THE JEV GUIDE · CURATED EDITION
Новости запусков, объяснения, демо и проекты сообщества вокруг TypeSafe Jev, сгруппированные по темам. Каждая запись ведет к исходному посту в X.
Кураторская подборка · Не полный список · Ручное обновление
01 / EXPLORE
0 means awaiting a verified post
Превращает один тикет поддержки в четыре типизированных решения (маршрут, приоритет, риск, следующее действие) с вероятностью, задержкой, провайдером и стоимостью, есть MIT-репозиторий. Link
На примере обращения в поддержку игры, где один и тот же пользователь ежедневно жалуется на персонажа, в посте обсуждаются критерии оценки Jev и сравниваются с решением человека отнести их к фанатским письмам.
Peter Ramsing рассказывает, как его команда начала использовать Jev от TypeSafe для подсказок уточняющих вопросов при создании тикетов, отмечая необходимость высокой скорости, так как тикеты часто создаются во время звонка.
Автор делится, что внедрение Jev в аудио-пайплайн послепродажной поддержки на базе Vane Data значительно повысило точность, и отмечает, что Vane теперь поддерживает vane.ai.jev(...) и Relation.jev(...). Link
Переиспользуемое демо: Jev от TypeSafe AI классифицирует и раскладывает по входящим текстовую или голосовую обратную связь, есть cookbook.
Автор создал модератор чата в реальном времени с помощью Jev, который обнаруживает тысячи вариаций и написаний плохих слов на разных языках, отметив его чрезвычайно низкую цену.
Sam Siam делится демо Maksym, где Jev подсвечивает следующий клик по описанию потребности, и представляет применение для обучения нового пользователя CRM импорту контактов.
Автор опробовал реализацию ИИ-поддержки клиентов с помощью Jev для вопросов о договоре подписки NHK: в чате определяется, должен ли пользователь продолжить, оформить, получить освобождение или расторгнуть договор; Jev отвечает за выбор следующего вопроса на основе ответов.
Использование CowAgent для создания инструмента пакетного анализа тикетов на Jev: один вызов на тикет возвращает 7 классификаций, оценок и булевых суждений с распределениями вероятностей примерно за 500 мс.
Демонстрация инструмента сортировки тикетов на Jev, который за один вызов определяет команду, срочность, серьёзность и настроение клиента.
Автор тестирует Jev — ИИ для оценки суждений от TypeSafe — в поддержке клиентов: быстро и точно, но даже при почти идеальных результатах есть случаи, которые нельзя пропустить, поэтому важно распределение ролей между Code, LLM и человеком.
Маршрутизация 72 синтетических тикетов поддержки: Jev показал 93% для отдела, 85% для срочности и 99% для обнаружения возвратов; Laya — 58%, 63% и 74%, распознав только 1 из 12 тикетов безопасности.