نختبر بالفعل نموذج القرار الجديد من TypeSafe على الأحكام الكامنة في كل محادثة على Maven، بما في ذلك تصنيف التذاكر وIntelligent Fields وفحوصات الجودة. وفي اختباراتنا الأولية، كان أسرع بنحو 12 مرة من نهجنا الحالي في مهام التصنيف، ولم يتباطأ مع إضافة مزيد من التصنيفات إلى الطلب نفسه.
طلب العميل يتضمن أكثر من قرار واحد
لنأخذ عميلًا يكتب: "تضاعفت فاتورتنا، ونصف فريقي لا يستطيع تسجيل الدخول، وأحتاج إلى حل هذا قبل التجديد غدًا."
يتطلب حل هذا الطلب عدة أنواع من العمل: على الوكيل أن يتعرّف على مشكلتي الفوترة والوصول، ويدرك مدى الإلحاح، ويتحقق من حساب العميل، ويتبع السياسات المناسبة. وإذا احتاج الأمر إلى تدخّل شخص، فيجب أن تصل المحادثة إلى الفريق المناسب مع سياق كافٍ للمتابعة.
بعض هذا العمل يتطلب الاستدلال والشرح، وبعضه يتطلب بحثًا مباشرًا، وبعضه يرجع إلى حكم محدد: ما المشكلات القائمة، وما مدى إلحاحها، وهل طلب العميل التحدث إلى شخص.
وفي هذه الفئة الأخيرة تحديدًا يصبح Jev مثيرًا للاهتمام.
بدأنا إخضاع Jev لمنهجية التقييم نفسها التي بنيناها لنماذج الصوت فور خروجه من مرحلة الوصول المبكر، لأن ادعاءً كهذا يستحق التحقق منه في ضوء سلوك سير العمل الفعلي لدى العميل، لا الاكتفاء بمعيار يقدّمه المورّد.
يشبه Jev المصنِّف، مع فارق: تزوّدونه بالسياق وبأسئلة محددة النطاق، فيعيد خيارات أو درجات أو احتمالات. صُمّم النموذج الجديد من TypeSafe AI لإعادة قرارات منظمة يمكن للبرمجيات استخدامها مباشرة. وبالنسبة إلى منصة مؤسسية مثل Maven، يتيح ذلك فرصة لتحسين الأحكام العديدة التي تقع بين طلب العميل وحلّه.
ما الذي يفعله Jev بشكل مختلف عن LLM
تصف TypeSafe نموذج Jev بأنه نموذج "System One". يقدّم المطوّر السياق والأسئلة والإجابات المحتملة، فيعيد Jev خيارات ودرجات واحتمالات. ويمكن تقييم عدة أسئلة مستقلة حول السياق نفسه بالتوازي. ولا يولّد نصًا حرًا كما تفعل نماذج LLM.
بالنسبة إلى الطلب أعلاه، يمكن للنظام أن يسأل عمّا إذا كان يتضمن مشكلة فوترة، وما إذا كان الوصول محظورًا، وما إذا كان العميل قد حدّد موعدًا نهائيًا. وتصبح كل إجابة مُدخلًا للخطوة التالية في سير العمل.
تستطيع نماذج LLM التقليدية بالفعل إنتاج مخرجات مقيّدة بمخطط. أما ما يقدّمه Jev فهو نموذج مبني خصيصًا لهذا العمل، مع توليد متوازٍ للمخرجات وتدريب تسمّيه TypeSafe "التعلّم المعزّز للقرارات المعايَرة" (Reinforcement Learning for Calibrated Decisions). والهدف هو جعل عدم اليقين مفيدًا للبرمجيات، إلى جانب خفض زمن الاستجابة والتكلفة.
كما أفاد المستخدمون الأوائل بتحسينات كبيرة في السرعة في مهام محددة. وفي اختباراتنا، أعاد Jev النتائج أسرع بنحو 12 مرة من نهجنا الحالي. هذا نموذج أولي مبكر وليس معيارًا مرجعيًا، وهو لا يعمل في بيئة الإنتاج لدى عملائنا. ويبلّغ آخرون عن أرقام مماثلة في مهامهم: فقد قاس Guillermo Rauch من Vercel سرعة أعلى بما يصل إلى 18 مرة عند المئين 95 في مراجعة أمان الأوامر التي يجريها وكيله، مع دقة أعلى من أداة المراجعة GPT-5.6-Luna التي حلّ محلها.
Intelligent Fields مجال طبيعي لتقييمه
أطلقت Maven ميزة Intelligent Fields في ربيع 2026. تحدّد الفرق ما تريد فهمه عن المحادثة، مثل مجال المنتج أو المشاعر أو نية طلب الاسترداد أو مؤشر التصعيد، وتغذّي الحقول الناتجة التقارير والتوجيه وإعدادات الوكيل.
وما يجعلها مميزة اليوم هو قلة ما تتطلبه منكم. تكتبون تعريفًا بلغة بسيطة لما تريدون معرفته، فتقيّم Maven كل محادثة وفقًا له. لا حاجة إلى مجموعة تدريب موسومة، ولا إلى نموذج تجب صيانته لكل وسم، ولا إلى محلل يضع الوسوم على التذاكر يدويًا بعد أسبوع. وتأتي كل قيمة مع درجة ثقة والمبرر الذي تستند إليه، وهي متاحة عبر API وطرق عرض التحليلات، ما يعني أن بإمكان الشخص التدقيق في سبب تصنيف محادثة ما على أنها خطر فقدان عميل بدلًا من التسليم بالتصنيف.
كل حقل يمثّل تقييمًا مستقلًا، وهذا مقصود في التصميم. فهذا الفصل هو ما يتيح لكل قيمة أن تأتي مع درجة ثقة ومبرر خاصين بها، بدلًا من حكم واحد مدمج على المحادثة لا يمكن لأحد تدقيقه.
ويتوافق نموذج قرار مثل Jev مع هذه البنية بسلاسة. فالأسئلة المستقلة حول السياق نفسه تُقيَّم بالتوازي، لذا يمكن تجميع مجموعة من تقييمات الحقول في طلب واحد، مع بقائها إجابات منفصلة مقيّمة كلٌّ على حدة. لا يتغير شكل المخرجات، بل يتغير عدد الأسئلة التي يمكن معالجتها في الوقت نفسه.
لذلك لا نتوقع أن تعمل Intelligent Fields بشكل مختلف مع Jev، لكننا نتوقع تحقيق مكاسب في الكفاءة وخفض التكاليف.
| سؤال عن المحادثة | كيف يتعامل معه نموذج القرار | ما الذي يتيحه |
|---|---|---|
| ما مجال المنتج الذي يتعلق به هذا؟ | الاختيار من فئات محددة | تصنيف الطلب واختيار الإرشادات ذات الصلة |
| ما مدى خطورة المشكلة المبلّغ عنها؟ | التقييم وفق معايير صريحة | ترتيب أولويات العمل حسب الأثر الفعلي |
| هل طلب العميل التحدث إلى شخص؟ | تقدير مدى صحة العبارة | دعم التعامل مع التصعيد |
| ما المشكلات الواردة في هذا الطلب؟ | تقييم كل مشكلة محتملة على حدة | الحفاظ على النوايا المتعددة في محادثة واحدة |
هذه مطابقات مرشّحة للتقييم. وسيتعيّن على Jev الحفاظ على معنى كل حقل وعلى سلوك أي سير عمل يعتمد عليه. كما أن نطاق مخرجاته الأضيق مهم أيضًا: فالملخصات المفتوحة والشروح المكتوبة ستظل بحاجة إلى نموذج توليدي أو مصدر آخر.
وتزداد أهمية هذه الفرصة حين يرغب الفريق في مزيد من التفاصيل من كل تفاعل. فانخفاض تكلفة التقييم الواحد قد يجعل من العملي تتبّع مشكلات إضافية في المنتج وأسباب الإلغاء ومؤشرات التصعيد، دون أن يصبح كل حقل جديد استدعاءً مكلفًا آخر للنموذج.
لا نضع نماذج عمرها أسبوع أمام عملاء المؤسسات
كل ما سبق اختبار وتفكير في التصميم. لا يعمل Jev في أي سير عمل لدى العملاء، ولن يقترب نموذج صدر قبل أيام من أي منها قبل أن يخضع لمنهجية التقييم نفسها التي نطبقها على أي نموذج جديد. ويمكنكم الاطلاع على كيفية اختبارنا لـGPT-Live-1 وغيره من نماذج الصوت. نقيس جودة القرار مقارنةً بنهجنا الحالي على حالات تمثيلية، بما فيها الحالات الملتبسة وتلك التي يغيب فيها السياق الحاسم، ثم نقارن زمن الاستجابة والتكلفة لكل نتيجة مقبولة ونتائج العملاء قبل أن يمسّ أي شيء التوجيه الفعلي.
خيارات أوسع من النماذج لأعمال المؤسسات
يوسّع Jev الخيارات المتاحة لبناء وكيل ذكاء اصطناعي للمؤسسات. فلكلٍّ من المحادثة والاستدلال والتصنيف والتحقق متطلبات مختلفة من النماذج.
وبالنسبة إلى Maven، تكمن الفرصة في تقييم Jev حيث يمكنه أن يجعل ميزات مثل Intelligent Fields أكثر كفاءة، مع الحفاظ على السياق والضوابط اللازمة لحل طلب العميل.
اعرضوا على Maven سير عمل تُبطئ فيه القرارات المتكررة التجربة: تذكرة تنتقل باستمرار بين قوائم الانتظار، أو حقل مكلف التقييم، أو فحص جودة يُجرى في وقت متأخر جدًا. هناك يستطيع النموذج الجديد أن يثبت جدارته.
ويمكن تحقيق ذلك بسرعة لأن Charters وSegments وIntelligent Fields تحدد بالفعل القرارات المهمة هنا. واستبدال طبقة أحكام أسرع تحتها تغيير في الإعدادات يمكننا اختباره خلال أيام، لا إعادة بناء تستغرق أرباعًا سنوية.
شاهدوه على محادثاتكم الفعلية.
اطلبوا عرضًا توضيحيًا مخصصًا ومجانيًا.
