מדריך Jev

Jev הוא לא צ'אטבוט ולא מודל שאמור לכתוב תשובה ארוכה. הוא בנוי לקבל מידע, לבדוק כמה שאלות שהוגדרו מראש, ולהחזיר תשובות מובנות יחד עם הסתברות או רמת ביטחון.

הרעיון של TypeSafe AI הוא שבמקום לבקש מהמודל לנסח פסקה ואז לנסות להבין אותה, מגדירים מראש אילו תשובות מותר להחזיר. המודל בוחר ביניהן ומוסיף כמה הוא בטוח בכל בחירה.

המדריך הזה מבוסס על המאמר של TypeSafe AI מ-15 בספטמבר 2026.

1. שני מונחים שצריך להכיר

מונח	מה זה
LLM	מודל שפה שמייצר טקסט מילה אחרי מילה.
System One Model	השם שבו החברה משתמשת למודל שמיועד להחלטות מהירות ומובנות. השם שואב השראה מהחשיבה המהירה של דניאל כהנמן.

2. ההבדל בין LLM רגיל לבין Jev

ההבדל העיקרי הוא סוג התוצאה. מודל שפה מחזיר מחרוזת טקסט. Jev מחזיר ערכים שהמבנה שלהם הוגדר מראש.

הנושא	LLM רגיל	System One ו-Jev
סוג הפלט	טקסט חופשי שנוצר בהדרגה	ערכים מובנים שהוגדרו מראש
אופן העבודה	מייצר טוקן אחרי טוקן	מחשב כמה תשובות במקביל
רמת חופש	גבוהה ולכן מתאים למשימות פתוחות	מוגבלת ולכן קל יותר לשלב באוטומציה
שימוש נפוץ	שיחה, כתיבה, סיכום וקוד	סיווג, דירוג, ניתוב, חילוץ ובחירת פעולה
בקרת מבנה	צריך לבדוק ולתקן את הפלט	המבנה והאפשרויות נקבעים מראש
אי ודאות	לא תמיד עקבית גם כשמבקשים ציון ביטחון	הסתברות וביטחון הם חלק קבוע מהפלט

3. איך זה עובד בפועל

1. מכניסים state - המערכת מקבלת טקסט או מידע לא מסודר, למשל תוכן של פנייה, תיאור אירוע או רשומה עסקית.
2. מגדירים שאלות מראש - במקום שאלה פתוחה מגדירים שאלות כמו האם יש סיכון, לאיזו קטגוריה זה שייך ומה הפעולה המתאימה.
3. מקבלים החלטה ורמת ביטחון - המודל מחזיר תשובות מובנות. הקוד ממשיך אוטומטית כשהביטחון גבוה ומעביר לבדיקה כשהוא נמוך.

4. למה החברה טוענת שזה מהיר וזול

מודל שפה רגיל מייצר תשובה ברצף. כל חלק חדש תלוי במה שכבר נכתב. לפי TypeSafe AI, Jev מוותר על יצירת טקסט חופשי ומחשב את ההחלטות במקביל. לכן הוא יכול להחזיר תוצאה מהר יותר ובפחות חישוב.

5. אין הזיות?

TypeSafe AI טוענת ש-Jev לא יכול להחזיר פלט מחוץ למבנה שהוגדר. אם ביקשנו תשובה מסוג כן או לא, הוא לא ימציא פסקה, לא יחזיר שדה לא מוכר ולא ישבור את מבנה הנתונים.

זה לא אומר שכל החלטה נכונה. המודל עדיין יכול לבחור אפשרות לא נכונה, לפרש את המידע בצורה שגויה או להיות בטוח מדי במקרה מסוים. ההבטחה היא לגבי צורת התשובה, לא לגבי אמת מוחלטת.

6. מתי כדאי להשתמש ב-Jev?

הגישה מתאימה במיוחד כשיש הרבה החלטות קטנות שחוזרות על עצמן, כשהאפשרויות ידועות מראש וכשמהירות או מחיר משפיעים על היכולת להפעיל את התהליך בקנה מידה גדול. שימושים אפשריים הם: סיווג וניתוב, דירוג סיכון, חילוץ שדות, בחירה בין פעולות ובדיקה מהירה של פלט ממודל אחר.

✓ מתאים יותר

• סיווג וניתוב של פניות
• דירוג סיכון או דחיפות
• חילוץ שדות קבועים מטקסט
• בחירה בין פעולות שהוגדרו מראש
• בדיקה מהירה של פלט ממודל אחר

✕ מתאים פחות

• כתיבת תוכן ארוך או יצירתי
• שיחה פתוחה שבה הכיוון משתנה
• מחקר שדורש הסבר מפורט ומקורות
• משימה שאין בה רשימת תשובות ברורה
• החלטה רגישה בלי בקרה אנושית או כללי בטיחות

7. איך מתחילים בלי להסתבך

לא צריך להחליף מערכת שלמה. מתחילים בהחלטה אחת שחוזרת הרבה, שיש לה כמה תוצאות ברורות ושאפשר לבדוק בדיעבד.

1. בחרו החלטה - למשל ניתוב פנייה למחלקה, זיהוי סוג מסמך או קביעת רמת דחיפות.
2. הגדירו תשובות מותרות - כתבו רשימה קצרה וברורה של האפשרויות. אם הרשימה לא ברורה לאדם, היא לא תהיה ברורה גם למודל.
3. אספו דוגמאות - השתמשו במקרים אמיתיים מהעבר, כולל מקרים קלים, מקרים מבלבלים ומקרים חריגים.
4. קבעו ספי ביטחון ובקרה - בהתחלה המודל ממליץ ואדם מאשר. רק אחרי שמצטברות תוצאות טובות מרחיבים את האוטומציה.

8. השורה התחתונה

9. מקור

המאמר שעליו מבוסס המדריך פורסם על ידי TypeSafe AI ונכתב על ידי Diogo Almeida.

↗ Introducing System One Models & Jev - המאמר המקורי