استخدم المؤلف نموذج Open-Jev 27B لتوسيم 7,999 رسالة في مجموعة بيانات Banking77 مرة واحدة، ويتعلم نموذجان طالبان من هذه التسميات، مع الاحتفاظ بـ 1,000 إجابة بشرية للتقييم.
The setup is pretty simple. Banking77 is a dataset where you need to route a support message to one of 77 different intents. I used the @Zefan_Cai Open-Jev 27B model to label 7,999 messages once. The two students learn from these labels. Then I kept 1000 human answers out of the
يشارك المؤلف تجربة استخدام Jev: بدا صعبًا في البداية، لكنه اتضح عندما فُهم على أنه 'عدم ترك الذكاء الاصطناعي يكتب النص'. وباستخدام معالجة الاستفسارات كمثال، فإن النهج التقليدي يرمي كل شيء على GPT أو Claude للتحليل، بينما يتبع Jev نهجًا مختلفًا.
يستخدم النموذج الأولي الذكاء الاصطناعي لتقدير التردد أو الاهتمام من حركات المؤشر ذهابًا وإيابًا أو التوقف قبل النقر، ومراقبة سلوك العميل واستكمال الشروحات أو اقتراح المقارنات.
أنشأ المؤلف عرضًا توضيحيًا لخدمة العملاء الفورية للتجارة الإلكترونية باستخدام Jev و gpt-live-1، يقترح المنتجات الموصى بها فورًا بناءً على كلام المستخدم أثناء المحادثة، مما يوفر تجربة رائعة.
