THE JEV GUIDE · CURATED EDITION
Lanseringsnyheter, förklaringar, demos och community projekt kring TypeSafe Jev, ordnade efter ämne. Varje post länkar tillbaka till sin källa på X.
Kurerat urval · Inte komplett · Uppdateras manuellt
01 / EXPLORE
0 means awaiting a verified post
Omvandlar ett supportärende till fyra typade beslut (routing, prioritet, risk, nästa åtgärd) med sannolikhet, latens, leverantör och kostnad, med MIT-repo. Link
Med exemplet ett spelsupportärende där samma användare dagligen skickar klagomål om en karaktär diskuterar inlägget Jevs bedömningskriterier och jämför med en människa som klassar dem som fanbrev.
Peter Ramsing berättar hur hans team börjar använda TypeSafe Jev för att föreslå följdfrågor när ärenden skapas, och betonar att det måste vara snabbt eftersom ärenden ofta skapas under telefonsamtal.
Författaren delar att införandet av Jev i en ljudpipeline för eftermarknadsstöd byggd med Vane Data avsevärt förbättrade träffsäkerheten, och nämner att Vane nu stöder vane.ai.jev(...) och Relation.jev(...). Link
Återanvändbar demo där Jev från TypeSafe AI klassificerar och arkiverar skriftlig eller talad feedback i inkorgen, med cookbook.
Författaren byggde en realtidschattmoderator med Jev som kan upptäcka tusentals variationer och stavningar av dåliga ord på flera språk, och noterar dess extremt låga pris.
Sam Siam delar Maksyms demo där Jev markerar nästa klick utifrån det beskrivna behovet, och föreställer sig användning för att guida en ny CRM-användare genom kontaktimport.
Författaren testade en AI-kundsupportimplementering med Jev för frågor om NHK-abonnemangsavtalet, där chatten avgör om användaren ska fortsätta, vidta åtgärder, vara befriad eller avsluta; Jev ansvarar för att välja nästa fråga baserat på användarens svar.
Använda CowAgent för att bygga ett batch-ärendeanalysverktyg på Jev: ett anrop per ärende returnerar 7 klassificeringar, poäng och booleska bedömningar med sannolikhetsfördelningar på cirka 500 ms.
Demo av ett triageverktyg för supportärenden byggt med Jev som i ett enda anrop avgör team, brådska, allvarlighetsgrad och kundens humör.
Författaren testar TypeSafe's bedömningsinriktade AI Jev inom kundsupport: snabb och träffsäker, men även med nästan allt rätt finns fall som inte får missas, så rollfördelningen mellan Code, LLM och Human är viktig.
Routning av 72 syntetiska supportärenden: Jev fick 93% för avdelning, 85% för brådska och 99% för återbetalningsdetektering; Laya fick 58%, 63% och 74% och kände igen endast 1 av 12 säkerhetsärenden.