Autor użył modelu Open-Jev 27B do jednorazowego oznaczenia 7 999 wiadomości w zbiorze danych Banking77, dwa modele uczniowskie uczą się z tych etykiet, a 1 000 ludzkich odpowiedzi pozostawiono do oceny.
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
Autor dzieli się doświadczeniem z Jev: początkowo wydawało się trudne, ale stało się jasne, gdy pomyślał o tym jako 'nie pozwalaj AI pisać tekstu'. Na przykładzie obsługi zapytań tradycyjne podejście przekazuje wszystko GPT lub Claude do analizy, a Jev stosuje inne podejście.
Prototyp wykorzystuje AI do szacowania wahania lub zainteresowania na podstawie ruchów kursora lub zatrzymania przed kliknięciem, obserwując zachowanie klienta i uzupełniając wyjaśnienia lub sugerując porównania.
Autor stworzył demo obsługi klienta w czasie rzeczywistym dla e-commerce z Jev i gpt-live-1, które natychmiast sugeruje polecane produkty na podstawie wypowiedzi użytkownika podczas rozmowy, zapewniając świetne doświadczenie.
