Jev et l’essor des modèles de décision dans les logiciels

TThéa

Alors, Jev attire l’attention par sa manière différente de répondre. TypeSafe AI l’a dévoilé le 15 septembre, d’après Understanding AI. En une semaine, l’annonce a cumulé près de 40 millions de vues sur Twitter, plus de 100 000 personnes ont rejoint le Discord de l’entreprise et environ 2 000 projets GitHub ont utilisé le modèle. Ces chiffres montrent une forte curiosité autour de son lancement, mais ils ne disent pas à eux seuls combien de personnes l’utilisent durablement ni dans quels logiciels. Jev estime la probabilité de réponses prédéfinies, comme oui ou non, plutôt que de rédiger un texte libre. Il s’agit donc moins d’un nouvel outil de conversation que d’une autre façon d’utiliser un modèle dans un produit logiciel.

TThéa

Le logiciel pose une question avec des réponses définies à l’avance, puis Jev estime la probabilité de chacune. Les options peuvent prendre la forme d’un oui ou d’un non, d’un choix parmi plusieurs réponses, ou d’une note. Le logiciel récupère ainsi un résultat limité et lisible par son code, au lieu d’avoir à interpréter un long texte généré. Il peut ensuite relier les choix possibles aux étapes prévues dans son propre fonctionnement. Cette conception permettrait de servir Jev plus rapidement et à moindre coût que des grands modèles de langage classiques, et facilite son intégration dans des logiciels. En contrepartie, la question et les réponses possibles doivent être définies pour la tâche : le modèle ne rédige pas spontanément une explication détaillée ou une réponse destinée directement à l’utilisateur.

TThéa

Ces modèles peuvent servir dans des logiciels où il faut souvent comprendre le sens d’un message, pas seulement repérer un mot précis. Un agent d’assistance doit, par exemple, reconnaître un double débit, choisir un parcours de traitement, vérifier s’il manque des informations ou décider d’une escalade. The Sequence décrit ce type de succession de décisions et présente Jev comme le point de départ d’un intérêt plus large pour ces modèles. Dans cet exemple, l’outil pourrait contribuer à orienter le dossier avant même la rédaction d’une réponse au client. Leur intérêt serait de rendre ces jugements assez rapides et peu coûteux pour les intégrer à plusieurs étapes d’un logiciel. L’idée est qu’une estimation rapide puisse suffire à certaines étapes, plutôt que d’employer un grand modèle pour chacune d’elles. Mais l’analyse ne chiffre pas les économies possibles et ne démontre pas que ce choix conviendrait à tous les logiciels.

TThéa

Il faut distinguer l’intérêt suscité par Jev de son adoption réelle en entreprise. TypeSafe AI a ouvert les inscriptions le 20 septembre, les a suspendues 2 jours plus tard face à une forte demande, puis les a rétablies le 27 septembre. Le 1er octobre, le dirigeant de TypeSafe AI a affirmé que l’entreprise aurait déjà intégré un quart des sociétés du Fortune 500. Understanding AI indique que cette affirmation n’est pas corroborée dans son article. Elle doit donc être considérée comme une déclaration de l’entreprise, et non comme un décompte indépendant confirmé. Les chiffres de vues, d’inscriptions à Discord et de projets GitHub témoignent d’un intérêt marqué au lancement, mais ne permettent pas de vérifier cette affirmation sur les entreprises clientes.

TThéa

Amazon, Cloudflare et OpenAI développent aussi des modèles de conception similaire. L’idée commune est de produire des évaluations de choix plutôt qu’une réponse rédigée, pour que des logiciels puissent s’en servir dans leurs propres parcours de traitement. Jev semble, pour l’instant, obtenir les meilleurs résultats, mais cette impression reste anecdotique et ne repose pas sur une comparaison établie. On ne peut donc pas conclure à une supériorité objective sur ses concurrents. L’analyse ne fournit pas de nouvelle comparaison de performances entre ces systèmes.

TThéa

À retenir : une intelligence artificielle peut être utile sans produire de phrases. Jev estime les probabilités de réponses définies à l’avance, que le logiciel peut ensuite utiliser pour choisir une action, par exemple orienter une demande vers un parcours de traitement. Cette approche pourrait rendre abordables des jugements de sens répétés dans plusieurs étapes d’un même logiciel, mais les économies ne sont pas chiffrées. L’intérêt suscité par Jev est net, mais il ne suffit pas à confirmer les déclarations d’adoption de TypeSafe AI. Enfin, l’idée que Jev serait devant les modèles similaires reste une impression anecdotique, pas une supériorité établie par une comparaison.