Jev - La nuova era dell’ai è arrivata (e non genera testo)

Entra nella mia Accademia AI:https://www.rizzoaiacademy.com/ Vuoi sviluppare soluzioni AI avanzate: https://inferentia.xyz IG: https://www.instagram.com/simorizzo_ai/ JEV non è un LLM e non è un chatbot. È il primo modello pubblico di una nuova classe di modelli che TypeSafe AI definisce “System One Models”: sistemi progettati non per generare testo, ma per prendere decisioni strutturate che il software può utilizzare direttamente. In questo video andiamo molto nel tecnico. Vediamo: * cos'è JEV e quale problema cerca di risolvere * perché è diverso da un normale Large Language Model * come vengono rappresentate le decisioni e le probabilità * come può essere utilizzato all'interno di workflow e automazioni * casi d'uso reali * cosa sappiamo della sua architettura * come costruire un modello Jev-like * come potrebbe essere organizzato il training * RLCD, Reinforcement Learning for Calibrated Decisions * progetti open source che stanno cercando di esplorare questo nuovo paradigma TypeSafe AI: https://typesafe.ai/ Approfondimento sull'architettura: https://archerhume.com/posts/jevs-architecture-unmasked/?v=3 Jevlike: https://github.com/vinnylarouge/jevlike SemIf: https://github.com/TheoLeeCJ/SemIf 00:00 Cos'è Jeev e i System 1 Models 01:06 Chi c'è dietro: Diogo Almeida e il team 01:57 Come funziona l'architettura: Stato, Istruzioni e Output 03:16 Confronto pratico: Jeev vs LLM tradizionale 07:14 Casi d'uso reali: Web Scraping, Doom e Guida autonoma 11:15 Prova nel Playground: Booleani, Score e Scelte 13:37 Test avanzato: Screening Curriculum in parallelo 15:12 La via di mezzo tra Encoder (BERT) e LLM generativi 16:35 Benchmark di velocità: Jeev vs OpenAI Playground 18:17 Applicazioni pratiche: Routing modelli, Tool MCP e Guardrails 20:47 Caso studio: Elaborazione brevetti su larga scala 23:05 Applicazione al Customer Support e analisi sentiment 24:33 Il problema delle allucinazioni nei modelli statistici 27:58 La soluzione: inserire la classe "Non lo so" 28:22 Come testarlo su OpenRouter e costi di inferenza 28:56 I progetti Open Source: Sam-if e reverse engineering 30:43 Spiegazione tecnica: Come convertire un decoder-only in Jeev 35:25 Dataset di addestramento e Supervised Fine-Tuning (SFT) 36:35 Calibrated Decisions e gestione della confidenza 40:32 La combo definitiva: Usare Jeev come tool per Claude e Agentic AI 42:07 Conclusioni e prossimi passi jev intelligenzaartificiale