Jev โมเดล AI ตัดสินใจ เร็วกว่า LLM 193 เท่า เปลี่ยนงานเป็นระบบอัตโนมัติ

Jev คืออะไร และทำไมความเร็ว 193 เท่าถึงสำคัญ

Jev คือโมเดล AI ตัดสินใจสายใหม่ที่ถูกออกแบบมาเพื่อให้ซอฟต์แวร์ใช้ในการเลือกทางเลือกให้คะแนน และประเมินความน่าจะเป็นแบบมีโครงสร้าง โดยเน้นความเร็วและความแน่นอนของผลลัพธ์มากกว่าการสนทนาหรือเขียนข้อความยาวแบบโมเดลภาษาขนาดใหญ่ จึงเหมาะกับงานที่ต้องใช้การตัดสินใจอัตโนมัติจำนวนมากภายในระบบคอมพิวเตอร์และเวิร์กโฟลว์ธุรกิจ Jev ถูกเปิดตัวโดย TypeSafe AI บริษัทที่ก่อตั้งโดยอดีตนักวิจัยจาก OpenAI เมื่อวันที่ 15 กันยายน ในฐานะ System One Model ที่ไม่ได้เกิดมาเพื่อแชตกับมนุษย์ แต่เพื่อเป็นสมองตัดสินใจฝังตัวในซอฟต์แวร์แทบทุกประเภท โดยผลทดสอบ Workflow Evals ระบุว่า Jev สามารถทำงานเร็วกว่าโมเดล LLM ชั้นนำได้สูงสุดประมาณ 193.6 เท่า และต้นทุนประมวลผลต่ำกว่าราว 444.6 เท่า ตัวเลขนี้ไม่ใช่แค่สวยหรู แต่กำลังบอกว่าการใช้ AI ในระดับโครงสร้างอาจขยายตัวมหาศาลเมื่อการตัดสินใจมีราคาถูกและเร็วพอ

จาก ChatGPT สู่ System One ทำไมการเลิกสร้างข้อความทำให้ AI เร็วขึ้นมาก

หัวใจที่ทำให้ Jev เร็วกว่า LLM ไม่ใช่เวทมนตร์ แต่เป็นการกล้าตัดขั้นตอนสร้างข้อความทิ้งไปทั้งหมด ในขณะที่ LLM อย่าง ChatGPT หรือ Gemini ต้องสร้างคำตอบทีละโทเคนตามลำดับหรือที่เรียกว่า Token Loop แล้วให้โปรแกรมนำข้อความนั้นกลับไปแยก ตรวจสอบ และตีความใหม่ Jev เลือกแนวทางตรงกันข้าม มันรับสถานะ State จากระบบแล้วคืนค่าผลลัพธ์ที่มีประเภทกำหนดไว้ล่วงหน้า พร้อมค่าความน่าจะเป็นให้ใช้งานต่อในโค้ดได้ทันที แนวคิดนี้ถูกนิยามว่า System One Model ซึ่งเน้นการตัดสินใจแบบรวดเร็วและแน่นอนแทนการอธิบายอย่างละเอียด ในทางตรงกันข้าม โมเดลภาษาแบบเดิมถูกจัดอยู่ในกลุ่ม System Two Model เพราะต้องอาศัยการสร้างข้อความทีละโทเคน การตัดสินใจจึงเกิดช้าและมีค่าใช้จ่ายต่อคำตอบสูงกว่าอย่างเห็นได้ชัด สำหรับนักพัฒนาที่เน้นระบบอัตโนมัติ การลดชั้นแปลความหมายเหล่านี้คือการลดทั้งเวลาและความผิดพลาดจากการตีความข้อความ

ผลลัพธ์แบบ Choice และ Score ทำให้ AI ใช้ในงาน Production ได้จริง

จุดที่ Jev แตกต่างจาก AI สนทนาทั่วไปอย่างสิ้นเชิง คือมันออกแบบมาให้ส่งผลลัพธ์กลับในรูปแบบที่เครื่องเข้าใจ ไม่ใช่คนเข้าใจ Jev ใช้รูปแบบคำถามพื้นฐานที่เรียกว่า Primitives สามแบบ คือ Choice สำหรับเลือกจากชุดตัวเลือก Score สำหรับให้คะแนน และ Noul สำหรับประเมินความน่าจะเป็น ทำให้ซอฟต์แวร์สามารถนำผลลัพธ์ของโมเดลไปใช้ตัดสินใจต่อได้ทันทีโดยไม่ต้องแยกข้อความหรือวิเคราะห์ภาษาธรรมชาติ ในทางปฏิบัติ Jev ให้บริการในรูปแบบ API สำหรับนักพัฒนา เพื่อเชื่อมต่อกับแอปพลิเคชัน ระบบ AI Agent หรือเวิร์กโฟลว์ที่ต้องการการตัดสินใจแบบเรียลไทม์ โดยโปรแกรมส่งข้อมูลสถานะเข้าไปให้ Jev ประเมิน ก่อนนำค่าที่ได้กลับมาควบคุมขั้นตอนถัดไปของระบบ แนวทางนี้ต่างจากการใช้ LLM แบบ Chatbot ที่ต้องอ่านข้อความ ตรวจสอบการตอบ แล้วค่อยแปลงกลับเป็นคำสั่งอีกชั้นหนึ่ง ซึ่งช้าและเสี่ยงในงาน production ที่ต้องการความเสถียรสูง

Jev กับอนาคตของระบบอัตโนมัติและงาน Productivity เชิงโครงสร้าง

เมื่อการตัดสินใจของ AI ถูกลงและเร็วขึ้นมาก แนวคิดที่ตั้งชื่อตามนักเศรษฐศาสตร์ William Stanley Jevons ก็เริ่มมีน้ำหนัก บริษัทผู้สร้างมองว่าหากต้นทุนการใช้ AI วิเคราะห์และตัดสินใจลดลง องค์กรจะกล้าใช้ AI กับงานจำนวนมากขึ้นอย่างมหาศาล ตั้งแต่คัดกรองอีเมล ตรวจสอบธุรกรรม จัดหมวดหมู่ข้อมูล อนุมัติคำสั่ง ไปจนถึงประเมินความเสี่ยงในระบบหลังบ้านของซอฟต์แวร์ โมเดล AI ตัดสินใจอย่าง Jev จึงมีศักยภาพสูงสำหรับการสร้างระบบอัตโนมัติที่ต้องใช้การตัดสินใจถี่และรวดเร็ว เช่น การจัดอันดับผลการค้นหา การจำแนกสแปม การจัดกลุ่มข้อร้องเรียนลูกค้า และการเลือกแอ็กชันที่เหมาะสมในเครื่องมือ productivity ต่างๆ อย่างไรก็ตาม Jev ยังอยู่ในสถานะ Early Access ตัวเลขด้านความเร็วและต้นทุนส่วนใหญ่ยังมาจากการทดสอบภายใน สิ่งที่องค์กรต้องจับตาไม่ใช่แค่ความเร็ว แต่คือความแม่นยำ การปรับเทียบค่าความมั่นใจ และความน่าเชื่อถือเมื่ออยู่ในระบบ production จริงของภายนอก

ความไม่แน่นอนคือเพื่อน ไม่ใช่ศัตรู เมื่อใช้ Jev ในงานจริง

การที่ Jev ส่งคืนผลลัพธ์เป็นความน่าจะเป็นทำให้วิธีคิดในการออกแบบฟีเจอร์เปลี่ยนไปอย่างชัดเจน คุณไม่ได้อ่านข้อความผิดแล้วค่อยแก้ แต่ต้องออกแบบว่าจะเชื่อตัวเลขมากน้อยแค่ไหน บทความวิเคราะห์การใช้ Jev ในงาน production เปรียบเทียบโมเดลกับคลาสสิฟายเออร์แบบ cross-encoder ที่อ่านข้อความแล้วแสดงผลเป็นการแจกแจงความน่าจะเป็นบนฉลากต่างๆ ซึ่งผู้ใช้สามารถตั้ง Threshold ใช้งานได้ ความสำคัญจึงอยู่ที่การมีชุดข้อมูลติดฉลากของตัวเองเพื่อประเมินว่า Jev ทำงานดีพอสำหรับเคสของเราไหม วิธีที่แนะนำมีตั้งแต่การดึงล็อกการตัดสินใจเดิมในสินค้า การใช้ชุดข้อมูลสาธารณะรูปแบบคล้ายกัน ไปจนถึงการรันแบบเบต้าและเก็บฉลากจากการใช้งานจริง ก่อนจะปล่อยให้คะแนนของ Jev ขับเคลื่อนฟีเจอร์โดยมี fallback รองรับเมื่อโมเดลไม่มั่นใจ การยอมรับความไม่แน่นอนอย่างมีระบบแบบนี้ต่างหากที่ทำให้โมเดล AI ตัดสินใจกลายเป็นหัวใจของระบบอัตโนมัติที่น่าเชื่อถือในระยะยาว