Qu'est-ce que Jev ? En quoi diffère-t-il des LLM ?

Article en avant-première gratuit issu de la plateforme « AI Literacy for Everyone » d'Amii. Rédigé par l'équipe « AI Literacy » d'Amii.

Vue d'ensemble

Utiliser un modèle linguistique de grande envergure pour chaque petite décision revient un peu à engager Einstein pour changer une ampoule. La tâche peut nécessiter une compréhension élémentaire, comme éteindre l'interrupteur avant de toucher l'ampoule, mais elle ne mobilise qu'une infime partie des capacités d'Einstein.

Dans de nombreux flux de travail actuels, les grands modèles linguistiques (LLM), tels que Claude ou ChatGPT, sont trop souvent utilisés pour prendre à répétition des décisions mineures. Par exemple, saisir des e-mails ou faire appel à un agent pour savoir si un message est un spam ou s'il faut répondre à un e-mail. C'est précisément pour répondre à ces questions simples, qui appellent un « oui » ou un « non », que Jev a été conçu.

Jev fonctionne selon le modèle « System One » ; ce modèle est conçu pour prendre des décisions rapides, automatiques et essentiellement intuitives, du type « oui » ou « non ». Ce modèle « System One » met l’accent sur des jugements rapides et ciblés s’inscrivant dans un flux de travail plus large (TypeSafe AI, 2026). Le rôle principal de Jev n’est pas d’imiter le raisonnement humain, comme le font les grands modèles de langage (LLM), mais de fournir des décisions rapides et fluides, accompagnées d’une probabilité et d’un niveau de confiance.

Jev face aux grands modèles de langage (LLM) traditionnels

Alors qu'un modèle LLM reçoit un contexte et génère une réponse, Jev reçoit le même contexte et produit une sortie structurée, en évaluant les décisions en parallèle.

Exemple

Par exemple, lorsqu'un LLM reçoit une question concernant un e-mail, telle que :

• Ce message est-il un spam ?

• À quelle équipe cette demande doit-elle être adressée ?

• Faut-il répondre à cet e-mail ?

• Quel outil un agent devrait-il utiliser ensuite ?

Le LLM fournira une réponse qui consistera à rédiger, élaborer, résumer et présenter les résultats, alors que vous n'aviez besoin que d'une réponse par « oui » ou par « non ». Jev est conçu pour ce type de tâches : il traite des entrées en langage naturel et renvoie des décisions structurées accompagnées de probabilités associées.

Jev prend en charge trois primitives de décision pour les probabilités :

Ces résultats peuvent être directement intégrés à des logiciels chargés de classer les informations, de hiérarchiser les tâches ou de déterminer l'action suivante. Jev fournit des probabilités dans ses réponses, ce qui constitue une fonctionnalité utile, car elle permet aux logiciels de tenir compte de l'incertitude. Une application peut agir automatiquement lorsque les indices sont solides, et demander des informations complémentaires lorsqu'elle obtient une réponse ambiguë ou moins certaine, soit auprès d'une personne, soit auprès d'un autre modèle.

Pour que ces probabilités aient un sens, elles doivent d’abord être calibrées : par exemple, si de nombreuses prédictions se voient attribuer une probabilité de 80 %, le résultat prédit devrait se produire dans environ 80 % des cas. TypeSafe AI a entraîné Jev dans cette optique, mais ce calibrage ne garantit pas que chaque décision prise individuellement soit correcte.

Par exemple, une application de tri des e-mails développée avec Jev illustre bien comment ces concepts s'articulent entre eux. Lorsque cette application développée avec Jev reçoit un e-mail, elle évalue le message en fonction de trois questions prédéfinies :

Jev en action

Jev n’est pas un LLM – et l’un des principaux arguments avancés par TypeSafe concernant Jev est qu’il est incapable d’« halluciner ». Pour comprendre cet argument, il faut faire la distinction entre la production d’une sortie invalide et la prise d’une décision erronée. Les sorties limitées de Jev sont définies à l’avance ; par exemple, dans cet exemple de projet Jev, quatre types d’e-mails ont été définis : « réunion », « demande », « pour info » et « spam ».

Exemple de tri des e-mails Jev par Amii, formatrice en apprentissage automatiqueJev renverra l'une de ces options, accompagnée de ses probabilités. Par exemple, dans ce cas de test, Jev a reçu l'e-mail suivant :

Bonjour Madison. Je voulais te parler d'un nouveau modèle génératif. Il s'appelle JEV et il est ultra-rapide pour prendre des décisions simples. Il est également très abordable. J'ai développé une application autour de ce modèle qui permet de mettre en avant certaines de ses fonctionnalités. Dis-moi quand on pourra en discuter. Amitiés, Soroush

Compte tenu de la configuration de l’application ci-dessus, Jev répond en indiquant une probabilité et une catégorie (réunion, demande, pour information ou spam). En raison de la primitive de décision de Jev, le modèle ne peut classer les e-mails que dans les quatre catégories données ; il ne peut pas inventer une cinquième catégorie d’e-mails et ne peut donc pas « halluciner ». Cependant, cela ne signifie pas que Jev ne peut pas se tromper. Dans ce cas précis, Jev est sûr à 78 % que cet e-mail est une demande de réunion, et à 14 % qu’il s’agit d’une demande. Cet exemple montre que, bien que Jev ne « hallucine » pas, la correspondance entre le résultat et la structure définie n’est pas garantie. Comparez cela à une question à choix multiples : un élève peut choisir A, B, C ou D, mais ne peut pas inventer une option E. L’élève peut tout de même sélectionner la mauvaise réponse. Jev pourrait classer par erreur une demande de réunion comme du spam tout en produisant un résultat parfaitement valide.

Application

Dans quels types de décisions professionnelles Jev serait-il le plus utile ?

Cela dépend du lieu de travail et du poste occupé. La méthode JEV s'avère particulièrement utile lorsqu'une tâche consiste à évaluer de manière répétée des informations par rapport à des options ou à des critères clairement définis. Par exemple :

Service client : Classer les demandes, les transmettre à l'équipe compétente et identifier les dossiers susceptibles de nécessiter une attention particulière.

Gestion de projet : classer les retours reçus par catégorie, évaluer le degré d'urgence des problèmes et signaler les messages nécessitant un suivi.

Éducation et formation : Classer les questions des apprenants par thème, les orienter vers les ressources appropriées ou signaler les réponses qui pourraient nécessiter l'intervention d'un formateur.

Développement logiciel : déterminer si un agent doit effectuer une recherche dans des documents, interroger une base de données, lancer un outil spécifique ou transmettre une requête à un modèle de raisonnement plus performant.

En savoir plus :

Jouer