TalkOnPointJev כאן. איך להשתמש בזה
סקירה כללית Ryan Vogel מציג את Jev כמודל החלטה מהיר וזול של בינה מלאכותית, ולא כמודל שיחתי גדול (LLM) קונבנציונלי. הטענה המרכזית היא ש-Jev מועיל במיוחד כשנדרש לסווג, לתמנן או לנתב במהירות מידע מובנה לתוך סט תוצאות מוגדר מראש. הראיון טוען שזה יוצר הזדמנויות במיון דוא״ל, הכשרת לידים, שירות לקוחות, אוטומציה של תהליכי עבודה, שליטה בדפדפן ועסקים אחרים המבוססים על תורי כניסה גדולים.
הנקודות המרכזיות
Jev מוצג כמודל החלטה מיוחד של בינה מלאכותית, לא כ-LLM שיחתי קונבנציונלי. המפתחים מספקים קלט וסכמת פלט מוגדרת מראש, ו-Jev מחזיר קטגוריות
הצעת הערך המרכזית שלו היא מהירות, עלות נמוכה ואינטגרציה ישירה עם זרימות עבודה תוכנתיות. Ryan Vogel ו-Greg Isenberg מדווח שסיווג של 1,700 אימיילים עלה 18 סנט, תוך עיבוד של 4
היישומים הפרקטיים החזקים ביותר הם זרימות עבודה בנפח גבוה שכוללות שיפוט חוזר: מיון דוא״ל, הכשרת לידים, ניתוב תמיכה, התאמת שירותים, בחירת תוכן והסלמה. Jev יכול לשמש כ"שוטר תנועה" של AI
נקודות מרכזיות
בחרו נושא ממוספר, עברו לקודם או לבא, או נגנו את הרגע המדויק בווידאו המקור.
Jev מוצג כמודל החלטה מיוחד של בינה מלאכותית, לא כ-LLM שיחתי קונבנציונלי. המפתחים מספקים קלט וסכמת פלט מוגדרת מראש, ו-Jev מחזיר קטגוריות, בחירות או ציוני הסתברות בצורת מבנה מובנה במקום טקסט מסביר.
הצעת הערך המרכזית שלו היא מהירות, עלות נמוכה ואינטגרציה ישירה עם זרימות עבודה תוכנתיות. Ryan Vogel ו-Greg Isenberg מדווח שסיווג של 1,700 אימיילים עלה 18 סנט, תוך עיבוד של 4.2 מיליון טוקני קלט ו-500,000 טוקני פלט; Jev מתואר גם ככזו שלוקחת כ-200 מילישניות לשאילתה.
היישומים הפרקטיים החזקים ביותר הם זרימות עבודה בנפח גבוה שכוללות שיפוט חוזר: מיון דוא״ל, הכשרת לידים, ניתוב תמיכה, התאמת שירותים, בחירת תוכן והסלמה. Jev יכול לשמש כ"שוטר תנועה" של AI, ולנתב מידע לאוטומציה, למערכת AI אחרת, לאדם או לשום פעולה.
ניקודי ביטחון מאפשרים אוטומציה מדורגת. מקרים בעלי ביטחון גבוה יכולים להיות מטופלים באופן אוטומטי, מקרים בעלי ביטחון בינוני יכולים להישלח כטיוטה או לבדיקה, ומקרים בעלי ביטחון נמוך יכולים להיעצר או להיות מוסבים. זה הופך את Jev לשכבת ייעוץ וניתוב יותר מאשר להחלפה מוחלטת של השיפוט האנושי.
הדגמות מציעות פוטנציאל עבודה רחב: לפי הדיווח Jev זיהה 17 קטעי וידאו מבטיחים בכ-3 שניות וסייע לשלוט בדפדפן כדי לבחור טיסת ציריך–לונדון ב-7.1 שניות. דוגמאות אלה ממחישות מהירות, אך הן הדגמות ולא הערכות ביצועים עצמאיות.
הראיון מראה גם מגבלות חשובות. ניסוי קנייה/החזקה/מכירה של ביטקוין התפקד גרוע, וRyan Vogel ו-Greg Isenberg מזהיר מפני שימוש ב-Jev לחיזוי פיננסי או למשימות אחרות שדורשות יכולת חשיבה כללית ומתקדמת.
הלקח המעשי הוא לזהות זרימת עבודה חוזרת עם תור גדול של מידע נכנס, להגדיר קטגוריות או ספים ברורים, לבדוק את המודל על נתונים היסטוריים ולהתחיל במקרה צר והפיך. דיוק, כיול, פרטיות, אמינות, תמחור פרודקשן והתאוששות משגיאות נותרות שאלות פתוחות כי הראיון מספק הדגמות ולא אימות שיטתי.
סיכום מובנה
הסיכום הציבורי המלא נשאר גלוי למנועי חיפוש ומקושר למקור.
סקירה
סקירה כללית Ryan Vogel מציג את Jev כמודל החלטה מהיר וזול של בינה מלאכותית, ולא כמודל שיחתי גדול (LLM) קונבנציונלי. הטענה המרכזית היא ש-Jev מועיל במיוחד כשנדרש לסווג, לתמנן או לנתב במהירות מידע מובנה לתוך סט תוצאות מוגדר מראש. הראיון טוען שזה יוצר הזדמנויות במיון דוא״ל, הכשרת לידים, שירות לקוחות, אוטומציה של תהליכי עבודה, שליטה בדפדפן ועסקים אחרים המבוססים על תורי כניסה גדולים.
הדוגמאות הן הדגמות וטענות מRyan Vogel ו-Greg Isenberg; הטרנסקריפט לא מאמת באופן עצמאי את ביצועי Jev או את מחירי השימוש. טיעון עיקרי ההיגיון עוקב אחרי שרשרת פשוטה: להגדיר קלט, להגדיר סכמת פלט, לגרום ל-Jev להקצות קטגוריות או הסתברויות, ולהשתמש בתוצאות כדי להפעיל את שלב העבודה הבא. בשונה מ-LLM טיפוסי, Jev מתואר כחוזר החלטות מבניות—כגון "spam: 0.90" או "priority: urgent"—ולא כמי שמייצר תשובה מסבירה בטקסט חופשי.
Ryan Vogel ו-Greg Isenberg מניחים שתרבויות עסקים רבות מאטות על ידי שיפוט אנושי חוזר ולא על ידי חשיבה קשה באמת. אם מודל יכול לבצע החלטות אלה בכ-200 מילישניות בעלות נמוכה מאוד, הוא יכול לשמש כ"שוטר תנועה" שמנתב מידע אל אדם, מערכת AI אחרת, פעולה אוטומטית או לאף אחת מהאפשרויות. - רגע מקורי רלוונטי: [00:09:15]–[00:13:40], שם Ryan Vogel ו-Greg Isenberg מבחינים בין סיווג מבני של Jev לבין יצירת טקסט שיחתי.
ראיות ודוגמאות ההדגמה החזקה ביותר היא מבחן סיווג דוא״ל שכלל כ-1,700 הודעות. לפי הדיווח, Jev סווג כל הודעה, הקצה ניקוד עדיפות וניקוד ספאם והעריך האם יש צורך בתשובה; העלות המדווחת הייתה 18 סנט עבור 4.2 מיליון טוקני קלט ו-500,000 טוקני פלט. הראיון גם טוען שהתהליך הושלם במהירות רבה מזו שRyan Vogel ו-Greg Isenberg ציפה (כ-עשר שעות בשיטה איטית יותר).
דוגמאות נוספות כוללות: - הכשרת לידים: סוכנות לעיצוב גרפי משתמשת ב-Jev כדי לדרג האם פניות מאתר הן לידים מבטיחים או דואר זבל/פנייה מסחרית.
סיכום 2
- ניתוב תמיכה: בעיות לקוחות נכנסות מסווגות ונשלחות לצוות המוצר או התמיכה הרלוונטי. - התאמת שירותים: שוק שירותים מקומי יכול להתאים בקשה, כמו שטיפה בלחץ גבוה, עם ספק קרוב מתאים. - חיתוך תוכן: תמליל של וידאו יכול להיות מדורג לרגעים מעניינים; לפי הדיווח זוהו 17 קטעים פוטנציאליים בכשלוש שניות.
- אוטומציית דפדפן: הדגמה אף השתמשה ב-Jev כדי לשלוט בדפדפן ולבחור טיסה מציריך ללונדון ב-7.1 שניות. - מגבלות בתחזיות פיננסיות: ניסוי קנייה/החזקה/מכירה של ביטקוין התפקד גרוע, והשומע משתמש בכך כהזהרה שלא לנהוג ב-Jev כמודל חיזוי כולל. - רגעים מקוריים רלוונטיים: [00:06:48]–[00:07:08] (הדגמת עלות דוא״ל); [00:22:58]–[00:25:17] (דוגמאות ביטקוין וחיתוך וידאו); [00:25:34]–[00:26:19] (הדגמת שליטה בדפדפן).
תובנות מובחנות השינוי הקונספטואלי המועיל ביותר הוא להפסיק לשאול "מה ה-AI יכול לומר?" ולשאול במקום זאת "איזו החלטה חייבת להתקבל בנקודה זו בזרימת העבודה?" זה מחדש את אימוץ ה-AI סביב צווארי בקבוק תפעוליים: סיווג, תעדוף, ניתוב, התאמה והסלמה. תובנה שנייה היא שניקודי ביטחון (confidence) יכולים לתמוך באוטומציה מדורגת. מקרים בעלי ביטחון גבוה עשויים להיות מטופלים אוטומטית, מקרים בעלי ביטחון בינוני עשויים להישלח כטיוטה או לביקורת, ומקרים בעלי ביטחון נמוך עשויים להתעלם מהם או לשלוח לבדיקת אדם.
זה מוצג כמערכת ייעוץ, לא כהחלפה מוחלטת של השיפוט האנושי בכל אינטראקציה. Ryan Vogel ו-Greg Isenberg גם מדגישים ש-Jev לא יוצר את הקטגוריות בעצמו. המפתח מספק את הפלטים האפשריים, מה שמקל על השימוש בתוצאה ישירות בתוכנה ומפחית את הצורך בניתוח טקסט חופשי.
תחזיות ותנאים הראיון חוזה שמערכות בסגנון Jev יפתחו שפע רעיונות לעסקים קטנים וסטארטאפים כי העלות והמהירות הנמוכות מורידות את החסם לניסוי.
סיכום 3
ההזדמנויות הסבירות בטווח הקצר, על פי המקור, הן כלים צרי-טווח עם קלטים ברורים, אפשרויות פלט סופיות ותור אנושי יקר או איטי. תחזית זו תלויה בכמה תנאים: שהזמן תגובה והמחיר שתוארו יחולו בפועל; איכות הסיווג תהיה מספקת לכל תחום; ניקודי הביטחון יהיו בעלי משמעות; ושגיאות יהיו ניתנות להתאוששות. התחזית תיחלש אם Jev יתפקד באופן לא עקבי על נתוני אמת, אם הגישה תישאר מוגבלת, או אם העלות והשהייה יגדלו בקנה מידה.
השלכות מעשיות המקור תומך בשיטת גילוי מעשית: לזהות זרימת עבודה חוזרת שבה מישהו בוחן נתונים נכנסים ובוחר שוב ושוב מה צריך לקרות לאחר מכן. ואז לבדוק האם ניתן לבטא את המשימה כסכמה עם קטגוריות, דירוגים, הסתברויות או ספי הסלמה. ניסויים ראשוניים שימושיים כוללים: - סיווג דוא״ל היסטורי כדי למצוא לידים מפוספסים או הודעות דחופות.
- דירוג טפסי כניסה לפני קבלת החלטה אם להשיב מיד. - ניתוב בקשות תמיכה לצוותים או למוצרים. - התאמת לקוחות עם ספקים או שירותים.
- דירוג מקטעי תמליל לתוכן קצר. - שימוש בספי ביטחון כדי להחליט בין אוטומציה, ביקורת אנושית וערעור. המקור גם מצביע ש-Jev צריך לשמש כשכבה אחת במערכת גדולה יותר.
משימות מורכבות עשויות עדיין לדרוש LLM מסורתי, ביקורת אנושית, מאגרי נתונים או כללים תחומיים.
סיכום 4
- רגע מקורי רלוונטי: [00:17:02]–[00:19:19], שם Ryan Vogel ו-Greg Isenberg מתאר הכשרת לידים, ניתוב תמיכה ו"שכבת ההחלטה". - רגע מקורי רלוונטי: [00:26:19]–[00:27:08], שם Ryan Vogel ו-Greg Isenberg דנים בגישה ושימוש בסוכני AI כדי לזהות זרימות עבודה מתאימות. הסתייגויות ושאלות פתוחות הראיון מספק הדגמות אך מעט הערכה שיטתית.
הוא לא קובע דיוק across industries, לא משווה את Jev לכללים פשוטים או לממיינים אחרים, לא מסביר כיצד ניקודי הביטחון מכויילים, ולא מראה כיצד הביצועים משתנים עם קלטים עמומים, מתחרים או לא ידועים קודם. הארכיטקטורה גם מתוארת באופן לא שלם: Ryan Vogel ו-Greg Isenberg מציין במפורש שאינו מבין אותה במלואה, והדיון משאיר פתוח האם Jev מבצע חשיבה נסתרת בשרת. דוגמת הביטקוין היא אזהרה חשובה נגד כך שמהירות ומחיר נמוך יהוו ראיה לאינטליגנציה רחבה.
ישנן שאלות מעשיות לא פתורות בנוגע לפרטיות, שמירת נתונים, אמינות, טיפול בשגיאות, מגבלות קצב, תמחור פרודקשן וגישה מעבר לרשימת המתנה או שער Vercel. סוגיות אלה חשובות במיוחד כאשר המודל משולב בהחלטות פיננסיות, ביטחוניות, משפטיות, רפואיות או המשפיעות על לקוחות. מסקנות מרכזיות Jev מוצג כממיין מיוחד שהופך קלטים בלתי-מובנים או חצי-מובנים להחלטות מהירות ומובנות עם הסתברויות או קטגוריות.
יתרונו המרכזי, לפי הראיון, הוא השילוב של מהירות, עלות נמוכה והתאמה ישירה לזרימות עבודה תוכנתיות. היישומים החזקים ביותר אינם שיח פתוח או חשיבה ארוכת טווח. הם תורים בהיקף גבוה שבהם עסק חייב להחליט שוב ושוב מה הדבר הוא, כמה הוא חשוב, לאן יש לכוון אותו, או האם אדם צריך להתערב.
הלקח המעשי הוא להתחיל בזרימת עבודה צרה ובעלת השלמה הפיכה, להגדיר פלטים וספי ביטחון ברורים ולמדוד דיוק לפני הרחבת האוטומציה.
TalkOnPoint השתמשה ב־AI כדי לארגן את המקור לסיכום קריא ולקשר נושאים חשובים לרגעים תומכים במקור. הניתוח עלול לכלול טעויות; מומלץ לבדוק מידע משמעותי מול הציטוטים, חותמות הזמן והמקור.