אנחנו כבר בוחנים את מודל ההחלטות החדש של TypeSafe מול השיפוטים שנמצאים בתוך כל שיחה ב-Maven, כולל סיווג פניות, Intelligent Fields ובדיקות איכות. בבדיקות המוקדמות שלנו הוא רץ מהר פי 12 בערך מהגישה הנוכחית שלנו בעבודת סיווג, והוא לא הואט כשהוספנו עוד סיווגים לאותה בקשה.
בקשה של לקוח כוללת יותר מהחלטה אחת
נניח שלקוח כותב: "החשבונית שלנו הוכפלה, חצי מהצוות שלי לא מצליח להתחבר, ואני צריך שזה יתוקן לפני החידוש מחר."
פתרון הבקשה הזו כולל כמה סוגי עבודה: הסוכן צריך לזהות את בעיות החיוב והגישה, להבין את הדחיפות, לבדוק את החשבון של הלקוח ולפעול לפי המדיניות המתאימה. אם נדרשת התערבות אנושית, השיחה צריכה להגיע לצוות הנכון עם מספיק הקשר כדי להמשיך.
חלק מהעבודה הזו דורש הסקה והסבר. חלק דורש שליפה ישירה. וחלק מסתכם בשיפוט ממוקד: אילו בעיות קיימות, כמה הן דחופות, או האם הלקוח ביקש לדבר עם נציג אנושי.
בקטגוריה האחרונה הזו Jev נעשה מעניין.
התחלנו להעביר את Jev את אותה מתודולוגיית הערכה שבנינו עבור מודלי קול ברגע שהוא יצא מגישה מוקדמת, כי טענה כזו שווה בדיקה מול האופן שבו תהליך העבודה האמיתי של לקוח מתנהג, ולא רק מול בנצ'מרק של הספק.
Jev הוא מעין מסווג, עם טוויסט: נותנים לו הקשר ושאלות מוגדרות, והוא מחזיר בחירות, ציונים או הסתברויות. המודל החדש של TypeSafe AI נועד להחזיר החלטות מובנות שתוכנה יכולה להשתמש בהן ישירות. עבור פלטפורמה ארגונית כמו Maven, זו הזדמנות לשפר את השיפוטים הרבים שנמצאים בין הבקשה של הלקוח לבין הפתרון שלה.
במה Jev שונה מ-LLM
TypeSafe מכנה את Jev מודל "System One". המפתח מספק הקשר, שאלות ואת התשובות האפשריות. Jev מחזיר בחירות, ציונים והסתברויות. אפשר להעריך במקביל כמה שאלות בלתי תלויות על אותו הקשר. הוא לא מייצר טקסט חופשי כמו LLM.
עבור הבקשה שלמעלה, מערכת יכולה לשאול אם יש בה בעיית חיוב, אם הגישה חסומה, והאם הלקוח ציין מועד אחרון. כל תשובה הופכת לקלט לשלב הבא בתהליך.
מודלי LLM רגילים כבר יודעים להפיק פלטים שמוגבלים לסכמה. ההצעה של Jev היא מודל שנבנה במיוחד לעבודה הזו, עם יצירת פלט מקבילית ואימון ש-TypeSafe מכנה Reinforcement Learning for Calibrated Decisions. המטרה היא להפוך את אי-הוודאות לשימושית עבור תוכנה, לצד השהיה ועלות נמוכות יותר.
משתמשים מוקדמים דיווחו גם על שיפורי מהירות משמעותיים במשימות מסוימות. בבדיקות שלנו, Jev החזיר תשובות מהר פי 12 בערך מהגישה הנוכחית שלנו. מדובר באב-טיפוס מוקדם, לא בבנצ'מרק, והוא לא רץ בסביבת ייצור אצל הלקוחות שלנו. אחרים מדווחים על מספרים דומים במשימות שלהם: Guillermo Rauch מ-Vercel מדד מהירות גבוהה עד פי 18 באחוזון ה-95 בבדיקת בטיחות הפקודות שהסוכן שלו מריץ, עם דיוק גבוה יותר מזה של מודל הבדיקה GPT-5.6-Luna שהוא החליף.
Intelligent Fields הם מקום טבעי לבחון אותו
Maven השיקה את Intelligent Fields באביב 2026. צוותים מגדירים מה הם רוצים להבין על שיחה, כמו תחום מוצר, סנטימנט, כוונה לבקש החזר או סימן להסלמה, והשדות שמתקבלים מזינים דוחות, ניתוב והגדרות של הסוכן.
מה שהופך את זה לטוב כבר היום הוא כמה מעט זה דורש מכם. כותבים הגדרה בשפה פשוטה של מה שרוצים לדעת, ו-Maven מעריכה כל שיחה לפיה. בלי מערך אימון מתויג, בלי מודל לתחזק לכל תווית, בלי אנליסט שמתייג פניות ידנית שבוע אחר כך. כל ערך מגיע עם ציון ביטחון והנימוק שמאחוריו, זמינים דרך ה-API ותצוגות האנליטיקה, כך שאדם יכול לבדוק למה שיחה סומנה כסיכון נטישה במקום לקבל את התווית כמובנת מאליה.
כל שדה הוא הערכה נפרדת, וזה מכוון. ההפרדה הזו היא מה שמאפשר לכל ערך להגיע עם ציון ביטחון ונימוק משלו, במקום פסיקה מעורבבת אחת על השיחה שאף אחד לא יכול לבקר.
מודל החלטות כמו Jev מתאים למבנה הזה בצורה נקייה. שאלות בלתי תלויות על אותו הקשר מוערכות במקביל, כך שאפשר לאגד קבוצה של הערכות שדות לבקשה אחת ועדיין לקבל תשובות נפרדות, שלכל אחת ציון משלה. מבנה הפלט לא משתנה. מה שמשתנה הוא כמה שאלות יכולות להיות בטיפול בו-זמנית.
לכן אנחנו לא מצפים ש-Intelligent Fields יעבדו אחרת עם Jev. אנחנו כן מצפים להתייעלות ולהפחתת עלויות.
| שאלה על שיחה | איך מודל החלטות מטפל בה | מה זה מאפשר |
|---|---|---|
| באיזה תחום מוצר מדובר? | בחירה מתוך קטגוריות מוגדרות | סיווג הביקוש ובחירת הנחיות רלוונטיות |
| כמה חמורה הבעיה המדווחת? | ציון לפי מחוון מפורש | תעדוף עבודה לפי השפעה אמיתית |
| האם הלקוח ביקש לדבר עם אדם? | הערכה האם הטענה נכונה | מידע לטיפול בהסלמה |
| אילו בעיות מופיעות בבקשה הזו? | הערכה נפרדת של כל בעיה אפשרית | שמירה על כמה כוונות בשיחה אחת |
אלה מיפויים אפשריים שעדיין יש לבחון. Jev יצטרך לשמר את המשמעות של כל שדה ואת ההתנהגות של כל תהליך שתלוי בו. גם הפלט המצומצם יותר שלו משנה: סיכומים פתוחים והסברים כתובים עדיין ידרשו מודל גנרטיבי או מקור אחר.
ההזדמנות רלוונטית במיוחד כשצוות רוצה יותר פירוט מכל אינטראקציה. עלות נמוכה יותר לכל הערכה יכולה להפוך למעשי מעקב אחר בעיות מוצר נוספות, סיבות ביטול וסימני הסלמה, בלי שכל שדה חדש יהפוך לעוד קריאה יקרה למודל.
אנחנו לא מציבים מודלים בני שבוע מול לקוחות ארגוניים
כל מה שתואר למעלה הוא בדיקות וחשיבה תכנונית. Jev לא רץ באף תהליך של לקוח, ומודל ששוחרר לפני כמה ימים לא יתקרב לתהליך כזה עד שיעבור את אותה מתודולוגיית הערכה שאנחנו מפעילים על כל מודל חדש. אפשר לראות איך בחנו את GPT-Live-1 ומודלי קול אחרים. אנחנו מודדים את איכות ההחלטות מול הגישה הנוכחית שלנו על מקרים מייצגים, כולל המקרים העמומים ואלה שבהם ההקשר המכריע חסר, ואז משווים השהיה, עלות לכל תוצאה מאושרת ותוצאה ללקוח, לפני שמשהו נוגע בניתוב החי.
מגוון רחב יותר של מודלים לעבודה ארגונית
Jev מרחיב את האפשרויות לבניית סוכן AI ארגוני. לשיחה, להסקה, לסיווג ולאימות יכולות להיות דרישות שונות מהמודל.
עבור Maven, ההזדמנות היא לבחון את Jev במקומות שבהם הוא יכול להפוך פיצ'רים כמו Intelligent Fields ליעילים יותר, תוך שמירה על ההקשר והבקרות שנדרשים כדי לפתור את הבקשה של הלקוח.
הביאו ל-Maven תהליך שבו החלטות חוזרות מאטות את החוויה: פנייה שעוברת שוב ושוב בין תורים, שדה שיקר להעריך, או בדיקת איכות שרצה מאוחר מדי. שם מודל חדש יכול להוכיח את עצמו.
זה אפשרי במהירות כי Charters, Segments ו-Intelligent Fields כבר מגדירים את ההחלטות שחשובות כאן. החלפת שכבת השיפוט שמתחתיהם בשכבה מהירה יותר היא שינוי תצורה שאנחנו יכולים לבדוק בתוך ימים, לא בנייה מחדש שלוקחת רבעונים.
ראו את זה על השיחות שלכם.
בקשו הדגמה מותאמת אישית ללא עלות.
