เปิดตัว Jev โมเดล AI คืนค่าความน่าจะเป็นแทนข้อความ มุ่งสู่งานอัตโนมัติ

TypeSafe AI เปิดตัว Jev (Jev) โมเดลปัญญาประดิษฐ์ (AI) ที่คืนค่าความน่าจะเป็นและผลการตัดสินใจแบบมีโครงสร้างแทนข้อความ โดยมุ่งใช้กับงานอัตโนมัติที่ซอฟต์แวร์ต้องนำผลลัพธ์ไปประมวลผลโดยตรง เช่น การจัดประเภทอีเมล การจัดเส้นทางคำขอ และการประเมินความเสี่ยง

TypeSafe AI ระบุเมื่อวันที่ 15 กันยายนว่า บริษัทเปิดให้ใช้งาน Jev ซึ่งเป็นโมเดล ‘System One’ รุ่นแรกในรูปแบบ Early Access โดย Jev ไม่ได้สร้างประโยคอิสระ แต่คืนค่าตัวเลือก คะแนน หรือค่าบูลีนที่นักพัฒนากำหนดไว้ล่วงหน้า พร้อมความน่าจะเป็นและระดับความเชื่อมั่นของแต่ละการตัดสินใจ

Jev ไม่ใช่โมเดลสำหรับเขียนโค้ดหรือสนทนา แต่ใช้สถานะและคำถามที่ป้อนเข้าไปเพื่อประเมินการอนุมัติ ระดับความเสี่ยง หรือระบบที่ควรดำเนินการต่อ นอกจากนี้ยังรองรับการสุ่มตัวอย่างแบบขนานเพื่อประมวลผลหลายคำถามพร้อมกัน

โมเดลภาษาขนาดใหญ่ (LLM) ทั่วไปถูกออกแบบมาเพื่อสร้างภาษาธรรมชาติ ทำให้ซอฟต์แวร์มักต้องใช้กระบวนการแยกวิเคราะห์และตรวจสอบเพิ่มเติมก่อนนำผลลัพธ์ไปใช้งาน ส่วน Jev จำกัดรูปแบบผลลัพธ์เพื่อเชื่อมผลการจัดประเภท การให้คะแนน และการตรวจสอบเข้ากับโปรแกรมได้โดยตรง

ชื่อ Jev มาจาก ‘ข้อขัดแย้งของเจวอนส์’ ซึ่งตั้งตามนักเศรษฐศาสตร์ชาวอังกฤษ วิลเลียม สแตนลีย์ เจวอนส์ (William Stanley Jevons) โดย TypeSafe AI อธิบายว่า ชื่อนี้สะท้อนแนวคิดที่ว่าการลดต้นทุนการใช้ปัญญาอาจทำให้การใช้งานซอฟต์แวร์อัจฉริยะเพิ่มขึ้นแทน

TypeSafe AI ระบุว่า Jev ใช้วิธีฝึกของบริษัทที่เรียกว่า ‘การเสริมกำลังเพื่อการตัดสินใจที่ปรับเทียบแล้ว (RLCD)’ บริษัทอ้างว่าโมเดลมีเวลาตอบสนอง 70–500 มิลลิวินาที และอาจเร็วกว่าโมเดลแนวหน้ารุ่นเดิม 40–200 เท่าในงาน System One บางประเภท

การประเมินเวิร์กโฟลว์ที่เผยแพร่บนเว็บไซต์ของ TypeSafe AI ระบุว่า Jev เร็วกว่าโมเดลเดิม 193.6 เท่า และมีต้นทุนต่ำกว่า 444.6 เท่า การประเมินเปรียบเทียบความแม่นยำ ต้นทุน และเวลาประมวลผลของแต่ละโมเดลในเวิร์กโฟลว์ตัวอย่าง 4 ประเภท ได้แก่ การรับมือเหตุการณ์ด้านความปลอดภัย การบริการลูกค้า และการประมวลผลใบแจ้งหนี้

อย่างไรก็ตาม การเปรียบเทียบดังกล่าวไม่ได้มาจากการตรวจสอบขนาดใหญ่โดยหน่วยงานอิสระ แต่ตั้งอยู่บนเงื่อนไขการประเมินที่บริษัทออกแบบเอง TypeSafe AI ระบุว่า บริษัทแบ่งงานอัตโนมัติจริงออกเป็นส่วนย่อยแทนการใช้เบนช์มาร์กทั่วไป และใช้ตัวห่อหุ้มสำหรับเอาต์พุตแบบมีโครงสร้างกับ LLM ที่นำมาเปรียบเทียบ

ค่าบริการอยู่ที่ 0.042 ดอลลาร์ต่อโทเคนอินพุต 1 ล้านโทเคน (ประมาณ 58 บาท) โดยไม่มีค่าบริการเพิ่มเติมสำหรับโทเคนเอาต์พุต ขณะที่ Vercel AI Gateway แสดงราคาไว้ที่ 0.04 ดอลลาร์ต่อโทเคนอินพุต 1 ล้านโทเคน (ประมาณ 55 บาท)

Vercel แนะนำ Jev ในฐานะโมเดลการตัดสินใจแบบมีโครงสร้างที่ซอฟต์แวร์สามารถใช้งานได้โดยตรง โดยระบุการจัดประเภท การจัดเส้นทาง และการตรวจสอบเป็นกรณีใช้งานหลัก เอกสารของ Pydantic AI ก็อธิบายว่า Jev คืนค่าการตัดสินใจและความน่าจะเป็นแบบมีโครงสร้างแทนข้อความอิสระ

TypeSafe AI ระบุว่า Jev คืนค่าเฉพาะผลลัพธ์ที่กำหนดโครงสร้างไว้ จึงไม่ทำให้เกิดข้อผิดพลาดด้านชนิดข้อมูล อย่างไรก็ตาม เงื่อนไขการให้บริการของบริษัทระบุว่า ระบบอาจให้ผลลัพธ์ที่ไม่ถูกต้องหรือมีข้อผิดพลาด และผู้ใช้ต้องประเมินผลลัพธ์ด้วยตนเอง

ดังนั้น คำอธิบายว่า Jev ‘ไม่มีอาการหลอน’ ควรตีความว่าโมเดลไม่สร้างข้อความอิสระหรือผลลัพธ์ผิดรูปแบบ ไม่ควรขยายความไปถึงการรับประกันว่าการตีความอินพุตหรือการจัดประเภทจะแม่นยำเสมอ

นักพัฒนามีความคิดเห็นแตกต่างกัน บางส่วนให้ความสนใจกับต้นทุนที่ต่ำและความเร็วในการประมวลผล แต่ก็มีความเห็นว่าต้องตรวจสอบเพิ่มเติมว่าผลลัพธ์ที่บริษัทนำเสนอสามารถทำซ้ำได้ในโค้ดเบสจริงหรือไม่

พรานิต ชาร์มา (Pranit Sharma) วิศวกรซอฟต์แวร์ของ Vercel กล่าวว่า หลังเปลี่ยนโมเดลของ OpenAI เป็น Jev ในงานจัดประเภทการตรวจสอบความปลอดภัย ผลลัพธ์เร็วขึ้น 5–18 เท่าและมีความแม่นยำสูงขึ้น อย่างไรก็ตาม ยังไม่มีการเปิดเผยสภาพแวดล้อมการเปรียบเทียบและข้อมูลต้นทางด้านความแม่นยำทั้งหมด

นิกิล มูดอลการ์ (Nikhil Mudholkar) ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ Bryo AI กล่าวว่า ในการทดสอบจัดประเภทอีเมลธุรกิจ Gemini มีความแม่นยำสูงกว่าเล็กน้อย แต่มีต้นทุนสูงกว่า Jev 10–20 เท่า ด้านอาร์มิน โรนาเชอร์ (Armin Ronacher) ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ Earendil ประเมินว่าเอาต์พุตความน่าจะเป็นของ Jev อาจใช้เป็นเกณฑ์แบ่งงานที่ต้องให้มนุษย์ตรวจสอบได้ แต่ชี้ว่าผู้ใช้ต้องกำหนดเองว่าจะตัดสินใจอย่างไรกับผลลัพธ์ที่มีความน่าจะเป็นต่ำ

ดีโอโก อัลเมดา (Diogo Almeida) ผู้ก่อตั้ง TypeSafe AI กล่าวว่า เขาเคยมีส่วนร่วมในการวิจัยของ OpenAI ที่มุ่งเพิ่มความสามารถของโมเดลภาษาในการทำตามคำสั่งและสนทนา ซึ่งเป็นพื้นฐานของ ChatGPT อย่างไรก็ตาม บริษัทยังไม่เปิดเผยสถาปัตยกรรมของ Jev ขนาดข้อมูลฝึก และผลการทดสอบมาตรฐาน ขณะที่ประสิทธิภาพและต้นทุนที่บริษัทนำเสนอจะคงอยู่ในสภาพแวดล้อมอัตโนมัติจริงหรือไม่ ยังต้องรอการตรวจสอบเพิ่มเติม