Onko tämä laskutusasia? Tarvitseeko viesti vastauksen? Estääkö kuvattu ongelma työnteon? Toimistossa kuluu aikaa pieniin arvioihin, joiden lopputulos mahtuu yhteen luokkaan tai numeroon.

TypeSafen Jev on näihin tehtäviin tarkoitettu tekoälymalli. Sille annetaan aineisto, kysymykset ja vastausvaihtoehtojen kuvaukset. Vastaukseksi saa luokkia, arvioita ja todennäköisyyksiä, joita toinen ohjelma voi käyttää suoraan.

Malliversio, hinnat ja käyttöliittymä on tarkistettu 20.9.2026. Kokeissa käytettiin versiota jev-1.13.0.

Kuvittele yhteinen asiakaspalvelulaatikko. Sinne tulee laskutuskysymyksiä, virheilmoituksia, tarjouspyyntöjä ja viestejä, jotka eivät kuulu mihinkään näistä. Joku lukee jokaisen viestin ja päättää, kenen työjonoon se kuuluu.

Jeville voi antaa saman tehtävän: tässä on viesti, tässä ovat tiimit ja niiden vastuut, valitse sopivin. Malli palauttaa valitun tiimin sekä vaihtoehtojen todennäköisyydet. Sovellus voi näyttää ehdotuksen ihmiselle tai käyttää sitä osana työnkulkua.

TypeSafe kutsuu tätä System One -malliksi. Nimi viittaa nopeisiin, rajattuihin arvioihin. Se on valmistajan tapa kuvata malliperhettä, ei väite siitä, että ohjelmalla olisi ihmisen intuitio. Jev julkaistiin syyskuussa 2026. TypeSafen esittely ja System One -dokumentaatio kuvaavat sen todennäköisyyksiä palauttavaksi päätösmalliksi.

ChatGPT:n kaltaiselta keskusteluavustajalta voi pyytää vastausluonnoksen, perustelun tai yhteenvedon. Tavallinen autoregressiivinen kielimalli muodostaa vastauksen tekstipala kerrallaan. Jeviltä voit kysyä rajatumpia asioita: määrittelet kysymykset etukäteen ja saat niihin määrätyntyyppisiä tuloksia.

Myös suuret kielimallit osaavat luokitella viestejä ja palauttaa tarkasti määriteltyä JSON-dataa. Jevin ero ei siis ole pelkkä vastausmuoto. TypeSafe on suunnannut mallin juuri näiden rajattujen arvioiden tekemiseen ja todennäköisyyksien tuottamiseen. Valmistajan mukaan saman aineiston kysymyksiä voidaan käsitellä rinnakkain.

Työnjako auttaa valitsemaan työkalun. Jos lopputulokseksi tarvitaan tekstiä, Jev ei yksin riitä. Jos tarvitset määrämuotoisen arvion toistuvasti, sitä kannattaa kokeilla. Laajemman vertailupohjan löydät AI-Sanomien kielimallin valintaoppaasta.

Kiinnostuksesta on ainakin yksi julkinen käyttöluku. Vercelin mukaan lähes 13 prosenttia sen maksavista AI Gateway -tiimeistä käytti Jeviä ensimmäisen vuorokauden aikana mallin tultua palveluun. Vercel kuvasi käyttöönottoa oman AI Gateway -historiansa nopeimmaksi. Luku koskee yhtä kehittäjäalustaa ja käytön alkuvaihetta. Se ei kerro Jevin maailmanlaajuisesta markkinaosuudesta tai siitä, kuinka moni jatkaa käyttöä kuukausien päästä. Myös Vercelin julkaisussa jää avoimeksi, kuinka pysyvää käyttö on.

Oma tulkintani on, että kiinnostusta selittää ennen kaikkea tuttu ongelma. Kehittäjät ovat käyttäneet yleiskäyttöisiä kielimalleja pieniin luokitteluihin, vaikka vastaukseksi tarvitaan vain yksi arvo. Tällöin tekstin tuottamisen joustavuudesta on vähän hyötyä, mutta kutsun hinnalla ja odotusajalla on väliä.

Jev tarjoaa tähän rajatun tuotteen, jonka voi liittää olemassa olevaan sovellukseen. Todennäköisyydet kiinnostavat siksi, että ohjelma voi käsitellä vahvan ja epäselvän arvion eri tavoin. Esimerkiksi epäselvä viesti voidaan nostaa käsin tarkistettavaksi sen sijaan, että kaikki viestit pakotetaan automaattisesti johonkin tiimiin.

Myös hinta madaltaa kokeilukynnystä. TypeSafen dokumentoitu hinta oli tarkistuspäivänä 0,042 Yhdysvaltain dollaria miljoonalta syötetokenilta, ja vastaustokenit olivat maksuttomia. Token tarkoittaa mallin käsittelemää tekstipalaa. Syötteeseen kuuluvat viestin lisäksi kysymykset ja arviointiperusteet. Jos tuhat kutsua kuluttaisi kukin tuhat syötetokenia, mallikulu olisi yhteensä 0,042 dollaria. Tämä on laskuesimerkki, ei arvio jokaisen sovelluksen kustannuksista. Ajantasainen mallihinnasto kannattaa tarkistaa ennen käyttöönottoa.

Jeville lähetetään kaksi asiaa: arvioitava aineisto ja sitä koskevat kysymykset. State sisältää aineiston, esimerkiksi yhden viestin. Questions sisältää kysymykset ja arviointikriteerit. Lisäksi pyynnössä nimetään käytettävä malliversio.

Ajattele Statea (tilaa) työpöydälle laskettuna asiakirjana ja Questions-osaa sen vieressä olevana arviointilomakkeena. Lomakkeessa voidaan kysyä, mille tiimille asia kuuluu, pyydetäänkö vastausta ja kuinka paljon kuvattu ongelma haittaa työtä. Asiakirja pysyy samana, vaikka kysymys vaihtuu.

Rinnakkain käsiteltävien kysymysten pitää olla itsenäisiä. Jos esimerkiksi kiireellisyyden arviointi tarvitsee vastauksen toiseen kysymykseen, sovelluksen täytyy odottaa sitä ennen jatkokysymystä. Sovellus voi tehdä erillisen jatkokutsun, kun ensimmäinen vastaus on saatu. TypeSafen rinnakkaisia arvioita käsittelevä ohje kuvaa tätä työnjakoa.

Choice sopii kysymykseen, jossa on joukko nimettyjä vaihtoehtoja. Viestin kohdalla ne voivat olla laskutus, tekninen tuki, myynti ja muu. Jokaiselle vaihtoehdolle kirjoitetaan kuvaus, jotta mallin ei tarvitse päätellä organisaation työnjakoa pelkästä nimestä.

Vastauksessa ovat valittu luokka, vaihtoehtojen todennäköisyydet ja erillinen confidence-luku. Jos luokat menevät päällekkäin, hyvä mallikaan ei ratkaise epäselvää määrittelyä puolestasi. Laskutusongelman aiheuttava ohjelmistovirhe saattaa kuulua työpaikasta riippuen laskutukseen tai tekniseen tukeen. Kriteerien pitäisi kertoa, kumpi käsittelee sen ensin. Choice-ohje kuvaa kysymysmuodon.

Score tarvitsee järjestetyt tasot ja niiden kuvaukset. Työn haittaa voisi arvioida näin:

Score voi olla myös desimaaliluku. Se muodostuu tasojen todennäköisyyksillä painotettuna keskiarvona. Kuvitteellisessa jakaumassa taso 1 saa todennäköisyyden 0,4 ja taso 2 todennäköisyyden 0,6. Score on silloin 1,6. Se ei tarkoita 160 prosentin kiireellisyyttä eikä 80 prosentin varmuutta.

Keskiarvon rinnalla kannattaa katsoa jakaumaa. Tulos 1 voi syntyä sekä vahvasta keskimmäisen tason arviosta että tilanteesta, jossa malli jakaa arvionsa tasan ääripäiden välille. Työn järjestämisen kannalta nämä ovat eri tilanteita. Scoren dokumentaatiossa asteikolle määritellään vähintään kaksi ja enintään kymmenen tasoa.

Noul vastaa kyllä/ei-kysymykseen luvulla nollasta yhteen. Esimerkiksi kysymys ”Pyytääkö lähettäjä vastausta tai toimenpidettä?” voi saada arvon 0,98. Malli arvioi silloin kyllä-vastauksen todennäköisyydeksi 98 prosenttia.

Pieni luku ei tarkoita, että malli olisi epävarma. Arvo 0,05 tarkoittaa vahvaa ei-arviota. Arvo 0,5 puolestaan jakaa todennäköisyyden tasan kyllä- ja ei-vastausten välille. Noulilla ei ole erillistä confidence-kenttää. Noul-ohje määrittelee vastaustyypin.

TypeSafe kertoo käyttävänsä menetelmää nimeltä Reinforcement Learning for Calibrated Decisions, lyhyesti RLCD. Sen tavoitteena on opettaa mallia antamaan todennäköisyyksiä, jotka vastaavat havaittua onnistumista. Jos hyvin kalibroitu malli antaa suurelle joukolle vertailukelpoisia arvioita 80 prosentin todennäköisyyden, noin 80 prosentin pitäisi osua oikeaan. Tämä on kalibroinnin periaate, ei osoitus Jevin tarkkuudesta omassa aineistossasi. TypeSafen koneoppimisen perusteet selittävät valmistajan lähestymistapaa.

Jevin tarkkaa verkkoarkkitehtuuria, parametrimäärää tai koko koulutusmenetelmää ei ole kuvattu näissä julkisissa lähteissä. Siksi havainnekuvissa näkyvät aineisto, kysymykset ja tulokset. Niistä ei pidä päätellä, montako kerrosta mallissa on tai kuinka monta laskentavaihetta yksi kutsu vaatii.

Toinen riski on puutteellinen aineisto. Viesti ”Tämä on taas rikki, hoitakaa kuntoon” sisältää pyynnön mutta ei kerro, mikä on rikki. Jev ei voi tietää puuttuvaa keskusteluhistoriaa. Lisää vain tehtävän kannalta tarpeellinen tausta tai salli vaihtoehto ”muu / ei riittävästi tietoa”.

Jevin rajat vaikuttavat myös tehtävän valintaan:

Valmistaja käsittelee näitä heikkouksia myös mallin rajoituksia kuvaavassa dokumentaatiossa. Siitä saat hankalia esimerkkejä omaan testiisi.

Jev käsittelee API:n kautta lähetettävän tekstin TypeSafen pilvipalvelussa, vaikka käyttöliittymä olisi omalla koneellasi. TypeSafe kertoo, ettei asiakassyötteitä käytetä mallien kouluttamiseen ilman suostumusta. Se ei kuitenkaan lupaa kaikille käyttäjille, ettei tietoja säilytettäisi lainkaan. Tietosuojakäytäntö kertoo myös Yhdysvalloissa sijaitsevista palveluista. Tarkista työpaikkasi hyväksytyt palvelut ja oman tilisi ehdot ennen työaineiston käyttöä. Lue markkinointilupausten lisäksi tietosuojakäytäntö ja asiakassopimus.

Jos aineiston täytyy pysyä kokonaan omalla koneella, tutustu oppaaseemme tekoälyn käyttämisestä paikallisesti. Tämän artikkelin Jev-sovellus tarvitsee verkkoyhteyden.