THE JEV GUIDE · CURATED EDITION
Noticias de lanzamiento, explicaciones, demos y proyectos de la comunidad sobre TypeSafe Jev, organizados por tema. Cada entrada enlaza a su fuente en X.
Selección curada · No exhaustiva · Actualización manual
01 / EXPLORE
0 means awaiting a verified post
Convierte un ticket de soporte en cuatro decisiones tipadas (ruta, prioridad, riesgo, siguiente acción) con probabilidad, latencia, proveedor y coste, con repositorio MIT. Link
Con el ejemplo de un caso de soporte de juego donde el mismo usuario envía quejas diarias sobre un personaje, el post analiza los criterios de Jev y los contrasta con un humano que las clasifica como cartas de fans.
Peter Ramsing comparte cómo su equipo empieza a usar Jev de TypeSafe para sugerir preguntas de seguimiento al crear tickets, y señala que debe ser rápido porque suelen crearse durante llamadas.
El autor comparte que introducir Jev en un pipeline de audio de atención posventa construido con Vane Data mejoró notablemente la precisión, y menciona que Vane ya soporta vane.ai.jev(...) y Relation.jev(...). Link
Demo reutilizable donde Jev de TypeSafe AI clasifica y archiva en la bandeja de entrada los comentarios escritos o hablados, con cookbook para adaptarlo.
El autor creó un moderador de chat en tiempo real con Jev que detecta miles de variaciones y formas de escribir palabras ofensivas en varios idiomas, destacando su precio extremadamente bajo.
Sam Siam comparte la demo de Maksym donde Jev resalta el siguiente clic según la necesidad descrita, e imagina su uso para guiar a un nuevo usuario de CRM en la importación de contactos.
El autor probó una implementación de atención al cliente con IA usando Jev para preguntas sobre el contrato de suscripción de NHK, determinando mediante el chat si el usuario debe continuar, realizar trámites, ser eximido o cancelar; Jev se encarga de seleccionar la siguiente pregunta según las respuestas.
Uso de CowAgent para crear una herramienta de análisis de tickets por lotes en Jev: una llamada por ticket devuelve 7 clasificaciones, puntuaciones y juicios booleanos con distribuciones de probabilidad en unos 500 ms.
Demostración de una herramienta de triaje de tickets creada con Jev que determina el equipo, la urgencia, la gravedad y el estado de ánimo del cliente en una sola llamada.
El autor prueba Jev, la IA de juicio de TypeSafe, en atención al cliente: destaca su velocidad y precisión, pero advierte que incluso con casi todo correcto hay casos que no se pueden fallar, por lo que importa el reparto de roles entre Code, LLM y Human.
Enrutamiento de 72 tickets de soporte sintéticos: Jev obtuvo 93% en departamento, 85% en urgencia y 99% en detección de reembolsos; Laya obtuvo 58%, 63% y 74%, reconociendo solo 1 de 12 tickets de seguridad.