THE JEV GUIDE · CURATED EDITION
Tin ra mắt, giải thích, demo và dự án cộng đồng về TypeSafe Jev được sắp xếp theo chủ đề. Mỗi mục đều liên kết về nguồn X gốc.
Tuyển chọn biên tập · Không đầy đủ · Cập nhật thủ công
01 / EXPLORE
0 means awaiting a verified post
Chuyển một ticket hỗ trợ thành bốn quyết định có kiểu (định tuyến, ưu tiên, rủi ro, hành động tiếp theo) kèm xác suất, độ trễ, nhà cung cấp và chi phí, có repo MIT. Link
Lấy ví dụ một ca hỗ trợ game nơi cùng một người dùng gửi khiếu nại hàng ngày về một nhân vật, bài đăng thảo luận các tiêu chí phán đoán của Jev và so sánh với việc con người phân loại chúng là thư của người hâm mộ.
Peter Ramsing chia sẻ cách nhóm của ông bắt đầu dùng Jev của TypeSafe để gợi ý câu hỏi tiếp theo khi tạo ticket, nhấn mạnh cần nhanh vì ticket thường được tạo trong lúc gọi điện.
Tác giả chia sẻ việc đưa Jev vào pipeline xử lý âm thanh hỗ trợ sau bán hàng xây dựng bằng Vane Data giúp tăng đáng kể độ chính xác, và cho biết Vane đã hỗ trợ vane.ai.jev(...) và Relation.jev(...). Link
Bản demo có thể tùy biến, trong đó Jev của TypeSafe AI phân loại và lưu phản hồi gõ hoặc nói vào hộp thư, kèm cookbook.
Tác giả đã tạo trình kiểm duyệt trò chuyện thời gian thực với Jev có thể phát hiện hàng nghìn biến thể và cách viết từ xấu bằng nhiều ngôn ngữ, đồng thời nhấn mạnh mức giá cực thấp.
Sam Siam chia sẻ bản demo của Maksym, nơi Jev làm nổi bật lần nhấp tiếp theo dựa trên nhu cầu được mô tả, và hình dung việc dùng nó để hướng dẫn người dùng CRM mới nhập danh bạ.
Tác giả đã thử triển khai hỗ trợ khách hàng AI bằng Jev cho các câu hỏi về hợp đồng thuê bao NHK, xác định qua trò chuyện xem người dùng thuộc diện tiếp tục, cần làm thủ tục, được miễn hay có thể hủy; Jev đảm nhận việc chọn câu hỏi tiếp theo dựa trên câu trả lời của người dùng.
Sử dụng CowAgent để xây dựng công cụ phân tích ticket hàng loạt trên Jev: một lệnh gọi mỗi ticket trả về 7 phân loại, điểm số và phán đoán boolean kèm phân phối xác suất trong khoảng 500ms.
Bản demo công cụ phân loại ticket hỗ trợ xây dựng bằng Jev, xác định nhóm phụ trách, mức độ khẩn cấp, mức độ nghiêm trọng và cảm xúc khách hàng trong một lần gọi.
Tác giả thử Jev, AI chuyên đánh giá của TypeSafe, trong hỗ trợ khách hàng: nhanh và khá chính xác, nhưng dù gần như đúng hết vẫn có trường hợp không được sai, nên việc phân chia vai trò giữa Code, LLM và Human rất quan trọng.
Định tuyến 72 phiếu hỗ trợ tổng hợp: Jev đạt 93% cho bộ phận, 85% cho mức độ khẩn cấp và 99% cho phát hiện hoàn tiền; Laya đạt 58%, 63% và 74%, chỉ nhận ra 1 trong 12 phiếu an toàn.