Penulis menggunakan model Open-Jev 27B untuk melabeli 7.999 pesan dalam dataset Banking77 sekali, dua model siswa belajar dari label tersebut, dan 1.000 jawaban manusia disisihkan untuk evaluasi.
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
Penulis berbagi pengalaman menggunakan Jev: awalnya terasa rumit, tetapi menjadi jelas saat dipahami sebagai 'jangan biarkan AI menulis teks'. Dengan penanganan pertanyaan sebagai contoh, pendekatan konvensional menyerahkan semuanya ke GPT atau Claude untuk dianalisis, sedangkan Jev mengambil pendekatan berbeda.
Prototipe ini menggunakan AI untuk memperkirakan keraguan atau minat dari gerakan kursor atau jeda sebelum mengklik, mengamati perilaku pelanggan dan melengkapi penjelasan atau menyarankan perbandingan.
Penulis membuat demo layanan pelanggan real-time e-commerce dengan Jev dan gpt-live-1, yang langsung menyarankan produk rekomendasi berdasarkan ucapan pengguna selama percakapan, memberikan pengalaman yang luar biasa.
