رضا گودرزی
JEV چیست؟ هوش مصنوعیای که قرار نیست با شما حرف بزند
سالهاست هر بار مدل هوش مصنوعی تازهای معرفی میشود، تقریباً سؤالهای یکسانی مطرح میشود:
از ChatGPT بهتر است؟
میتواند فارسی صحبت کند؟
کد مینویسد؟
میتوانم جای Claude یا Gemini از آن استفاده کنم؟
اما درباره JEV شاید سؤال درست هیچکدام از اینها نباشد.
چون JEV اساساً برای نشستن روبهروی انسان و گفتگو کردن ساخته نشده است.
قرار است جایی باشد که معمولاً کاربر اصلاً آن را نمیبیند؛ داخل نرمافزار.
فرض کنید روزانه 20 هزار درخواست پشتیبانی وارد یک شرکت میشود. سیستم باید در چند لحظه تشخیص دهد هر درخواست مربوط به فروش، پشتیبانی فنی، امور مالی یا شکایت است.
یا یک AI Agent قرار است کاری انجام دهد و نرمافزار باید تصمیم بگیرد:
این درخواست امن است یا مشکوک؟
کدام ابزار Agent باید اجرا شود؟
این تراکنش چقدر ریسک دارد؟
این مشتری احتمالاً قصد لغو سرویس دارد؟
Agent باید ادامه دهد یا درخواست را برای بررسی انسان بفرستد؟
برای چنین تصمیمهایی همیشه لازم نیست یک مدل بزرگ چند پاراگراف متن تولید کند.
گاهی نرمافزار فقط یک تصمیم سریع، قابلپیشبینی و قابل استفاده در کد میخواهد.
JEV برای همین قسمت ساخته شده است.
داستان JEV از یک سؤال ساده شروع میشود
Diogo Almeida، بنیانگذار TypeSafe AI، در معرفی JEV مسئله جالبی مطرح میکند:
اگر مدلهای هوش مصنوعی سالهاست در گفتگو بسیار قدرتمند شدهاند، چرا هنوز آن میزان اتوماسیونی که انتظار داشتیم اتفاق نیفتاده است؟
او پیشتر در OpenAI روی روشهایی کار کرده بود که به مدلهای زبانی در دنبالکردن دستورات کمک کردند و بخشی از تحقیقات منتهی به ChatGPT شدند. TypeSafe میگوید بعد از حدود دو سال فعالیت پنهانی، مسیر متفاوتی را انتخاب کرده است: ساخت مدلی که بهجای حرف زدن با انسان، مستقیماً با نرمافزار کار کند.
حاصل این مسیر خانوادهای است که TypeSafe آن را System One Models مینامد.و اولین مدل عمومی این خانواده: JEV است.
JEV چه فرقی با ChatGPT، Claude یا Gemini دارد؟
یک مثال ساده تفاوت را روشن میکند.
فرض کنید مشتری این پیام را برای فروشگاه شما فرستاده: «سه روزه پول از حسابم کم شده ولی سفارشم هنوز ثبت نشده.»
اگر این متن را به یک LLM بدهید و بپرسید چه اتفاقی افتاده، ممکن است توضیحی کامل بنویسد:
احتمالاً مشکل مربوط به پرداخت است، بهتر است تراکنش بررسی شود، درخواست باید به بخش مالی ارسال شود و...
برای انسان این پاسخ مفید است. اما Backend فروشگاه شاید فقط این را لازم داشته باشد:
Department → Billing
Urgency → High
Needs human review → Yes
اینجاست که فلسفه JEV متفاوت میشود.
ورودی میتواند اطلاعات نامنظم مثل متن باشد، اما خروجی به شکل Typed Structured Decision برمیگردد؛ یعنی فرم پاسخ از قبل مشخص شده و نرمافزار میتواند مستقیماً بر اساس آن تصمیم بگیرد.
به زبان خیلی ساده:
ChatGPT برایتان جواب مینویسد. JEV برای نرمافزارتان تصمیم میگیرد.
پس JEV یک LLM کوچک و سریع نیست؟ خیر؛ حداقل TypeSafe محصول خود را اینگونه تعریف نمیکند.
این شرکت JEV را یک LLM کوچکشده نمیداند، بلکه آن را مدلی با معماری و روش آموزش متفاوت برای مسئله متفاوت معرفی میکند. روش آموزشی معرفیشده توسط TypeSafe Reinforcement Learning for Calibrated Decisions یا RLCD نام دارد.
هدف اینجا نوشتن بهترین جمله بعدی نیست.
هدف چیزی شبیه این است:
«با اطلاعاتی که دارم، کدام تصمیم محتملتر است و چقدر به آن اطمینان دارم؟»
این تفاوت برای Automation بسیار مهم است.
چرا Confidence در JEV مهم است؟
یکی از مشکلات جدی اتوماسیون با AI این نیست که مدل اشتباه میکند. هر مدلی ممکن است اشتباه کند. مشکل خطرناکتر زمانی است که سیستم اشتباه میکند اما طوری رفتار میکند که انگار کاملاً مطمئن است.
JEV همراه تصمیمها اطلاعات مربوط به Probability و Confidence ارائه میکند. TypeSafe این ویژگی را Calibrated Decisions مینامد. این یعنی توسعهدهنده میتواند مثلاً چنین قانونی بسازد:
اگر Confidence بیشتر از 95٪ بود → خودکار انجام بده.
اگر بین 70 تا 95٪ بود → بررسی بیشتری انجام بده.
اگر کمتر از 70٪ بود → برای انسان ارسال کن.
اعداد بالا فقط مثالاند؛ Threshold مناسب باید بر اساس داده و حساسیت همان کاربرد تعیین شود.
اینجا AI قرار نیست جای تمام منطق نرمافزار را بگیرد.
AI تصمیم احتمالی را میدهد و برنامهنویس تعیین میکند با آن تصمیم چه اتفاقی بیفتد.
آیا JEV واقعاً Hallucination ندارد؟
اینجا باید مراقب یک سوءتفاهم مهم باشیم.
TypeSafe درباره JEV از عبارت Zero Hallucinations استفاده میکند و توضیح میدهد که به دلیل Type-safe بودن خروجی، مدل نمیتواند خارج از Schema تعریفشده پاسخ نامعتبر تولید کند.مثلاً اگر فقط این چهار انتخاب را تعریف کرده باشید:
Sales / Technical / Billing / Other
مدل قرار نیست ناگهان گزینه پنجمی به نام Marketing بسازد. این مزیت بزرگی برای نرمافزار است. اما این به معنی «JEV هیچوقت تصمیم اشتباه نمیگیرد» نیست. ممکن است خروجی از نظر Type کاملاً معتبر باشد ولی انتخاب مدل اشتباه باشد. حتی منابع توضیحی مستقل درباره JEV نیز روی همین تفاوت تأکید کردهاند.
پس بهتر است بگوییم:
JEV میتواند خروجی ساختاری نامعتبر را حذف کند؛ نه اینکه احتمال تصمیم اشتباه را به صفر برساند.
این تمایز برای استفاده تجاری بسیار مهم است.
سه نوع سؤالی که میتوان از JEV پرسید
در JEV سه Primitive اصلی برای تصمیمگیری وجود دارد: Choice، Score و Noul.
Choice زمانی است که مدل باید از بین گزینههای مشخص یکی را انتخاب کند.
مثلاً:
این ایمیل مربوط به کدام بخش است؟
Sales / Support / Billing / Spam
Score زمانی کاربرد دارد که چیزی باید روی یک مقیاس ارزیابی شود.
مثلاً: شدت نارضایتی این مشتری چقدر است؟
یا: ریسک این درخواست در چه سطحی قرار دارد؟
و Noul برای سؤالهای احتمالی دوحالته استفاده میشود؛ چیزی در مایههای «آیا این وضعیت برقرار است یا خیر؟».
برای مثال:
آیا این پیام Spam است؟
آیا این درخواست نیاز به بررسی انسانی دارد؟
این ساختار ساده به نظر میرسد، اما تعداد زیادی از تصمیمهایی که نرمافزارها روزانه میگیرند را میتوان به همین فرمها تبدیل کرد.
JEV به چه درد یک کسبوکار واقعی میخورد؟
اینجا JEV از یک پروژه تحقیقاتی جالب به یک ابزار تجاری تبدیل میشود.
فرض کنید یک فروشگاه اینترنتی بزرگ دارید.
روزانه هزاران پیام، سفارش، درخواست Refund و Ticket وارد سیستم میشود. لازم نیست یک LLM گرانقیمت برای هر مورد یک پاسخ طولانی تولید کند.
JEV میتواند برای Classification، Routing، Scoring، Filtering و Branching داخل Workflow مورد استفاده قرار گیرد. TypeSafe این کاربرد را چیزی شبیه Smart if-statements توصیف میکند.
مثلاً سیستم میتواند تشخیص دهد:
درخواست مربوط به کدام واحد است؟
اولویت Ticket چقدر است؟
آیا احتمال Fraud وجود دارد؟
آیا مشتری در معرض Churn است؟
آیا خروجی Agent نیاز به Verification دارد؟
آیا یک درخواست باید Block شود؟
مرحله بعدی Workflow کدام است؟
در این سناریو JEV قرار نیست برای مشتری مقاله بنویسد. قرار است پشت صحنه هزاران تصمیم کوچک بگیرد.
JEV برای AI Agentها چه کاربردی دارد؟
این شاید یکی از مهمترین کاربردهای آینده JEV باشد. یک Agent را تصور کنید که به 15 ابزار مختلف دسترسی دارد. Agent باید مدام تصمیم بگیرد:
کدام Tool را صدا بزنم؟
آیا اطلاعات کافی دارم؟
آیا نتیجه Tool معتبر است؟
دوباره تلاش کنم؟
مسیر دیگری انتخاب کنم؟
کار را متوقف کنم؟
موضوع را به انسان ارجاع بدهم؟
استفاده از یک LLM بزرگ برای تکتک این تصمیمها ممکن است هم Latency و هم هزینه Workflow را افزایش دهد.
JEV دقیقاً برای تصمیمهای سریع و ساختاریافتهای از این جنس طراحی شده است. TypeSafe همچنین Verification، Guardrail، Scoring و تشخیص Jailbreak را از کاربردهای System One ذکر میکند.
در چنین معماریای حتی لازم نیست JEV جای Claude یا GPT را بگیرد. میتوانند کنار هم کار کنند:
LLM فکر و تولید میکند → JEV طبقهبندی، ارزیابی یا Route میکند → کد تصمیم نهایی Workflow را اجرا میکند.
آیا JEV میتواند متن، مقاله یا کد بنویسد؟
این یکی از مهمترین سؤالهایی است که قبل از استفاده باید جوابش را بدانید:
JEV برای تولید متن ساخته نشده است.
اگر میخواهید مقاله بنویسید، ایمیل تولید کنید، برنامهنویسی کنید، سؤال عمومی بپرسید یا با AI گفتگو کنید، یک LLM معمولی انتخاب منطقیتری است.
قدرت JEV دقیقاً از این محدودیت میآید.
TypeSafe عمداً String Generation را کنار گذاشته تا مدل برای Structured Decision بهینه شود.
بنابراین مقایسهای مثل:
«برای مقالهنویسی JEV بهتر است یا ChatGPT؟»
تقریباً سؤال اشتباهی است.
مثل این است که بپرسیم ماشینحساب بهتر است یا Word.
کارشان متفاوت است.
آیا JEV تصویر، صدا و ویدئو را هم تحلیل میکند؟
در نسخه فعلی باید این محدودیت را جدی گرفت.
JEV فعلاً روی ورودی متنی کار میکند و منابع فنی فعلی ورودی آن را شامل String، JSON Object و List of Strings توصیف میکنند؛ نه Image، Audio یا Video.
پس اگر پروژه شما مستقیماً نیازمند Vision است، نباید صرفاً به خاطر سرعت JEV معماری سیستم را بر اساس آن طراحی کنید.
JEV چقدر سریع است؟
اینجا یکی از ادعاهای اصلی TypeSafe مطرح میشود.
این شرکت برای JEV زمان End-to-End حدود 70 تا 500 میلیثانیه را اعلام کرده و در Workflow Evalهای خودش اعدادی تا 193.6 برابر سرعت بیشتر و 444.6 برابر هزینه کمتر نسبت به مقایسههای انجامشده گزارش کرده است.
اما خود TypeSafe نکته مهمی را هم صریحاً مطرح کرده است:
این اعداد مربوط به Workflowهای System One آزمایششده توسط خود شرکت هستند و TypeSafe میگوید انتظار دارد این میزان بهبود در سمت بالای دستاوردهای دنیای واقعی قرار داشته باشد. همچنین درباره احتمال Bias در طراحی Evaluationهای داخلی خودش توضیح داده است.
بنابراین نباید از این اعداد نتیجه گرفت:
«JEV در هر کاری 193 برابر GPT سریعتر است.»
مقایسه مربوط به نوع خاصی از وظایف تصمیمگیری است که JEV برای آنها طراحی شده است.
هزینه استفاده از JEV چقدر است؟
مدل قیمتگذاری هم تفاوت فلسفه JEV را نشان میدهد.
در زمان نگارش این مطلب، TypeSafe قیمت ورودی JEV را 0.042 دلار به ازای هر یک میلیون Input Token یا 42 دلار به ازای یک میلیارد Token اعلام کرده است و برای Output هزینه جداگانهای دریافت نمیکند.
علتش هم روشن است:
JEV قرار نیست صدها Token پاسخ برای شما تولید کند.
خروجی تصمیم است.
این قیمت مخصوصاً برای سیستمهایی جذاب میشود که قرار است میلیونها Classification، Score یا Routing انجام دهند.
با این حال، قیمت و شرایط دسترسی سرویسهای تازه AI میتواند تغییر کند و برای پروژه تجاری باید قیمت جاری TypeSafe هنگام استفاده بررسی شود.
آیا JEV برای پروژه من مناسب است؟
یک معیار ساده وجود دارد.
اگر خروجی موردنیاز شما چیزی شبیه این است:
«برایم توضیح بده چرا.»
احتمالاً LLM میخواهید.
اگر چیزی شبیه این است:
«از بین این گزینهها انتخاب کن و بگو چقدر مطمئنی.»
JEV ارزش بررسی دارد.
برای Customer Support Routing، Fraud Detection، Moderation، Lead Scoring، Workflow Automation، AI Agent Routing، Guardrail، Verification و پردازش حجم بالای داده، معماری JEV جذاب است.
اما برای Creative Writing، Chat، Coding، Research Report و تولید محتوای طولانی، ابزار دیگری لازم دارید.
آیا JEV قرار است جای ChatGPT را بگیرد؟
احتمالاً این هم سؤال اشتباهی است.
جذابترین سناریو، حذف یکی به نفع دیگری نیست.
تصور کنید یک سیستم AI در آینده اینگونه کار کند:
مدل زبانی مسئله پیچیده را تحلیل میکند.
JEV دهها تصمیم کوچک را با سرعت بالا میگیرد.
کد قوانین قطعی کسبوکار را اجرا میکند.
در موارد کماطمینان، انسان وارد Workflow میشود. این معماری از اینکه یک LLM را مجبور کنیم هم فکر کند، هم بنویسد، هم طبقهبندی کند، هم تصمیم بگیرد و هم تمام Automation را کنترل کند منطقیتر است.
و شاید مهمترین ایده پشت JEV همین باشد:
برای استفاده بیشتر از هوش مصنوعی، الزاماً به AIای که بیشتر حرف میزند نیاز نداریم؛ گاهی به AIای نیاز داریم که سریعتر تصمیم بگیرد.
شروع کار با JEV و TypeSafe AI
JEV در حال حاضر محصول بسیار تازهای است. TypeSafe آن را در سپتامبر 2026 بهعنوان اولین System One Model عمومی خود معرفی کرده و توسعه آن همچنان ادامه دارد. این مدل اکنون از طریق پلتفرمهایی مانند Cloudflare نیز در دسترس قرار گرفته است.
بنابراین اگر قرار است آن را وارد یک سیستم Production کنید، بهتر است قبل از جایگزینی Workflow موجود، ابتدا یک بخش محدود را آزمایش کنید.
یک Classification واقعی از کسبوکارتان انتخاب کنید، JEV را روی دادههای واقعی آزمایش کنید، Accuracy و Confidence را اندازه بگیرید و سپس Threshold مناسب را تعیین کنید.
در Automation واقعی، Demo جذاب مهم است؛ اما رفتار مدل روی دادههای خود شما مهمتر است.
سوالات متداول درباره JEV
JEV چیست؟
JEV اولین System One Model عمومی TypeSafe AI است که بهجای تولید متن آزاد، برای تصمیمهای سریع و ساختاریافته داخل نرمافزار طراحی شده است.
JEV چه فرقی با ChatGPT دارد؟
ChatGPT و LLMهای مشابه برای تعامل زبانی، تولید متن و انجام وظایف عمومی ساخته شدهاند. JEV خروجی Typed و ساختاریافته برای استفاده مستقیم نرمافزار تولید میکند. برخلاف ChatGPT که برای گفتگو و تولید محتوا طراحی شده، JEV روی تصمیمگیری ساختاریافته تمرکز دارد. اگر برای استفاده حرفهای از مدلهای GPT به پلن پولی نیاز دارید، امکان خرید و پرداخت اشتراک ChatGPT از طریق کیاسان کارت وجود دارد.
آیا JEV یک چتبات است؟
خیر. JEV برای Chat طراحی نشده و اساساً String Generation را هدف اصلی خود قرار نداده است.
آیا JEV میتواند مقاله بنویسد؟
خیر؛ تولید متن آزاد هدف JEV نیست. برای تولید مقاله، ایمیل، توضیح و محتوای خلاقانه بهتر است از LLM استفاده شود.
آیا JEV برای برنامهنویسی مناسب است؟
برای نوشتن کد نه؛ اما میتواند بهعنوان Decision Layer داخل یک نرمافزار یا AI Agent مورد استفاده قرار گیرد.
آیا JEV اشتباه نمیکند؟
JEV همچنان میتواند تصمیم اشتباه بگیرد. Type-safe بودن یعنی پاسخ از Schema تعریفشده خارج نمیشود؛ نه اینکه Accuracy همیشه 100 درصد باشد.
آیا JEV API دارد؟
JEV برای استفاده برنامهنویسی و Automation طراحی شده است و همچنین در Cloudflare Workers AI با مدل typesafe/jev ارائه شده است.
آیا JEV برای AI Agent مناسب است؟
بله، تصمیمهایی مانند Tool Selection، Routing، Scoring، Verification و Guardrail از کاربردهایی هستند که معماری System One برای آنها طراحی شده است.
آیا JEV جایگزین LLMها میشود؟
کارکرد آنها متفاوت است. در بسیاری از سیستمها منطقیتر است JEV بهعنوان Decision Model در کنار یک LLM استفاده شود، نه اینکه الزاماً جای آن را بگیرد.
JEV برای چه کسانی جذابتر است؟
بیشترین کاربرد فعلی آن برای توسعهدهندگان، تیمهای AI، SaaSها و شرکتهایی است که حجم زیادی از تصمیمهای تکرارشونده را داخل Workflowهای نرمافزاری Automation میکنند.
