Författaren använde Open-Jev 27B-modellen för att etikettera 7 999 meddelanden i Banking77-datauppsättningen en gång, två elevmodeller lär sig från dessa etiketter och 1 000 mänskliga svar hålls undan för utvärdering.
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
Författaren delar en Jev-erfarenhet: det verkade knepigt först, men blev tydligt när han tänkte på det som 'låt inte AI skriva text'. Med ärendehantering som exempel skickar det konventionella tillvägagångssättet allt till GPT eller Claude för analys, medan Jev har ett annat tillvägagångssätt.
Prototypen använder AI för att uppskatta tvekan eller intresse från markörens fram- och återgående rörelser eller dröjsmål före klick, observerar kundens beteende och kompletterar förklaringar eller föreslår jämförelser.
Författaren skapade en e-handel demo för kundtjänst i realtid med Jev och gpt-live-1, som omedelbart föreslår rekommenderade produkter baserat på användarens tal under ett samtal, vilket ger en fantastisk upplevelse.
