---
title: "Model keputusan Jev: desain percabangan dan keterbatasan"
locale: id
category: knowledge_base
category_name: "Basis Pengetahuan"
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
---

# Model keputusan Jev: desain percabangan dan keterbatasan

> Jev adalah model keputusan dari TypeSafe AI yang mengembalikan pilihan yang telah ditentukan dan probabilitas. Ringkasan ini membahas cara menghubungkannya ke kode menurut jenis pertanyaan, inferensi tipe, penafsiran tingkat keyakinan, serta hal-hal yang perlu diverifikasi saat diterapkan untuk bahasa Korea.

## Key Points

- Jev mengembalikan pilihan dan probabilitas yang dapat digunakan kode, bukan kalimat bebas.
- Choice untuk memilih kategori, Score untuk penilaian bertahap, dan Noul untuk menanyakan probabilitas bahwa sesuatu benar.
- SDK TypeScript menyimpulkan tipe jawaban dari definisi pertanyaan.
- confidence adalah nilai yang merangkum distribusi probabilitas, bukan tingkat ketepatan jawaban itu sendiri.
- Layanan berbahasa Korea perlu mengevaluasi tingkat pemrosesan otomatis dan tingkat keputusan yang keliru secara bersamaan menggunakan datanya sendiri.

Jev adalah model pengambilan keputusan TypeSafe AI yang mengembalikan pilihan yang telah ditentukan beserta probabilitasnya. Model ini cocok untuk menghubungkan penilaian bahasa alami dengan kondisi percabangan dalam kode. Format keluarannya dibatasi, tetapi ketepatan penilaiannya tidak dijamin.

Harga mengacu pada pengumuman 15 September 2026, sedangkan batasan mengacu pada dokumen yang ditinjau per 17 September.

## Tugas apa yang ditangani Jev?

Jev membaca input dan mengembalikan jawaban terstruktur untuk pertanyaan yang telah ditentukan. Masukkan materi yang akan dinilai ke `state`. Tetapkan kriteria penilaian dalam `questions`. Jawaban yang dikembalikan dapat digunakan untuk klasifikasi atau penentuan prioritas.

TypeSafe AI menyebut pendekatan ini model System One. Metode pelatihannya dijelaskan dengan nama RLCD, yaitu pembelajaran penguatan yang berfokus pada kalibrasi probabilitas penilaian. Namun, ketepatan untuk setiap layanan tetap harus diuji secara terpisah.

Dokumen resmi Introduction menyatakan prinsip desainnya sebagai berikut.

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

Artinya, setiap pertanyaan sebaiknya menangani satu penilaian. Gabungan beberapa penilaian ditangani dalam kode. Pertanyaan-pertanyaan dalam satu permintaan menilai keadaan yang sama secara independen. Struktur selengkapnya dapat dilihat di [TypeSafe AI Introduction](https://docs.typesafe.ai/introduction).

## Perbandingan Choice·Score·Noul

Pilih jenis pertanyaan berdasarkan cara jawaban yang dikembalikan akan digunakan dalam kode. Menentukan departemen penanggung jawab adalah persoalan memilih kategori. Menilai tingkat keparahan adalah persoalan evaluasi yang memiliki urutan. Ada atau tidaknya permintaan tertentu dapat dibedakan menjadi benar dan salah.

| Jenis | Hal yang ditanyakan | Nilai utama yang dikembalikan | Penggunaan dalam kode |
| --- | --- | --- | --- |
| Choice | Termasuk kategori mana dari pilihan yang ditentukan | `choice`, `probabilities`, `confidence` | Percabangan `switch` |
| Score | Berada pada tingkat mana dari tahapan yang dijelaskan | `score`, `probabilities`, `confidence` | Membandingkan skor dengan ambang batas |
| Noul | Apakah kondisi tertentu benar | `noul` | Membandingkan probabilitas, lalu melakukan percabangan `if` |

### Bagaimana menentukan pilihan untuk Choice?

Choice menerima hingga 255 pilihan dalam satu pertanyaan. Nama dan deskripsi setiap pilihan dinilai bersama. Jika input di luar daftar mungkin masuk, pertimbangkan pilihan seperti `other`. Ini dirancang untuk mengurangi klasifikasi yang dipaksakan.

Choice memilih satu dari kandidat yang diberikan. Jika Anda juga perlu menilai secara terpisah apakah semua kandidat tidak sesuai, tambahkan pertanyaan. Jumlah probabilitas yang dikembalikan adalah 1. Definisi dan batasannya tercantum dalam [dokumentasi Choice](https://docs.typesafe.ai/primitives/choice).

### Apa perbedaan Score dan Noul?

Score menilai posisi pada tahapan yang disertai deskripsi. Nomor tahap dimulai dari 0. Hasilnya adalah rata-rata tertimbang probabilitas dari nomor tahap. Karena itu, skor yang dikembalikan juga bisa berupa bilangan bukan bulat.

Noul mengembalikan probabilitas bahwa suatu kondisi benar, antara 0 dan 1. Nilai mendekati 0.5 berarti probabilitas benar dan salah hampir sama. Jangan mengartikannya sebagai tingkat ketidakpuasan yang sedang. Gunakan [Score](https://docs.typesafe.ai/primitives/score) untuk mengukur tingkat, dan [Noul](https://docs.typesafe.ai/primitives/noul) untuk menanyakan ada atau tidaknya sesuatu.

## Perbandingan peran dengan kode biasa dan model generatif

Serahkan perhitungan yang pasti kepada kode dan hanya penilaian makna kepada model. Menulis kalimat baru adalah tugas model generatif. Jev cocok untuk penilaian dengan rentang jawaban yang telah ditentukan. Pembedaan ini dapat menjadi dasar untuk menentukan bagian dari fitur yang sudah ada yang akan diganti.

| Kondisi tugas | Cara penanganan yang sesuai | Alasan |
| --- | --- | --- |
| Menghitung selisih tanggal atau jumlah item | Kode biasa | Dapat dihitung secara tepat berdasarkan aturan |
| Mengklasifikasikan departemen penanggung jawab untuk pertanyaan pelanggan | Jev Choice | Penilaian makna dengan pilihan yang telah ditentukan |
| Menilai tingkat keparahan laporan gangguan | Jev Score | Penilaian di antara tahapan yang dijelaskan |
| Memastikan adanya permintaan untuk terhubung dengan agen | Jev Noul | Menilai ada atau tidaknya maksud tertentu |
| Menulis jawaban atau ringkasan bebas | Model generatif | Perlu menghasilkan string baru |

Saat menangani keluaran berupa string, kode untuk memvalidasi format mungkin diperlukan. Jev dirancang untuk langsung mengembalikan jawaban dalam format yang ditentukan. Namun, bukan berarti semua validasi dan percobaan ulang tidak lagi diperlukan. SDK resminya juga menyediakan kebijakan percobaan ulang untuk mengantisipasi kesalahan komunikasi dan sebagainya.

Tetap rancang validasi input eksternal dan pemeriksaan aturan bisnis secara terpisah. Jawaban model bisa sesuai dengan tipe yang ditentukan, tetapi keliru secara bisnis. Pembedaan ini merupakan interpretasi desain berdasarkan [Client SDKs](https://docs.typesafe.ai/sdk) dan [dokumen batasan model](https://docs.typesafe.ai/model-jaggedness/jev-1.13) resmi.

## Definisi pertanyaan TypeScript dan tipe jawaban

SDK TypeScript menyimpulkan tipe nilai yang dikembalikan dari definisi pertanyaan. Kunci pilihan pada Choice menjadi nilai yang diizinkan dalam jawaban. Dengan demikian, perbandingan dengan string yang tidak diizinkan dapat ditemukan saat kompilasi. SDK memerlukan Node.js 20 atau versi lebih baru.

Kode berikut adalah contoh penjelasan yang diadaptasi dari bentuk pemanggilan SDK resmi. Ini bukan contoh yang mengukur hasil eksekusi atau ketepatan. Variabel lingkungan `TYPESAFE_API_KEY` harus diatur.

```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;
}
```

Tipe `choice` dalam contoh ini adalah `account | delivery | other`. Dalam TypeScript yang sebenarnya, string tersebut merupakan tipe literal yang ditulis dengan tanda kutip. Namun, pemeriksaan tipe tidak menentukan apakah pertanyaan pelanggan telah diklasifikasikan dengan benar. Periksa persyaratan instalasi dan pemanggilan berdasarkan [dokumentasi JavaScript SDK](https://docs.typesafe.ai/sdk/javascript).

## Contoh perhitungan confidence dan kesalahan umum

`confidence` adalah nilai yang merangkum probabilitas yang dikembalikan. Nilai ini tidak sama dengan probabilitas jawaban yang dipilih. Nilai tersebut juga tidak boleh langsung dianggap sebagai tingkat ketepatan sebenarnya. Perbedaan ini sangat penting saat menetapkan kriteria eksekusi otomatis.

Rumus resmi Choice adalah sebagai berikut.

`confidence = (probabilitas tertinggi - 1 / jumlah pilihan) / (1 - 1 / jumlah pilihan)`

Distribusi probabilitas dalam dokumentasi resmi adalah `0.6, 0.3, 0.1`. Ada 3 pilihan. Jika probabilitas tertinggi, yaitu 0.6, dimasukkan ke rumus, confidence menjadi 0.4. Probabilitas pilihan sebesar 60% dan confidence 0.4 adalah dua metrik yang berbeda.

| Penafsiran yang umum tetapi keliru | Penafsiran yang tepat |
| --- | --- |
| Confidence 0.4 berarti tingkat ketepatan 40% | Nilai yang merangkum distribusi probabilitas menurut rumus |
| Noul 0.5 berarti tingkat sedang | Keadaan ketika probabilitas benar dan salah hampir sama |
| Angka desimal pada Score adalah hasil pengukuran yang presisi | Rata-rata tertimbang probabilitas dari nomor tahap yang ditentukan |
| Pemeriksaan hak akses dapat dilewati jika confidence tinggi | Hak akses bisnis dan kondisi eksekusi diperiksa melalui kode terpisah |

Makna angka-angka ini didasarkan pada [dokumentasi Confidence](https://docs.typesafe.ai/confidence) resmi. Anjuran untuk memisahkan pemeriksaan hak akses adalah usulan desain untuk penerapannya dalam operasi.

## Bagaimana membandingkan harga dan waktu respons?

Harga yang diumumkan adalah 0.042 dolar per 1 juta token input. Token output dinyatakan gratis. Rentang waktu respons yang diumumkan adalah 70~500 milidetik. Angka-angka ini mengacu pada pengumuman perusahaan tanggal 15 September 2026.

Perbandingan dalam bentuk kelipatan yang disampaikan perusahaan berasal dari evaluasi alur kerja tertentu. Tolok ukurnya adalah rata-rata prediksi model besar lain, bukan jawaban yang benar sebenarnya. Evaluasi kecepatan terutama dilakukan di wilayah barat Amerika Serikat. Karena itu, hasilnya tidak menunjukkan ketepatan untuk semua pekerjaan atau waktu respons di Korea.

| Aspek perbandingan | Hal yang perlu diperiksa |
| --- | --- |
| Biaya API | Jumlah token input yang benar-benar digunakan dan tarif yang berlaku |
| Waktu respons | Waktu perjalanan pulang pergi di wilayah tempat layanan berjalan |
| Ketepatan | Hasil sampel pekerjaan nyata yang telah diberi jawaban benar |
| Biaya operasional | Biaya yang mencakup percobaan ulang dan peninjauan manusia |

Jika hanya membandingkan harga, Anda bisa luput melihat peningkatan pekerjaan peninjauan. Keputusan untuk mengadopsinya memerlukan perhitungan biaya yang mencakup hasil pemrosesan. Ketentuan untuk angka-angka yang diumumkan tercantum dalam [pengumuman publik Jev](https://typesafe.ai/blog/introducing-system-one-models-and-jev).

## Sembilan batasan Jev 1.13

Dokumen resmi merangkum sembilan jenis kegagalan Jev 1.13. Daftar ini mengacu pada peninjauan per 17 September 2026. Keberhasilan pada beberapa contoh tidak menjamin keandalan untuk tugas tersebut.

| Jenis kegagalan | Penanganan dalam desain |
| --- | --- |
| Menafsirkan frasa secara harfiah | Nyatakan kondisi tersembunyi secara eksplisit dalam instruksi |
| Menghitung dan membilang | Tangani aritmetika dengan kode |
| Membandingkan tanggal dan waktu | Susun tanggal terlebih dahulu, lalu bandingkan dengan kode |
| Negasi ganda dan penalaran bertahap | Pisahkan menjadi pertanyaan langsung |
| Input yang banyak berisi hal tidak relevan | Kirim hanya field yang diperlukan |
| Input yang menggiring penilaian | Lakukan evaluasi awal dengan menyertakan kalimat yang menggiring |
| Pertentangan antara instruksi dan kriteria pemilihan | Selaraskan makna pertanyaan dan kriterianya |
| Kurangnya konsistensi matematis antarpertanyaan | Kelola hubungan logis dalam kode |
| Pembuatan teks bebas | Gunakan model generatif |

Makna yang sama pun dapat menghasilkan probabilitas berbeda pada Noul dan Choice. Jangan langsung menerapkan ambang batas yang disesuaikan untuk satu jenis ke jenis lain. Dasarnya adalah [Jev 1.13 jaggedness](https://docs.typesafe.ai/model-jaggedness/jev-1.13).

## Ketentuan penerapan untuk layanan berbahasa Korea

Input bahasa Korea dapat diproses, tetapi kinerjanya tidak dijamin setara dengan bahasa Inggris. Dokumen resmi menjelaskan bahwa bahasa pelatihan utamanya adalah bahasa Inggris. Perbedaan kinerja untuk aksara CJK, termasuk bahasa Korea, juga disebutkan secara eksplisit. Tidak ada angka ketepatan umum untuk bahasa Korea yang diberikan.

Tentukan kelayakan penerapan untuk bahasa Korea dengan sampel Anda sendiri. Sebaiknya sertakan pula pertanyaan pelanggan yang menggunakan ungkapan tidak langsung atau memiliki bagian yang dihilangkan. Jika hanya menilai teks terjemahan, perbedaan gaya bahasa pelanggan sebenarnya bisa terlewat. Ini adalah usulan evaluasi yang mempertimbangkan perbedaan kinerja antarbahasa.

- Evaluasi permintaan yang jelas dan yang ambigu secara terpisah
- Rekap klasifikasi departemen dan penilaian emosi secara terpisah
- Uji ulang ambang batas yang ditetapkan dalam bahasa Inggris untuk bahasa Korea
- Bandingkan sebelum dan sesudah perubahan model menggunakan sampel yang sama

Model yang ditunjuk oleh `jev-latest` berubah ketika versi baru dirilis. Jika ambang batas disesuaikan untuk versi tertentu, pertimbangkan untuk mengunci versinya. Kebijakan bahasa dan versi dapat dilihat dalam [dokumentasi Models](https://docs.typesafe.ai/models) resmi.

## Tingkat pemrosesan otomatis yang mudah terlewat dalam evaluasi penggantian model

Saat mengganti model, perhatikan ketepatan keseluruhan dan tingkat pemrosesan otomatis secara bersamaan. Jika semua kasus ambigu diserahkan kepada manusia, jumlah yang diproses otomatis akan berkurang. Jika cakupan pemrosesan otomatis diperluas, kasus eksekusi yang keliru dapat bertambah. Berikut adalah metode evaluasi yang memperluas prinsip percabangan berdasarkan confidence dalam dokumentasi resmi.

| Metrik | Cara menghitung atau mencatat | Tujuan pemeriksaan |
| --- | --- | --- |
| Tingkat pemrosesan otomatis | Jumlah kasus yang diproses otomatis / jumlah seluruh kasus evaluasi | Pekerjaan manual yang benar-benar berkurang |
| Tingkat kesalahan pemrosesan otomatis | Jumlah kesalahan di antara kasus yang diproses otomatis / jumlah kasus yang diproses otomatis | Kualitas hasil otomatisasi |
| Tingkat peninjauan manusia | Jumlah kasus yang dikirim untuk ditinjau / jumlah seluruh kasus evaluasi | Beban peninjauan yang tersisa |
| Waktu penyelesaian akhir | Diukur dari input hingga selesai sepenuhnya | Waktu tunggu termasuk peninjauan |

Jika tidak ada kasus yang diproses otomatis, tingkat kesalahan pemrosesan otomatis tidak dapat dihitung. Dalam keadaan ini, catat sebagai tidak dapat dihitung, bukan 0%. Penyebut setiap metrik perlu dicatat agar model dapat dibandingkan.

Evaluasi dapat dilakukan dengan urutan berikut.

1. Minta manusia memberi jawaban yang benar pada sampel pekerjaan nyata.
2. Tetapkan redaksi pertanyaan dan definisi pilihan agar tidak berubah.
3. Catat versi model, probabilitas, dan percabangan akhir.
4. Bandingkan tingkat pemrosesan otomatis dan tingkat kesalahan untuk setiap ambang batas.
5. Tetapkan kriteria operasional sesuai tingkat kesalahan yang dapat diterima.

Tidak ada ambang batas yang cocok secara universal. Dampak dari eksekusi yang keliru harus diperhitungkan dalam kriteria tersebut. Prinsip percabangan sebagai titik awal dapat dilihat dalam [dokumentasi Confidence](https://docs.typesafe.ai/confidence).

## FAQ

### Apakah Jev menggantikan AI generatif umum?
Jev cocok untuk tugas menentukan pilihan di antara jawaban yang telah ditetapkan. Untuk menulis jawaban bebas atau membuat ringkasan, diperlukan model generatif.

### Berapa banyak pilihan yang dapat dimasukkan ke dalam Choice?
Batas dalam dokumentasi resmi Choice adalah 255 pilihan per pertanyaan. Jika perlu menangani masukan di luar daftar, pertimbangkan pilihan Lainnya.

### Jika Noul bernilai 0.5, apakah artinya tingkatnya sedang?
Artinya, probabilitas benar dan salah hampir sama. Untuk menilai derajat atau tingkatnya, Score yang menggunakan tahapan yang telah dijelaskan lebih cocok.

### Apa arti angka di belakang koma pada Score?
Nilai itu diperoleh dengan mengalikan nomor setiap tahapan yang telah ditetapkan dengan probabilitasnya, lalu menjumlahkan hasilnya. Nilai itu bukan hasil pengukuran yang presisi atau proporsi pelanggan tersebut.

### Jika confidence tinggi, bolehkah jawaban dianggap benar?
confidence adalah nilai yang merangkum distribusi probabilitas. Benar atau tidaknya jawaban harus diperiksa menggunakan sampel kasus pekerjaan yang sebenarnya.

### Apa yang diperiksa oleh TypeScript SDK?
TypeScript SDK menyimpulkan tipe jawaban dari definisi pertanyaan. Ini membantu menemukan perbandingan string dengan nilai di luar pilihan yang diizinkan. Namun, SDK ini tidak memeriksa keakuratan isi klasifikasi.

### Jika menggunakan Jev, apakah percobaan ulang tidak diperlukan?
Penanganan format keluaran dan penanganan kesalahan komunikasi adalah dua hal yang berbeda. SDK resmi memiliki kebijakan percobaan ulang bawaan, jadi penanganan kesalahan API juga perlu diperiksa.

### Seberapa akurat Jev untuk bahasa Korea?
Dokumentasi resmi Models tidak menyajikan angka akurasi bahasa Korea yang dapat digeneralisasi. Evaluasilah kinerja untuk setiap pertanyaan menggunakan masukan nyata berbahasa Korea.

### Berapa harga Jev?
Harga yang diumumkan pada 15 September 2026 adalah 0.042 dolar per 1 juta token masukan. Token keluaran dinyatakan gratis. Periksa kembali harga yang berlaku dalam dokumentasi resmi Models.

### Bolehkah menggunakan jev-latest di lingkungan produksi?
Boleh, tetapi model yang terhubung akan berubah saat versi baru dirilis. Jika ingin tetap menggunakan versi yang ambang batasnya telah divalidasi, tentukan ID versi tersebut.

## Sources

- [Pengantar TypeSafe AI](https://docs.typesafe.ai/introduction)
- [Pilihan TypeSafe AI](https://docs.typesafe.ai/primitives/choice)
- [Skor TypeSafe AI](https://docs.typesafe.ai/primitives/score)
- [Noul TypeSafe AI](https://docs.typesafe.ai/primitives/noul)
- [Tingkat Keyakinan TypeSafe AI](https://docs.typesafe.ai/confidence)
- [SDK Klien TypeSafe AI](https://docs.typesafe.ai/sdk)
- [SDK JavaScript TypeSafe AI](https://docs.typesafe.ai/sdk/javascript)
- [Memperkenalkan System One Models & Jev, 15 September 2026](https://typesafe.ai/blog/introducing-system-one-models-and-jev)
- [Ketidakmerataan Jev 1.13, ditinjau pada 17 September 2026](https://docs.typesafe.ai/model-jaggedness/jev-1.13)
- [Model TypeSafe AI](https://docs.typesafe.ai/models)

## Images

![Dua staf dukungan berheadset berdiskusi sambil melihat monitor, dengan lampu hijau kebiruan menyala di meja dan agen lain di belakang.](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjQwNDYsInB1ciI6ImJsb2JfaWQifX0=--ea906281db18091febeba00926fa1dd9ebe90294/ai-cb0d0c3f.webp)
![Seorang perempuan memindahkan kartu pertanyaan ke sisi tinjauan manusia pada papan uji bercabang.](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MjQwNTIsInB1ciI6ImJsb2JfaWQifX0=--d07e76337161b074535590d09b1f479ecd50d738/ai-893d1efb.webp)