El autor utilizó el modelo Open-Jev 27B para etiquetar 7,999 mensajes del conjunto de datos Banking77 una sola vez, dos modelos estudiantes aprenden de estas etiquetas y se reservan 1,000 respuestas humanas para evaluación.
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
El autor comparte una experiencia con Jev: al principio parecía complicado, pero encajó al entenderlo como 'no dejar que la IA escriba texto'. Con la gestión de consultas como ejemplo, el enfoque convencional vuelca todo en GPT o Claude para analizarlo, mientras que Jev plantea un enfoque distinto.
El prototipo usa IA para estimar la duda o el interés a partir de los movimientos del cursor o la pausa antes de hacer clic, observando el comportamiento del cliente y complementando explicaciones o sugiriendo comparaciones.
El autor creó una demo de atención al cliente en tiempo real para comercio electrónico con Jev y gpt-live-1, que sugiere productos recomendados al instante según el habla del usuario durante la conversación, brindando una gran experiencia.
