Jev chegou: como usar

Ver no idioma original →

Autoria: Greg Isenberg · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Jev is HERE. How to use it · Canal: Greg Isenberg · 28:12 · Assistir no YouTube

Tópicos: Agentes de IA, Automação de tarefas e workflows, Dados, bancos de dados e embeddings, Mercados e economia, Modelos de IA

Resumo

Ryan Vogle apresenta Jev como um modelo de classificação que recebe dados e um esquema de saída definido, e retorna decisões com probabilidades, em vez de gerar texto como um LLM conversacional. Em uma demonstração, Jev classifica 1.700 e-mails por categoria, prioridade e probabilidade de spam por 18 centavos. O episódio explora usos em triagem de leads, roteamento de solicitações, seleção de clipes e controle de navegador, destacando a velocidade e o baixo custo do modelo. Os apresentadores também alertam que Jev não é adequado a qualquer tarefa, como decisões de investimento que exigem raciocínio e informações atualizadas.

Pontos-chave

• Jev é apresentado como um modelo de classificação e decisão, não como um modelo de texto conversacional.
• O usuário define os dados de entrada e o esquema de saída; Jev retorna categorias e probabilidades.
• Na demonstração, 1.700 e-mails foram classificados com 4,2 milhões de tokens de entrada e 500 mil de saída, por 18 centavos.
• O modelo pode ajudar a priorizar e-mails, avaliar leads e encaminhar solicitações de suporte para a equipe adequada.
• Uma aplicação sugerida é usar Jev para combinar clientes com prestadores de serviços e fornecer respostas ou orçamentos mais rápidos.
• Jev pode identificar momentos promissores para clipes de vídeo a partir de uma transcrição.
• Uma demonstração mostra Jev controlando um navegador para encontrar um voo de Zurique a Londres em 7,1 segundos.
• Os apresentadores recomendam cautela em tarefas como decisões de compra e venda de Bitcoin, nas quais Jev teve resultados insatisfatórios.
• No momento da gravação, Jev estava em lista de espera; o episódio sugere acessá-lo pelo gateway da Vercel.

Capítulos

Início	Capítulo	Resumo
00:00	Apresentação de Jev	Greg Isenberg introduz Jev e apresenta Ryan Vogle, que promete explicar o modelo, seus usos e ideias de negócios.
03:08	Classificação de e-mails em demonstração	Ryan explica a classificação por categorias e probabilidades e mostra Jev processando 1.700 e-mails por 18 centavos.
07:16	Como funciona o modelo de decisão	Os apresentadores distinguem Jev dos LLMs conversacionais e explicam como entradas e esquemas produzem saídas estruturadas.
13:37	Jev como modelo de decisão	Ryan explora a ideia de tratar a geração de texto como uma sequência de decisões e destaca que Jev não é um modelo conversacional tradicional.
16:13	Usos para empresas e fluxos de trabalho	O episódio apresenta aplicações para qualificar leads, priorizar e-mails e encaminhar solicitações de suporte com rapidez.
20:53	Ideias de negócio e limites	Os apresentadores discutem usar Jev para conectar clientes a prestadores de serviços e alertam que o modelo não serve igualmente bem para decisões financeiras.
23:59	Clipes de vídeo e controle de navegador	Ryan demonstra a seleção de momentos para vídeos curtos e mostra Jev controlando um navegador para encontrar um voo.
26:37	Como experimentar Jev	Ryan indica o gateway da Vercel como caminho de acesso e recomenda procurar tarefas cotidianas que possam se beneficiar de classificação.

Citações

O custo total foi de 18 centavos para cada um desses e-mails. — 06:44

É um modelo de decisão. — 13:37

Se você está olhando para dados e pensando: ‘Tenho que tomar uma decisão sobre isso’, considere adicionar Jev nessa etapa. — 18:21

O cliente não perde tempo, e isso é um sinal muito bom. — 22:26

Conceitos e entidades

• Jev (modelo): Modelo de classificação que retorna decisões estruturadas e probabilidades a partir de dados de entrada e de um esquema definido.
• classifier (conceito): Sistema que classifica dados em categorias ou opções especificadas, em vez de produzir respostas em texto livre.
• decision model (conceito): Modelo que estima probabilidades para decisões definidas, como classificar um e-mail ou encaminhar uma solicitação.
• schema (conceito): Estrutura que define o formato e as opções da saída esperada do modelo.
• Ryan Vogle (pessoa): Convidado do episódio, integrante da equipe fundadora da Open Code e responsável pelas demonstrações de Jev.
• Greg Isenberg (pessoa): Apresentador do podcast que entrevista Ryan Vogle sobre Jev e suas aplicações.
• Dooo Almeida (pessoa): Pessoa creditada no episódio como criadora de Jev.
• OpenCode (empresa): Organização cuja equipe fundadora inclui Ryan Vogle, segundo a apresentação do episódio.
• Vercel (empresa): Empresa cujo gateway de IA é indicado no episódio como uma forma de experimentar Jev.
• Browser Use (ferramenta): Ferramenta de controle de navegador citada em uma demonstração de Jev selecionando um voo.

Tradução completa (pt-BR)

00:00 Jev chegou, e isso é muito importante. Foi criado por Dooo Almeida. Sim, é o mesmo cara cuja pesquisa criou o ChatGPT. Agora, isso é tão importante porque é uma maneira totalmente nova de fazer IA. Então, chamei meu amigo Ryan, que faz parte da equipe fundadora do Open Code, para explicar claramente o que é Jev, quais são alguns casos de uso insanos e apresentar algumas ideias de startups que agora se tornaram possíveis. Até a publicação deste vídeo, Jev está disponível apenas por convite. Mas a boa notícia é que, até o fim

00:31 do episódio, você vai ver como pode conseguir acesso ainda hoje. Então, já curta, comente e se inscreva para que o algoritmo saiba que deve trazer conteúdos como este para você e ajudar a despertar sua criatividade no futuro. Feliz Dia do Jev, e vejo você no fim do episódio. >> [música] >> Ryan Vogle, seja bem-vindo ao podcast. O que as pessoas vão aprender até o fim do episódio? >> Vamos aprender sobre um novo tipo de IA, um tipo de IA que ainda não

01:03 vimos de verdade, mas acho que é bom. É o Jev. E as pessoas estão prontas para esse novo tipo de IA classificadora, porque nos acostumamos muito a aprender e usar esses LLMs, que são lentos e geram respostas em fluxo. E acho que, como vamos abordar hoje, essa IA é fundamentalmente diferente em muitos aspectos, em qualidade, velocidade e preço, então há tantas aplicações diferentes para ela que as possibilidades são realmente

01:35 infinitas. E, mais uma vez, tudo depende dos humanos e de quão criativos vocês conseguem ser. >> Legal. Então, só preciso de algumas coisas de você, porque ainda não usei o Jev. Quero que me dê a explicação mais simples possível sobre o Jev. Quero que me dê, sabe, três ou quatro casos de uso insanos, para que as pessoas possam sair deste episódio com ideias para aumentar a produtividade, ganhar dinheiro, até mesmo casos de uso meio sem graça que poderiam se tornar negócios de 10 milhões de dólares, de 100 milhões de dólares. E

02:06 quero que você junte tudo, amarre com um laço, de um jeito que as pessoas entendam; que, se ficarem até o fim, consigam entender por que deveriam se importar com isso. Pode se comprometer com isso, Ryan Vogle? >> Posso. Posso. E vou fazer algo ainda melhor. Vou deixar isso divertido, para você realmente ficar empolgado, porque, para começar, vou mostrar uma demonstração. Este é meu e-mail. Não tenho medo de compartilhá-lo. Tenho trabalhado com e-mail. Se você me conhece, sabe que adoro e-mail porque parece que ainda não resolveram esse problema. Quer dizer, Greg,

02:38 quantos e-mails de spam você recebe por dia? São muitos, né? São muitos. Não dá para responder a todos. É muito frustrante. Alguns dos algoritmos de e-mail que existem são bons, mas não são os melhores. Mas tem gente tentando usar IA tradicional, fazendo um GPT 5.6 Luna ler cada e-mail e depois atribuir uma pontuação, só que isso leva tempo e não é instantâneo. E eu fico pensando: queria que a gente tivesse algo que pudesse categorizar todos os e-mails instantaneamente.

03:08 Então, é isso que temos aqui, usando Jev. E, antes de executar, vou explicar Jev com um exemplo bem simples. Jev é, em sua essência, um classificador. É isso que ele é. Não vou entrar na arquitetura e coisas assim, porque, sinceramente, nem entendo isso tão bem. Mas, basicamente, você define uma entrada. Digamos que este iPhone seja uma entrada, certo? Essa é a entrada, e a saída é um schema. Então, poderíamos fazer com que o schema

03:39 fosse a pergunta: de que cor é o iPhone? E as opções de saída seriam azul, laranja, vermelho, verde e amarelo. Aí, o classificador Jev olha para esse telefone em formato de texto e diz: “Hmm, qual é? É laranja? É vermelho? Pode ser vermelho.” Mas então ele diz: “Certo, acho que é mais ou menos… Tenho 80% de confiança de que é laranja, mas pode ser 10% vermelho ou

04:10 10% azul”, o que soma 100%. São as probabilidades dessas opções. Então, não vai simplesmente afirmar com 100% de certeza: “É laranja”, “é azul”, “é vermelho”. É mais: “Tenho 80% de confiança de que é laranja” ou “é vermelho”. E a melhor maneira de ilustrar isso é com este exemplo de e-mail. Cada uma dessas linhas que você vê na tabela é um objeto de e-mail completo. Tem um assunto, uma descrição, um corpo e um

04:40 remetente. Toda a parafernália de e-mail. E a entrada é o objeto de e-mail inteiro. Não tem nenhum truque nem tratamento especial. É só o objeto de e-mail. E temos quatro saídas. Temos uma categoria, que é uma opção em que ele pode dizer se é compras, trabalho, marketing, finanças, segurança e por aí vai. Depois temos uma prioridade, que permite escolher entre, acho, cinco opções diferentes: baixa, média, alta, importante ou urgente. Por exemplo, se você perdeu o pagamento do cartão de crédito,

05:12 isso obviamente é urgente. Você quer identificar isso de imediato, assim que chegar. E depois temos uma pontuação de spam. É disso que eu estava falando, dessas porcentagens. Obviamente, nem todo e-mail vai ser simplesmente spam ou não spam. Vai ser uma porcentagem. É uma escala, por assim dizer. Alguns e-mails parecem mais spam, como este do Kickstarter. Obviamente, estão tentando me vender um monte de coisas e porcarias. Não me importo muito com isso. Me inscrevi nesse Kickstarter há uns dois anos e ainda não consegui cancelar a inscrição na lista. E

05:42 depois temos algumas coisas do Mercury. Certo, isso é só uma questão de pagamento. É como: “Certo, a Exxon Enterprise recebeu 22 dólares da Stripe.” Isso não parece spam. Parece apenas informativo, só está me informando que aconteceu alguma coisa. E depois temos a porcentagem de resposta. Isso indica o quanto esse e-mail merece uma resposta sua. Então, se voltarmos aqui — e não vou clicar nisto porque é um e-mail real —, há 90% de possibilidade de violação da conta. É um usuário dizendo: “Ei, parece que minha conta

06:12 foi violada de algum jeito.” Jev identificou que esse usuário parece estar tendo algum problema. Provavelmente deveríamos responder a isso. Agora, já categorizei todos esses e-mails, e são 1.700. E [suspira] é aí que voltamos à parte tão triste: normalmente, leva muito tempo para processar tudo isso, provavelmente umas 10 horas. Depois eu teria que analisar os dados e escolher algumas coisas e, meu Deus, o

06:44 preço seria tão alto e… ah, terminou. Ah, não custou 18 centavos. >> 1.700 e-mails. >> Esse é o poder do Jev. Não consigo explicar melhor do que isso. Tivemos 4,2 milhões de input tokens e 500 mil output tokens. O custo total foi de 18 centavos para cada um desses e-mails. Todos categorizados; quer dizer, dá para ver aqui: todos estão categorizados. Todos receberam uma classificação. Todos receberam uma

07:16 pontuação. >> Então, se você imaginasse, digamos… >> Ryan, o que estou ouvindo é o seguinte. Só quero ter certeza de que tenho um bom modelo mental do que é o Jev. E me corrija se eu estiver errado, certo? >> Então, Jev é basicamente como um tomador de decisões de IA. >> Sim. >> Você dá algumas informações para ele. Neste caso, está dando o conteúdo do e-mail e um conjunto de opções possíveis, como: é spam ou não? Jev vai analisar essas informações e escolher uma resposta. Então,

07:48 por exemplo, tipo, este e-mail é spam, urgente ou normal? Mas você também pode fazer coisas como: este cliente provavelmente vai comprar ou provavelmente não vai comprar, >> certo? Exatamente. Você está quase lá. Isso está uns 90% correto. Ele cria uma probabilidade de uma decisão. >> Certo. Então, a diferença é que, quando ele toma uma decisão — porque uma decisão seria você, tipo, enviar uma API ou algo assim e ela dizer comprar ou não comprar. Tecnicamente, o que

08:20 acontece por baixo dos panos é essa porcentagem. Então, seria algo como 83% de chance de comprar, 17% de chance de não comprar. E, obviamente, a resposta com a porcentagem mais alta venceria e seria retornada para você. Mas não é uma ação decisiva com 100% de certeza. >> Certo. Então, em vez de pedir ao ChatGPT, ao Claude ou seja lá o que for: leia este e-mail e explique o que devo fazer. O novo modelo mental é usar o Jev: quer dizer, você pergunta ao Jev algo como: leia

08:53 este e-mail e escolha um conjunto de ações. Tipo, responder ou encaminhar, e aí você recebe uma opção do Jev, junto com algum tipo de pontuação de confiança. É assim que devemos pensar sobre isso? >> Mais ou menos. Os LLMs que conhecemos hoje corromperam tanto a nossa mente, porque você mencionou um ponto interessante. Você disse “pergunte ao Jev”. Na verdade, você não pergunta ao Jev, porque o Jev não é um modelo de texto. O que é realmente interessante é que, se você olhar a especificação de verdade do Jev, ele não

09:24 gera texto nenhum, e você pensa: “Certo, isso é meio estranho”. Obviamente, ele gerou texto, porque como você obteve os dados para isso, certo? Isso foi definido no schema. Então, deixa eu ver se consigo abrir aqui um pequeno quadro branco, fazer um desenhinho. Não sou muito bom nisso. Então, temos nosso schema, certo? Vamos chamar de… não sei. Vamos ter nosso e-mail, certo? E esse será o nosso input de e-mail. E depois vamos desenhar um círculo para o Jev. O Jev parece ser um cara de círculo. Eu diria que o Jev…

09:55 >> Aí está o entretenimento que você prometeu. Pronto. >> Sim, exatamente. O Jev parece ser um cara de círculo. Esse é o tipo de cara que o Jev parece ser. Certo. Talvez um círculo minúsculo. Pronto. Um círculo minúsculo, porque ele é rápido, sabe? É rápido e barato. Certo. Temos nosso e-mail, e ele entra no Jev. Não se pergunta algo ao Jev. Você não está perguntando ao Jev: “Ei, o que devo fazer com este e-mail?”. É só um input, como uma API padrão, e você define um schema aqui em cima

10:27 e vamos ter um schema simples, tipo “é spam”, e isso pode ser um número, que é o que chamam de valor entre zero e um — um valor verdadeiro ou falso, mas numa escala. Então, poderia ser de 1 a 0. Deixa eu formatar isso. É, eu disse que não sou bom com quadros brancos. Não sei se isso vai dar certo. Então, poderia ser de 1 a 0, o que significa que poderia ser 0,31 ou, sei lá, 90, e essa seria a porcentagem. Então, se retornasse

11:00 “é spam: 0,90”, isso significaria 90% de chance de ser spam, algo assim. Então, ele não dá respostas definitivas, mas você pode inferir respostas definitivas a partir desse tipo de opção. E agora deixa eu apagar isso. Por que estamos usando JSON? E depois poderíamos ter uma opção como… vejamos, categoria. E isso poderia ser marketing, poderia ser finanças, poderia ser spam, e ele não

11:32 gera as categorias por conta própria. Ele olha para as categorias que você passou para ele como um modelo, porque você passa tudo isso — essencialmente, esse schema de saída — e diz: “Aqui está o e-mail, aqui está o schema de saída; preciso que você gere a resposta para mim”. >> E, já agora, schema é só uma palavra chique para dizer como um banco de dados está organizado, certo? >> É só como o banco de dados está organizado. Mas nem é o banco de dados: é só como a saída está organizada. É uma forma chique de dizer isso, e é por isso que todos os desenvolvedores adoram, porque

12:03 eles pensam: “Meu Deus, isso é realmente seguro quanto aos tipos”, o que daria outro vídeo inteiro. Mas isso só significa que você pode pegar a saída que esse modelo Jev fornece e usá-la imediatamente no código, porque esse número que ele retorna é um objeto numérico. Não é um texto que representa um número, nem algo estranho que exigiria processamento adicional dos dados. Ele simplesmente fornece esse objeto, que é a estrutura dos dados. Então, digamos que passemos este e-mail e tenhamos essas duas

12:34 categorias de classificação. Aí, o modelo simplesmente avaliaria: “Certo, isto é spam? E qual é a categoria?”, e retornaria a porcentagem e a categoria. Então, não é exatamente como gerar texto, como um LLM tradicional, tipo o ChatGPT. Ele não diz: “Hmm, acho que este e-mail é spam do Kickstarter, então provavelmente devo classificá-lo assim”. Nada disso. Ele só diz: “categoria: spam; é spam: 90%”, algo assim. Não há raciocínio interno nem nada do tipo. É por isso que as pessoas dizem: “Bem,”

13:06 “não sei se posso confiar nisso”, porque, como você provavelmente viu, os avanços recentes em IA envolvem modelos que raciocinam — o que basicamente significa que os modelos falam em voz alta para identificar possíveis problemas na linha de raciocínio deles. E o Jev não faz isso de jeito nenhum. Ou talvez faça, mas talvez faça muito rápido no servidor. Não sabemos ao certo. Mas, do nosso ponto de vista, ele não raciocina. Não tem nenhuma outra saída de texto. Simplesmente fornece a saída. Só manda de volta.

13:37 >> Ele simplesmente dá uma decisão. >> Exatamente. >> É assim que devemos pensar sobre isso. É assim que estou começando a pensar sobre isso. >> É um decision model. E foi isso que eu… apontei aqui, tipo, todos esses são apenas decisões. Não é… >> porque todo mundo começou a assimilar IA a LLMs, que são aquela previsão do próximo token, como um agent conversacional. Isso não é nada disso. Ainda é IA, porque é machine learning, mas é estritamente um decision model. Você não pode pedir que ele seja do tipo

14:08 “Ei, como você está hoje?” ou “Você pode…?”. Então, gosto de brincar um pouco com essas ideias. E pensei: certo, é um decision model, não é? Bem, eu sou um decision model. Quando digito no teclado, decido digitar cada letra. Então, se eu fosse digitar “hello”, estaria decidindo digitar H, E, L, L, O, o que tecnicamente é texto, mas também estou tomando a decisão

14:38 para cada tecla. Então, pensei: e se eu pudesse aplicar esse mesmo princípio ao Jev? Se voltarmos ao nosso quadro branco do Excalibur, digamos que, em vez dessa categoria, tenhamos todas as letras de A a Z, certo? E cada uma dessas letras é um número. Assim, o modelo pode basicamente prever cada letra e dizer: “Certo, qual é a porcentagem? Qual é a decisão para esta letra com base nas letras anteriores?”. Então, se ele digitar H E L L, pensará: “Certo, minha próxima melhor

15:09 decisão é digitar O para completar a palavra “hello”. E eu não sabia como isso funcionaria, mas foi assim que funcionou. Então, este sou eu perguntando a ele no prompt: “O que é maior, um gato ou um elefante?”. H, >> e isso é tudo em tempo real, já agora. Então, é muito rápido, mas obviamente não foi tão treinado nesse tipo de conclusão da próxima letra. Mesmo assim, é divertido de ver, porque é como: “Isso é legal”, mas também mostra que este não é um tipo tradicional de LLM em que ele

15:41 tipo, você pode conversar com ele, e é uma conversa. É um LLM baseado em decisões, como meio que aprendemos. >> Então, acho que isso levanta a questão: para que eu deveria usar o Jev? Especialmente porque quem está ouvindo isso é alguém que quer construir um negócio, investir em si mesmo, talvez ter um emprego ou um negócio paralelo, ou criar algo próprio, e vê isso e pensa: “Percebo que isso é muito interessante. Vejo que acredito no Ryan quando o ouço falar, e consigo perceber que isso é uma

16:13 visão do futuro, mas não sei como usar isso.” >> Certo? E [fungada] tem algo muito interessante nisso, porque este é o primeiro modelo que consegue atender a muitas aplicações diferentes, sobre as quais vou falar daqui a pouco, mas também é muito rápido e muito barato. Então, você não tem essa barreira de entrada alta que vimos com outras IAs, em que pensa: “Tudo bem, preciso dedicar uns US$ 1.000 por mês a isso.” Você poderia dedicar uns US$ 5. Quando a nossa equipe do Open Code configurou essa conta, recebemos um crédito inicial de, acho, uns US$ 5 na conta.

16:46 Conseguimos usar esse crédito por dois dias sem esgotá-lo. E usamos bastante. Usamos para todas as minhas demonstrações e coisas assim. Então, é extremamente barato. Você provavelmente poderia colocar US$ 10 e ficar bem por talvez uns três meses. Mas algumas coisas legais que você poderia fazer com isso: já coloquei minha namorada para trabalhar com ele, porque ela tem uma agência de design gráfico e recebe muitos contatos recebidos, e precisa saber se esses contatos são de qualidade ou se são apenas…

17:16 spam de solicitação, talvez, porque ela tem um formulário de contato no site. Então, ela está usando o Jev basicamente para perguntar se é um bom lead, e ele faz esse tipo de classificação: diz se é um bom lead e atribui uma pontuação percentual. Então, ele indica se é um bom lead e dá uma nota de zero a um. Se você recebe um lead com 98%, é uma pontuação bem alta, e provavelmente vai querer responder. Mas, se recebe alguém que diz: “Hum, sim, acho que talvez queira design gráfico, mas não tenho certeza”, essa pessoa

17:49 provavelmente não sabe o que quer, e isso provavelmente exigiria mais esforço da sua parte, como dono do negócio, ou da parte dela, como designer gráfica, para entender melhor esse cliente. Então, você pode usar o Jev para tomar muitas das decisões no seu negócio que talvez precisasse tomar por conta própria. Por exemplo, gosto muito do exemplo dos e-mails, porque é uma solução muito fácil. Assim, você pode analisar todos os seus e-mails, incluindo os antigos, e perguntar: “Será que deixei passar algum lead? Há algum cliente de alto valor com quem eu poderia tentar falar de novo para ver se consigo gerar mais valor para ele e para mim?” E, basicamente, você pode meio que

18:21 pensar no seu workflow. Em qualquer situação em que esteja analisando dados — podem ser dados de qualquer tipo —, se estiver olhando para alguns dados e pensando: “Hum, preciso tomar uma decisão sobre isso”, provavelmente deveria considerar adicionar o Jev nessa etapa. Obviamente, não em 100% das interações nem nada assim. Ele deve ter um papel principalmente consultivo, mas o Jev é muito bom porque consegue lidar com essas interações em frações de segundo. Se você tem um negócio com um formulário de contato ou precisa fazer triagem de issues, digamos que receba muitas

18:51 solicitações de suporte e alguém entre em contato e diga: “Oi, preciso de ajuda com o produto XYZ.” O Jev pode fazer uma classificação instantânea e dizer: “Certo, vamos tomar a decisão. Para qual equipe de produto isso deve ser encaminhado? Vou encaminhar para cá. Vou encaminhar para cá.” Há muitas situações diferentes em que, se você pensar: “Hum, isso é uma decisão. Talvez eu possa usar o Jev aqui”, garanto que terá bons resultados, e será superbarato e rápido, porque cada consulta ao Jev leva cerca de 200 milissegundos, independentemente da estrutura da entrada e da saída.

19:22 Isso também é realmente surpreendente, porque a IA pode levar até uns 30 segundos para algumas coisas, e normalmente você precisa usar streaming, esperar a resposta terminar, ter um listener, e tudo fica muito complexo. Mas, com o Jev, basta fazer uma chamada rápida à API e pronto: funciona. >> Então, o Jev é basicamente um controlador de tráfego de IA. Há informações que precisam chegar, e o Jev decide para onde elas devem ir

19:53 e o que deve acontecer em seguida. Então, basicamente, o Jev vai informar o que são essas informações, qual é a importância delas e o que deve acontecer em seguida. E elas podem ir para uma pessoa, no caso da agência da sua namorada, quando é algo como: “Meu Deus, ela precisa agir sobre esse lead agora mesmo. É a Coca-Cola. É o diretor de marketing da Coca-Cola.” Mas, se a pontuação de confiança for mais baixa e for, por exemplo, um negócio local em Orlando, talvez você automatize ou

20:23 use um LLM para fazer algo, preparar um rascunho ou enviar alguma coisa, ou >> certo, >> a confiança seja tão baixa que você simplesmente ignore. Entendi direito? Sim, é exatamente isso. Basicamente, pense em qualquer coisa sobre a qual você precisaria tomar uma decisão rápida, talvez dar uma resposta a um usuário; você pode fazer isso com ele. >> Então, para onde minha cabeça vai — você ainda não me conhece muito bem, mas eu adoro ideias de startups. É disso que este

20:53 podcast trata. >> Eu também. Minha cabeça está sempre pensando na próxima maneira de fazer algo assim. >> Então, fico pensando: “Nossa, agora o Jev existe. Como encontro um negócio com uma fila cara de informações recebidas e coloco o Jev no começo dessa fila?” O que quero dizer com isso? O que quero dizer com uma fila? Quero dizer que >> chega um monte de contatos, as pessoas precisam de coisas de você e você tem que encaminhá-las à pessoa certa. >> Exatamente. Tem uma coisa que

21:24 me vem à cabeça imediatamente, embora exigisse um pouco de arquitetura. Digamos que você tenha um negócio de agregação de serviços, como uma camada de SaaS em cima de muitos serviços locais da sua região, e digite: “Oi, preciso lavar minha entrada de garagem com jato de água”, certo? O Jev poderia receber essas informações e também receber muitos dados de entrada sobre todas as outras empresas da região, e

21:55 poderia retornar as porcentagens indicando qual delas provavelmente seria a mais adequada para você. Então, você preenche um formulário e recebe uma correspondência instantânea com uma empresa perto de você. Isso exigiria, obviamente, um pouco mais de complexidade por trás, mas o Jev poderia fazer coisas assim. Sabe aqueles formulários que você sempre vê quando tenta se cadastrar em um site e que prometem um orçamento instantâneo, mas nunca é instantâneo e sempre dizem que vão enviar um e-mail até o fim do dia? Muitas dessas coisas poderiam ser colocadas em um classificador e poderiam realmente ser

22:26 uma cotação instantânea que eles poderiam receber dizendo: “Ei, essa combinação é boa. Ei, essa combinação não é boa.” E o Jev poderia ser usado para fazer isso. E é por isso que a velocidade do Jev é ótima, porque assim o cliente consegue ver que você não está desperdiçando o tempo dele. Se esse cliente se tornar seu cliente no futuro, isso será um sinal de virtude incrivelmente bom para dizer: “Ei, não estamos tentando desperdiçar o seu tempo. Não estamos tentando desperdiçar o nosso tempo. Vamos resolver isso e trabalhar juntos.” Então, >> que outros casos de uso do Jev você quer mostrar? >> Deixa eu ver. Eu estava, estava mexendo

22:56 nisso e não parece estar indo bem, mas eu queria ver se conseguia conectar o Jev a um sinal de Bitcoin. Então, basicamente, ele rodaria a cada minuto e teria essa combinação de decisões aqui, que me diria se eu deveria comprar, manter ou vender. E não parece estar indo bem, o que mostra que esse modelo é ótimo, mas tem algumas regressões. Eu não colocaria esse modelo para cuidar da sua carteira de ações, do Bitcoin ou de algo assim. Isso serve apenas para roteamento ou outros tipos de decisões desse tipo, que não

23:28 precisam de inteligência insana de modelo. Fiz um teste com o GPT6 Astra, o mais recente modelo de fronteira da OpenAI, e ele se saiu um pouco melhor do que este porque cruzou informações com algumas notícias e coisas do tipo. Mas isso não é uma comparação justa; são coisas completamente diferentes, porque é apenas um tipo diferente de modelo. Então, é aí que entra: algo assim poderia ser usado como classificador e tomador de decisões, mas não é o melhor em todas as situações e coisas do tipo. E

23:59 >> Eu também… deixa eu ver se consigo encontrar. Sim, bem aqui. >> Quero testar uma coisa. Então, fiz um pequeno… fiz um vídeo para o YouTube aqui. Todo mundo que cria conteúdo conhece esse problema: você faz conteúdo e produz um vídeo mais longo para o YouTube ou algo assim, mas quer ter clipes. E o legal disso é que aqui estou arrastando e soltando um arquivo de vídeo. O que esse processo vai fazer — vou explicar rapidinho — é transcrever o vídeo e gerar uma transcrição no nível das palavras. E depois vai passar tudo isso para o Jev, com algumas decisões diferentes de classificação, para encontrar os melhores clipes. E vamos ver a rapidez com que funciona. Colei aqui. Ele prepara o áudio e classifica 17 momentos em cerca de 3 segundos. E cada um desses momentos é uma parte interessante do vídeo. Não é como o texto de preenchimento, quando digo: “Então, vou configurar isso.” É como: “Vamos assistir. Está voando. Está absolutamente ótimo. Temos 1,1 milhão de tokens.” blá-blá-blá. Então, nessa demonstração, ele me permitiu

24:30 encontrar os melhores clipes que eu poderia publicar em conteúdo de formato curto. Sinceramente, trabalhei nisso por talvez 10 minutos. Então, se você trabalhasse nisso e fosse aprimorando para criar sua própria startup com esse tipo de ideia, provavelmente conseguiria ir bem longe, especialmente se combinasse isso com outros tipos de agent de IA. Assim, você poderia ter uma experiência de edição de clipes realmente boa. Mas há tantas ideias diferentes que você poderia desenvolver com isso. E, sinceramente, a melhor forma como pensei nisso foi: se você simplesmente pensar nisso por uma

25:02 noite, de manhã vai estar cheio de ideias, tipo: “Ah, eu poderia fazer isso. Eu poderia fazer aquilo.” Não sei se já mostrei este, mas o controle do navegador com o Jev também é bem impressionante. Vou reproduzir este clipe aqui. Isto foi feito em tempo real pelos caras do Browser Control, ou do Browser Use: aqui, o Jev está controlando este navegador para escolher um voo de Zurique a Londres em 7,1 segundos. Vamos assistir. A propósito, isto tudo é em tempo real. Então, selecionando as datas

25:33 e ele encontrou um voo em 7,1 segundos. Se você pedisse a qualquer outro tipo de agent de IA para usar o navegador, provavelmente levaria um minuto, dois minutos, talvez até três minutos, em uma situação parecida. >> Sim, isso é importante. Muito importante. >> Se as pessoas quiserem começar a usar o Jev, como fazem? >> Então, no momento, o Jev está em uma lista de espera, mas, quando este vídeo for publicado, talvez já esteja disponível para todo mundo. Mas, se quiser acesso imediato, você pode acessar o gateway da Verscell, onde o Jev já está disponível

26:06 agora. Então, você pode começar a testá-lo imediatamente. Eles adicionaram algumas coisas ao pacote de IA deles, para você começar a experimentar. Mas, sinceramente, se você perguntar ao seu agent de IA e enviar este link e o Type Safe AI para dizer: “Ei, como posso começar a experimentar o Jev?”, provavelmente já vai conseguir começar. E essa também é uma ótima maneira de começar. Você pode conversar com qualquer tipo de agent de IA sobre o seu negócio e sobre o Jev, e perguntar: “Ei, que workflows eu realizo no dia a dia que poderiam se beneficiar de um tomador de decisões como o Jev?” Essa é uma dica enorme. Eu

26:37 agradeço. Vou incluir o link nas notas do programa e na descrição, para você acessar e experimentar. Também vou incluir links para acompanhar o Ryan. O canal dele no YouTube é criminosamente pouco seguido. Acho que tem uns mil inscritos. >> Pois é. >> É loucura. Então, também vou incluir o link. Ryan, muito obrigado por participar. Sabe o que vou fazer depois daqui? Vou acessar esse link da Verscell. Vou experimentar o Jev. Vou começar a classificar umas coisas. Mas deixa eu te alertar: é

27:09 perigosamente… é perigosamente viciante. Quando você vir a velocidade e o preço, vai simplesmente dizer: “Caramba!” E para todos vocês que estão assistindo ou ouvindo em casa: por favor, experimentem. É tão barato que vocês nem vão notar. Vai custar algo como um milésimo de centavo para testar. É muito barato. Por favor, experimentem. Este é um novo tipo de IA. Se você já fez algum tipo de classificação, ou se simplesmente quer construir algo para o seu e-mail ou outro sistema, experimente. É muito divertido de usar, e a experiência com ele é…

27:39 simplesmente de cair o queixo, porque acho que faz muito tempo que não vemos uma IA tão rápida. >> Certo. Mal posso esperar para experimentar. Obrigado a todos pelo tempo. Ryan, você é uma lenda. E até a próxima. Até mais.

28:12 vai ser de explodir a cabeça, porque acho que faz muito tempo que não vemos a IA avançar tão rápido. >> Certo. Mal posso esperar para brincar com isso. Obrigado a todos pelo seu tempo. Ryan, você é uma lenda. E até a próxima. Até mais.

Transcrição original

[00:00] Jev is here and it’s a big deal. It was created by Dooo Almeida. Yes, that’s the same guy whose research built chatbt. Now, it’s such a big deal because it’s a whole new way to do AI. So, I brought on my friend Ryan who’s on the founding team of Open Code to just come on and clearly explain what Jev is, what are some insane use cases, and break down some startup ideas that are now unlocked. As of publishing this, Jev is invite only. But good news, by the end

[00:31] of the episode, you’re going to see how you can get access today. So, you’re going to want to like, comment, and subscribe right now so your algorithm knows to bring you content like this to get your creative juices flowing in the future. Happy Jev Day, and I’ll see you at the end of the episode. >> [music] >> Ryan Vogle, welcome to the pod. By the end of the episode, what are people going to learn? >> We’re going to learn about a new type of AI, a an type of AI that we haven’t

[01:03] really seen before, but I think it’s good. It’s Jev. And uh people are ready for this new type of classifier AI because we’ve been so used to just learning and using these LLMs which are slow they stream and I think uh as we’ll cover today this AI is fundamentally different in so many different ways with quality speed and price that there are so many different usage applications for it that the possibilities are truly

[01:35] endless and It just becomes on the humans again about how creative you can be. >> Cool. And I So I just have a few things I need from you because I haven’t used Jev. I want you to give me the simplest possible explanation to Jev. I want you to ex give me like, you know, three or four insane use cases so that people can walk away from this episode with like productivity, making money, just like, you know, even boring use cases that could become, you know, $10 million businesses, $100 million businesses. And

[02:06] I just want you to put it all together, wrap it in a bow that people understand, you know, if they stick around to the end that they’ll be able to understand why should they care about it. Can you commit to that, Ryan Vogle? >> I can. I can. And I’ll add one better. I’ll make it entertaining so that way you can actually get excited about it because first up, I’m just going to start out with a demo. This is my email. I’m not afraid to share it. I uh been working with email. If you know me at all, you know that I love email because it seems unsolved. I mean, like, Greg,

[02:38] how many spam emails do you get every day? Like, there’s too many, right? There’s too many. You can’t reply to all of them. And it’s just so frustrating. And some of the email algorithms that exist are good, but it’s not the best. But then some people are trying to like take like traditional AI where it’s like they’re having like a GPT 5.6 Luna like kind of read every email and then score it, but that takes time and it’s not like instant and it’s just like h I wish we could just have something that could like instantly categorize all the

[03:08] emails. So this is that this is using Jev. And before I run it, uh I’m going to break down Jev in a super simple example. Jev is a classifier at its truest being that’s what it is. I won’t get into the architecture and stuff like that because honestly I don’t even understand it that well, but essentially you define an input. Let’s say uh you have this iPhone as an input, right? And that’s the input and then the output is a schema. So we could uh have the schema

[03:39] be what color is the iPhone is the question almost. and it has uh blue, orange, red, green, yellow as the output options for that question. And the classifier Jev then looks at this phone in a text uh format and says, “hm, what uh is this orange? Is it is it red? It could be red.” But then it says, okay, this is about I’m pretty confident it’s 80% orange, but it could be 10% red or

[04:10] it could be 10% blue, which adds up to 100. And it’s the probabilities of those choices. So, it’s not just going to be a 100% affirmative. This is orange, this is blue, this is red. It’s a hey, I’m 80% confident that this is orange or this is red. And the best way to illustrate that is with this email example. So each one of these rows that you see on the table is a full email object. It’s got a subject. It’s got a description. It’s got a body. It’s got a

[04:40] sender. All the the snazzy email jazz. And what the input is is that just entire email object. There’s no sugar coding or any special treatment. It’s just the email object. And we have four outputs. We’ve got a category which is an option where basically it can say is this shopping, work, marketing, finance, security, yada yada yada. Then we’ve got a priority which it can allow to select from I think five different options where it’s like low priority, medium, high, important or urgent which is like oh no, you have a missed credit card

[05:12] payment or something like that. That’s obviously urgent. You want to be able to nail that right on the head as soon as that comes in. And then we have a spam score. This is what I was talking about with those percentages. Obviously, not every email is going to be a true or false when it comes to spam. It’s going to be a percentage. It’s it’s a it’s a range, if you will. So, it’s like some emails are more spammy, like this uh Kickstarter one. It’s obviously trying to sell me a bunch of stuff and junk. I don’t really care about that. I signed up for that Kickstarter thing like two years ago. Still haven’t been able to unsubscribe from the list since. And

[05:42] then we’ve got some uh some like Mercury things. Okay, this is just like a payment thing. It’s like, okay, Exxon Enterprise received $22 from Stripe. That doesn’t seem spammy. That seems just like it’s infor uh informative uh and it’s just informing me that uh something happened. And then we’ve got the reply percentage. This is how much does this warrant your reply. So, if we go back here, and I’m not going to click on this because this is a real email, but 90% account violation possibility. This is a user saying, “Hey, my account

[06:12] seems to be violated somehow.” Jev identified, hey, this user seems to be having some trouble. We should probably warrant a response on this. Now, I’ve already got these all uh categorized, and there are uh 1,700 of these emails. And [sighs] and and this is where we come back where it’s it’s so sad because it just takes so much time to run all of these and it’s probably going to take like 10 hours to do and then and then I’m going to have to go through and probably pick out some of the data and oh my god the

[06:44] price is going to be so expensive and oh it it’s done. Oh it didn’t cost 18 cents >> 1,700 emails. >> That is the power of Jev. I can’t explain it any better than that. We had 4.2 million input tokens and 500,000 output tokens. The entire cost was 18 cents for each one of those emails. All categorized, all I mean, you can see here they’re all categorized. They’re all ranked. They’re all given that

[07:16] score. >> So, if you were to imagine like let’s say >> Ryan, what I’m here’s what I’m hearing. I just want to make sure I I I have a good mental model for what Jeb is and correct me you know where I’m wrong. Okay. >> So Jev is basically like an AI decision maker. >> Yes. >> So you you give it some information. In this case you’re giving it you know the contents of the email and like a set of possible choices like is it spam or not? Jev’s going to go ahead and look at that information and choose an answer. So,

[07:48] for example, like is this email spam or urgent or no normal? Um, but you can also have it do things like, you know, is this customer likely to buy or unlikely to buy, >> right? Exactly. You’re almost there. That’s like 90% correct. It makes a it makes a probability of a decision. >> Okay. So the difference between it making a decision because a decision would be you uh like you uh submit an API or something like that and it tells you buy or not to buy. Technically what

[08:20] happens on the underside is that percentage. So it would be like 83% buy uh 17% no buy type of thing. And obviously the more the the answer that is the stronger percentage would win and that would get returned to you. But it’s not a 100% decisive action type of thing. >> Okay. So instead of asking chat GPT claude whatever read this email and explain what I should do. You’re you’re the new mental model is use ask Jeb I mean you ask Jev like how you know read

[08:53] this email and choose a set of actions. So like reply or escalate and then you get like a choice from Jev and that gives you some sort of confidence score. Is that the way to think about it? >> It’s kind of so we’ve been the the LLMs that we know nowadays have like corrupted our minds so much because there was an interesting point you said. You said ask Jev. You don’t really ask Jev because Jev isn’t a text model. What’s really interesting, if you look at the actual spec of Jeb, it doesn’t

[09:24] generate any text at all, which you’re like, okay, that’s kind of weird. Um, it obviously generated text because how did you get the data for this, right? That was defined in the schema. So, let me let me see if I can uh pull up a little little whiteboard here, a little whiteboard action. Not too good at this. So, we’ve got our schema, right? We’ll call it uh I don’t know. Um we’ll have our email, right? And this will be our email input. And and then we’ll we’ll do a circle for Jev. Jev Jev seems like a circle guy. I would say Jev,

[09:55] >> there’s the entertainment you promised. There we go. >> Yeah, exactly. Jev seems like a circle guy. That’s that’s just the type of guy that Jev seems like. Okay. Maybe a tiny circle. There we go. Tiny circle because he’s fast, you know? It’s fast and cheap. Okay. So, we’ve got our email and that goes in to Jev. It doesn’t get asked to Jev. It doesn’t You’re not asking Jev, hey, what should I do with this email? It’s just an input like an a like a standard API and you define a schema up here

[10:27] and we’ll have a we’ll have like a a simple little schema and be like is spam and that can be a what they call a new which is a true false but it’s a scale. So it could be a one to zero. Let me format this. Yeah, I told you I wasn’t good at whiteboards. I don’t I don’t know about this. So it could be a 1 to 0 which means that it could be 0.31 or it could be I don’t know like 90 and that’s that percentage. So it’s if it were to return

[11:00] is spam uh 0.90 that would be a 90% chance that it is spam type of thing. So it doesn’t give those definitive answers but you can infer definitive answers from that sort of choice. And then let me get rid of this. Why are we doing Jason? Um, and then we could have a choice like uh let’s see category and that would be like uh marketing uh it could be finance. It could be uh spam and it doesn’t

[11:32] generate the categories itself. it looks at the categories that you’ve passed into it as like a model because like you pass all of these this like essentially this output schema in and you say here’s the email here’s the output schema I need you to generate the answer for me and >> by the way a schema is just a fancy word for how a database is organized right >> it’s just how the database is organized but not even the database it’s just how the output is organized it’s just a fancy way which is why the develop why all the developers love it because

[12:03] they’re like oh my gosh It’s actually type- safe, which is a whole another video on everything like that. But it just means that you can take the output that this Jev model gives you and instantly use it in code because like this new that it returns is a number object. It’s not like text that is a number or something weird that you would have to do some additional data processing on. It just basically gives you this object which is the structure of the data. And um so like let’s say we pass in this email and we have these two

[12:34] uh classification categories. So then the model would just evaluate okay is this spam and what’s the category and it would just return the percentage and the category. So it’s not exactly like generating text like in a traditional like LLM like chat GBT. It’s not saying hm well I think this is a spam email from Kickstarter so I should probably rate it. Nope. It just says category spam is spam 90%. type of thing. There’s no internal reasoning or anything like that. Which is why people are like well

[13:06] I don’t know if I can trust it because the whole recent development with AI as you’ve probably seen is the models are reasoning which is basically just saying the models are speaking out loud to identify possible issues in their sort of thought progression. And Jev doesn’t do that at all. Or it might do that, but it might just do it like really fast on the server. We don’t really know. But from our point of view, it doesn’t reason. It doesn’t have any other text output. It just gives you the output. So just shoots it back.

[13:37] >> It just gives you a decision. >> Exactly. >> That’s the way to think about it. That’s the way I’m starting to think about it. >> It’s it’s a decision model. And that’s what I uh I pointed it out. Um uh like right here, like all of these are just decisions. It’s not >> cuz everyone has started to uh assimilate AI with LLMs which is like that next token prediction where it’s a conversational agent. This isn’t that at all. This is still AI because it’s like machine learning but it’s a decision model strictly. You can’t ask it to be

[14:08] like hey how are you doing today or can you? So, I I like to I like to think around with these ideas a little bit. And I was like, okay, it’s a decision model, right? Well, I’m a decision model. When I’m typing on my keyboard, I’m making the decision to type each letter. So, like if I were to type hello, I’m making the decision to type H, E, L, L, O, which is technically text, but I’m also making the decision

[14:38] for each key. So I’m like, what if I can apply that same principle to Jev? So if we go back to our Excalibur whiteboard here, let’s say instead of this category, we just have all of the letters A through Z, right? And each one of those letters is a new. So the model can basically predict each letter and say, okay, what’s the percentage? What’s the decision of this letter based on previous letters? So, if it types H E L L, it’s like, okay, my next best

[15:09] decision is to type O to complete the word hello. And I didn’t know how it would work, but uh this is how it worked. So, this is me asking it the prompt, what is bigger, a cat or an elephant? H, >> and this is all real time, by the way. So, it’s very fast, but obviously it’s not as trained in these sort of next uh letter uh completion stuff, but it’s still fun to see because it’s just like this is cool, but it also shows this isn’t a traditional type of LLM where it

[15:41] like you can talk to it and it’s a conversation. It’s a decision-based LLM, which we’ve kind of learned. >> So, I guess that I mean that begs the question around what should I use Jeb for? Especially the person listening to this is someone who wants to build a business, who wants to invest in themselves, who, you know, could be a sidetime job, a side hustle or their own thing, and they see this and they’re like, I I notice that this is really interesting. I see like I I I believe Ryan when I when I when I hear him talk, and I could see that this is a

[16:13] glimpse into the future, but I don’t know how to use it. >> Right? And [snorts] there’s something really interesting about this because this is the first model that’s been that can cater to a lot of different applications, which I’ll say in a second, but it’s also really fast and really cheap. So, it’s you don’t have this high barrier to entry that we’ve seen with other AIs where it’s like, okay, I’ve got to dedicate like $1,000 a month to this. you could dedicate like $5. Like when we got uh when our open code team got set up on this account, we had like a $5 like I guess like intro

[16:46] uh credit I guess on the account. We were able to use that for 2 days without hitting it. And we were using it like a ton. Like all of my demos and everything like that, we were using it. So it’s extremely cheap. So you could probably like load 10 bucks on it and be good for like maybe 3 months. But some cool things that you could probably use with this is um I already got my girlfriend working on it because she runs a graphic design agency and she gets a lot of inbound and she needs to know if this inbound is high quality or just like if

[17:16] it’s just maybe like solicit solicitation spam because she has a contact form on her website. So she’s using Jev to essentially say is this a good lead and uh it basically does that same sort of category where it’s like is good lead and it ranks that on a percentage. So it’s like is good lead and it ranks it from one or 0ero to one. So if it’s like if you get a 98% lead that’s a pretty high lead and you’re probably going to want to reply to that. But then if you get someone who’s like hm yeah I think I might want graphic design but I’m not too sure. they

[17:49] probably don’t know what they want and that would probably require more effort from you as a business owner or her as the graphic designer to sort of feel out that client. So, you can use Jev to make a lot of the decisions in your business that you might have to do yourself. So, like going through I I love the email example just because it’s such an easy fix. That way, you can go through all your emails and all your historical emails and be like, “Are there any leads I missed? Are there any high-v value clients that I could maybe attack again to see if I can extract more value for them and me? And basically, you can kind

[18:21] of think through your workflow and anything where you’re looking at some data. It can be any type of data. If you’re looking at some data and thinking, hm, I have to make a decision on this, you should probably think about adding Jev at that layer. Obviously, not for like 100% of interactions and stuff like that. should be a very heavy advisory role, but Jeb is really good because it can make those split-second interactions. Um, if you run a business that has a a contact form or like for issue triage, um, let’s say you get a

[18:51] lot of support uh, inquiries and someone comes in and asks you and they’re like, “Hey, I need help with XYZ product.” Jev can do instant classification and say, “Okay, let’s make the decision. What product team does this need to get routed to? Let me route it over here. Let me route it over here.” And there’s so many different things where if you say, “Hm, this is a decision. Maybe I can use Jev here.” I guarantee you will have good results and it will be super cheap and fast because it takes around 200 milliseconds per query um to Jev no matter like what the input output

[19:22] structure is. So that is something really shocking too because AI can take like up to like 30 seconds for some things and you normally have to do like streaming where then you wait for the response to be done and then you’ve got to like have a listener and it’s all this complex stuff but with Jev you can just do like a boom like quick API call and it just works. >> So Jev is basically this you know AI traffic cop. So there’s information that needs to come in and then Jev is going to decide, you know, where it should go

[19:53] and what should happen next. So Jev is basically going to pump out, you know, what what is this information, how important is it, what should happen next, and it’s either going to go to a human being in the case of, you know, your girlfriend’s agency where it’s like, oh my god, this is a lead that she needs to act on like right now. This is like Coca-Cola. This is CMO of Coca-Cola. Um, but if it was, you know, the confidence score was lower, but also like, you know, a local business in Orlando, maybe it’s you automate it or

[20:23] use an LLM to to do something, draft something up or or send something or >> right, >> the confidence is so low that you just ignore it. So, am I getting that right? Yeah, that’s like spot on where you basically think of anything that you would have to make a decision that would need to be quick and fast and maybe like provide feedback to a user and you can do it with that. >> So, where my brain goes with you don’t know me too well, but like I’m all about like startup ideas. That’s what this

[20:53] podcast is about. >> Oh, me too. My brain is always always thinking the the next way to to do something like this. >> So, I’m kind of like, “Oh, wow. So, Jev now exists. How do I find a business with an expensive queue of incoming information and then just put Jev at the front of that queue? What I mean by that it like what do I mean by a queue? I mean like >> you got like a lot of inbound coming in where people need stuff from you and you need to get them routed to the correct person. >> Exactly. There’s something that

[21:24] immediately >> comes to mind which would require a little bit of architecture but let’s say you run a services aggregation business like a like a SAS level on top of a local a lot of local services stuff in your area and you type in and you say hey I need my uh my driveway powerwashed right and Jev could take in that information and then it could take in a lot of the input stuff of like all of the other businesses in the area and it

[21:55] could like return um percentages of which one would probably be the best fit for you. So you type in a form and then you get an instant match with a company that’s like near you. Could require it’s obviously a little bit more complicated under that, but the Jev could do stuff like that where whenever you uh you know the forms that you always see when you’re trying to sign up for a website and it’s like get an instant quote and it’s never instant and it always is like we’ll email you by end of day. then a lot of that stuff could be put into like a classifier and it could genuinely be

[22:26] an instant quote that they could get to say, “Hey, this is a good match. Hey, this isn’t a good match.” And Jev could be uh used to do that. And that’s why the speed of Jev is nice because then that client could see you’re not wasting the client’s time, which if that client does become your client in the future, that’s an insane insanely good uh virtue signal to say, “Hey, we’re not trying to waste your time. We’re not trying to waste our time. Let’s get this done and work on it together.” So, >> what other Jev use cases do you want to show? >> Let me see. I was I was messing around

[22:56] with this um and it doesn’t seem to be doing well, but I wanted to see if I could hook Jev up to a Bitcoin signal. So, basically every minute it would run and it would have this decision mix right here where it would tell me to buy, hold, or sell. And it does not seem to be doing well, which shows that this model is great, but it does have some regressions. I would not put this model in front of like your stock portfolio or Bitcoin or anything like that. This is just for like routing or other sort of decisions like that where it doesn’t

[23:28] need insane and model intelligence. Like I did a test with this with GPT6 Astra, the OpenAI’s latest frontier model, and it did a little bit better than this because it cross referenced some news information and everything like that. But that’s it’s it’s completely uh it’s not apples to apples comparison. it’s apples to oranges because it’s just a different type of model. So that’s where it’s like this is something that a classifier and decision maker could be used to do but it’s not the best in all of the situations and everything. And

[23:59] >> I also let me see if I can find it. Yeah, right here. >> I want to test out. So, I made a little I made a YouTube video here where everyone who makes content is aware of this issue where you make content and you make a like a longer form YouTube video or something like that, but you want clips. And the cool part about this is so this right here, I’m dragging and dropping in a video file. And what this process is going to do, and I’ll explain it really quick, is it’s going to transcribe the video and get a like word

[24:30] level transcript of it. And then it’s going to pass that entire thing into Jev with some different classifier decisions to find the best clips. And we’ll get to see how quickly it works. Paste it in. It prepares audio and scores 17 moments and around like 3 seconds. And each of these moments are like one of the interesting parts of the video. They’re not like the filler text where I’m like, “So, um, I’m going to set this up.” It’s like, “Let’s go ahead and watch that. It’s flying. It’s absolutely fine. We’ve got 1.1 million tokens.” yada yada yada. So, it allowed me in this uh demo to be

[25:02] able to find the best clips that I could publish on short form content. So, honestly, and I worked on this for maybe 10 minutes. So, if you worked on this and iterated on this to create your own startup with this type of idea, you could probably get pretty far, especially if you combined it with other different AI agent types. So, that way you could have a really good clipping sort of uh feel on it. But there’s so many different uh ideas that you could come up with this. And honestly, the best way that I’ve thought about it is if you just think about it for like a

[25:33] night in the morning, you’ll be buzzing with ideas like, “Oh, I could do this. I could do this.” Um, I don’t know if I already showed this one, but the browser use uh for browser control with Jev is pretty insane, too. I’m going to play this clip right here. This is in real time uh done by the browser control guys or the browser use guys where this is Jev controlling this browser to pick a flight from Zurich to London in 7.1 seconds. Let’s watch it. This is all real time by the way. So selecting the dates

[26:06] and it found a flight in 7.1 seconds. If you asked any other sort of like browser use AI agent, this probably would have taken a minute, two minutes, even three minutes in the same type of regard. >> Yeah, that’s a big deal. That’s a really big deal. Um, if people want to get set up with Jev, how do they do it? >> So, so Jev right now is on a wait list, but by the time this video drops, it might be out in general accessibility. But if you want instant access to it, you can go to the Verscell gateway and they have Jev available on it right

[26:37] away. So you can just instantly start testing it out. They’ve added some stuff into their AI package so you can start messing around with it. But honestly, if you ask your AI agent and drop it this link and the type safe AI to say, “Hey, how can I start experimenting with Jev, you can probably get started right away.” And that’s a great way to get started, too. any type of AI agent, you could talk to it about your business and with Jev and say, “Hey, what sort of workflows do I do on the daily basis that could benefit from a decision maker like Jev?” That’s a that’s a huge tip. I

[27:09] appreciate that. Um, I’ll include link uh in the show notes in the description for where you can go and and and play around with this. I’ll also include links for where you can follow Ryan. He’s got a criminally underfollowed YouTube channel. I think it’s like a thousand subs. >> I know. >> Um, it’s crazy. So, uh, I’ll include that as well. Ryan, thank you so much for coming on. You know what I’m doing after this? I’m I’m going to this versel link. I’m going to play with Jev. I’m going to start classifying some stuff. I Let me caution you though. It is

[27:39] dangerously It is dangerously addictive. The amount that once you see the speed and once you see the price, you will just be like, “Holy cow.” And to all of you guys watching at home or listening, please just try it out. It’s so cheap, you won’t even notice. It will be like like 1/ one,000 of a cent type of thing to test it out. It is so cheap. Please test it out. This is a new type of AI. If you’ve ever done any sort of classification or if you just want to build something for your own email or other system, try it out. It’s so fun to use and the experience with it. It’s

[28:12] just going to be mind-blowing because I don’t think we’ve seen AI this fast in a long time. >> All right. Can’t wait to play with it. Thanks everyone for your time. Ryan, you’re a legend. Uh, and I’ll see you next time. See you.