อธิบาย Jev สำหรับคนทั่วไป

ถ้าคุณเล่นอินเทอร์เน็ตในช่วงไม่กี่วันที่ผ่านมา คุณคงจะเคยเห็น Jev โมเดล AI ตัวใหม่ที่กำลังสร้างกระแสในวงการ AI อย่างหนัก Jev ไม่ใช่ LLM แบบดั้งเดิม มันถูกสร้างขึ้นเพื่อการตัดสินใจ ไม่ใช่สำหรับการเขียนข้อความ หลังจากที่ได้ศึกษา Jev อย่างลึกซึ้งในช่วงไม่กี่วันที่ผ่านมา ผมเชื่อจริงๆ ว่ากระแสที่พูดถึงนั้นเป็นเรื่องจริง และมันมีศักยภาพมหาศาลสำหรับผู้พัฒนาผลิตภัณฑ์

อย่างที่ผมเคยกล่าวไว้ สิ่งสำคัญคือทุกคนต้องเรียนรู้ว่าเทคโนโลยีเบื้องหลัง AI ทำงานอย่างไรจริงๆ แม้แต่คนที่ไม่ได้ทำงานด้านเทคนิค การเข้าใจว่าระบบ Agentic ทำงานอย่างไร จะช่วยให้คุณสามารถนำเทคโนโลยีนี้ไปประยุกต์ใช้กับผลิตภัณฑ์ของคุณได้อย่างรอบคอบ

มีคนหลายรายติดต่อมาบอกว่าพวกเขาอ่านข้อมูลเกี่ยวกับ Jev ทุกที่มีแล้ว แต่ก็ยังไม่เข้าใจว่ามันคืออะไรจริงๆ ดังนั้นบทความนี้จึงเขียนขึ้นเพื่อคนเหล่านั้น มันเป็นคู่มือแนะนำ Jev สำหรับคนทั่วไป ถ้าคุณอ่านเรื่องอื่นเกี่ยวกับ Jev แล้วกลับมีความสงสัยมากกว่าคำตอบ บทความนี้จะแตกต่างออกไป เมื่ออ่านจบ คุณจะมีความเข้าใจพื้นฐานว่า Jev คืออะไร แตกต่างจาก LLM อย่างไร และคุณจะนำไปประยุกต์ใช้กับผลิตภัณฑ์ที่คุณกำลังพัฒนาได้อย่างไร

ความสำคัญของการตัดสินใจในซอฟต์แวร์

ซอฟต์แวร์เต็มไปด้วยการตัดสินใจ ข้อความจากลูกค้านี้ต้องการความเร่งด่วนหรือไม่? การชำระเงินนี้เป็นการฉ้อโกงหรือไม่? เราควรแสดงผลหน้าเว็บเป็นภาษาอังกฤษหรือภาษาฝรั่งเศส?

ผลิตภัณฑ์หนึ่งอาจต้องทำการตัดสินใจแบบนี้หลายล้านครั้งต่อวัน

แต่ความซับซ้อนของการตัดสินใจที่คอมพิวเตอร์สามารถทำได้ยังมีข้อจำกัด คำถามข้างต้นสามารถตอบได้ด้วยกฎง่ายๆ ตัวอย่างเช่น เราอาจกำหนดว่าจะแสดงผลหน้าเว็บเป็นภาษาอังกฤษหรือภาษาฝรั่งเศสโดยดูจากการตั้งค่าภาษาของผู้ใช้ หรืออาจจะเป็น IP Address ของพวกเขา แต่ไม่ใช่ทุกคำถามจะง่ายขนาดนั้น

ยกตัวอย่างเช่น รูปภาพของฮอทดอก ไม่มีชุดกฎง่ายๆ ที่จะทำให้คอมพิวเตอร์ระบุได้ว่ารูปภาพของผมมีฮอทดอกอยู่จริงหรือไม่

ดังนั้น นักวิทยาศาสตร์คอมพิวเตอร์จึงคิดค้นวิธีใหม่เพื่อให้คอมพิวเตอร์ตัดสินใจในสิ่งที่ซับซ้อนมากขึ้น: นั่นคือ Machine Learning ปรากฏว่าด้วยการรวมอัลกอริทึมอัจฉริยะเข้ากับตัวอย่างรูปภาพที่มีฮอทดอกจำนวนมาก คอมพิวเตอร์ก็สามารถระบุรูปภาพที่มีฮอทดอกได้อย่างแม่นยำพอสมควร

GIF

โมเดลฮอทดอกของเราคือประเภทหนึ่งของโมเดลที่เรียกว่า Classifier (ตัวจำแนกประเภท) มันถูกเรียกเช่นนี้เพราะมันทำหน้าที่จำแนกสิ่งต่างๆ ปัจจุบัน Classifier ถูกใช้อย่างแพร่หลายในซอฟต์แวร์เพื่อทำการตัดสินใจที่ซับซ้อน

แต่ปัญหาของ Classifier คือมันไม่สามารถนำไปใช้ทั่วไปนอกขอบเขตข้อมูลที่มันถูกฝึกมาให้ My classifier ที่ระบุรูปฮอทดอกจะช่วยผมระบุธุรกรรมที่ฉ้อโกงไม่ได้ และเนื่องจากข้อมูลและความเชี่ยวชาญที่ต้องใช้ในการฝึก Classifier ทำให้มีหลายปัญหาที่คอมพิวเตอร์ไม่สามารถแก้ไขได้ จนกระทั่ง...

Large Language Model

เมื่อ OpenAI เปิดตัว ChatGPT ในเดือนพฤศจิกายน ปี 2022 มันก็กลายเป็นกระแสทั่วโลก เหตุผลที่มันได้รับความนิยมมากไม่ใช่เพราะความฉลาดล้ำเลิศของมัน แต่เป็นเพราะความสามารถในการนำไปใช้ทั่วไป (Generalization)

ChatGPT มีความเข้าใจพื้นฐานของโลกที่ทำให้มันสามารถสนทนาเรื่องฮอทดอกและธุรกรรมฉ้อโกงได้ในเวลาเดียวกัน

Large language models เช่น ChatGPT, Claude, Grok และ Kimi มีหน้าที่หลักคือการสร้างข้อความ แต่ใครก็ตามที่เคยใช้โมเดลเหล่านี้ย่อมรู้ว่าพวกมันสามารถคิด ให้เหตุผล และสุดท้ายก็ตัดสินใจได้ ตัวอย่างเช่น นี่คือวิธีการที่ LLM อาจตัดสินใจว่าภาพที่กำหนดให้เป็นฮอทดอกหรือไม่

GIF

ใช่ Large language models สามารถตัดสินใจได้ และสามารถตัดสินใจข้ามขอบเขตความรู้ที่หลากหลาย

LLMs จะเป็นจอกศักดิ์สิทธิ์หรือไม่? เราจะในที่สุดก็มีโมเดลตัดสินใจแบบทั่วไปสำหรับนำมาใช้กับการตัดสินใจในซอฟต์แวร์ในปัจจุบันหรือไม่?

ในทางปฏิบัติ ยังไม่完全是 LLMs แม้จะมีพลังที่น่าทึ่ง แต่ค่อนข้างช้าและมีราคาแพง ช้าและแพงเกินไปที่จะใช้ในแอปพลิเคชันส่วนใหญ่ที่ซอฟต์แวร์จะถูกนำไปใช้

หากเรามีโมเดลที่สามารถตัดสินใจข้ามขอบเขตความรู้ทั่วไปได้อย่างกว้างขวาง และทำได้อย่างรวดเร็วและราคาถูก...

แนะนำ Jev, Classifier ที่นำไปใช้ทั่วไปได้

Jev เป็นคลาสใหม่ของโมเดลที่ได้รับการปรับแต่งให้เหมาะสำหรับการตัดสินใจมากกว่าการสร้างข้อความ

Jev ยังคงคุณสมบัติในการนำไปใช้ทั่วไปเหมือน LLM แต่มีความเร็วและราคาถูกกว่าเหมือน Classifier โดยมีการอ้างว่า Jev เร็วกว่า LLM ที่เทียบกันได้ 20-200 เท่า และถูกกว่า 40-400 เท่า

สิ่งนี้เกิดขึ้นได้เพราะ Jev ไม่ส่งคำตอบออกมาทีละ Token เหมือน LLM แต่มันส่งผลลัพธ์เป็นการตัดสินใจโดยตรง

นี่คือเหตุผลที่วิศวกรตื่นเต้นกับมันมาก ไม่ใช่เพราะ Jev เป็นระดับความฉลาดใหม่ที่ไม่มีใครเคยเห็นมาก่อน แต่เป็นเพราะมันเป็นระดับความฉลาดที่ไม่เคยมีมาก่อนซึ่งทำงานได้เร็วและราคาถูกขนาดนี้

คุณไม่สามารถแชทกับ Jev ได้ มันไม่ใช่ Chatbot Jev ต้องการอินพุต 3 อย่าง:

• คำถามที่คุณต้องการคำตอบ
• ชุดของคำตอบที่เป็นไปได้สำหรับคำถามนั้น
• บริบทที่จำเป็นสำหรับการตอบคำถาม (Jev เรียกสิ่งนี้ว่า "state")

และ Jev จะให้เอาต์พุตดังนี้:

• คำตอบที่มันเลือก
• ความน่าจะเป็นที่คำตอบนั้นถูกต้อง

แค่นั้นเอง ไม่มีการแชท มีเพียงการตัดสินใจ

Jev รองรับประเภทการตัดสินใจ 3 แบบ:

• Yes/no, สิ่งที่ Jev เรียกว่า “Noul”: ส่งกลับความน่าจะเป็นโดยประมาณที่ประโยคหนึ่งจะเป็นจริง
• Choice: เลือกจากตัวเลือกแบบปรนัยสูงสุด 255 ตัวเลือก และให้ความน่าจะเป็นที่แต่ละตัวเลือกจะถูกต้อง
• Score: ให้คะแนนสิ่งใดสิ่งหนึ่งตามสเกลตั้งแต่ 2 ถึง 10 ระดับ

ทางเลือกเหล่านี้ทำให้การตัดสินใจขั้นสูงเกิดขึ้นได้ในเวลาและต้นทุนเพียงเศษเสี้ยวของวิธีการก่อนหน้า มาดูตัวอย่างของแต่ละแบบกัน

The noul (yes/no)

สมมติว่าผมเปิดร้านฮอทดอกแห่งใหม่ และต้องการตรวจสอบความคิดเห็นของลูกค้าทันทีที่ได้รับ เพื่อจะได้ตอบสนองหรือดำเนินการต่อไปได้อย่างเหมาะสม

สำหรับรีวิวแต่ละชิ้น ก่อนอื่นให้เราถามคำถามง่ายๆ ว่ารีวิวนั้นเป็นการร้องเรียนเกี่ยวกับอาหารหรือไม่ อินพุตสำหรับ Jev อาจมีลักษณะดังนี้

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}

คุณจะเห็นว่าเราได้นิยามคำถามที่เราต้องการตอบ ("instructions"), เกณฑ์สำหรับการเลือก Yes หรือ No, และ State ที่จำเป็นสำหรับ Jev ในการตัดสินใจอย่างแม่นยำ

ดังนั้น เราจึงส่งคำถามข้างต้นไปยัง Jev จากนั้น Jev จะส่งผลลัพธ์ดังนี้

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

Jev ประเมินว่าฟีดแบ็กนี้มีโอกาสเพียง 4% ที่จะเป็นการร้องเรียนเกี่ยวกับอาหาร ดังนั้นเราอาจจัดลำดับความสำคัญของรีวิวนี้อยู่ในระดับต่ำและติดตามผลเมื่อมีเวลา

Choice

มาทำความเข้าใจฟีดแบ็กแต่ละรายการให้ลึกซึ้งยิ่งขึ้นโดยขอให้ Jev จัดหมวดหมู่ฟีดแบ็ก นี่คือสิ่งที่คำขอไปยัง Jev อาจมีลักษณะดังนี้

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}

เราได้กำหนดแต่ละตัวเลือกที่ Jev สามารถเลือกได้พร้อมคำอธิบายว่าเมื่อไหร่ควรใช้แต่ละตัวเลือก ("criteria") Jev ส่งผลลัพธ์กลับมาดังนี้

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}

โอเค Jev เลือก “queue” เป็นคำตอบ นอกจากนี้คุณยังเห็นว่ามันแนบความน่าจะเป็นไปกับแต่ละตัวเลือกด้วย

Score

ตอนนี้ให้ Jev ประเมินความพึงพอใจของลูกค้าต่อประสบการณ์โดยรวมที่ร้านฮอทดอกของเราตามระดับที่กำหนด 5 ระดับ

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}

อีกครั้ง เราให้คำถามที่ชัดเจน ชุดคำตอบที่เป็นไปได้ และ State Jev ส่งผลลัพธ์กลับมาดังนี้

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 จาก 4 ยังมีพื้นที่ให้ปรับปรุง

เวทมนตร์ของ Jev คือมันสามารถตัดสินใจเหล่านี้ได้เร็วกว่าและถูกกว่า LLM มาก นี่คือการเปรียบเทียบแบบเคียงข้างกันของการตรวจสอบฟีดแบ็ก 60 รายการที่ทิ้งไว้สำหรับร้านฮอทดอกของเรา ด้านซ้ายคือ Jev ด้านขวาคือ LLM (gpt-5.6 Luna)

ความเร็วและข้อได้เปรียบด้านต้นทุนของ Jev ลดอุปสรรคในการตัดสินใจโดยใช้ซอฟต์แวร์

การนำ Jev ไปประยุกต์ใช้

ไม่ว่าจุดไหนในผลิตภัณฑ์ของคุณที่มีการตัดสินใจเพื่อปรับปรุงผลลัพธ์ให้กับผู้ใช้ พิจารณาการใช้ Jev นี่คือตัวอย่างบางประการ

ใช้ Yes/No ในทุกสถานการณ์ที่การรู้ว่าเป็นจริงหรือเท็จช่วยให้คุณเปลี่ยนการกระทำที่ดำเนินการได้

• ข้อความจากลูกค้าคนนี้บ่งชี้ว่าพวกเขากำลังจะยกเลิกการสมัครสมาชิกหรือไม่?
• การอัปเดตจากผู้ส่งสินค้ารายนี้บ่งชี้ว่าการจัดส่งจะพลาดกำหนดส่งหรือไม่?
• คำอธิบายของนักเรียนคนนี้เผยให้เห็นความเข้าใจผิดที่ควรแก้ไขหรือไม่?
• บันทึกการประชุมนี้มีการสัญญาที่ไม่มีผู้รับผิดชอบหรือไม่?
• ข้อความของผู้เล่นเกมนี้บ่งชี้ว่าพวกเขากำลังติดขัดและต้องการคำแนะนำหรือไม่?

ใช้ Choice ในทุกสถานการณ์ที่การเลือกจากชุดตัวเลือกช่วยให้คุณตัดสินใจได้ว่าอะไรจะเกิดขึ้นต่อไป

• ทีมผู้เชี่ยวชาญฝ่ายใดควรจัดการกับคำขอพิเศษจากลูกค้านี้?
• บทสอนผลิตภัณฑ์ใดตรงกับสิ่งที่ผู้ใช้คนนี้พยายามทำให้สำเร็จมากที่สุด?
• ตัวละครในเกมใดควรตอบสนองต่อสิ่งที่ผู้เล่นเพิ่งพูด?
• ส่วนใดของเสียงนำชมพิพิธภัณฑ์ที่ตอบคำถามของผู้เข้าชมได้ดีที่สุด?
• ส่วนผสมทดแทนที่มีอยู่ใดรักษาบทบาทของส่วนผสมที่ขาดไปในสูตรอาหารได้ดีที่สุด?

ใช้ Score ในทุกสถานการณ์ที่การประเมินว่ามากน้อยเพียงใด ดีแค่ไหน หรือตรงตามเกณฑ์มากน้อยเพียงใด ช่วยให้คุณจัดลำดับความสำคัญหรือปรับการกระทำได้

• บั๊กซอฟต์แวร์นี้รบกวนเวิร์กโฟลว์จริงของลูกค้ามากเพียงใด?
• แผนการเดินทางนี้ตรงกับแนวคิดวันหยุดที่ดีของใครบางคนมากน้อยเพียงใด?
• การสัมภาษณ์ลูกค้าสนับสนุนสมมติฐานผลิตภัณฑ์เฉพาะเจาะจงมากเพียงใด?
• บทสนทนาในฉากนี้เบี่ยงเบนจากน้ำเสียงตัวละครที่ตั้งไว้ไกลแค่ไหน?
• คำใบ้ในเกมนี้เปิดเผยข้อมูลมากน้อยเพียงใดเมื่อเทียบกับสิ่งที่ผู้เล่นรู้อยู่แล้ว?

ถึงเวลาสร้างด้วย Jev

Jev ได้เปิดโลกความเป็นไปได้ใหม่ๆ ในประเภทของซอฟต์แวร์และประสบการณ์ที่เราสามารถสร้างให้กับผู้ใช้

ตอนนี้คุณรู้แล้วว่า Jev คืออะไรและทำงานอย่างไร คุณจะนำสิ่งนี้ไปประยุกต์ใช้กับผลิตภัณฑ์ที่คุณกำลังพัฒนาอย่างไร