Співтворець ChatGPT запустив JEV — модель, яка не розмовляє, а приймає рішення

Автор ·

Поки більшість інструментів штучного інтелекту вчаться краще говорити з людьми, один із творців ChatGPT пішов іншим шляхом. Diogo Almeida, співзасновник ChatGPT і засновник компанії TypeSafe, представив модель JEV — «System One model», яка майже не цікавиться текстом, зате заточена під швидкі структуровані рішення.

Ідея проста: замість того, щоб змушувати великий LLM писати JSON, потім перевіряти, чи він валідний, і платити за кожен зайвий токен, JEV одразу повертає чітко типізовану відповідь і ймовірність, наскільки модель у ній впевнена. Це не «ще один чатбот», а окремий шар інтелекту для бекенду.

За словами TypeSafe, JEV працює з мілісекундними затримками — приблизно 70–500 мс на запит — і в реальних сценаріях може бути у 20–200 разів швидшим та у 40–400 разів дешевшим за типові пайплайни на LLM. Вартість навантаження компанія оцінює на рівні близько $42 за еквівалент мільярда токенів, якщо рахувати ті самі задачі, які сьогодні часто віддають великим моделям.

Ключовий технічний елемент — власний підхід до навчання Reinforcement Learning for Calibrated Decisions (RLCD). Його завдання — не просто «зробити модель точнішою», а навчити її коректно оцінювати власну впевненість, щоб програмне забезпечення могло покладатися на ці ймовірності у продакшені.

JEV орієнтований на задачі типу: чи є транзакція шахрайською, чи потрібно ескалувати інцидент, які записи з великого списку потребують дії. Тобто там, де вам не потрібне пояснення на півсторінки — потрібне одне слово, кілька полів і зрозумілий confidence score.

Чому це важливо

Більшість сучасних агентів і автоматизацій досі використовують один і той самий LLM як «мозок» і як «балакучий інтерфейс». Це дорого, повільно й часто надлишково. Підхід TypeSafe натякає, що стек AI може розділитися на спеціалістів: мовні моделі для комунікації, код-агенти для розробки, окремі моделі для математики — і окремий клас рішень на кшталт JEV для масових дрібних рішень.

Для українських продуктів і сервісів це має кілька практичних наслідків:

  • Дешевша автоматизація рутини. Якщо ви ганяєте LLM через API, щоб класифікувати заявки, тікети підтримки, ризикові операції чи документи, моделі на кшталт JEV можуть радикально знизити чек за рахунок меншого контексту і чітко структурованої відповіді.
  • Простіша інтеграція в бекенд. Замість парсити вільний текст і ловити помилки у форматі JSON, ви одразу отримуєте типізовані поля та ймовірність. Це ближче до класичних ML-сервісів, але з гнучкістю сучасних моделей.
  • Краще керування ризиками. Наявність каліброваного confidence score дозволяє будувати зрозумілі правила: наприклад, все вище 0.9 — автоматичне рішення, усе нижче — на ручну перевірку або на сильнішу модель. Це критично для банків, e-commerce, логістики, де помилка коштує дорого.
  • Перегляд ролі «великих чатботів». Якщо заявлені цифри по швидкості й вартості підтвердяться у продакшені, багатьом українським командам доведеться чесно відповісти собі: де нам справді потрібен ChatGPT-рівень генерації, а де вистачить дешевого «модуля рішень» у бекенді.

TypeSafe поки лише відкриває доступ до JEV за запитом, тож реальний тест — це продакшн-навантаження від розробників. Але тренд помітний: інтелект у вигляді «балакучого асистента» поступово доповнюється тихими, вузькоспеціалізованими моделями, які просто працюють у фоні й приймають мільйони маленьких рішень замість ваших if-else.

Джерело: The Neuron (https://www.theneurondaily.com/p/chatgpt-co-creator-s-new-ai-model)