Jev Explicado para Leigos

Se você anda pela internet nos últimos dias, provavelmente já ouviu falar do Jev, um novo modelo de IA que está agitando a comunidade. O Jev não é um LLM tradicional. Ele foi criado para tomar decisões, não para escrever textos. Depois de mergulhar fundo no Jev nos últimos dias, acredito genuinamente que o hype é real e há um enorme potencial aqui para criadores de produtos.

Como eu já disse anteriormente, é fundamental que todos entendam como a tecnologia por trás da IA realmente funciona, mesmo aqueles em cargos não técnicos. Compreender como um sistema agêntico funciona permite aplicar essa tecnologia com sabedoria aos seus próprios produtos.

Recebi mensagens de várias pessoas explicando que leram tudo o que existe sobre o Jev e ainda assim não entendem o que ele realmente é. Então, este artigo é para elas. É um guia sobre o Jev para quem não é especialista. Se tudo o que você leu sobre o Jev deixou mais dúvidas do que respostas, este artigo será diferente. Ao final, você terá uma compreensão básica do que é o Jev, como ele difere de um LLM e como aplicá-lo aos produtos que você constrói.

A importância das decisões no software

O software é cheio de decisões. Esta mensagem do cliente requer atenção urgente? Este pagamento é fraudulento? Devemos renderizar a página em inglês ou francês?

Um produto pode precisar tomar decisões como essas milhões de vezes por dia.

Mas a complexidade das decisões que os computadores conseguem tomar é limitada. As perguntas acima podem ser respondidas com algumas regras simples. Por exemplo, poderíamos determinar se devemos renderizar a página em inglês ou francês com base na configuração de idioma do usuário ou talvez no seu endereço IP. Mas nem todas as perguntas são tão simples.

Pense, por exemplo, em uma foto de um cachorro-quente. Nenhum conjunto de regras simples permitirá que um computador identifique se minha foto contém, de fato, um cachorro-quente.

Então, cientistas da computação desenvolveram um novo método para que os computadores tomassem decisões mais complexas: machine learning (aprendizado de máquina). Descobriu-se que, combinando alguns algoritmos inteligentes com muitos exemplos de fotos contendo cachorros-quentes, um computador pode, de fato, tornar-se bastante proficiente em identificar fotos com cachorros-quentes.

GIF

Nosso modelo de cachorro-quente é um tipo de modelo chamado classificador. Ele é chamado assim porque classifica coisas. Classificadores são amplamente utilizados em software hoje para tomar decisões complexas.

Mas o problema com classificadores é que eles não generalizam fora do domínio em que foram treinados. Meu classificador que consegue identificar fotos de cachorros-quentes não será capaz de me ajudar a identificar transações fraudulentas. E devido aos dados e à especialização necessários para treinar um classificador, havia muitos tipos de problemas que os computadores não conseguiam resolver. Isso até...

O grande modelo de linguagem

Quando a OpenAI lançou o ChatGPT em novembro de 2022, ele conquistou o mundo. A razão pela qual se tornou tão popular não foi sua inteligência bruta, mas sim sua capacidade de generalizar.

O ChatGPT tinha uma compreensão fundamental do mundo que significava que podia ter uma conversa sobre cachorros-quentes e transações fraudulentas, tudo em um só lugar.

Grandes modelos de linguagem como ChatGPT, Claude, Grok e Kimi têm a função primária de gerar texto. Mas qualquer pessoa que usou esses modelos sabe que eles podem pensar, raciocinar e, em última análise, tomar decisões. Como exemplo, veja como um LLM poderia tomar uma decisão sobre se uma determinada imagem é um cachorro-quente ou não.

GIF

Sim, grandes modelos de linguagem são capazes de tomar decisões. E podem tomar decisões em uma ampla gama de domínios de conhecimento.

Os LLMs poderiam ser o Santo Graal? Poderíamos finalmente ter um modelo geral de tomada de decisão para aplicar às decisões em software hoje?

Bem, não na prática. Os LLMs, apesar de todo o seu incrível poder, são relativamente lentos e caros. Muito lentos e caros para serem usados na maioria dos tipos de aplicações onde o software seria aplicado.

Se ao menos tivéssemos um modelo que pudesse tomar decisões em uma ampla gama de domínios de conhecimento geral e fizesse isso rápido e barato...

Apresentando o Jev, um classificador que generaliza

O Jev é uma nova classe de modelo otimizada para tomar decisões, em vez de gerar texto.

O Jev mantém a propriedade de generalizar como um LLM, sendo relativamente rápido e barato como um classificador. As afirmações são que o Jev é 20-200x mais rápido e 40-400x mais barato do que LLMs comparáveis.

Isso é alcançado porque o Jev não retorna uma resposta token por token como um LLM; ele simplesmente retorna uma decisão.

E é por isso que os engenheiros estão tão empolgados com ele. Não é que o Jev seja um novo nível de inteligência nunca visto antes; é que é um nível de inteligência nunca visto antes operando tão rápido e tão barato.

Você não pode conversar com o Jev. Ele não é um chatbot. O Jev espera três coisas como entrada:

• A pergunta que você quer responder
• O conjunto de possíveis respostas para essa pergunta
• O contexto necessário para responder à pergunta (o Jev chama isso de "state")

E então o Jev lhe dará a seguinte saída:

• A resposta que ele selecionou
• A probabilidade de que a resposta esteja correta

É isso. Sem conversas, apenas uma decisão.

O Jev suporta três tipos de decisões:

• Sim/não, o que o Jev chama de “Noul”: retorna a probabilidade estimada de que uma afirmação seja verdadeira
• Escolha: seleciona entre até 255 opções de múltipla escolha e fornece probabilidades de que cada uma esteja correta
• Pontuação: avalia algo contra uma escala de 2 a 10 níveis

Essas escolhas permitem tomadas de decisão avançadas em uma fração do tempo e custo das abordagens anteriores. Vamos dar uma olhada em um exemplo de cada.

O noul (sim/não)

Digamos que eu abri um novo quiosque de cachorro-quente e quero analisar o feedback dos clientes conforme ele chega, para que eu possa reagir ou responder adequadamente.

Para cada avaliação, vamos primeiro fazer a simples pergunta de saber se a avaliação é uma reclamação sobre a comida. A entrada para o Jev pode parecer algo assim.

1{
2  "model": "jev-latest",
3  "state": "Esperei vinte minutos, mas o cachorro-quente valeu a pena. Voltaria se a fila fosse menor.",
4  "questions": {
5    "food_complaint": {
6      "type": "noul",
7      "instructions": "Esta avaliação expressa insatisfação com a comida em si?",
8      "criteria": {
9        "true": "Reclama do sabor, temperatura ou qualidade da comida.",
10        "false": "Não reclama da comida. Reclamações apenas sobre filas ou serviço não contam."
11      }
12    }
13  }
14}

Você pode ver que definimos a pergunta que queremos responder (as "instructions"), os critérios para quando escolher sim ou não, e o estado necessário para o Jev tomar uma decisão precisa.

Então damos a pergunta acima ao Jev. O Jev então produz a seguinte saída.

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

O Jev determina que este feedback específico tem apenas 4% de chance de estar reclamando da comida. Então podemos classificar esta avaliação como de prioridade mais baixa e segui-la quando tivermos tempo.

Escolha

Vamos entender cada item de feedback um pouco mais pedindo ao Jev para colocar o feedback em uma categoria. Veja como nossa solicitação ao Jev pode parecer.

1{
2  "model": "jev-latest",
3  "state": "Esperei vinte minutos, mas o cachorro-quente valeu a pena. Voltaria se a fila fosse menor.",
4  "questions": {
5    "main_topic": {
6      "type": "choice",
7      "instructions": "Qual é o tópico principal desta avaliação? Selecione a opção que melhor captura seu foco principal.",
8      "criteria": {
9        "queue": "O comprimento da fila ou tempo de espera é o foco principal.",
10        "food": "O sabor, temperatura ou qualidade da comida é o foco principal.",
11        "service": "A amigabilidade, prestatividade ou como lidaram com o pedido é o foco principal. Comentários apenas sobre tempo de espera pertencem a 'fila'.",
12        "other": "O foco principal é algo diferente de comida, tempo de espera ou serviço da equipe."
13      }
14    }
15  }
16}

Definimos cada escolha que o Jev pode fazer com uma descrição de quando usar cada uma (os "criteria"). O Jev retorna o seguinte.

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, o Jev escolheu “queue” (fila) como a resposta. Você também pode ver que ele anexa probabilidades a cada uma das escolhas.

Pontuação

Agora vamos pedir ao Jev para avaliar o quão satisfeito o cliente está com a experiência geral em nosso quiosque de cachorro-quente através de cinco níveis definidos.

1{
2  "model": "jev-latest",
3  "state": "Esperei vinte minutos, mas o cachorro-quente valeu a pena. Voltaria se a fila fosse menor.",
4  "questions": {
5    "overall_satisfaction": {
6      "type": "score",
7      "instructions": "Quão satisfeito este cliente está com sua experiência geral? Considere comentários positivos e negativos.",
8      "criteria": [
9        "Muito insatisfeito: fortemente negativo sobre a experiência geral.",
10        "Insatisfeito: principalmente negativo, apesar de quaisquer pontos positivos.",
11        "Misto: pontos positivos e negativos significativos, sem nenhum dominar claramente.",
12        "Satisfeito: principalmente positivo, apesar de algumas reclamações.",
13        "Muito satisfeito: fortemente positivo, sem reclamações significativas."
14      ]
15    }
16  }
17}

Novamente, fornecemos uma pergunta clara, conjunto de possíveis respostas e estado. O Jev retorna o seguinte.

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 de 4, há espaço para melhoria.

A mágica do Jev é que ele é capaz de tomar essas decisões muito mais rápido e barato do que um LLM. Aqui está uma comparação lado a lado de revisar 60 itens de feedback deixados para nosso quiosque de cachorro-quente. À esquerda está o Jev, à direita está um LLM (gpt-5.6 Luna).

A vantagem de velocidade e custo do Jev reduz a barreira para tomar decisões com software.

Aplicando o Jev

Em qualquer lugar do seu produto onde uma decisão possa ser tomada para melhorar um resultado para um usuário, considere aplicar o Jev. Aqui estão alguns exemplos.

Use Sim/Não em qualquer lugar onde saber se algo é verdadeiro ou falso permite mudar a ação tomada.

• A mensagem deste cliente sugere que ele está prestes a cancelar sua assinatura?
• Esta atualização do fornecedor sugere que um envio perderá o prazo?
• A explicação deste aluno revela um equívoco digno de atenção?
• Esta transcrição de reunião contém um compromisso que ninguém foi designado para assumir?
• A mensagem deste jogador sugere que ele está preso e poderia usar uma dica?

Use Escolha em qualquer lugar onde selecionar de um conjunto de opções permite decidir o que acontece em seguida.

• Qual equipe especializada deve lidar com esta solicitação incomum do cliente?
• Qual tutorial de produto corresponde melhor ao que este usuário está tentando realizar?
• Qual personagem em um jogo deve responder ao que o jogador acabou de dizer?
• Qual segmento de audioguia de museu responde melhor à pergunta de um visitante?
• Qual substituto disponível preserva melhor o papel de um ingrediente faltante em uma receita?

Use Pontuação em qualquer lugar onde julgar quanto, quão bem ou quão perto algo atende a um critério permite priorizar ou ajustar uma ação.

• Quão disruptivo é este bug de software para o fluxo de trabalho real do cliente?
• Quão perto este itinerário de viagem corresponde à ideia de alguém sobre um bom feriado?
• Quanto esta entrevista com o cliente apoia uma hipótese particular de produto?
• Quão longe o diálogo desta cena desvia da voz estabelecida do personagem?
• Quão reveladora seria esta dica do jogo, dado o que o jogador já sabe?

Hora de construir com o Jev

O Jev abriu um mundo de novas possibilidades nos tipos de software e experiências que podemos construir para os usuários.

Agora que você sabe o que é o Jev e como ele funciona, como você vai aplicar isso aos produtos que está construindo?