TypeSafe AI는 또 다른 챗봇이 아니며, Jev는 ChatGPT나 Claude를 대체할 범용 대형 모델도 아닙니다. 이 AI는 소프트웨어 자동화를 위해 설계되었습니다: 프로그램들이 상태와 미리 정의된 질문을 제출하면 Jev가 옵션, 점수, 비확률적 응답을 반환하여 코드가 직접 분기, 정렬, 다음 단계를 트리거할 수 있습니다.
기사 작성, 코드 생성, 채팅 유지가 필요라면 생성형 대형 모델을 계속 사용해야 합니다; 작업 지시서 분류, 위험 평가, 후보자 정렬, 고정 출력 구조를 원한다면 JEV가 더 적합한 도구입니다.
핵심 차이는 단순한 모델 크기가 아니라 출력에 있습니다
| 비교 항목 | 일반 대형 모델 | 제브 |
|---|---|---|
| 주 딜러 | 자연어 문자열 | 미리 정의된 결정 유형 |
| 일반적인 용도 | 대화, 글쓰기, 코드 생성 | 분류, 점수 매김, 경로 설정 및 검증 |
| 프로그램 접근 | 보통 분석과 검증도 필요합니다 | 구조화된 결과는 직접 읽을 수 있습니다 |
| 불확실성 | 서면으로 신뢰할 수 있는 판단을 제공할 수 있습니다 | 선택과 점수는 확률 분포와 신뢰도를 반환합니다 |
TypeSafe는 이 모델들을 System One Models라고 부르며, 빠르고 분화된 판단을 강조합니다. Jev는 텍스트로 구성된 텍스트 또는 JSON 상태를 수신하며, 자유 텍스트를 생성하지 않고, 제공한 제한된 답변 공간 내에서 의사결정을 내립니다.
세 문제는 각각 무엇을 해결하나요?
Choice 는 최대 255개 옵션 중 하나를 선택하여 각 옵션에 대한 확률을 반환합니다; 티켓 라우팅 및 의도 분류에 적합합니다. Score 는 최대 10단계의 연속 점수를 제공하며, 위험, 품질, 감정 강도 평가에 적합합니다. Noul 은 진/아니오 질문에 "예"의 확률로 답하며, 조건이 성립하는지 테스트하기에 적합합니다.
세 가지 유형의 질문이 하나의 요청에서 병렬로 실행할 수 있습니다. 이들은 같은 상태를 공유하지만 서로 독립적이며, 이전 질문에 대한 답변이 다음 질문을 변경하지 않습니다.
어떤 실제 상황에 적합한가요?
가장 적합한 단계는 답변 집합은 알려져 있지만 규칙을 완전히 작성하기 어려운 단계로, 예를 들어 고객 서비스 메시지 청구나 기술팀에 할당, RAG 조각의 관련성 검증, 참조 지원 주장 여부 판단, 에이전트가 스킬을 호출하는지 결정하는 등의 절차입니다. 코드는 여전히 금액 계산, 권한 확인, 최종 비즈니스 행동을 담당합니다; Jev는 의미 판단이 필요한 부분만 처리합니다.
JEV를 선택하지 말아야 할 때는
장형 생성, 복잡한 다단계 추론, 정밀한 카운팅, 날짜 계산, 이미지나 오디오 이해가 필요할 때는 JEV를 엄격하게 적용해서는 안 됩니다. JEV 1.13의 공식 설명에서는 수학과 날짜 비교를 코드에 남기고 생성 작업을 생성 모델에 맡길 것을 권장합니다. 기준은 간단합니다: 답을 미리 제한된 옵션이나 수준으로 정의할 수 있는가? 그렇지 않다면, JEV는 아마도 주요 모델이 아닐 것입니다.
