1. कोड के लिए पहला AI मॉडल: जेव [0]

जेव एक नया AI मॉडल है जो टेक्स्ट उत्पन्न करने के बजाय कोड के लिए सीधे निर्णय और कैलिब्रेटेड संभावनाएँ देता है, जिससे यह बहुत तेज़ और सस्ता हो जाता है।

1.1. जेव क्या है और यह कैसे काम करता है [0]

  1. जेव एक नया AI मॉडल है जो टेक्स्ट नहीं लिख सकता और न ही खुद को समझा सकता है, लेकिन यह असाधारण परिणाम दे रहा है, जैसा कि वर्सेल जैसी बड़ी उत्पादन कंपनियाँ बता रही हैं [0].
  2. यह मॉडल टाइप ऐस नामक कंपनी द्वारा जारी किया गया था, जिसके सह-संस्थापकों में से एक चैट जीपीटी के सह-संस्थापक डिएगो अल्मेडा थे [5].
  3. अधिकांश मौजूदा AI मॉडल टेक्स्ट उत्पन्न करने के लिए डिज़ाइन किए गए हैं और मानव वरीयताओं के लिए प्रशिक्षित होते हैं, जिससे वे मशीन के उपयोग के लिए आदर्श नहीं होते हैं [9].
  4. जेव को आपके कोड के लिए निर्णय उत्पन्न करने के लिए प्रशिक्षित किया गया है, जिससे यह मौजूदा मॉडलों की तुलना में 20 से 200 गुना सस्ता और मिलीसेकंड में काम करता है [14].

1.2. जेव के उपयोग के मामले और लाभ [18]

  1. जेव बहुत तेज़ और सस्ता होने के कारण कई उपयोग के मामलों के लिए उपयुक्त है [18].
    1. यह कोडिंग एजेंटों या उत्पादन में एजेंटों के लिए सटीकता और दक्षता बढ़ाता है [19].
    2. जेव का उपयोग गार्डरेल या सुरक्षा समीक्षा के रूप में किया जा सकता है, जो इसे बिजली की गति से करता है [20].
    3. यह एक बेहतरीन मॉडल राउटर के रूप में कार्य कर सकता है, उदाहरण के लिए, यह तय करने के लिए कि किसी कार्य को वर्गीकृत करने के लिए किस मॉडल का उपयोग किया जाना चाहिए [21].
    4. टिकटों को प्राथमिकता देना (टिकट ट्राइएज) इसका एक और बेहतरीन उदाहरण है [23].
  2. जेव की मुख्य विशेषता इसकी गति और लागत है, जो इसे बड़े भाषा मॉडल (LLM) से अलग करती है [25].
    1. यदि आपको चैट की आवश्यकता है, तो यह मॉडल आपके लिए नहीं है; यदि आपको बिजली की गति, कम लागत और उच्च आत्मविश्वास की आवश्यकता है, तो यह मॉडल उपयुक्त है [26].
    2. वर्सेल जैसी कंपनियाँ वर्गीकरण या सत्यापन के लिए जेव का उपयोग करके बड़े पैमाने पर लागत कम कर सकती हैं, क्योंकि पारंपरिक मॉडल महंगे और अविश्वसनीय हो सकते हैं [28].
    3. वर्सेल ने जेमिनी 2.5 फ्लैश लाइट को टाइप-स्पेस से बदल दिया, जिससे यह 6 गुना तेज़ हो गया और प्रदर्शन में काफी सुधार हुआ [29].
  3. जेव का उपयोग स्टारक्राफ्ट जैसे खेलों में मिशन जीतने के लिए भी किया जा रहा है, जो इसकी क्षमताओं को दर्शाता है [32].
  4. जेव एक विशिष्ट फोकस मॉडल है जो अपने काम को बहुत अच्छी तरह से करता है, जिससे यह बड़े पैमाने पर उपयोग किया जा सकता है और पूरी तरह से नए प्रकार की कंपनियों और वर्कफ़्लो को सक्षम कर सकता है [34].
  5. ओपनकोड के लोगों ने ब्राउज़र के उपयोग के साथ जेव का परीक्षण किया है और यह बहुत तेज़ पाया गया है [37].

1.3. जेव के प्रश्न प्रकार और अनुप्रयोग [39]

  1. जेव को तीन अलग-अलग प्रश्न प्रकारों के साथ प्रस्तुत किया जा सकता है: विकल्प (choice), स्कोर (score), या शून्य (null) [40].
    1. विकल्प: आप जेव को विकल्प देते हैं (जैसे बिलिंग, तकनीकी, या बिक्री), और यह टिकट को पढ़कर निर्णय लेता है और आत्मविश्वास मूल्य देता है [41].
    2. स्कोर: आप जेव को ग्राहक के मुद्दे या टिकट पर उपयोगकर्ता की निराशा के स्तर को स्कोर करने के लिए कह सकते हैं (जैसे शांत, सभ्य, या क्रोधित) [43].
    3. शून्य: यह आपको आपके प्रश्न पर हाँ/नहीं की संभावना देता है, जैसे "क्या यह सच है?" या "क्या यह तत्काल है?" एक संभावना संख्या के साथ [46].
  2. एक यूट्यूबर वोगेल ने जेव का उपयोग करके अपने सभी ईमेल को वर्गीकृत किया, जिससे सैकड़ों ईमेल को कुछ ही सेकंड में वर्गीकृत और प्राथमिकता दी जा सकी, जो एक नियमित LLM की तुलना में बहुत तेज़ है [48].

2. पारंपरिक सॉफ्टवेयर और AI एजेंटों के साथ जेव का एकीकरण [52]

जेव AI-संचालित सॉफ्टवेयर की हाइब्रिड दुनिया में शक्तिशाली है, जो नियतिवाद और गैर-नियतिवाद को जोड़ता है।

2.1. नियतिवादी सॉफ्टवेयर बनाम AI एजेंट और जेव की भूमिका [52]

  1. पारंपरिक सॉफ्टवेयर नियतिवादी होता है, जिसका अर्थ है कि यह हाँ/नहीं, गेट, यदि/तब/अन्यथा जैसे स्पष्ट नियमों पर आधारित होता है [52].
  2. एजेंट, इसके विपरीत, बहुत गैर-नियतिवादी होते हैं, जो उन्हें लचीला और उपयोगी बनाता है, लेकिन इसका मतलब यह भी है कि वे हमेशा सही नहीं होते हैं और हमेशा एक ही योजना का पालन नहीं करते हैं [54].
  3. जेव AI-संचालित सॉफ्टवेयर की हाइब्रिड दुनिया में बहुत शक्तिशाली है, जहाँ हम नियतिवाद के कुछ स्तरों का उपयोग करते हैं और फिर जेव जैसे मॉडल को उन निर्णयों में मदद करने के लिए शामिल करते हैं जिन्हें हम पहले पूरी तरह से नियतिवादी तरीकों से प्रबंधित नहीं कर सकते थे [57].
  4. जेव डूम खेल रहा है, और 1 घंटे तक इसे चलाने में केवल $7 का खर्च आया, जबकि इसने बड़ी संख्या में कॉल किए [59].
    1. सिस्टम 1 वास्तविक समय में क्या हो रहा है इसका एक संरचित विवरण प्राप्त कर रहा है, और मॉडल संरचित प्रारूप में निर्देश वापस भेज रहा है [62].
  5. जेव का नामकरण डेनियल कहनमैन की पुस्तक "थिंकिंग, फास्ट एंड स्लो" में वर्णित सोच की दो प्रणालियों से आता है [63].
    1. सिस्टम 1 तेज़, सहज ज्ञान युक्त जांच है, जबकि सिस्टम 2 धीमी, जानबूझकर तर्क है [65].
    2. सभी LLM सिस्टम 2 बनने की कोशिश कर रहे हैं, एक समय में एक टोकन पर विचार करके और लिखकर [66].
    3. हालांकि, जेव टोकन उत्पन्न नहीं करता है; इसमें कोई ऑटो-रिग्रेसिव लूप नहीं है [68].
    4. आप इसे एक स्थिति, कुछ टेक्स्ट, एक JSON ऑब्जेक्ट भेजते हैं, और यह सभी प्रश्नों का समानांतर में मूल्यांकन करता है, जिससे यह बहुत तेज़ हो जाता है [70].

2.2. जेव का व्यावहारिक कार्यान्वयन और क्षमताएँ [74]

  1. जेव तक पहुंच प्राप्त करना अपेक्षाकृत तेज़ है; प्रतीक्षा सूची में कुछ घंटों के बाद पहुंच मिल सकती है [74].
    1. इसमें एक प्लेग्राउंड, उपयोग, एपीआई कुंजी आदि शामिल हैं [76].
    2. यह एक एपीआई है जिसे स्थापित किया जा सकता है या सीधे क्लाउड कोड में स्थापित किया जा सकता है [77].
    3. प्लेग्राउंड में डेमो उपलब्ध हैं, जैसे कि "6 डिग्री ऑफ़ सेपरेशन" परीक्षण, जहाँ जेव ने 1.7 सेकंड में विकिपीडिया पृष्ठों के माध्यम से नेविगेट किया [79].
  2. जेव स्मार्ट होम डिवाइसों के साथ भी बहुत तेज़ी से काम करता है [87].
    1. पारंपरिक LLM को "लिविंग रूम की लाइटें चालू करें" जैसे प्राकृतिक भाषा कमांड को संसाधित करने में समय लगेगा [87].
    2. जेव के साथ, कमांड (जैसे "सभी लाइटें बंद करें" या "लिविंग रूम की लाइटें चालू करें") तुरंत निष्पादित होते हैं, मिलीसेकंड में प्रतिक्रिया देते हैं [89].
    3. यह त्वरित वर्गीकरण करता है और टेक्स्ट या टोकन के माध्यम से जाने की आवश्यकता नहीं होती है, क्योंकि इसका प्रबलित शिक्षण बहुत तेज़ी से और सस्ते में उत्तर देने के लिए डिज़ाइन किया गया है [98].
  3. जेव निर्णयों के बारे में है, टेक्स्ट के बारे में नहीं [102].
    1. आप एक स्थिति (जैसे ईमेल उपयोगकर्ता, लेनदेन विवरण) और मॉडल से क्या चाहते हैं, इसका संदर्भ भेजते हैं [103].
    2. यह इसे संसाधित करता है और आपको सेट टाइप किया गया JSON वापस मिलता है जिसे दूसरी तरफ एक फ़ंक्शन के साथ संसाधित किया जा सकता है [104].
    3. इसमें धोखाधड़ी के स्तर का आत्मविश्वास और जोखिम स्कोर शामिल हो सकता है [105].
    4. इसके हमारे कोडिंग एजेंटों की गति और पूर्वानुमेयता के लिए बड़े निहितार्थ हैं, खासकर MCP और CLI उपयोग के लिए [106].

2.3. जेव प्लेग्राउंड में नमूना अनुरोध [108]

  1. टाइप स्पेक कंसोल प्लेग्राउंड में तीन अलग-अलग उदाहरण अनुरोध हैं [109].
    1. विकल्प (Choice): "आकाश का रंग क्या है?" जैसे प्रश्न के लिए, आप संभावित उत्तरों की एक सूची प्रदान करते हैं, और जेव 81% संभावना के साथ "बेबी ब्लू" और 78% आत्मविश्वास स्तर के साथ प्रतिक्रिया देता है [110].
    2. हेल्प डेस्क ट्राइएज: एक ग्राहक शिकायत (जैसे "एक सप्ताह से अधिक हो गया है, किसी ने मेरी वाई-फाई रिपोर्ट का जवाब नहीं दिया") के लिए, आप उपयोगकर्ता भूमिका, स्थान, चैनल और समय जैसी जानकारी पास कर सकते हैं [117].
      1. जेव को प्राथमिकता (कम, मध्यम, उच्च, गंभीर) चुनने के लिए कहा जाता है, और यह मध्यम प्राथमिकता पर प्रतिशत संभावना देता है [120].
      2. यह यह भी तय कर सकता है कि शिकायत कहाँ जानी चाहिए (हेल्प डेस्क, वित्त, संचालन, आदि) [125].
    3. शून्य (Null): "क्या इसमें किसी प्रकार की समय सीमा का उल्लेख है?" जैसे प्रश्न के लिए, जेव 5% संभावना के साथ प्रतिक्रिया देता है कि यह सच है [127].
  2. जेव एजेंटों के लिए टूल कॉलिंग में भी बहुत उपयोगी है, यह तय करने में मदद करता है कि किस टूल कॉल का उपयोग किया जाना चाहिए (जैसे टिकट स्थिति, वाई-फाई समस्या निवारण) और आत्मविश्वास स्तर क्या है [129].
  3. यदि आप AI-संचालित सॉफ्टवेयर बना रहे हैं, तो आपको यह विचार करना चाहिए कि आपके सिस्टम में कौन से बड़े निर्णय प्रवाह हैं जो आपको बहुत समय और पैसा खर्च कर रहे हैं [132].
    1. क्या इन निर्णयों को हाँ या नहीं संरचित इनपुट और आउटपुट में बदला जा सकता है जो बहुत तेज़ और सस्ता है? [132]
    2. यह आपके ऐप में बहुत बड़ा अंतर ला सकता है और आपको नए और रोमांचक वर्कफ़्लो बनाने में सक्षम कर सकता है [133].