Какие задачи решает Jev: карта сценариев

Короткий ответ

Jev принимает решения, которые эксперт принял бы за секунду, если дать ему нужный контекст. На входе — текст или JSON (state), на выходе — типизированный ответ с вероятностями: вариант из списка, позиция на шкале или вероятность «да». TypeSafe называет это быстрым суждением: «Передаёт ли сообщение срочность?» — хороший вопрос для Jev, «Проанализируй сообщение и реши, что делать» — нет.

Отсюда простой признак: если задачу можно сформулировать как вопрос с конечным набором ответов, её можно отдать Jev. Как устроены такие вопросы, мы разобрали в статье о примитивах Jev.

Десять типов решений

TypeSafe группирует задачи по форме решения. Для каждой формы есть естественный примитив:

Тип решения	Когда нужен	Примеры	Чем решать
Классификация	Должна победить одна известная категория	намерение, тема, отдел, тип риска	Choice
Детекция	Нужна вероятность, что свойство есть	спам, мошенничество, срочность, джейлбрейк	Noul
Оценка	Ответ ложится на упорядоченную шкалу	серьёзность, релевантность, качество	Score
Маршрутизация	Категория выбирает следующий путь в коде	очередь поддержки, выбор инструмента или модели	Choice и код
Поиск	Найти элементы по запросу на естественном языке	семантический поиск, отбор кандидатов	Noul или Choice по кандидатам
Подбор контекста	Отобрать нужные записи для следующего шага	контекст для RAG, доказательства	Noul на релевантность
Ранжирование	Упорядочить элементы по смыслу или качеству	выдача поиска, рекомендации	сортировка по вероятностям
Проверка	Найти конкретные виды ошибок	цитаты, нарушения правил, ошибки вызова инструментов	набор Noul
Признаки для ML	Классической модели нужны смысловые сигналы	намерение купить, риск оттока	вероятности как признаки
Извлечение данных	Достать известные поля из неструктурированного текста	атрибуты товара, поля заказа	Choice по кандидатам

Столбец «Чем решать» — наша сводка по документации и кукбукам TypeSafe. Пример эффекта из кукбука Re-ranking: Jev переранжировала короткие списки из 30 фрагментов, найденных классическим поиском BM25, по 40 юридическим запросам. Верный фрагмент оказался на первом месте в 18% случаев вместо 5%, в первой десятке — в 62% вместо 38%.

Пять больших направлений

В карте сценариев TypeSafe выделяет пять больших категорий применения:

1. Автоматизация без человека в контуре. Код управляет процессом, Jev принимает смысловые решения. По замыслу TypeSafe, такую связку можно запускать миллион раз в фоне без «второго пилота».
2. Реальное время. TypeSafe говорит о скорости порядка 150 мс и считает, что этого хватает, чтобы встроить модель в интерфейс или игру. Демо TypeSafe — бот для Doom, который принимает около 10 решений в секунду.
3. ИИ-map-reduce по большим данным. Компания называет Jev «в 100 раз дешевле», и на этом строится сценарий обработки целых корпусов: поиск нужного, классификация логов агентов, извлечение признаков для прогнозов.
4. Проверка работы других моделей. Jev проверяет промпты, извлечённые данные, цепочки рассуждений и вызовы инструментов других ИИ: ищет джейлбрейки, ошибки в цитатах, галлюцинации — за долю цены самого вызова LLM.
5. Обвязка LLM (harness engineering). Маршрутизация между моделями, подбор контекста, защитные проверки, классификация трасс рассуждений. Как собрать из этого экономичную связку, рассказано в статье о каскаде Jev → LLM.

Карта по отраслям

Отрасль	Какие решения отдают Jev
Поддержка клиентов	тема и намерение обращения, срочность, раздражение, риск ухода, просьба о возврате, проверка ответов поддержки на соответствие правилам и запросу клиента
Рекрутинг	соответствие резюме требованиям, оценка компетенций, подбор роли, передача спорных случаев человеку
Продажи	соответствие профилю идеального клиента, зрелость компании, намерение купить, приоритет лидов
Страхование	классификация заявлений об убытке, сложность, нехватка данных, признаки мошенничества
Финансовый мониторинг	подозрительные признаки в описаниях транзакций и KYC-документах, сопоставление сущностей, приоритет алертов
Право и комплаенс	классификация договоров, пропущенные пункты, запрещённые заявления
Маркетплейсы	нормализация категорий, атрибуты товара, запрещённые товары и контрафакт
Модерация	токсичность, спам, мошенничество, персональные данные; решение «пропустить, предупредить, проверить или заблокировать»
Реклама	безопасность бренда, соответствие требованиям, связь объявления с посадочной страницей
Игры	модерация чата, жалобы игроков, сигналы оттока
Наука	отбор статей для систематических обзоров, разметка интервью, проверка цитат
Прогноз спроса	намерение купить и интерес к товарам из заявок и отзывов как признаки для модели прогноза
Разработка	семантические линтеры кода и текстов в CI, маршрутизация моделей, защита LLM

Реальные проекты, которые уже собрали на Jev, — в статье о применении Jev.

Где Jev не поможет

TypeSafe открыто перечисляет слабые места jev-1.13. Эти части задачи оставьте коду или LLM:

• Генерация. Текст, код, ответы клиенту — работа LLM.
• Счёт и арифметика. Модель не считает надёжно. Считайте в коде, а Jev задавайте вопрос про каждый элемент.
• Даты. Сравнение дат и интервалов ненадёжно. Извлекайте части даты через Choice, а сравнивайте в коде.
• Многоходовые рассуждения. Вопросы «о свойстве свойства» и двойные отрицания снижают точность.
• Лишний контекст. Точность падает, когда state раздут деталями, которые не относятся к решению.
• Враждебный ввод. State для модели — просто данные, и специально составленный текст может сдвинуть ответ.

Ещё два ограничения касаются входа. Jev пока принимает только текст — без изображений, аудио и видео. А основной язык обучения — английский: на русском модель работает, но точность стоит проверить на своих данных. Подробный разбор — в статье об ограничениях Jev.

Как найти задачу для Jev в своём продукте

Пройдитесь по процессам и ищите решения, где совпадают четыре признака:

1. Решение повторяется часто — сотни и тысячи раз в день.
2. Вход — текст или JSON.
3. Ответ выбирается из известного набора вариантов или шкалы.
4. Ошибку можно поймать: по уверенности модели, силами человека на подстраховке или дешёвой проверкой в коде.

Чаще всего такие решения сейчас принимает человек, хрупкий набор регулярных выражений или вызов LLM, который возвращает метку. Для поиска кандидатов TypeSafe предлагает готовый промпт для ИИ-ассистента с установленным agent skill: найти в проекте места, где разумное суждение может заменить сложный парсинг и другой хрупкий код.

Когда кандидат найден, переходите к проектированию: как разложить решение на вопросы и собрать ответы в коде, мы разобрали в статье о проектировании систем на Jev.