Автор використав модель Open-Jev 27B для одноразового розмічення 7 999 повідомлень у наборі даних Banking77, дві студентські моделі навчаються на цих мітках, а 1 000 людських відповідей залишено для оцінювання.
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
Автор ділиться досвідом використання Jev: спочатку здавалося складно, але стало зрозуміло, коли він уявив це як «не дозволяти ШІ писати текст». На прикладі обробки запитів традиційний підхід передає все GPT або Claude для аналізу, а Jev має інший підхід.
Прототип використовує ШІ для оцінки вагань або зацікавленості за рухами курсора чи затримкою перед кліком, спостерігаючи за поведінкою клієнта та доповнюючи пояснення або пропонуючи порівняння.
Автор створив демо служби підтримки клієнтів у реальному часі для електронної комерції на Jev і gpt-live-1, яке миттєво пропонує рекомендовані товари на основі мовлення користувача під час розмови, забезпечуючи чудовий досвід.
