ผู้เขียนใช้โมเดล Open-Jev 27B เพื่อติดป้ายกำกับข้อความ 7,999 ข้อความในชุดข้อมูล Banking77 หนึ่งครั้ง โมเดลนักเรียนสองตัวเรียนรู้จากป้ายกำกับเหล่านี้ และเก็บคำตอบของมนุษย์ 1,000 คำตอบไว้สำหรับการประเมินผล
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
ผู้เขียนแบ่งปันประสบการณ์การใช้ Jev: ตอนแรกดูยุ่งยาก แต่เข้าใจทันทีเมื่อมองว่า 'อย่าให้ AI เขียนข้อความ' โดยยกการจัดการคำถามเป็นตัวอย่าง วิธีเดิมคือโยนทั้งหมดให้ GPT หรือ Claude วิเคราะห์ ส่วน Jev มีแนวทางต่างออกไป
ต้นแบบใช้ AI ประเมินความลังเลหรือความสนใจจาการเคลื่อนไหวของเคอร์เซอร์หรือการหยุดก่อนคลิก สังเกตพฤติกรรมลูกค้าและเสริมคำอธิบายหรือเสนอการเปรียบเทียบ
ผู้เขียนสร้างเดโมบริการลูกค้าแบบเรียลไทม์สำหรับอีคอมเมิร์ซด้วย Jev และ gpt-live-1 ซึ่งแนะนำสินค้าที่เหมาะสมทันทีตามคำพูดของผู้ใช้ระหว่างการสนทนา ให้ประสบการณ์ที่ยอดเยี่ยม
