THE JEV GUIDE · CURATED EDITION
Lançamentos, explicações, demos e projetos da comunidade sobre TypeSafe Jev, organizados por tema. Cada item aponta para sua fonte no X.
Seleção curada · Não exaustiva · Atualização manual
01 / EXPLORE
0 means awaiting a verified post
Transforma um ticket de suporte em quatro decisões tipadas (roteamento, prioridade, risco, próxima ação) com probabilidade, latência, provedor e custo, com repositório MIT. Link
Usando o exemplo de um caso de suporte de jogo em que o mesmo usuário envia reclamações diárias sobre um personagem, o post discute os critérios de julgamento do Jev e contrasta com um humano que as classifica como cartas de fã.
Peter Ramsing compartilha como sua equipe começou a usar o Jev da TypeSafe para sugerir perguntas de acompanhamento ao criar tickets, destacando que precisa ser rápido, pois costumam ser criados durante ligações.
O autor compartilha que introduzir o Jev em um pipeline de áudio de suporte pós-venda construído com Vane Data melhorou significativamente a precisão, e menciona que o Vane agora suporta vane.ai.jev(...) e Relation.jev(...). Link
Demo reutilizável em que o Jev da TypeSafe AI classifica e arquiva no inbox o feedback digitado ou falado, com cookbook para adaptar.
O autor criou um moderador de chat em tempo real com Jev que detecta milhares de variações e grafias de palavras impróprias em vários idiomas, destacando seu preço extremamente baixo.
Sam Siam compartilha a demo de Maksym em que o Jev destaca o próximo clique conforme a necessidade descrita, e imagina o uso para guiar um novo usuário de CRM na importação de contatos.
O autor testou uma implementação de suporte ao cliente com IA usando Jev para perguntas sobre o contrato de assinatura da NHK, determinando pelo chat se o usuário deve continuar, tomar providências, ser isento ou cancelar; o Jev é responsável por selecionar a próxima pergunta com base nas respostas.
Uso do CowAgent para criar uma ferramenta de análise de tickets em lote no Jev: uma chamada por ticket retorna 7 classificações, pontuações e julgamentos booleanos com distribuições de probabilidade em cerca de 500 ms.
Demonstração de uma ferramenta de triagem de tickets criada com Jev que determina equipe, urgência, gravidade e humor do cliente em uma única chamada.
O autor testa o Jev, IA de julgamento da TypeSafe, no suporte ao cliente: velocidade e precisão, mas mesmo com quase tudo certo há casos que não podem falhar, por isso destaca a divisão de papéis entre Code, LLM e Human.
Roteamento de 72 tickets de suporte sintéticos: Jev obteve 93% para departamento, 85% para urgência e 99% para detecção de reembolso; Laya obteve 58%, 63% e 74%, reconhecendo apenas 1 de 12 tickets de segurança.