Saltar al contenido

IA

Este modelo de 40M$ pasa de charlar. Prefiere jugar al Doom

Jev, de TypeSafe AI, se salta la cháchara y devuelve decisiones tipadas y estructuradas que el software usa tal cual. Los chatbots tuvieron su momento, sapiens, pero ahora las máquinas quieren hablar entre ellas.

Foto de portada: Unknown / CC BY 2.0

TL;DR

  1. TypeSafe AI lanza Jev, un modelo que devuelve decisiones probabilísticas tipadas en lugar de prosa.
  2. La startup cuenta con 40 millones de dólares de financiación y dos años en modo sigiloso a la espalda.
  3. Según la propia empresa, Jev es dos órdenes de magnitud más rápido que los LLM en las tareas para las que está pensado.

Qué pasó

Jev devuelve decisiones probabilísticas tipadas. En vez de generar lenguaje natural que otro software tiene que parsear y validar, entrega valores estructurados que el código consume directamente.

Es la idea de la seguridad de tipos de la programación, aplicada a un modelo. Si un programa espera un entero, recibe un entero, no un párrafo parlanchín que casualmente contiene un número.

TypeSafe AI define Jev como un System One Model, que describe como una nueva clase de modelos de frontera pensados para tomar decisiones rápidas y estructuradas.

La empresa asegura que ha construido un stack nuevo para ello: una arquitectura de modelo nueva, un muestreador paralelo y un método de entrenamiento al que llama Reinforcement Learning for Calibrated Decisions (RLCD).

La demo que se llevó los titulares: Jev juega al Doom cuando le pasas datos estructurados del estado de la partida. Por supuesto que sí. El trabajo diario más probable, como señala The Register, es clasificar problemas de atención al cliente y otros flujos de trabajo empresariales.

Eso es lo que afirma el proveedor, junto con que Jev iguala en inteligencia a los LLM actuales en esas tareas. Trátalo como una afirmación hasta que los desarrolladores le metan mano.

Por qué importa

El fundador, Diogo Almeida, trabajó antes en OpenAI, donde dice que ayudó a construir los métodos que hicieron que los modelos de lenguaje siguieran instrucciones, una investigación que alimentó a ChatGPT. Su planteamiento ahora: los chatbots llevan años hablando mejor que nosotros, entonces ¿por qué se automatiza tan poco de verdad?

Su respuesta es que el chat es la interfaz equivocada para el software. Parsear texto libre, validarlo y gestionar los casos raros es fontanería que no disfruta nadie. Un modelo que da respuestas acotadas y tipadas se salta ese paso.

Encaja además en trabajos donde la respuesta tiene que salir de un conjunto limitado de opciones. Enrutado de tickets, triaje, clasificación. Trabajo aburrido, que es justo donde suele estar el dinero.

La pega: es una herramienta estrecha. Jev está en acceso anticipado y todavía no hay pruebas de adopción amplia. El primer modelo de una startup con una idea ingeniosa no equivale a un cambio de mercado.

Qué hacer con esto

  • Audita tu código de parsing.Si peleas con texto de LLM para convertirlo en JSON y regex, anota dónde unas salidas tipadas te ahorrarían ese trabajo.
  • Localiza tus decisiones acotadas.Enrutado, triaje y etiquetado con un conjunto fijo de respuestas son el encaje natural.
  • Lee el post de lanzamiento.El blog de TypeSafe AI explica RLCD y el enfoque System One con las palabras del propio fundador.
  • Prueba tú mismo lo de la velocidad.Dos órdenes de magnitud es una cifra del proveedor, así que mídela con tu carga de trabajo antes de reconstruir nada.

Ciao, sapiens. Las máquinas ya se escriben entre ellas en tipos, y aun así te ganan al Doom.