THE JEV GUIDE · CURATED EDITION
Wiadomości premierowe, wyjaśnienia, demo i projekty społeczności wokół TypeSafe Jev, uporządkowane według tematów. Każdy wpis prowadzi do źródła na X.
Selekcja redakcyjna · Niepełna · Aktualizowana ręcznie
01 / EXPLORE
0 means awaiting a verified post
Zamienia jedno zgłoszenie wsparcia w cztery typowane decyzje (routing, priorytet, ryzyko, następna akcja) z prawdopodobieństwem, opóźnieniem, dostawcą i kosztem, z repozytorium MIT. Link
Na przykładzie zgłoszenia do wsparcia gry, w którym ten sam użytkownik codziennie przesyła skargi na postać, post omawia kryteria oceny Jev i porównuje je z ludzką klasyfikacją jako listy od fanów.
Peter Ramsing opisuje, jak jego zespół zaczyna używać Jev od TypeSafe do podpowiadania pytań uzupełniających przy tworzeniu zgłoszeń, podkreślając potrzebę szybkości, bo zgłoszenia często powstają podczas rozmowy telefonicznej.
Autor dzieli się, że wprowadzenie Jev do pipeline'u audio wsparcia posprzedażowego zbudowanego z Vane Data znacznie poprawiło dokładność, i wspomina, że Vane obsługuje teraz vane.ai.jev(...) i Relation.jev(...). Link
Demo do ponownego użycia, w którym Jev od TypeSafe AI klasyfikuje i zapisuje w skrzynce opinie pisane lub głosowe, z cookbookiem.
Autor stworzył moderatora czatu w czasie rzeczywistym z Jev, który wykrywa tysiące wariantów i pisowni niecenzuralnych słów w wielu językach, podkreślając jego niezwykle niską cenę.
Sam Siam dzieli się demem Maksyma, w którym Jev podświetla następne kliknięcie na podstawie opisanej potrzeby, i wyobraża sobie jego użycie do prowadzenia nowego użytkownika CRM przy imporcie kontaktów.
Autor przetestował wdrożenie obsługi klienta AI z Jev dla pytań dotyczących umowy abonamentu NHK, ustalając przez czat, czy użytkownik powinien kontynuować, podjąć działania, uzyskać zwolnienie czy zrezygnować; Jev odpowiada za wybór następnego pytania na podstawie odpowiedzi.
Użycie CowAgent do zbudowania narzędzia do analizy zgłoszeń wsadowych na Jev: jedno wywołanie na zgłoszenie zwraca 7 klasyfikacji, ocen i osądów logicznych z rozkładami prawdopodobieństwa w około 500 ms.
Demo narzędzia do triażu zgłoszeń zbudowanego z Jev, które w jednym wywołaniu określa zespół, pilność, wagę i nastrój klienta.
Autor testuje Jev, AI specjalizującą się w ocenie od TypeSafe, w obsłudze klienta: szybko i trafnie, ale nawet przy niemal samych trafieniach zdarzają się przypadki, których nie wolno pominąć, dlatego ważny jest podział ról między Code, LLM i Human.
Routing 72 syntetycznych zgłoszeń wsparcia: Jev uzyskał 93% dla działu, 85% dla pilności i 99% dla wykrywania zwrotów; Laya uzyskała 58%, 63% i 74%, rozpoznając tylko 1 z 12 zgłoszeń bezpieczeństwa.