THE JEV GUIDE · CURATED EDITION
Berita peluncuran, penjelasan, demo, dan proyek komunitas seputar TypeSafe Jev disusun menurut topik. Setiap entri terhubung kembali ke sumber X.
Pilihan kurasi · Tidak lengkap · Diperbarui manual
01 / EXPLORE
0 means awaiting a verified post
Mengubah satu tiket dukungan menjadi empat keputusan bertipe (rute, prioritas, risiko, tindakan berikutnya) dengan probabilitas, latensi, penyedia, dan biaya, plus repo MIT. Link
Dengan contoh kasus dukungan game di mana pengguna yang sama mengirim keluhan harian tentang karakter tertentu, posting ini membahas dasar penilaian Jev dan membandingkannya dengan manusia yang mengklasifikasikannya sebagai surat penggemar.
Peter Ramsing membagikan bagaimana timnya mulai memakai Jev dari TypeSafe untuk menyarankan pertanyaan lanjutan saat tiket dibuat, dan menekankan harus cepat karena tiket sering dibuat saat menelepon.
Penulis berbagi bahwa memperkenalkan Jev ke pipeline audio dukungan purnajual yang dibangun dengan Vane Data meningkatkan akurasi secara signifikan, dan menyebut Vane kini mendukung vane.ai.jev(...) dan Relation.jev(...). Link
Demo yang dapat dimodifikasi di mana Jev dari TypeSafe AI mengklasifikasi dan mengarsipkan umpan balik ketikan atau suara ke kotak masuk, dengan cookbook.
Penulis membuat moderator obrolan real-time dengan Jev yang dapat mendeteksi ribuan variasi dan ejaan kata buruk dalam berbagai bahasa, dan menyebut harganya yang sangat murah.
Sam Siam membagikan demo Maksym di mana Jev menyorot klik berikutnya berdasarkan kebutuhan yang dijelaskan, dan membayangkan penggunaannya memandu pengguna CRM baru mengimpor kontak.
Penulis mencoba implementasi dukungan pelanggan AI dengan Jev untuk pertanyaan kontrak langganan NHK, menentukan melalui obrolan apakah pengguna harus melanjutkan, mengurus, mendapat pengecualian, atau membatalkan; Jev berperan memilih pertanyaan berikutnya berdasarkan jawaban pengguna.
Menggunakan CowAgent untuk membangun alat analisis tiket batch di Jev: satu panggilan per tiket mengembalikan 7 klasifikasi, skor, dan penilaian boolean dengan distribusi probabilitas dalam sekitar 500ms.
Demo alat triase tiket dukungan yang dibuat dengan Jev yang menentukan tim, urgensi, tingkat keparahan, dan suasana hati pelanggan dalam satu panggilan.
Penulis mencoba Jev, AI khusus penilaian dari TypeSafe, di dukungan pelanggan: cepat dan akurat, tetapi meski hampir sempurna ada kasus yang tidak boleh salah, sehingga pembagian peran Code, LLM, dan Human penting.
Merutekan 72 tiket dukungan sintetis: Jev mencetak 93% untuk departemen, 85% untuk urgensi, dan 99% untuk deteksi pengembalian dana; Laya mencetak 58%, 63%, dan 74%, hanya mengenali 1 dari 12 tiket keamanan.