---
title: "Jev Entscheidungsmodell: Verzweigungsdesign und Grenzen"
locale: de
category: knowledge_base
category_name: "Wissensdatenbank"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/jev-decision-model-branching-design-and-limitations
published_at: 2026-10-02T23:30:14+09:00
---

# Jev Entscheidungsmodell: Verzweigungsdesign und Grenzen

> Jev ist ein Entscheidungsmodell von TypeSafe AI, das vordefinierte Antwortoptionen und Wahrscheinlichkeiten zurückgibt. Der Text erläutert, wie die verschiedenen Fragetypen im Code angebunden werden und wie die Typinferenz funktioniert. Zudem fasst er die Interpretation der Konfidenz und die Prüfpunkte beim Einsatz für Koreanisch zusammen.

## Key Points

- Jev gibt statt frei formulierter Sätze Auswahlmöglichkeiten und Wahrscheinlichkeiten zurück, die der Code verwenden kann.
- Choice dient zur Auswahl einer Kategorie, Score zur stufenweisen Bewertung und Noul zur Frage nach der Wahrscheinlichkeit, dass etwas wahr ist.
- Das TypeScript-SDK leitet den Antworttyp aus der Definition der Frage ab.
- confidence fasst eine Wahrscheinlichkeitsverteilung zu einem Wert zusammen und ist nicht mit der tatsächlichen Quote korrekter Antworten gleichzusetzen.
- Koreanischsprachige Dienste müssen anhand eigener Daten sowohl die Quote automatisch bearbeiteter Fälle als auch die Fehlentscheidungsquote bewerten.

Jev ist das Entscheidungsmodell von TypeSafe AI, das vordefinierte Optionen und Wahrscheinlichkeiten zurückgibt. Es eignet sich, um Bewertungen natürlicher Sprache mit Verzweigungen im Code zu verbinden. Das Ausgabeformat ist eingeschränkt, die Genauigkeit der Bewertung jedoch nicht garantiert.

Die Preisangaben beruhen auf der Ankündigung vom 15. September 2026, die Angaben zu den Grenzen auf der am 17. September geprüften Dokumentation.

## Welche Aufgaben übernimmt Jev?

Jev liest eine Eingabe und gibt strukturierte Antworten auf vorab definierte Fragen zurück. Der zu bewertende Inhalt kommt in `state`, die Bewertungskriterien werden in `questions` definiert. Die Antworten lassen sich zur Klassifizierung oder Priorisierung verwenden.

TypeSafe AI bezeichnet diesen Ansatz als System One-Modell. Das Trainingsverfahren beschreibt das Unternehmen unter dem Namen RLCD. Dabei handelt es sich um bestärkendes Lernen, das auf die Kalibrierung von Entscheidungswahrscheinlichkeiten ausgerichtet ist. Die Genauigkeit muss jedoch für jeden Dienst gesondert überprüft werden.

Das offizielle Introduction-Dokument formuliert das Gestaltungsprinzip so:

> Atomic questions, composed in code
>
> TypeSafe AI, Introduction

Das bedeutet, dass jede Frage eine einzelne Bewertung übernehmen soll. Mehrere Bewertungen werden im Code kombiniert. Die Fragen in einer Anfrage bewerten denselben Zustand unabhängig voneinander. Näheres zum Aufbau steht in der [TypeSafe AI Introduction](https://docs.typesafe.ai/introduction).

## Vergleich von Choice, Score und Noul

Wählen Sie den Fragetyp danach, wie die Antwort im Code verwendet werden soll. Die zuständige Abteilung zu bestimmen ist eine Auswahl zwischen Kategorien. Der Schweregrad ist eine Bewertung auf einer geordneten Skala. Ob eine bestimmte Forderung vorliegt, lässt sich in wahr und falsch aufteilen.

| Typ | Fragestellung | Wichtige Rückgabewerte | Anbindung im Code |
| --- | --- | --- | --- |
| Choice | Welche der vorgegebenen Kategorien trifft zu? | `choice`, `probabilities`, `confidence` | Verzweigung mit `switch` |
| Score | Welche der beschriebenen Stufen trifft zu? | `score`, `probabilities`, `confidence` | Vergleich von Wert und Schwellenwert |
| Noul | Ist eine bestimmte Bedingung wahr? | `noul` | Wahrscheinlichkeiten vergleichen, dann mit `if` verzweigen |

### Wie legt man die Optionen für Choice fest?

Choice akzeptiert bis zu 255 Optionen pro Frage. Es berücksichtigt sowohl die Namen als auch die Beschreibungen der Optionen. Wenn auch Eingaben außerhalb der aufgeführten Kategorien vorkommen, sollten Sie eine Option wie `other` erwägen. So vermeiden Sie erzwungene Zuordnungen.

Choice wählt eine der vorgegebenen Optionen aus. Soll zusätzlich geprüft werden, ob alle Optionen ungeeignet sind, ist eine weitere Frage nötig. Die zurückgegebenen Wahrscheinlichkeiten ergeben zusammen 1. Definition und Grenzen stehen in der [Choice-Dokumentation](https://docs.typesafe.ai/primitives/choice).

### Worin unterscheiden sich Score und Noul?

Score bewertet die Position innerhalb beschriebener Stufen. Die Stufennummern beginnen bei 0. Das Ergebnis ist der wahrscheinlichkeitsgewichtete Mittelwert der Stufennummern. Daher kann auch ein nicht ganzzahliger Wert zurückgegeben werden.

Noul gibt die Wahrscheinlichkeit, dass eine Bedingung wahr ist, als Wert zwischen 0 und 1 zurück. Ein Wert nahe 0.5 bedeutet, dass wahr und falsch ähnlich wahrscheinlich sind. Er darf nicht als mittleres Ausmaß einer Unzufriedenheit verstanden werden. Verwenden Sie [Score](https://docs.typesafe.ai/primitives/score), um ein Ausmaß zu bewerten, und [Noul](https://docs.typesafe.ai/primitives/noul), um nach dem Vorliegen einer Bedingung zu fragen.

## Rollenvergleich mit herkömmlichem Code und generativen Modellen

Überlassen Sie exakte Berechnungen dem Code und dem Modell nur die inhaltliche Bewertung. Das Verfassen neuer Sätze ist Aufgabe eines generativen Modells. Jev eignet sich für Bewertungen mit festgelegtem Antwortbereich. Anhand dieser Unterscheidung lässt sich festlegen, welche bestehenden Funktionen ersetzt werden können.

| Aufgabe | Geeignete Verarbeitung | Grund |
| --- | --- | --- |
| Zeitabstand zwischen Daten oder Anzahl von Einträgen berechnen | Herkömmlicher Code | Lässt sich anhand von Regeln exakt berechnen |
| Kundenanfragen der zuständigen Abteilung zuordnen | Jev Choice | Inhaltliche Bewertung mit vorgegebenen Optionen |
| Schweregrad eines Störungsberichts bewerten | Jev Score | Bewertung anhand beschriebener Stufen |
| Wunsch nach Verbindung mit einem Servicemitarbeiter erkennen | Jev Noul | Bewertung, ob eine bestimmte Absicht vorliegt |
| Antworten verfassen oder frei zusammenfassen | Generatives Modell | Erzeugung neuer Zeichenfolgen erforderlich |

Bei der Verarbeitung von Zeichenfolgen kann Code zur Formatprüfung nötig sein. Jev gibt Antworten direkt im definierten Format zurück. Das bedeutet nicht, dass sämtliche Prüfungen und erneuten Versuche entfallen. Auch das offizielle SDK bietet eine Wiederholungsrichtlinie für Kommunikationsfehler und ähnliche Fälle.

Entwerfen Sie die Prüfung externer Eingaben und die Prüfung von Geschäftsregeln weiterhin getrennt. Eine Antwort des Modells kann dem Typ entsprechen und fachlich trotzdem falsch sein. Diese Unterscheidung ist eine Auslegung für die Systemgestaltung auf Grundlage der offiziellen [Client SDKs](https://docs.typesafe.ai/sdk) und der [Dokumentation zu Modellgrenzen](https://docs.typesafe.ai/model-jaggedness/jev-1.13).

## TypeScript-Fragedefinitionen und Antworttypen

Das TypeScript-SDK leitet die Typen der Rückgabewerte aus den Fragedefinitionen ab. Die Schlüssel der Choice-Optionen werden zu den zulässigen Antwortwerten. Dadurch lassen sich Vergleiche mit unzulässigen Zeichenfolgen bereits beim Kompilieren erkennen. Das SDK setzt Node.js 20 oder höher voraus.

Der folgende Code veranschaulicht eine angepasste Form des offiziellen SDK-Aufrufs. Er zeigt weder ein gemessenes Ausführungsergebnis noch eine gemessene Genauigkeit. Die Umgebungsvariable `TYPESAFE_API_KEY` muss gesetzt sein.

```typescript
import { TypeSafeClient, choice } from "@typesafe-ai/sdk";

const api = new TypeSafeClient();

async function classifyMessage(message: string) {
  const result = await api.systemOne({
    model: "jev-1.13.0",
    state: { message },
    questions: {
      topic: choice("Classify the subject of message.", {
        account: "Account access or password problems",
        delivery: "Shipment tracking or delivery problems",
        other: "Any subject outside those categories",
      }),
    },
  });

  return result.answers.topic;
}
```

Der Typ von `choice` ist in diesem Beispiel `account | delivery | other`. In TypeScript handelt es sich dabei um Zeichenfolgen-Literaltypen, die mit Anführungszeichen dargestellt werden. Die Typprüfung stellt jedoch nicht fest, ob die Anfrage richtig klassifiziert wurde. Installation und Aufrufkonventionen finden Sie in der [Dokumentation zum JavaScript-SDK](https://docs.typesafe.ai/sdk/javascript).

## Beispiel zur Berechnung von confidence und häufige Fehler

`confidence` ist ein Wert, der die zurückgegebenen Wahrscheinlichkeiten zusammenfasst. Er ist nicht identisch mit der Wahrscheinlichkeit der ausgewählten Antwort. Er darf auch nicht unmittelbar als tatsächliche Trefferquote gelesen werden. Dieser Unterschied ist besonders wichtig, wenn Kriterien für die automatische Ausführung festgelegt werden.

Die offizielle Formel für Choice lautet:

`confidence = (maximale Wahrscheinlichkeit - 1 / Anzahl der Optionen) / (1 - 1 / Anzahl der Optionen)`

Die Wahrscheinlichkeitsverteilung im offiziellen Dokument lautet `0.6, 0.3, 0.1`. Es gibt 3 Optionen. Setzt man die maximale Wahrscheinlichkeit 0.6 ein, ergibt sich für confidence der Wert 0.4. Die Auswahlwahrscheinlichkeit von 60% und der confidence-Wert von 0.4 sind unterschiedliche Kennzahlen.

| Häufige Deutung | Richtige Deutung |
| --- | --- |
| confidence 0.4 bedeutet eine Trefferquote von 40% | Ein Wert, der die Wahrscheinlichkeitsverteilung nach der Formel zusammenfasst |
| Noul 0.5 bedeutet ein mittleres Niveau | Wahr und falsch wurde eine ähnliche Wahrscheinlichkeit zugewiesen |
| Die Dezimalstellen von Score sind präzise Messwerte | Wahrscheinlichkeitsgewichteter Mittelwert der definierten Stufennummern |
| Bei hoher confidence kann die Berechtigungsprüfung entfallen | Fachliche Berechtigungen und Ausführungsbedingungen werden gesondert im Code geprüft |

Die Bedeutung der Zahlen beruht auf der offiziellen [Confidence-Dokumentation](https://docs.typesafe.ai/confidence). Die getrennte Berechtigungsprüfung ist ein Vorschlag für die praktische Umsetzung.

## Wie lassen sich Preis und Antwortzeit vergleichen?

Der angekündigte Preis beträgt 0.042 Dollar pro 1 Million Eingabetokens. Ausgabetokens wurden als kostenlos angegeben. Die angekündigte Antwortzeit liegt zwischen 70 und 500 Millisekunden. Diese Angaben stammen aus der Unternehmensankündigung vom 15. September 2026.

Die vom Unternehmen angegebenen Vergleiche in Vielfachen beruhen auf der Bewertung eines bestimmten Workflows. Als Maßstab dienten nicht tatsächliche richtige Antworten, sondern die durchschnittlichen Vorhersagen anderer großer Modelle. Die Geschwindigkeit wurde überwiegend im Westen der USA bewertet. Die Ergebnisse stehen daher weder für die Genauigkeit bei allen Aufgaben noch für die Antwortzeiten in Korea.

| Vergleichspunkt | Zu prüfen |
| --- | --- |
| API-Kosten | Tatsächlicher Verbrauch an Eingabetokens und geltender Preis |
| Antwortzeit | Umlaufzeit in der Region, in der der Dienst betrieben wird |
| Genauigkeit | Ergebnisse einer Stichprobe mit richtigen Antworten aus dem tatsächlichen Arbeitsalltag |
| Betriebskosten | Kosten einschließlich erneuter Versuche und menschlicher Prüfung |

Wer nur die Preise vergleicht, kann einen steigenden Prüfaufwand übersehen. Für die Entscheidung über den Einsatz müssen die Kosten einschließlich der Verarbeitungsergebnisse berücksichtigt werden. Die Bedingungen für die angekündigten Werte stehen in der [öffentlichen Ankündigung von Jev](https://typesafe.ai/blog/introducing-system-one-models-and-jev).

## Neun Grenzen von Jev 1.13

Die offizielle Dokumentation nennt neun Fehlertypen von Jev 1.13. Diese Liste entspricht dem Prüfstand vom 17. September 2026. Erfolge in einzelnen Fällen garantieren nicht, dass die jeweilige Aufgabe zuverlässig bearbeitet wird.

| Fehlertyp | Maßnahme bei der Gestaltung |
| --- | --- |
| Formulierungen wörtlich auslegen | Versteckte Bedingungen in den Anweisungen ausdrücklich nennen |
| Rechnen und Zählen | Arithmetik im Code erledigen |
| Datum und Uhrzeit vergleichen | Datumswerte zusammensetzen und anschließend im Code vergleichen |
| Doppelte Verneinung und mehrstufige Schlussfolgerungen | In direkte Fragen aufteilen |
| Eingaben mit vielen irrelevanten Inhalten | Nur die benötigten Felder übergeben |
| Eingaben, die eine Bewertung nahelegen | Vorab auch mit lenkenden Formulierungen testen |
| Widerspruch zwischen Anweisungen und Auswahlkriterien | Die Bedeutung von Frage und Kriterien aufeinander abstimmen |
| Fehlende mathematische Konsistenz zwischen Fragen | Logische Beziehungen im Code verwalten |
| Freie Texterzeugung | Generatives Modell verwenden |

Auch bei gleicher Bedeutung können die Wahrscheinlichkeiten bei Noul und Choice unterschiedlich ausfallen. Übertragen Sie einen für einen Typ abgestimmten Schwellenwert nicht unverändert auf den anderen. Grundlage ist [Jev 1.13 jaggedness](https://docs.typesafe.ai/model-jaggedness/jev-1.13).

## Voraussetzungen für den Einsatz in koreanischsprachigen Diensten

Koreanische Eingaben werden verarbeitet, eine dem Englischen gleichwertige Leistung ist jedoch nicht garantiert. Laut offizieller Dokumentation ist Englisch die wichtigste Trainingssprache. Sie nennt auch Leistungsunterschiede bei CJK-Schriften, darunter Koreanisch. Eine allgemeingültige Genauigkeitszahl für Koreanisch wird nicht angegeben.

Entscheiden Sie anhand eigener Stichproben, ob sich das Modell für Koreanisch eignet. Es empfiehlt sich, auch Anfragen mit indirekten Formulierungen und Auslassungen einzubeziehen. Wer nur Übersetzungen bewertet, kann Unterschiede zum tatsächlichen Schreibstil der Kunden übersehen. Dies ist ein Bewertungsvorschlag, der Leistungsunterschiede zwischen Sprachen berücksichtigt.

- Eindeutige und mehrdeutige Anfragen getrennt bewerten
- Abteilungszuordnung und Bewertung der Stimmung getrennt auswerten
- Für Englisch festgelegte Schwellenwerte für Koreanisch erneut prüfen
- Vor und nach einem Modellwechsel dieselbe Stichprobe vergleichen

`jev-latest` verweist auf ein anderes Modell, sobald eine neue Version erscheint. Wenn Schwellenwerte auf eine bestimmte Version abgestimmt wurden, sollten Sie erwägen, diese Version festzulegen. Sprach- und Versionsrichtlinien stehen in der offiziellen [Models-Dokumentation](https://docs.typesafe.ai/models).

## Die bei einem Modellwechsel leicht übersehene Quote automatisch bearbeiteter Fälle

Bei einem Modellwechsel müssen Gesamtgenauigkeit und Quote automatisch bearbeiteter Fälle gemeinsam betrachtet werden. Werden alle mehrdeutigen Fälle an Menschen weitergegeben, sinkt die Zahl automatisch bearbeiteter Fälle. Wird der Bereich der automatischen Bearbeitung erweitert, können mehr Fälle falsch ausgeführt werden. Die folgende Bewertungsmethode erweitert die Verzweigung nach confidence aus der offiziellen Dokumentation.

| Kennzahl | Berechnung oder Erfassung | Zweck |
| --- | --- | --- |
| Quote automatisch bearbeiteter Fälle | Anzahl automatisch bearbeiteter Fälle / Gesamtzahl bewerteter Fälle | Tatsächlich eingesparte manuelle Arbeit |
| Fehlentscheidungsquote bei automatisch bearbeiteten Fällen | Anzahl der Fehlentscheidungen unter den automatisch bearbeiteten Fällen / Anzahl automatisch bearbeiteter Fälle | Qualität der Automatisierungsergebnisse |
| Quote menschlich geprüfter Fälle | Anzahl der zur Prüfung weitergegebenen Fälle / Gesamtzahl bewerteter Fälle | Verbleibender Prüfaufwand |
| Zeit bis zum endgültigen Abschluss | Messung von der Eingabe bis zum endgültigen Abschluss | Wartezeit einschließlich Prüfung |

Wenn keine Fälle automatisch bearbeitet wurden, lässt sich die Fehlentscheidungsquote für diese Fälle nicht berechnen. Erfassen Sie dann „nicht berechenbar“ statt 0%. Für den Vergleich zwischen Modellen müssen die Nenner der Kennzahlen festgehalten werden.

Die Bewertung kann in dieser Reihenfolge erfolgen.

1. Lassen Sie Menschen die richtigen Antworten für eine Stichprobe tatsächlicher Fälle festlegen.
2. Legen Sie die Frageformulierungen und Definitionen der Optionen fest.
3. Erfassen Sie Modellversion, Wahrscheinlichkeiten und endgültige Verzweigung.
4. Vergleichen Sie für verschiedene Schwellenwerte die Quote automatisch bearbeiteter Fälle und die Fehlentscheidungsquote.
5. Legen Sie die Betriebskriterien entsprechend dem akzeptablen Fehlerniveau fest.

Einen allgemein passenden Schwellenwert gibt es nicht. Die Auswirkungen einer falschen Ausführung müssen in die Kriterien einfließen. Die grundlegenden Prinzipien für die Verzweigung stehen in der [Confidence-Dokumentation](https://docs.typesafe.ai/confidence).

## FAQ

### Ersetzt Jev allgemeine generative AI?
Es eignet sich für Aufgaben, bei denen zwischen vorgegebenen Antworten entschieden wird. Für das freie Formulieren von Antworten oder für Zusammenfassungen ist ein generatives Modell nötig.

### Wie viele Optionen kann eine Choice-Frage enthalten?
Laut der offiziellen Choice-Dokumentation liegt die Obergrenze bei 255 Optionen pro Frage. Wenn Eingaben außerhalb der Liste verarbeitet werden müssen, sollten Sie eine Option „Sonstiges“ in Betracht ziehen.

### Bedeutet ein Noul-Wert von 0.5 ein durchschnittliches Niveau?
Es bedeutet, dass die Wahrscheinlichkeiten für wahr und falsch ähnlich sind. Wenn Sie einen Grad oder ein Niveau bewerten möchten, eignet sich Score mit definierten Stufen.

### Was bedeuten die Nachkommastellen bei Score?
Der Wert ergibt sich daraus, dass die Nummer jeder definierten Stufe mit ihrer Wahrscheinlichkeit multipliziert und die Ergebnisse addiert werden. Er steht weder für einen präzisen Messwert noch für den Anteil der betreffenden Kunden.

### Kann man bei einem hohen confidence-Wert davon ausgehen, dass die Antwort richtig ist?
confidence ist ein Wert, der die Wahrscheinlichkeitsverteilung zusammenfasst. Ob die Antworten tatsächlich richtig sind, muss anhand von Stichproben aus der Praxis überprüft werden.

### Was prüft das TypeScript SDK?
Es leitet den Antworttyp aus der Definition der Frage ab. Das hilft dabei, Vergleiche mit Zeichenfolgen zu finden, die nicht zu den zulässigen Optionen gehören. Ob die Klassifizierung inhaltlich korrekt ist, prüft es nicht.

### Sind bei der Verwendung von Jev keine Wiederholungsversuche nötig?
Die Verarbeitung des Ausgabeformats und die Behandlung von Kommunikationsfehlern sind zwei verschiedene Dinge. Das offizielle SDK hat eine standardmäßige Richtlinie für Wiederholungsversuche. Prüfen Sie daher auch die Behandlung von API-Fehlern.

### Wie hoch ist die Genauigkeit bei Koreanisch?
Die offizielle Models-Dokumentation nennt keine allgemein gültige Zahl zur Genauigkeit bei Koreanisch. Bewerten Sie die Leistung für jede Frage anhand tatsächlicher koreanischer Eingaben.

### Wie viel kostet Jev?
Der am 15. September 2026 bekannt gegebene Preis beträgt 0.042 Dollar pro 1 Million Eingabetoken. Ausgabetoken wurden als kostenlos angegeben. Prüfen Sie den geltenden Preis erneut in der offiziellen Models-Dokumentation.

### Kann man jev-latest in der Produktionsumgebung verwenden?
Das ist möglich, aber wenn eine neue Version erscheint, ändert sich das zugeordnete Modell. Wenn Sie die Version beibehalten möchten, für die Sie die Schwellenwerte überprüft haben, geben Sie deren Versions-ID an.

## Sources

- [Einführung in TypeSafe AI](https://docs.typesafe.ai/introduction)
- [Auswahl von TypeSafe AI](https://docs.typesafe.ai/primitives/choice)
- [Bewertung von TypeSafe AI](https://docs.typesafe.ai/primitives/score)
- [TypeSafe AI Noul](https://docs.typesafe.ai/primitives/noul)
- [Konfidenz von TypeSafe AI](https://docs.typesafe.ai/confidence)
- [Client-SDKs von TypeSafe AI](https://docs.typesafe.ai/sdk)
- [JavaScript-SDK von TypeSafe AI](https://docs.typesafe.ai/sdk/javascript)
- [Vorstellung von System One Models & Jev, 15. September 2026](https://typesafe.ai/blog/introducing-system-one-models-and-jev)
- [Unregelmäßigkeit von Jev 1.13, geprüft am 17. September 2026](https://docs.typesafe.ai/model-jaggedness/jev-1.13)
- [Modelle von TypeSafe AI](https://docs.typesafe.ai/models)

## Images

![Zwei Supportmitarbeitende mit Headsets besprechen sich vor einem Monitor; am Arbeitsplatz leuchtet ein türkisfarbenes Licht.](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjQwNDYsInB1ciI6ImJsb2JfaWQifX0=--ea906281db18091febeba00926fa1dd9ebe90294/ai-cb0d0c3f.webp)
![Eine Frau verschiebt eine Anfragekarte auf einer verzweigten Testtafel in den Bereich für menschliche Prüfung.](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjQwNTIsInB1ciI6ImJsb2JfaWQifX0=--d07e76337161b074535590d09b1f479ecd50d738/ai-893d1efb.webp)