Fatih Yildiz estime que Jev de TypeSafe AI est prometteur pour les cas d'usage de modèles de décision d'observabilité, notant que la latence s'accumule avec les modèles frontières chez edge_delta pour le scoring de priorité opérationnelle et le routage d'événements, et teste Jev.
#Jev from @typesafeai looks very promising for Observability Decision Model use cases. At @edge_delta , we use frontier models for operational priority scoring, routing events, identifying recurring issues, and similar decisions. Latency adds up. I tested Jev on our
L'auteur a testé Jev sur un benchmark de 1 565 e-mails professionnels en allemand et en anglais provenant de fournisseurs industriels, répartis en 10 catégories ; il s'est avéré moins précis que Gemini, mais l'auteur s'est intéressé aux types d'erreurs et envisage toujours de le mettre en production.
Aaron Levie affirme que Jev aide les agents à prendre des décisions rapides dans les workflows, la classification des données et les jugements, avec une démo Box et Jev extrayant un rapport d'incident de Box.
Un utilisateur partage le traitement par JEV de 100 minutes d'entretien fictives : tri Pass/Hold/Pass, notation des compétences, communication et motivation, détection de préoccupations majeures en 12,8 secondes pour 0,005 $.
