「Jev」を初心者向けにわかりやすく解説

インターネットでここ数日過ごしてきたなら、おそらく Jev という新しい AI モデルを目にしているだろう。Jev は AI コミュニティを席巻しているが、従来の LLM とは異なる。テキスト生成ではなく、意思決定のために構築されているのだ。ここ数日間 Jev を深く掘り下げてきた経験から言えば、この話題性は本物であり、プロダクトビルダーにとって巨大な可能性があることを確信している。

以前も述べたように、技術職でない人々を含め、AI の背後にあるテクノロジーが実際にどのように機能するのかを理解することは極めて重要だ。エージェント型システムの仕組みを理解すれば、自分のプロダクトにその技術を慎重かつ効果的に適用できるようになる。

「Jev に関するあらゆる情報を読んだが、それでも結局何なのかよくわからない」という問い合わせを複数受けたことがある。だからこそ、この記事は彼らのためにある。一般ユーザー向けの Jev ガイドだ。これまで読んできた Jev 関連の記事で疑問ばかりが残った人も、この記事なら違うはずだ。読み終える頃には、Jev が何か、LLM とどう違うのか、そして自分が構築するプロダクトにどう活用できるのかについて、基礎的な理解が得られているだろう。

ソフトウェアにおける意思決定の重要性

ソフトウェアは意思決定の連続だ。この顧客からのメッセージは緊急対応が必要か？ この支払いは不正なものか？ ページは英語とフランス語のどちらで表示すべきか？

あるプロダクトでは、こうした意思決定を毎日数百万回行う必要があるかもしれない。

しかし、コンピュータが行える意思決定の複雑さには限界がある。上記の質問は単純なルールで答えられる場合が多い。例えば、ユーザーの言語設定や IP アドレスに基づいてページを英語またはフランス語で表示するかを判断できる。だが、すべての問題がそれほど単純ではない。

例えば、ホットドッグの写真を見てみよう。単純なルールの集合だけでは、コンピュータが私の写真に本当にホットドッグが含まれているかどうかを識別することはできない。

そこでコンピュータ科学者たちは、コンピュータがより複雑な意思決定を行うための新しい手法を考案した。機械学習だ。実際、巧妙なアルゴリズムと、ホットドッグを含む多数の画像サンプルを組み合わせることで、コンピュータはホットドッグを含む画像の識別においてかなり高い精度を達成できることが判明した。

GIF

私たちのホットドッグモデルは、「分類器（classifier）」と呼ばれる種類のモデルだ。名前通り、物を分類するためこう呼ばれる。今日では、複雑な意思決定を行うために分類器がソフトウェアで広く使用されている。

しかし、分類器の問題点は、訓練されたドメインの外では汎化能力を持たないことだ。ホットドッグの画像を識別できる分類器でも、不正取引の識別には役立たない。また、分類器の訓練には大量のデータと専門知識が必要だったため、コンピュータが解決できなかった多くの種類の問題が存在した。それは……

大規模言語モデル

2022 年 11 月に OpenAI が ChatGPT をリリースした際、世界を驚かせた。ChatGPT がこれほどまでに人気を集めた理由は、純粋な知能の高さではなく、汎化能力にあった。

ChatGPT は世界に対する基礎的な理解を持っていたため、ホットドッグについても不正取引についても、一つの会話の中で扱うことが可能だった。

ChatGPT、Claude、Grok、Kimi などの大規模言語モデル（LLM）の主な機能はテキスト生成だ。しかし、これらのモデルを使ったことのある人なら知っている通り、それらは思考し、推論し、最終的には意思決定を行うことができる。例として、LLM が特定の画像がホットドッグかどうかを判断するプロセスを示す。

GIF

そう、大規模言語モデルは意思決定を行うことができる。しかも、幅広い知識ドメインにわたって意思決定が可能なのだ。

LLM は聖杯となり得るのだろうか？ 今日、ソフトウェア内の意思決定に適用できる汎用的な意思決定モデルをようやく手に入れられるのだろうか？

現実的には、ノーだ。LLM はその驚くべきパワーにもかかわらず、比較的遅く、コストが高い。ソフトウェアが適用されるほとんどのアプリケーションタイプで使用するには、あまりにも遅く高価すぎる。

もし、幅広い一般的な知識ドメインにわたって意思決定を行い、しかも高速かつ低コストで実行できるモデルがあったら……

Jev の紹介：汎化する分類器

Jev は、テキスト生成ではなく意思決定用に最適化された、新しいクラスのモデルだ。

Jev は、LLM のような汎化特性を維持しつつ、分類器のように比較的速く低コストであるという特徴を持つ。主張によれば、Jev は同等の LLM と比較して速度が 20〜200 倍、コストが 40〜400 倍低い。

これは、Jev が LLM のようにトークンごとに回答を返すのではなく、単に意思決定結果のみを返すことで実現されている。

エンジニアたちがこれほど興奮しているのはそのためだ。Jev はかつて見たことのないレベルの知能を提供するわけではない。かつて見たことのないレベルの知能を、これほど高速かつ低コストで動作させる点が画期的なのだ。

Jev とチャットすることはできない。チャットボットではないからだ。Jev は入力として以下の 3 つのことを期待する。

• 答えたい質問
• その質問に対する可能な回答のセット
• 質問に答えるために必要なコンテキスト（Jev ではこれを「state」と呼ぶ）

そして Jev は、出力として以下を返す。

• 選択された回答
• その回答が正しい確率

以上だ。チャットはなく、ただの意思決定だけだ。

Jev は 3 種類の意思決定をサポートしている。

• Yes/No：Jev では「Noul」と呼ばれる。あるステートメントが真である推定確率を返す
• Choice：最大 255 個の選択肢の中から一つを選び、各選択肢が正解である確率を提供する
• Score：2 から 10 レベルのスケールで何かを評価する

これらの選択肢により、従来のアプローチと比較して、わずかな時間とコストで高度な意思決定が可能になる。それぞれの例を見てみよう。

Noul（Yes/No）

私が新しいホットドッグ屋を開業し、顧客からのフィードバックが届くたびに確認して、適切に対応したり返信したりしたいとしよう。

各レビューに対して、まず「そのレビューは食品への苦情か？」というシンプルな質問を投げかけるとする。Jev への入力は次のようになるだろう。

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}

ここで、答えたい質問（"instructions"）、Yes または No を選ぶ基準、そして Jev が正確な意思決定を行うために必要な state を定義しているのがわかるだろう。

上記の質問を Jev に渡すと、Jev は次のような出力を返す。

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

Jev は、この特定のフィードバックが食品への苦情である可能性はわずか 4% だと判断した。したがって、私たちはこのレビューを優先度の低いものとして分類し、時間があるときにフォローアップすることにするかもしれない。

Choice

Jev に依頼してフィードバックをカテゴリー分けすることで、各フィードバック項目をもう少し詳しく理解してみよう。Jev へのリクエストは次のようになる。

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}

Jev が選べる各選択肢について、いつそれを使うべきかの説明（"criteria"）を定義した。Jev は次のような結果を返す。

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 は「queue」を回答として選んだ。また、各選択肢に確率が付与されていることも確認できる。

Score

次に、Jev に私たちのホットドッグ屋での全体的な体験に対する顧客の満足度を、定義された 5 つのレベルで評価してもらおう。

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}

再び、明確な質問、可能な回答のセット、そして state を提供する。Jev は次のような結果を返す。

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 段階中 2.1。改善の余地ありだ。

Jev の魔法は、LLM よりもはるかに高速かつ低コストでこれらの意思決定を行える点にある。私たちのホットドッグ屋に残された 60 件のフィードバックを確認する場合の並列比較を示す。左側が Jev、右側が LLM（gpt-5.6 Luna）だ。

Jev の速度とコスト優位性により、ソフトウェアを用いた意思決定のハードルが低下する。

Jev の適用

ユーザーの結果を改善するために意思決定を行える箇所であれば、どこでも Jev の適用を検討してほしい。いくつか例を示す。

Yes/No は、ある事象が真か偽かを知ることで取られるアクションを変更できる場面で使用する。

• この顧客のメッセージは、サブスクリプション解約の予兆を示唆しているか？
• このサプライヤーからの更新情報は、出荷期限に間に合わない可能性を示唆しているか？
• この学生の説明は、対処すべき誤解を明らかにしているか？
• この会議の議事録には、誰も担当していないコミットメントが含まれているか？
• このプレイヤーのメッセージは、行き詰まっておりヒントが必要であることを示唆しているか？

Choice は、選択肢のセットから一つを選ぶことで次の展開を決定できる場面で使用する。

• この異例の顧客リクエストはどの専門チームが対応すべきか？
• このユーザーが達成しようとしていることに最も合致する製品チュートリアルはどれか？
• プレイヤーが発言したことに対し、ゲーム内のどのキャラクターが反応すべきか？
• 訪問者の質問に最も的確に答える博物館オーディオガイドのセグメントはどれか？
• レシピにおいて欠落した材料の役割を最もよく保持できる代替品はどれか？

Score は、ある基準に対してどれだけ当てはまるか、どれほど優れているかを判断することで、アクションの優先順位付けや調整ができる場面で使用する。

• このソフトウェアバグは、顧客の実際のワークフローに対してどれほど破壊的か？
• この旅行プランは、誰かが考える「良い休暇」のイメージにどれほど合致しているか？
• この顧客インタビューは、特定の製品仮説をどれほど支持しているか？
• このシーンの対話は、キャラクターの確立された口調からどれほど逸脱しているか？
• プレイヤーがすでに知っていることを踏まえると、このゲームヒントはどれほど暴力的（ネタバレ的）か？

Jev で構築する時が来た

Jev は、私たちがユーザー向けに構築できるソフトウェアや体験の種類において、新たな可能性の世界を開いた。

Jev が何か、そしてどのように機能するのかを理解した今、あなたが構築しているプロダクトにこれをどう適用していくつもりだろうか？