे एक निर्णय लौटाता है।

और यही कारण है कि इंजीनियर इससे इतने उत्साहित हैं। यह इसलिए नहीं है कि Jev बुद्धिमत्ता का एक नया स्तर है जो पहले कभी नहीं देखा गया; बल्कि इसलिए है कि यह बुद्धिमत्ता का वह स्तर है जो पहले कभी नहीं देखा गया, और यह इतनी तेजी और इतनी कम लागत पर काम कर रहा है।

आप Jev के साथ चैट नहीं कर सकते। यह एक चैटबॉट नहीं है। Jev इनपुट के रूप में तीन चीजें अपेक्षित करता है:

• वह सवाल जिसका आपको जवाब चाहिए
• उस सवाल के संभावित उत्तरों का सेट
• सवाल का जवाब देने के लिए आवश्यक संदर्भ (Jev इसे "state" कहता है)

और फिर Jev आपको निम्नलिखित आउटपुट देगा:

• चुना गया उत्तर
• उस उत्तर के सही होने की संभावना (probability)

बस इतना ही। कोई चैटिंग नहीं, सिर्फ एक निर्णय।

Jev तीन प्रकार के निर्णयों का समर्थन करता है:

• Yes/no, जिसे Jev "Noul" कहता है: यह किसी कथन के सत्य होने की अनुमानित संभावना लौटाता है
• Choice: यह 255 तक के बहुविकल्पीय विकल्पों में से चुनता है और प्रत्येक के सही होने की संभावना प्रदान करता है
• Score: यह किसी चीज को 2 से 10 स्तरों के पैमाने पर रेट करता है

ये विकल्प पिछले दृष्टिकोणों की तुलना में बहुत कम समय और लागत में उन्नत निर्णय लेने की अनुमति देते हैं। आइए हर एक का एक उदाहरण देखें।

The noul (yes/no)

मान लीजिए मैंने एक नया हॉटडॉग स्टॉल खोला है और मैं ग्राहकों की प्रतिक्रियाओं (feedback) को आते ही समीक्षा करना चाहता हूं ताकि मैं तदनुसार कार्रवाई कर सकूं या जवाब दे सकूं।

प्रत्येक समीक्षा के लिए, आइए पहले यह सरल सवाल पूछें कि क्या यह समीक्षा भोजन के बारे में शिकायत है। Jev के लिए इनपुट कुछ इस तरह दिख सकता है।

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}

आप देख सकते हैं कि हमने वह सवाल परिभाषित किया है जिसका जवाब हम चाहते हैं ("instructions"), हाँ या ना चुनने के लिए मानदंड, और Jev को सटीक निर्णय लेने के लिए आवश्यक state।

तो हम ऊपर दिया गया सवाल Jev को देते हैं। फिर Jev निम्नलिखित आउटपुट देता है।

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

Jev निर्धारित करता है कि यह विशिष्ट फीडबैक केवल 4% संभावना है कि यह भोजन के बारे में शिकायत है। इसलिए, हम इस समीक्षा को कम प्राथमिकता वाले के रूप में वर्गीकृत कर सकते हैं और जब हमारे पास समय हो तो इसका पालन कर सकते हैं।

Choice

आइए Jev से फीडबैक को एक श्रेणी में डालने को कहकर प्रत्येक फीडबैक आइटम को थोड़ा और बेहतर ढंग से समझें। यहाँ Jev के लिए हमारा अनुरोध कैसा दिख सकता है।

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}

हमने Jev द्वारा किए जाने वाले प्रत्येक विकल्प को उसका उपयोग कब करना है, इसका विवरण ("criteria") के साथ परिभाषित किया है। Jev निम्नलिखित लौटाता है।

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}

ठीक है, Jev ने उत्तर के रूप में "queue" चुना है। आप यह भी देख सकते हैं कि यह प्रत्येक विकल्प के साथ संभावनाएं (probabilities) जोड़ता है।

Score

अब आइए Jev से हमारे हॉटडॉग स्टॉल पर समग्र अनुभव के लिए ग्राहक कितने संतुष्ट हैं, इसकी पांच परिभाषित स्तरों पर रेटिंग करवाएं।

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}

फिर से, हम एक स्पष्ट सवाल, संभावित उत्तरों का सेट, और state प्रदान करते हैं। Jev निम्नलिखित लौटाता है।

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}

4 में से 2.1, सुधार की गुंजाइश है।

Jev का जादू यह है कि यह एक LLM की तुलना में इन निर्णयों को बहुत तेजी से और सस्ते में ले सकता है। यहाँ हमारे हॉटडॉग स्टॉल के लिए छोड़े गए 60 फीडबैक आइटमों की समीक्षा करने का साइड-बाय-साइड तुलना है। बाईं ओर Jev है, दाईं ओर एक LLM (gpt-5.6 Luna) है।

Jev की गति और लागत लाभ सॉफ्टवेयर के साथ निर्णय लेने की बाधा को कम करता है।

Jev का अनुप्रयोग

आपके प्रोडक्ट में जहाँ भी कोई निर्णय यूजर के लिए परिणाम को बेहतर बनाने के लिए लिया जा सकता है, वहाँ Jev को लागू करने पर विचार करें। यहाँ कुछ उदाहरण दिए गए हैं।

Yes/No का उपयोग उन स्थानों पर करें जहाँ किसी चीज के सत्य या असत्य होने को जानने से आपको कार्रवाई बदलने में मदद मिलती है।

• क्या इस ग्राहक का संदेश बताता है कि वे अपनी सब्सक्रिप्शन रद्द करने वाले हैं?
• क्या इस सप्लायर अपडेट से पता चलता है कि शिपमेंट डेडलाइन से चूक जाएगा?
• क्या इस छात्र का स्पष्टीकरण एक ऐसी गलत धारणा को प्रकट करता है जिसका समाधान करना जरूरी है?
• क्या इस मीटिंग ट्रांसक्रिप्ट में कोई प्रतिबद्धता (commitment) शामिल है जिसकी जिम्मेदारी किसी को नहीं दी गई है?
• क्या इस खिलाड़ी का संदेश बताता है कि वे फंसे हुए हैं और उन्हें एक हिंट (hint) की जरूरत है?

Choice का उपयोग उन स्थानों पर करें जहाँ विकल्पों के सेट में से चुनने से आपको यह तय करने में मदद मिलती है कि आगे क्या होगा।

• किस विशेषज्ञ टीम को इस असामान्य ग्राहक अनुरोध को संभालना चाहिए?
• किस प्रोडक्ट ट्यूटोरियल का सबसे अच्छा मेल इस यूजर के लक्ष्य से खाता है?
• गेम में किस कैरेक्टर को खिलाड़ी के हालिया संदेश का जवाब देना चाहिए?
• किस संग्रहालय ऑडियो-गाइड सेगमेंट का सबसे अच्छा जवाब एक आगंतुक के सवाल से मेल खाता है?
• कौन सा उपलब्ध विकल्प रेसिपी में एक गुम सामग्री की भूमिका को सबसे अच्छी तरह बनाए रखता है?

Score का उपयोग उन स्थानों पर करें जहाँ किसी चीज के किसी मानदंड को कितना, कितना अच्छा, या कितना निकटता से पूरा करने का आकलन करने से आपको प्राथमिकता देने या कार्रवाई को समायोजित करने में मदद मिलती है।

• ग्राहक के वास्तविक वर्कफ्लो के लिए यह सॉफ्टवेयर बग कितना बाधाकारक है?
• यह ट्रैवल इटिनरेरी किसी के अच्छी छुट्टी के विचार से कितना मेल खाता है?
• यह ग्राहक इंटरव्यू एक विशेष प्रोडक्ट परिकल्पना (hypothesis) का कितना समर्थन करता है?
• इस दृश्य का संवाद कैरेक्टर की स्थापित आवाज़ से कितना भटकता है?
• खिलाड़ी के पहले से ज्ञात जानकारी को देखते हुए, यह गेम हिंट कितना प्रकटीकारी (revealing) होगा?

Jev के साथ बनाने का समय

Jev ने उपयोगकर्ताओं के लिए बनाए जाने वाले सॉफ्टवेयर और अनुभवों के प्रकारों में नई संभावनाओं की दुनिया खोल दी है।

अब जब आप जानते हैं कि Jev क्या है और यह कैसे काम करता है, तो आप इसे अपने बना रहे प्रोडक्ट्स में कैसे लागू करेंगे?