Jev คืออะไร และทำไมต้องมีโมเดล AI ตัดสินใจแบบใหม่
Jev คือโมเดล AI ตัดสินใจจาก Jev TypeSafe ที่ออกแบบมาให้ประเมินข้อความและตัดสินใจเชิงความน่าจะเป็นโดยตรง ไม่ได้เกิดมาเพื่อสนทนากับมนุษย์ แต่ถูกนิยามให้เป็น System One Model ที่ทำงานแบบรวดเร็ว ขนาน และให้ผลลัพธ์ที่มีโครงสร้างชัดเจนสำหรับซอฟต์แวร์ใช้ต่อทันที โดยไม่ต้องสร้างข้อความยาวเหมือนโมเดลภาษาแบบเดิม จุดที่ควรมองให้ชัดคือ Jev ไม่ได้พยายามแข่งกับ ChatGPT ในการเขียนหรือเล่าเรื่อง แต่ตั้งใจจะเป็น “สมองตัดสินใจ” ฝังอยู่ในระบบต่าง ๆ แทน chatbot JJev TypeSafe รับบทเป็นส่วนประกอบหนึ่งในสถาปัตยกรรมซอฟต์แวร์ งานของมันคือรับสถานะข้อมูล แล้วตอบกลับเป็นค่าที่มีประเภทชัดเจนและความน่าจะเป็นประกอบ ไม่ใช่ประโยคสวย ๆ ตามคำอธิบาย Jev ถูกเปิดตัวในฐานะโมเดล AI ตัดสินใจที่ออกแบบให้ตัดสินใจอย่างรวดเร็วภายในซอฟต์แวร์ และถูกวางอยู่ฝั่งเดียวกับแนวคิด System One การคิดเร็วแบบสัญชาตญาณของมนุษย์
System One vs LLM แบบเดิม ทำไม Jev ถึงตัดสินใจเร็วกว่า 193 เท่า
ถ้า LLM อย่าง ChatGPT คือ System Two ที่ค่อย ๆ สร้างคำตอบทีละโทเคนตามลำดับ การออกแบบของ Jev คือการหักมุมแบบเต็มตัว Jev เป็น System One Model ที่เน้นการคิดเร็ว ทำงานแบบขนาน และตอบกลับเป็นค่าที่ระบุประเภทชัดเจนทันที โดยไม่ต้องเขียนอธิบายเหตุผลหรือสร้างข้อความใด ๆ โมเดลภาษาแบบเดิมต้องวนลูปสร้างโทเคนทีละตัว แอปพลิเคชันจึงต้องรับข้อความกลับมา แยกโครงสร้าง ตรวจสอบ แล้วค่อยนำไปใช้ตัดสินใจอีกชั้นหนึ่ง Jev ตัดขั้นตอนนี้ทิ้งทั้งหมด มันรับ state หรือสถานะข้อมูล แล้วคืนผลเป็นคำตอบที่ถูกจำกัดประเภทไว้ล่วงหน้าพร้อมค่าความน่าจะเป็น การที่ไม่ต้องพึ่งลำดับโทเคนทำให้โมเดลใช้การสุ่มแบบขนาน คำนวณคำตอบหลายข้อได้ภายในคำขอเดียว บริษัทระบุว่า ในการทดสอบ workflow Jev ทำงานเร็วกว่า LLM กลุ่ม GPT 6 Astra หรือ Fable 5.1 สูงสุดประมาณ 193.6 เท่า และมีต้นทุนการประมวลผลต่ำกว่าประมาณ 444.6 เท่า นี่คือคำประกาศที่สะท้อนว่าความเร็ว AI และต้นทุน AI ต่ำไม่ใช่แค่คำโปรโมต แต่เป็นตัวเลขที่วัดได้ในงานตัดสินใจเชิงโครงสร้างจริง
จากข้อความยาวสู่ค่าความน่าจะเป็น: โมเดล System One ที่ไม่สร้างประโยค
หัวใจของ Jev คือการเลิกคิดว่า AI ต้องตอบกลับเป็นประโยคภาษาเสมอ โมเดลนี้ถูกออกแบบมาเพื่อการประเมินข้อความและการตัดสินใจ ไม่ใช่การสร้างสรรค์เนื้อหาใหม่ เมื่อโค้ดของคุณเรียก API ของ Jev สิ่งที่ส่งไปคือ state หรือสถานการณ์พร้อมข้อมูลประกอบ และสิ่งที่ได้กลับมาคือคำตัดสินในรูปตัวเลือก คะแนน หรือความเป็นไปได้แบบใช้งานต่อได้ทันที แนวคิดสำคัญคือการตัดขั้นตอนสร้างข้อความออกจากกระบวนการ AI แทนที่จะให้โมเดลสร้างคำตอบทีละโทเคนแล้วให้ซอฟต์แวร์นำข้อความกลับมาแยกและตรวจสอบอีกครั้ง Jev รับข้อมูลสถานะ แล้วคืนผลเป็นค่าที่มีประเภทกำหนดไว้ล่วงหน้า พร้อมค่าความน่าจะเป็น เพื่อให้โปรแกรมนำผลไปใช้ตัดสินใจต่อได้โดยตรง แนวทางแบบนี้ทำให้ Jev ส่งคืนการตัดสินใจที่มีข้อจำกัดด้านประเภท ไม่สามารถออกนอกขอบเขตชนิดข้อมูลที่กำหนดไว้ล่วงหน้าได้ จึงลดโอกาสเกิดการตอบหลุดกรอบที่เราคุ้นกันใน LLM แม้จะไม่ได้หมายความว่ามันจะตัดสินใจถูกเสมอ แต่ผลลัพธ์ที่ได้อย่างน้อยก็เป็นข้อมูลที่ระบบอื่นใช้ต่อได้ทันที
เมื่อ AI ถูกออกแบบเพื่อโค้ด: รูปแบบการถามและการใช้ Jev ในระบบจริง
Jev TypeSafe ไม่ได้สนใจว่าจะเป็นคู่สนทนาที่เป็นมิตรกับมนุษย์ แต่มันถูกสร้างมาเพื่อเป็นพาร์ตเนอร์ของโค้ดโดยตรง โค้ดของคุณต้องส่ง state ในแต่ละคำขอ และ Jev จะประเมิน statement ตามที่ถาม ไม่มีฐานความรู้ถาวรหรือความจำระยะยาวค้างอยู่ในโมเดล บทบาทของ Jev ชัดมากในงาน decision automation เช่น บริษัทส่งข้อมูลธุรกรรมบัตรเครดิตของลูกค้า ข้อมูลบัญชี และข้อความล่าสุด แล้วถามว่า “ลูกค้ากำลังขอเงินคืนหรือไม่” Jev จะตอบใช่หรือไม่ พร้อมค่าความมั่นใจ ถ้าความมั่นใจเกินเกณฑ์ที่กำหนด ระบบอาจส่งคำถามถัดไปเป็น multiple choice ว่าจะคืนแบบไหน แล้วให้ Jev ให้ distribution ของแต่ละตัวเลือก เพื่อให้โค้ดดำเนินการต่อ TypeSafe ยังออกแบบ primitive คำถามพื้นฐานของ Jev ให้เหลือเพียงไม่กี่แบบ เช่น การเลือกหนึ่งคำตอบจากหลายตัวเลือก การให้คะแนน หรือการตัดสินใจแบบใช่ไม่ใช่ ทำให้ Jev กลายเป็นโมเดล AI ตัดสินใจที่โฟกัสงานเดียว แต่ทำได้เร็วและสม่ำเสมอ เหมาะกับงานเบื้องหลังที่ต้องการความเร็ว AI สูงและต้นทุน AI ต่ำในทุกคำขอ
ต้นทุนการตัดสินใจที่ถูกลงมาก จะเปลี่ยนซอฟต์แวร์ทั้งระบบอย่างไร
เบื้องหลังชื่อ Jev มีแรงบันดาลใจจากแนวคิด Jevons Paradox ที่พูดว่าเมื่อเทคโนโลยีทำให้การใช้ทรัพยากรถูกลง มนุษย์กลับใช้ทรัพยากรมากขึ้นแทนที่จะลดลง ตัวอย่างคลาสสิกคือรถยนต์ที่ประหยัดน้ำมันขึ้นทำให้คนขับบ่อยขึ้น จนน้ำมันที่ใช้รวมไม่ได้ลดตามที่คาด ทีม Jev TypeSafe มองว่า AI ก็อาจเดินเส้นทางเดียวกัน ถ้าต้นทุนการให้ AI วิเคราะห์และตัดสินใจถูกลงแบบหลายร้อยเท่า บริษัทต่าง ๆ จะไม่หยุดใช้แค่ chatbot หรือ coding agent แต่จะเริ่มฝังโมเดล AI ตัดสินใจไว้ในทุกมุมของซอฟต์แวร์ ตั้งแต่คัดกรองอีเมล ตรวจสอบธุรกรรม จัดหมวดหมู่ข้อมูล อนุมัติคำสั่ง ไปจนถึงประเมินความเสี่ยง การทำให้โมเดลตัดสินใจเร็วกว่า LLM ถึงราว 193.6 เท่าและมีต้นทุนต่ำกว่ากว่า 444.6 เท่าในงานที่ทดสอบ คือการส่งสัญญาณชัดว่าเราอาจกำลังเข้าสู่ยุคที่ “การตัดสินใจของ AI” กลายเป็นส่วนประกอบพื้นฐานของซอฟต์แวร์ทุกตัว ไม่ต่างจากฐานข้อมูลหรือ API พื้นฐานอีกต่อไป ผู้พัฒนาจึงควรถามตัวเองตั้งแต่วันนี้ว่า ระบบของเราพร้อมจะใช้โมเดลแบบ System One เป็นเครื่องตัดสินใจหลักแค่ไหน และงานไหนควรปล่อยให้ LLM แบบ System Two ที่เน้นการสร้างสรรค์ยังทำหน้าที่ต่อไป
