Modelo de decisión Jev: diseño de ramificaciones y límites ========================================================== Jev es el modelo de decisión de TypeSafe AI que devuelve opciones predefinidas y probabilidades. Se explica cómo vincular al código cada tipo de pregunta y cómo funciona la inferencia de tipos. También se resumen la interpretación de la confianza y los aspectos que deben verificarse al aplicarlo al coreano. - Jev devuelve opciones y probabilidades que el código puede usar en lugar de frases libres. - Choice sirve para elegir una categoría; Score, para evaluar por niveles; y Noul, para consultar la probabilidad de que algo sea verdadero. - El SDK de TypeScript infiere el tipo de respuesta a partir de la definición de la pregunta. - confidence es un valor que resume la distribución de probabilidad y no equivale a la tasa de aciertos. - Los servicios en coreano deben evaluar con sus propios datos tanto la tasa de procesamiento automático como la tasa de decisiones erróneas. Jev es el modelo de decisión de TypeSafe AI que devuelve opciones predefinidas y probabilidades. Es adecuado para conectar juicios sobre lenguaje natural con condiciones de bifurcación en el código. Limita el formato de salida, pero no garantiza la exactitud del juicio. Los precios se basan en el anuncio del 15 de septiembre de 2026 y las limitaciones, en la documentación revisada el 17 de septiembre. ¿Qué tarea cumple Jev? Jev lee el contenido de entrada y devuelve respuestas estructuradas a preguntas definidas de antemano. El contenido que se evaluará se coloca en state. Los criterios de evaluación se definen en questions. Las respuestas devueltas pueden usarse para clasificar o establecer prioridades. TypeSafe AI llama a este enfoque modelo System One. Describe su método de entrenamiento con el nombre RLCD. Se trata de aprendizaje por refuerzo centrado en calibrar las probabilidades de los juicios. No obstante, la exactitud debe verificarse por separado para cada servicio. El documento oficial Introduction expresa así el principio de diseño: Atomic questions, composed in code TypeSafe AI, Introduction Esto significa asignar un solo juicio a cada pregunta. La combinación de varios juicios se gestiona en el código. Las preguntas de una misma solicitud evalúan el mismo estado de forma independiente. Puede consultar la estructura en detalle en TypeSafe AI Introduction. Comparación de Choice·Score·Noul Elija el tipo de pregunta según cómo vaya a usar la respuesta en el código. Identificar el departamento responsable es un problema de selección de categorías. Evaluar la gravedad implica una escala ordenada. La presencia de una solicitud concreta puede dividirse entre verdadero y falso. Tipo Qué pregunta Valores principales devueltos Uso en el código Choice A cuál de las categorías predefinidas pertenece choice, probabilities, confidence Bifurcación con switch Score A qué nivel de los descritos corresponde score, probabilities, confidence Comparación de la puntuación con un umbral Noul Si se cumple una condición concreta noul Comparación de la probabilidad y bifurcación con if ¿Cómo se definen las opciones de Choice? Choice admite hasta 255 opciones por pregunta. Evalúa tanto el nombre como la descripción de cada opción. Si pueden llegar entradas que no figuren en la lista, considere incluir una opción como other. Esto ayuda a reducir las clasificaciones forzadas. Choice elige una de las opciones proporcionadas. Si también necesita determinar por separado si todas las opciones son inadecuadas, debe añadir una pregunta. La suma de las probabilidades devueltas es 1. Las definiciones y los límites figuran en la documentación de Choice. ¿En qué se diferencian Score y Noul? Score evalúa la posición dentro de una serie de niveles descritos. La numeración de los niveles empieza en 0. El resultado es la media ponderada por probabilidad de los números de nivel. Por eso también puede devolver puntuaciones no enteras. Noul devuelve la probabilidad de que una condición sea verdadera, entre 0 y 1. Un valor cercano a 0,5 significa que las probabilidades de verdadero y falso son parecidas. No debe interpretarse como un grado intermedio de descontento. Use Score para medir el grado y Noul para preguntar por la presencia de algo. Comparación de funciones con el código convencional y los modelos generativos Deje los cálculos exactos al código y encargue al modelo solo los juicios sobre el significado. Redactar texto nuevo corresponde a un modelo generativo. Jev es adecuado para juicios cuyo conjunto de respuestas está definido. Esta distinción permite decidir qué parte de una función existente conviene sustituir. Condición de la tarea Método adecuado Motivo Calcular el intervalo entre fechas o contar elementos Código convencional Puede calcularse exactamente siguiendo reglas Clasificar el departamento responsable de una consulta de un cliente Jev Choice Juicio sobre el significado con opciones definidas Evaluar la gravedad de un informe de incidencia Jev Score Juicio entre niveles descritos Confirmar una solicitud de contacto con un agente Jev Noul Juicio sobre la presencia de una intención concreta Redactar respuestas o resumir libremente Modelo generativo Es necesario generar texto nuevo Al procesar salidas de texto, puede hacer falta código que valide el formato. Jev devuelve directamente respuestas con el formato definido. Esto no elimina todas las validaciones ni los reintentos. El SDK oficial también ofrece una política de reintentos ante errores de comunicación, entre otros. Siga diseñando por separado la validación de entradas externas y las comprobaciones de reglas de negocio. Aunque la respuesta del modelo tenga el tipo correcto, puede ser incorrecta para la tarea. Esta distinción es una interpretación de diseño basada en Client SDKs y en la documentación sobre las limitaciones del modelo oficiales. Definición de preguntas y tipos de respuesta en TypeScript El SDK de TypeScript infiere el tipo de los valores devueltos a partir de la definición de las preguntas. Las claves de las opciones de Choice pasan a ser los valores permitidos de la respuesta. Así, las comparaciones con cadenas no permitidas pueden detectarse durante la compilación. El SDK requiere Node.js 20 o posterior. El siguiente código es un ejemplo explicativo basado en el formato de llamada del SDK oficial. No muestra resultados de ejecución ni mediciones de exactitud. Es necesario configurar la variable de entorno TYPESAFE_API_KEY. 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; } En este ejemplo, el tipo de choice es account | delivery | other. En TypeScript, estas cadenas son tipos literales que se muestran entre comillas. Sin embargo, la comprobación de tipos no determina si una consulta se ha clasificado correctamente. Consulte los requisitos de instalación y el formato de las llamadas en la documentación del SDK de JavaScript. Ejemplo de cálculo de la confianza y errores habituales confidence es un valor que resume las probabilidades devueltas. No es la misma cifra que la probabilidad de la respuesta elegida. Tampoco debe interpretarse directamente como la tasa real de aciertos. Es especialmente importante tener en cuenta esta diferencia al definir criterios de ejecución automática. La fórmula oficial de Choice es la siguiente: confidence = (probabilidad máxima - 1 / número de opciones) / (1 - 1 / número de opciones) La distribución de probabilidades del documento oficial es 0.6, 0.3, 0.1. Hay 3 opciones. Al sustituir la probabilidad máxima por 0,6, el valor de confidence es 0,4. La probabilidad de la opción elegida, 60 %, y la confianza, 0,4, son indicadores distintos. Interpretación habitual Interpretación correcta Una confidence de 0,4 equivale a una tasa de aciertos del 40 % Es un valor que resume la distribución de probabilidades según la fórmula Un Noul de 0,5 indica un nivel medio Se han asignado probabilidades parecidas a verdadero y falso Los decimales de Score son una medición precisa Son la media ponderada por probabilidad de los números de nivel definidos Una confianza alta permite omitir las comprobaciones de permisos Los permisos de negocio y las condiciones de ejecución se comprueban por separado en el código El significado de estas cifras se basa en la documentación oficial de Confidence. La recomendación de separar las comprobaciones de permisos es una propuesta de diseño para su aplicación operativa. ¿Cómo comparar el precio y el tiempo de respuesta? El precio anunciado es de 0,042 dólares por cada millón de tokens de entrada. Se indicó que los tokens de salida son gratuitos. El intervalo de tiempos de respuesta anunciado es de 70 a 500 milisegundos. Estas cifras se basan en el anuncio de la empresa del 15 de septiembre de 2026. Las comparaciones por múltiplos de la empresa proceden de la evaluación de un flujo de trabajo concreto. En vez de respuestas correctas reales, se tomó como referencia la predicción media de otros modelos grandes. La evaluación de velocidad se hizo principalmente desde el oeste de Estados Unidos. Por tanto, no indica la exactitud en todas las tareas ni los tiempos de respuesta en Corea. Aspecto de la comparación Qué comprobar Coste de la API Uso real de tokens de entrada y precio aplicable Tiempo de respuesta Tiempo de ida y vuelta desde la región donde se ejecuta el servicio Exactitud Resultados de muestras de trabajo real con respuestas correctas asignadas Coste operativo Coste incluidos los reintentos y la revisión humana Comparar solo los precios puede pasar por alto situaciones en las que aumenta el trabajo de revisión. Para decidir si adoptarlo, hay que considerar también el coste de los resultados del procesamiento. Las condiciones de las cifras anunciadas figuran en el anuncio público de Jev. Nueve limitaciones de Jev 1.13 La documentación oficial agrupa en nueve categorías los tipos de fallos de Jev 1.13. Esta lista corresponde a la revisión del 17 de septiembre de 2026. Que funcione en algunos casos no garantiza que sea fiable para esa tarea. Tipo de fallo Respuesta de diseño Interpretación literal de las expresiones Especificar en las instrucciones las condiciones implícitas Cálculos y recuentos Gestionar la aritmética en el código Comparación de fechas y horas Construir las fechas y compararlas en el código Doble negación y razonamientos de varios pasos Separarlos en preguntas directas Entradas con mucho contenido irrelevante Enviar solo los campos necesarios Entradas que inducen una respuesta Hacer una evaluación previa que incluya frases inductivas Conflictos entre las instrucciones y los criterios de selección Alinear el significado de la pregunta y los criterios Falta de coherencia matemática entre preguntas Gestionar las relaciones lógicas en el código Generación libre de texto Usar un modelo generativo Un mismo significado puede producir probabilidades distintas en Noul y Choice. No traslade directamente a un tipo un umbral ajustado para otro. La referencia es Jev 1.13 jaggedness. Condiciones para aplicarlo a un servicio en coreano Procesa entradas en coreano, pero no garantiza un rendimiento equivalente al del inglés. La documentación oficial explica que el idioma principal de entrenamiento es el inglés. También señala diferencias de rendimiento en los sistemas de escritura CJK, incluido el coreano. No proporciona una cifra general de exactitud para el coreano. Decida si aplicarlo al coreano a partir de muestras propias. Conviene incluir consultas con expresiones indirectas y omisiones. Si solo evalúa traducciones, puede pasar por alto las diferencias en la forma de escribir de los clientes reales. Esta es una propuesta de evaluación que tiene en cuenta las diferencias de rendimiento entre idiomas. Evaluar por separado las solicitudes claras y las ambiguas Registrar por separado la clasificación por departamento y la evaluación de emociones Volver a validar en coreano los umbrales definidos en inglés Comparar las mismas muestras antes y después de cambiar el modelo Cuando sale una versión nueva, cambia el modelo al que apunta jev-latest. Si ajustó los umbrales para una versión concreta, considere fijar esa versión. Puede consultar las políticas de idioma y versiones en la documentación oficial de Models. La tasa de procesamiento automático que suele pasarse por alto al evaluar un cambio de modelo Al cambiar de modelo, hay que examinar tanto la exactitud general como la tasa de procesamiento automático. Si todos los casos ambiguos se envían a revisión humana, disminuye el volumen procesado automáticamente. Si se amplía el alcance del procesamiento automático, pueden aumentar las ejecuciones incorrectas. El siguiente método de evaluación amplía el criterio de bifurcación basado en la confianza de la documentación oficial. Indicador Método de cálculo o registro Qué permite comprobar Tasa de procesamiento automático Casos procesados automáticamente / total de casos evaluados Trabajo manual que realmente se reduce Tasa de errores en el procesamiento automático Errores entre los casos procesados automáticamente / casos procesados automáticamente Calidad de los resultados de la automatización Tasa de revisión humana Casos enviados a revisión / total de casos evaluados Carga de revisión restante Tiempo total de procesamiento Medición desde la entrada hasta la finalización Tiempo de espera, incluida la revisión Si no hay casos procesados automáticamente, no se puede calcular la tasa de errores en el procesamiento automático. En ese caso, regístrela como «no calculable» en lugar de 0 %. Es necesario conservar el denominador de los indicadores para poder comparar modelos. La evaluación puede seguir estos pasos: Pida a una persona que asigne las respuestas correctas a muestras de trabajo real. Fije la redacción de las preguntas y la definición de las opciones. Registre la versión del modelo, las probabilidades y la bifurcación final. Compare la tasa de procesamiento automático y la tasa de errores para cada umbral. Defina los criterios operativos según el nivel de error aceptable. No existe un umbral adecuado para todos los casos. Los criterios deben reflejar las consecuencias de una ejecución incorrecta. Puede consultar el principio de bifurcación que sirve de punto de partida en la documentación de Confidence. FAQ Q. ¿Jev sustituye a la IA generativa de uso general? A. Es adecuado para tareas en las que hay que elegir entre respuestas predefinidas. Para redactar respuestas libres o hacer resúmenes se necesita un modelo generativo. Q. ¿Cuántas opciones se pueden incluir como máximo en Choice? A. Según la documentación oficial de Choice, el límite es de 255 opciones por pregunta. Si necesita procesar entradas que no figuran en la lista, considere incluir una opción «Otros». Q. Si Noul es 0.5, ¿significa que está en un nivel medio? A. Significa que las probabilidades de verdadero y falso son similares. Para evaluar el grado o nivel, es adecuado usar Score con niveles descritos. Q. ¿Qué significan los decimales de Score? A. Son el resultado de multiplicar el número de cada nivel definido por su probabilidad y sumar los resultados. No indican una medición precisa ni el porcentaje correspondiente a ese cliente. Q. Si confidence es alta, ¿puedo considerar correcta la respuesta? A. confidence es un valor que resume la distribución de probabilidades. Hay que comprobar si la respuesta es realmente correcta con una muestra de casos de la actividad. Q. ¿Qué comprueba el SDK de TypeScript? A. Infiere el tipo de respuesta a partir de la definición de la pregunta. Ayuda a detectar comparaciones con cadenas que no figuran entre las opciones permitidas. No comprueba si la clasificación es correcta. Q. Si uso Jev, ¿no necesito hacer reintentos? A. El tratamiento del formato de salida y el de los errores de comunicación son cosas distintas. El SDK oficial incluye una política de reintentos predeterminada, así que también debe comprobar cómo se tratan los errores de la API. Q. ¿Qué precisión tiene con el coreano? A. La documentación oficial de Models no ofrece cifras de precisión en coreano que puedan generalizarse. Evalúe el rendimiento de cada pregunta con entradas reales en coreano. Q. ¿Cuánto cuesta Jev? A. El precio anunciado el 15 de septiembre de 2026 es de 0.042 dólares por cada 1 millón de tokens de entrada. Se indicó que los tokens de salida son gratuitos. Vuelva a comprobar el precio aplicable en la documentación oficial de Models. Q. ¿Puedo usar jev-latest en un entorno de producción? A. Sí, pero cuando salga una nueva versión, cambiará el modelo al que apunta. Si quiere mantener la versión con la que validó los umbrales, indique el ID de esa versión. Sources - Introducción a TypeSafe AI: https://docs.typesafe.ai/introduction - Elección de TypeSafe AI: https://docs.typesafe.ai/primitives/choice - Puntuación de TypeSafe AI: https://docs.typesafe.ai/primitives/score - TypeSafe AI Noul: https://docs.typesafe.ai/primitives/noul - Confianza de TypeSafe AI: https://docs.typesafe.ai/confidence - SDKs de cliente de TypeSafe AI: https://docs.typesafe.ai/sdk - SDK de JavaScript de TypeSafe AI: https://docs.typesafe.ai/sdk/javascript - Presentamos los modelos System One y Jev, 15 de septiembre de 2026: https://typesafe.ai/blog/introducing-system-one-models-and-jev - Irregularidad de Jev 1.13, revisado el 17 de septiembre de 2026: https://docs.typesafe.ai/model-jaggedness/jev-1.13 - Modelos de TypeSafe AI: https://docs.typesafe.ai/models Images - Dos agentes con auriculares consultan un monitor; una luz verde azulada brilla en su mesa y hay más agentes al fondo.: https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjQwNDYsInB1ciI6ImJsb2JfaWQifX0=--ea906281db18091febeba00926fa1dd9ebe90294/ai-cb0d0c3f.webp - Una mujer mueve una tarjeta de consulta hacia la zona de revisión humana de un tablero con bifurcaciones.: https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjQwNTIsInB1ciI6ImJsb2JfaWQifX0=--d07e76337161b074535590d09b1f479ecd50d738/ai-893d1efb.webp --- Category: Base de conocimiento Source: https://injoys.com/es/articles/jev-decision-model-branching-design-and-limitations License: cc_by Translation-Status: reviewed