ChatGPT maakte een van de onderzoekers van OpenAI ontevreden. Hij zag dat taalmodellen uitstekend waren in menselijke taal, maar niet altijd praktisch voor automatisering. Daarop richtte hij een nieuw bedrijf op en ontwikkelde een model dat geen tekst produceert, maar directe besliskansen.

Wat is Jev en waarom is het anders?

Jev is een nieuw soort model van TypeSafe AI dat geen tekst als antwoord geeft. In plaats daarvan levert het gekalibreerde kansen: getallen die aangeven hoe waarschijnlijk iets is. Omdat de uitkomsten van tevoren door gebruikers worden gedefinieerd, kan het model niet ‘hallucineren’ (onzin verzinnen).

Het model wordt door ontwikkelaars interessant gevonden omdat het:

• veel sneller werkt dan normale taalmodellen;

• veel goedkoper is in gebruik;

• betrouwbaardere waarheidsscores teruggeeft.

TypeSafe noemt Jev een "System One model", gericht op intuïtie en snelle beslissingen in plaats van ingewikkelde redenering.

Praktische voordelen voor automatisering

Omdat Jev geen tekst genereert, zijn de kosten voor uitvoer vrijwel nihil en kunnen grote aantallen invoerpunten goedkoop worden verwerkt. Dat maakt het aantrekkelijk voor taken binnen software die snel en voordelig moeten zijn.

Enkele voorbeelden uit de praktijk:

• Een bedrijf dat commando’s checkt op veiligheid maakte een overstap naar Jev en zag antwoorden 5 tot 18 keer sneller terugkomen.

• Een andere test vergeleek Jev met een concurrerend model voor het classificeren van zakelijke e-mails. Het concurrent-model was iets nauwkeuriger, maar 10 tot 20 keer duurder. Jev leverde bovendien echte waarschijnlijkheidsscores die zich goed lenen voor automatische werkstromen.

Door die betrouwbare kansen kun je regels instellen: reageer alleen als de kans boven een bepaalde drempel ligt, negeer twijfelgevallen.

Mogelijke toepassingen

• het automatisch sorteren of classificeren van berichten en commando’s;

• real-time routering tussen modellen: eerst snel checken welk model geschikt is, daarna het zware werk laten doen door een groter model;

• toezicht op andere AI-agenten om misbruik of jailbreaks te voorkomen;

• snellere, goedkopere beslissystemen ingebouwd in bestaande software.

Hoe het werkt in grote lijnen

De maker bouwde eerder mee aan systemen die leerden van menselijke feedback. Bij Jev is de insteek anders: het model wordt getraind op synthetische data — door mensen gemaakte of door computers gegenereerde voorbeelden — en gebruikt een methode die het leren richt op gekalibreerde beslissingen. Dat betekent dat de kansnummers die het teruggeeft overeen moeten komen met de echte waarschijnlijkheid van een uitkomst.

TypeSafe is terughoudend over de precieze architectuur; buitenstaanders denken dat Jev mogelijk bovenop een open‑weight groot taalmodel is gebouwd. (Een groot taalmodel (LLM) is een computerprogramma dat is getraind om tekst te voorspellen en te genereren.)

TypeSafe noemt het trainingsproces "reinforcement learning from calibrated decisions" — een variant van methoden die eerder gebruikt werden om modellen te verbeteren via menselijke beoordeling, maar nu gericht op kansschattingen.

Wat betekent dit voor de toekomst?

De naam Jev verwijst naar de econoom Jevons: als iets goedkoper wordt, wordt het veel meer gebruikt. TypeSafe hoopt dat goedkope, snelle beslissingsintelligentie overal ingebouwd raakt, verspreid en kleinmazig, meer zoals de vroege dagen van het internet dan de grote gesloten apps van nu.

Analisten verwachten dat concurrenten zullen volgen zodra duidelijk wordt hoe nuttig zo’n model is. TypeSafe werkt bovendien aan varianten van hetzelfde idee voor andere soorten data dan tekst.

Conclusie

Jev laat zien dat kunstmatige intelligentie niet alleen om het genereren van tekst hoeft te draaien. Door direct kansschattingen terug te geven, kunnen bedrijven slimmer, sneller en voordeliger automatiseren. Voor toepassingen waar betrouwbaarheid, snelheid en kosten doorslaggevend zijn, biedt dit nieuwe type model duidelijke voordelen.