تحليل · نماذج القرار بالذكاء الاصطناعي

Jev: نموذج قرار بالذكاء الاصطناعي وليس روبوت محادثة آخر

يعرف معظم الناس الذكاء الاصطناعي بوصفه نظاماً يكتب. ما يجعل Jev مثيراً للاهتمام أنه صُمم ليختار: أن يتخذ قراراً محدوداً يستطيع البرنامج أن يعمل بناءً عليه.

بقلم أحمدرضا صمدي · ٢٥ سبتمبر ٢٠٢٦ · النسخة الإنجليزية من المقال

تحديث ١٠ أكتوبر ٢٠٢٦

في ١٥ سبتمبر ٢٠٢٦ قدّمت TypeSafe AI نموذج Jev ضمن ما تسميه نماذج System One. الفكرة ليست محاوراً أفضل، بل نموذج مصمم ليعمل داخل التطبيق في اللحظة التي يحتاج فيها البرنامج إلى حكم، مثل تحديد الجهة التي يجب أن تذهب إليها رسالة واردة.

ما هو Jev؟

وفقاً لوثائق TypeSafe، يستقبل Jev حالة التطبيق وأسئلة محددة الأنواع، ثم يعيد خيارات أو درجات أو قيماً شبيهة بالاحتمالات يستطيع الكود استخدامها مباشرة. وبدلاً من كتابة فقرة مفتوحة، يجيب ضمن الخيارات التي تحددها أنت.

تصف TypeSafe طريقة التوليد في Jev بأنها متوازية لا ذاتية الانحدار، أي أنه لا يولّد إجابته وحدة نصية (token) بعد أخرى كما يكتب روبوت المحادثة. هذا وصف الشركة لبنيتها، وأتعامل معه كادعاء من المُورّد إلى أن تفحصه أعمال مستقلة.

كيف يمكن لنموذج قرار ونموذج توليدي العمل معًا؟

تخيّل رسالة تصل إلى شركة: «أحتاج مساعدة في حسابي». هل تذهب إلى المبيعات أم الدعم أم إلى شخص للمراجعة؟ يستطيع نموذج القرار قراءة الرسالة واختيار الدعم من بين الخيارات المسموح بها، ثم يستطيع نموذج توليدي مثل GPT أو Claude صياغة رد مفيد.

نموذج يساعد على تحديد ما يحدث بعد ذلك، وآخر يساعد على الشرح أو الإنشاء، ويمكنهما العمل معاً. يستطيع GPT وClaude أيضاً إنتاج مخرجات منظمة، لذا فالفرق يتعلق بالتخصص وتصميم سير العمل، لا بادعاء أن Jev وحده يستطيع إعادة إجابة منظمة.

ماذا تُظهر الأدلة الأولية؟

في ٢٢ سبتمبر ٢٠٢٦ قارنت OpenRouter بين Jev 1.13 وClaude Opus 5 على جزء الاختبار من مجموعة بيانات تصنيف النوايا Banking77:

• الدقة: ٨١٫٠٪ لـ Jev 1.13 مقابل ٨٤٫٤٪ لـ Claude Opus 5.
• وسيط زمن الذهاب والإياب: ١٧٥ ملّي ثانية لـ Jev مقابل ٢٬٢٦٦ ملّي ثانية.
• التكلفة المفوترة لكل ١٬٠٠٠ طلب: ٠٫١١ دولار لـ Jev مقابل ٢٫٤٢ دولار.

هذه مقايضة لها معنى: فارق محدود في الدقة مقابل زمن استجابة وتكلفة أقل بكثير. لكن نطاق الاختبار ضيق: مجال واحد وتصميم واحد للتعليمات، وقد شُغّل Opus مع تعطيل الاستدلال. إنه ليس ترتيباً عاماً للنماذج.

ووجدت OpenRouter أيضاً أن درجة ثقة Jev لم تكن معايَرة كاحتمال على هذه البيانات. فلا ينبغي قراءة الدرجة المرتفعة على أنها فرصة مماثلة لصحة الإجابة قبل التحقق منها ببياناتك.

كيف سأختبر Jev

سأختبر Jev بوصفه طبقة توجيه، لا بديلاً عن سير العمل بأكمله:

1. صنّف كل حالة ضمن مجموعة محددة من الخيارات.
2. طبّق عتبة ثقة جرى التحقق منها على بيانات محجوزة من سير العمل الحقيقي.
3. أحِل الحالات غير المؤكدة إلى نموذج أكبر أو إلى مراجع بشري.
4. أبقِ القواعد الدقيقة والصلاحيات والإجراءات النهائية في كود التطبيق.

ثم قِس ما يهم من البداية إلى النهاية: الدقة ونسبة المراجعة وزمن الاستجابة وتكلفة كل قرار مقبول. هذا المقياس الأخير يطبّق إطاراً أستخدمه لأي سير عمل بالذكاء الاصطناعي، شرحته في تكلفة الذكاء الاصطناعي لكل نتيجة مُتحقَّق منها.

هل يمكن أن تظل الإجابة المنظمة قرارًا خاطئًا؟

الإجابة المنظمة لا تخرج عن صيغتها المسموح بها، لكنها قد تظل قراراً خاطئاً. البنية تجعل المخرجات أسهل في الاستخدام، لكنها لا تجعلها صحيحة. اختبر بأمثلة حقيقية، وأبقِ الحالات غير المؤكدة مفتوحة للمراجعة.

لمتابعة الفكرة

كتبت عن Jev مستنداً تقنياً من ثماني صفحات على LinkedIn لقراء الهندسة، وشرحاً مبسطاً على Instagram للجمهور العام. للقراءة ذات الصلة: ربط التطبيقات بالذكاء الاصطناعي وابدأ بالقرار، ثم ابنِ الذكاء الاصطناعي.

المصادر

• TypeSafe AI، «Introducing System One Models & Jev»، ١٥ سبتمبر ٢٠٢٦.
• TypeSafe AI، الوثائق: مقدمة، تمت المراجعة في ٢٥ سبتمبر ٢٠٢٦.
• OpenRouter، «Is Jev as Accurate as Frontier Models at Classification?»، ٢٢ سبتمبر ٢٠٢٦.