Tác giả đã sử dụng mô hình Open-Jev 27B để gán nhãn 7.999 tin nhắn trong tập dữ liệu Banking77 một lần, hai mô hình học sinh học từ các nhãn này và 1.000 câu trả lời của con người được giữ lại để đánh giá.
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
Tác giả chia sẻ trải nghiệm dùng Jev: ban đầu có vẻ khó, nhưng bỗng hiểu ra khi nghĩ theo hướng 'không để AI viết văn bản'. Lấy xử lý yêu cầu làm ví dụ, cách truyền thống đưa toàn bộ cho GPT hoặc Claude phân tích, còn Jev có cách tiếp cận khác.
Nguyên mẫu sử dụng AI để ước lượng sự do dự hoặc quan tâm từ chuyển động con trỏ hoặc dừng lại trước khi nhấp, quan sát thái độ khách hàng và bổ sung giải thích hoặc gợi ý so sánh.
Tác giả đã tạo bản demo dịch vụ khách hàng thời gian thực cho thương mại điện tử bằng Jev và gpt-live-1, tự động gợi ý sản phẩm dựa trên lời nói của người dùng ngay trong cuộc trò chuyện, mang lại trải nghiệm tuyệt vời.
