10 casos REAIS com JEV

Ver no idioma original →

Autoria: NoCode StartUp · 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: 10 Cases REAIS com JEV · Canal: NoCode StartUp · 12:27 · Assistir no YouTube

Tópicos: Agentes de IA, Aplicações empresariais de IA, Automação de tarefas e workflows, Dados, bancos de dados e embeddings

Resumo

O vídeo apresenta o JEV como um modelo voltado à classificação de dados, em vez de gerar respostas abertas como um chatbot. Explica três formas de classificação — resposta sim ou não, escolha entre opções e pontuação — e mostra exemplos de triagem de atendimento, análise de currículos, comentários e possíveis fraudes. Em seguida, reúne casos publicados por usuários em áreas como artigos, busca de voos, jogos, suporte e marketing. A proposta é usar a velocidade e o baixo custo da classificação para processar grandes volumes e encaminhar decisões ou tarefas a outros sistemas ou a pessoas.

Pontos-chave

• O JEV é apresentado como uma ferramenta de classificação, não como um chatbot para conversas abertas, escrita de e-mails ou geração de código.
• As classificações podem ser estruturadas como resposta sim ou não, escolha entre alternativas ou pontuação.
• Exemplos incluem priorizar mensagens de clientes, avaliar currículos e classificar comentários de uma comunidade.
• Uma pontuação incerta em uma possível fraude pode levar o caso a uma pessoa, em vez de resultar numa decisão automática.
• A classificação pode servir como primeira etapa antes de executar código, iniciar outros processos ou acionar outros LLMs.
• O vídeo destaca casos de uso em análise de artigos, escolha de voos, jogos, atendimento e marketing.
• A velocidade e o custo reduzido são apresentados como vantagens para processar grandes volumes de dados.

Capítulos

Início	Capítulo	Resumo
00:00	O que é o JEV	O vídeo apresenta o JEV, contrasta sua função de classificação com a geração de texto e destaca velocidade e custo.
03:05	Como funciona e exemplos práticos	São explicados os formatos de classificação e demonstrados usos em atendimento, seleção de currículos, comentários e análise de fraude.
07:16	Onde encontrar casos de uso	O apresentador indica repositórios, publicações no Twitter e uma página que reúne estudos de caso.
08:18	Casos em diferentes áreas	O vídeo percorre exemplos de classificação em tempo real, análise de artigos, busca de voos, jogos, suporte e marketing.

Citações

Enquanto o ChatGPT escreve uma redação, o JEV vai lá e marca um X na folha de respostas. — 01:02

O terceiro ponto é uma pontuação, que basicamente é um nível. — 03:05

Não sei se precisamos bloquear ou se podemos prosseguir; vamos encaminhar para uma pessoa. — 06:45

A ideia deste vídeo era explicar um pouco melhor o que é o JEV. — 12:27

Conceitos e entidades

• Jev (modelo): Modelo apresentado no vídeo como especializado em classificar dados por meio de opções e critérios definidos.
• Vercel (empresa): Empresa mencionada no relato sobre a adoção inicial do modelo.
• Twitter (ferramenta): Plataforma indicada como uma fonte de relatos e casos de uso do JEV.
• LLM (conceito): Modelo de linguagem que pode ser acionado depois da classificação para executar outras etapas.

Tradução completa (pt-BR)

00:00 Em 15 de setembro, uma empresa de São Francisco lançou um modelo de IA que se recusa a escrever como o ChatGPT ou o Claude, como estamos acostumados. Em 24 horas, ele se tornou o modelo adotado mais rapidamente na história da Vercel, com o dobro da adoção da família GPT-5.6 e seis vezes mais rápido que o Fable 5.1. Os números publicados pela empresa são de outro mundo. Nas avaliações da própria empresa, esse modelo foi até 193 vezes mais rápido e 444 vezes mais barato que o modelo topo de linha que

00:31 você provavelmente usa hoje. E cada resposta sai em apenas alguns milissegundos. A demanda foi tão alta nos primeiros dias que a própria empresa não conseguiu dar conta nem dos pedidos de API. Se você tentar acessar o site deles agora, não vai conseguir se cadastrar. Por trás disso está um ex-pesquisador da OpenAI que ajudou a desenvolver os métodos de treinamento que deram origem ao ChatGPT. E a empresa acabou de captar US$ 40 milhões em uma única rodada para levar isso ao mundo. O nome dele é Jeff. Vamos entender o que é, por que é tão poderoso e, o mais importante, casos de uso práticos. Para

01:02 deixar claro, o Jev basicamente faz classificações com maestria. Você dá a ele uma situação, que pode ser, por exemplo, uma mensagem de um cliente, um currículo ou simplesmente um comentário, uma publicação ou uma linha da sua planilha. E pode fornecer a ele uma lista de possíveis respostas. Ele retorna qual delas está correta. Basicamente, é uma classificação, como uma prova de múltipla escolha. Enquanto o chat do GPT escreve uma redação, o Jev vai lá e marca um X na folha de respostas. Ele não responde a perguntas abertas, não escreve e-mails para o seu cliente, não gera código, não conversa com

01:33 ninguém. Se você chegar lá, disser oi e perguntar como ele está, simplesmente não há nada que ele possa fazer. É muito mais simples, mas por trás disso há algo muito poderoso: velocidade e escalabilidade. Esse processo de classificação pode parecer muito simples, mas tem um impacto absurdo nos custos de inferência. Por exemplo, o laboratório chamado Good Start Labs fez 6.000 validações de qualidade do mundo real. São aquelas que as empresas realizam para verificar se a resposta de um chatbot foi boa ou não. E eles fizeram uma comparação direta. Fazer 1 milhão de verificações com o modelo da Anthropic custaria

02:04 33.000. Fazer o mesmo 1 milhão com o Jeff custaria 160. E ele concordou com o julgamento do modelo caro em 90% das vezes. 33.000 contra 160 pelo mesmo trabalho. Veja a diferença. Mas vamos lá: trouxe alguns exemplos de R$ 15 para deixar claro, na prática, o poder do Jeff, especialmente para quem não é desenvolvedor e não tem experiência técnica. Então vamos entender com alguns exemplos práticos, certo? Mas, antes de tudo, você precisa entender uma definição importante: os três pontos do Jeff. Basicamente, são três

02:34 perguntas para ajudar nessa classificação. A primeira é o “sim ou não”, certo? É o parâmetro “sim ou não”. Basicamente, ele vai dizer se aquilo é verdadeiro ou não. Vai retornar um número de zero a um, e a própria IA será capaz de classificar. Se estiver perto de um, a resposta será sim. Se estiver perto de zero, será não. E, se estiver perto do meio, haverá incerteza sobre essa classificação. Também temos a escolha, que basicamente significa escolher qualquer uma destas opções. Vamos passar uma lista com algumas opções de classificação para o nosso modelo processar. Você escreve a lista, e ele marca qual categoria ou

03:05 ponto está correto nela. E o terceiro ponto é uma pontuação, que basicamente indica um nível. Então, vamos descrever os níveis em português e ele vai retornar a nossa posição. Basicamente, será uma classificação, uma estrutura para encaminhar, executar algum código ou executar algum outro modelo. Talvez seja um pouco confuso, então vamos a alguns exemplos práticos, certo? Neste exemplo de triagem do atendimento ao cliente pelo WhatsApp, pode chegar uma mensagem de um cliente dizendo: “Bom dia, é a terceira vez que escrevo aqui. Meu acesso caiu de novo e tenho uma reunião com o cliente daqui a uma hora.” Então, ele está tentando acessar o seu produto, a sua comunidade, certo? O Jeff não vai conversar com o cliente nem responder, certo? Basicamente, vai estruturar uma classificação. Então, ele faria a pergunta, certo? Se aquele cliente já é um cliente habitual. Aqui, com base na frase, deu 0,91. Então, sim, ele tem quase 100% de certeza de que aquele cliente é habitual. Há outra pergunta aqui, certo, sobre se a pessoa está reclamando de alguma coisa. Aqui, a resposta foi sim, ela está reclamando de algo. E aqui, basicamente, há uma pontuação para ver o quanto ela parece irritada, certo? Aqui, deu 0,68, ou seja, 1,7 de 2. Basicamente, é uma pontuação que ele vai

03:36 encaminhar, indicando que o cliente, certo? Ele decidiu que o cliente antigo, sim, está reclamando, está com um nível alto de irritação, e há muita confiança nessas três respostas. Ele vai direto para o atendimento; como a classificação já foi feita, o caso vai diretamente para o responsável, no topo da fila. Então, este é um exemplo muito simples, só para você entender que se trata de uma estrutura que classifica e organiza as informações para dar respostas rápidas. E essas respostas são muito rápidas, e você pode processar um grande volume de dados, certo? Além disso, incluí outro exemplo aqui, que é a triagem de currículos. Então, chega esta mensagem: 8 anos de

04:08 marketing digital, liderou uma equipe de quatro pessoas, última empresa, mora em Fortaleza, já configurou automações. Então, você consegue estruturar uma IA com o Jev para classificar e fornecer respostas melhores, selecionando efetivamente os melhores candidatos para a vaga, certo? Por exemplo, quantos anos de experiência na área? Você pode definir as classificações. Aqui, deu 0,96, ou seja, mais de cinco; está mais perto de um. Aqui, tem experiência com a ferramenta exigida pela vaga? Deu 0,89, sim. Já liderou uma equipe? 0,93? Sim. Mora perto do local de trabalho? Então, ele responde e

04:39 aí podemos avançar. E, com esse resultado, também podemos definir pesos, certo? No caso do currículo, posso dizer aqui que liderança vale 40%, tempo de deslocamento diário vale 30% e a ferramenta vale 20%. Então, ele sempre vai dar um resultado numérico, veja. Neste caso, são 9,1 de 10 na lista de entrevistas. Assim, a prioridade vai para o topo, e ele passa à frente de todos para fazer essa entrevista. Aqui está outro exemplo de classificação. Também vemos comentários na comunidade. “Cara, este vídeo salvou meu projeto. Só tenho uma pergunta: dá para usar sem cartão de crédito?” Então,

05:10 vamos supor que, no nosso modelo, certo, ele classifique isso como elogio, pergunta, crítica ou spam. Então, teremos parâmetros para isso, certo? Aqui, ele classificou como mais provável que seja uma pergunta. Ela merece uma resposta de verdade? Sim. Então, o código vai decidir qual delas entra na lista de respostas prioritárias do dia. Basicamente, esse modelo consegue receber e fazer a primeira etapa de organização e classificação e, em seguida, executar código, outros processos ou até outros LLMs, certo? Pode parecer simples, mas, em grande escala, vai gerar muita economia e é super-rápido.

05:42 Pessoal, se vocês estão gostando deste conteúdo, comentem aqui o que acham do Jeff e se esses casos fazem sentido para vocês ou para o trabalho de vocês no dia a dia. Comentem aqui, quero saber. O último caso que trouxe é um pedido que parece fraudulento. Então, vamos supor que precisamos analisar se aquele pedido pode ser fraudulento ou não, certo? Temos aqui o pedido, o valor, a primeira compra do cliente, entrega em Manaus, pagamento em São Paulo, três tentativas até o cartão ser aprovado. O que o Jeff vai responder? Basicamente, vai classificar. Então, entendemos que o endereço de entrega corresponde ao endereço de cobrança: 0,04. Não. O padrão de compra é atípico?

06:13 Sim, o padrão de compra é atípico. Qual é o nível de risco aparente? Então, parece ser 0,49. Aqui está o ponto. A pontuação de risco é alta, mas a confiança é de 0,49. Então, o modelo está dividido. Nesse caso, a classificação seria como dizer: “Cara, eu realmente não sei se precisamos bloquear ou se podemos prosseguir. Então, vamos encaminhar isso para um agente humano, por exemplo, para obter mais informações.” Basicamente, essa estrutura de classificação é o que permite fazer tudo isso muito rapidamente e com um volume significativamente grande. Certo? E agora que você entendeu alguns

06:45 Sim, o padrão de compra é atípico. Quão arriscado parece? Parece ser algo como 0,49. Então, este é o ponto: a pontuação de risco é alta, mas a confiança é de 0,49. Então, o modelo está dividido. Neste caso, a classificação é como se dissesse: “Cara, eu realmente não sei se precisamos bloquear isso ou se podemos prosseguir, então vamos encaminhar para um agent humano, por exemplo, para reunir mais informações.” Então, basicamente, essa estrutura de classificação é o que permite fazer tudo isso aqui muito rapidamente e em um volume significativamente grande. Certo? E agora que você entendeu alguns

07:16 casos simples e algumas áreas. Vamos ver coisas reais, certo? O que as pessoas estão fazendo, para vocês verem o poder disso. Então, aqui, separei três lugares onde vocês podem encontrar casos e pesquisar mais. Aqui temos um pacote de repositório no GateHub, onde podemos ver vários estudos de caso, certo? Depois vou deixar todos os materiais abaixo para vocês acessarem, mas aqui há vários casos interessantes para entender o que está acontecendo. Além disso, uma das melhores fontes de informação da área é sempre, por exemplo, o Twitter, certo? Então

07:47 conteúdo novo sempre aparece por aqui, as pessoas publicam sobre o que está acontecendo. Então, o primeiro lugar do mundo onde as coisas acontecem em IA é o Twitter, certo? Aqui vocês vão encontrar vários estudos de caso para ajudar a entender o que está acontecendo. Encontrei um site muito legal que basicamente reúne todos os estudos de caso de JV, certo? Também vou deixar o link nos materiais da descrição depois. E aqui ele resume vários tweets com estudos de caso das pessoas e do que elas estão fazendo com Jeev, certo? Assim, podemos entender o poder disso e ver se é mesmo só hype ou não, certo? Às vezes, é só

08:18 barulho, então aqui podemos ver tudo organizado por categoria, o que é muito legal, certo? Temos toda essa estrutura nessas três origens. E, falando dos casos, separei alguns mais gerais sobre classificação, outros mais relacionados a jogos, porque há tudo isso sobre decisões, e outro sobre projetos em áreas específicas, certo? Então, aqui, o primeiro exemplo que separei para vocês é do Steve; basicamente, ele fez um classificador em tempo real usando Jeff. Para ajudar vocês a entenderem um pouco mais na prática o que é isso, certo? Ele coloca uma frase aqui, e ela já é classificada aqui de acordo com sua estrutura, gênero e tom. Então, há toda essa estrutura de classificação em tempo real. Basicamente, dá para inserir qualquer tipo de estrutura, de atendimento ao cliente a vendas, para fazer uma classificação em tempo real. Às vezes, é muito importante ver isso na análise de leads de vendas em tempo real. Também vemos a equipe de suporte fazendo vários projetos desse tipo. É algo legal para fazermos. E aqui está outro exemplo, do Rassan. Eu até traduzi para o português aqui, mas ele usou Jeff para classificar 1018 artigos. Então, se

08:50 fossemos usar uma IA comum, certo, um GPT, um cloud, cara, levaria muito tempo, dependendo da complexidade dos artigos, e poderia sair bem caro. Aqui vemos que ele gastou 0.0808 C, e foi muito rápido. Basicamente, ele fala sobre o workflow, certo? Resumiu cada artigo, enviou o título e conseguiu fazer toda essa classificação estruturada. E aqui deixou todos os links, se vocês quiserem saber mais, além de toda a estrutura dessa classificação, que basicamente fez toda essa análise dos artigos. Outro exemplo muito interessante aqui é o do Gregor, certo? Também traduzido para o português, ele

09:21 basicamente fez um classificador para decidir, escolher e encontrar os melhores voos mais baratos. Basicamente, é toda uma estrutura que classifica se aquele voo é o que ele quer e se é barato ou não. E consegue ser super-rápido: em poucos segundos, ele já escolhe o voo e pode até fazer a reserva. Assim, consegue fazer tudo isso, toda a estrutura, por 0.0039 centavos. É muito rápido, e poderíamos fazer isso em grandes volumes, em larga escala. Aqui incluí outro exemplo, do Marcos. Basicamente, ele criou um jogo de Tetris. Então, JS pode escolher aqui como o jogo será jogado, como será estruturado. Ele também consegue fazer isso muito rápido. E, nesses exemplos de jogos, também temos o Aball, que fez um jogo que classifica a escolha no videogame, certo? Basicamente, ele consegue entender para que lado deve ir: para o lado, para cima ou para a direita. E há várias estratégias aqui para ir para o lado. Outro exemplo é o do Justin, certo? Basicamente, ele fez um carro da Tesla, que é um jogo em que consegue analisar se está indo para a frente ou para o lado, se pode avançar e se há carros por perto ou não. Então, ele fala um pouco

09:52 aqui sobre como criou a parte da Tesla, a direção autônoma com Jev. Basicamente, é outro exemplo do que dá para fazer. Falando de estudos de caso do dia a dia, este perfil criou uma estrutura de JV para a área de suporte. Eles abriram 40 chamados, nove chamados de suporte e assim por diante. Também colocaram algo mais visual em execução aqui, com esse processo de seleção. Dizem que é muito rápido e custou apenas $ 0.016, então poderia ser aplicado a outras áreas. E, na seção de marketing, a MEF publicou que

10:23 Jeff é insano. Basicamente, em 40 segundos, analisou 724 criativos. Então, podemos ver toda essa análise sendo feita aqui; claro que é um pouco mais visual, mas ele consegue fazer essa classificação estruturada super-rápido, para depois vocês tomarem decisões estratégicas ou criarem algum fluxo de automação. E outro exemplo para a área de marketing: vemos uma publicação da Ocara, mas ele diz que conseguiu criar toda a estrutura de SEO, ser citado por Chattar Content e encontrar

10:55 clientes no Reddit. Então, ele também criou toda essa estrutura, certo? É um pouco mais visual, mas, basicamente, é uma estrutura que funciona em volume muito alto e é super-rápida, permitindo lidar com todos esses elementos de conteúdo e marketing. Outro exemplo é o do Roman: basicamente, ele criou toda uma estrutura para analisar qual seria o melhor tipo de mensagem para interagir com seus potenciais clientes no LinkedIn, e conseguiu pontuar tudo dentro dessa estrutura, analisando e classificando qual mensagem enviar. É isso, pessoal. Então, o objetivo deste vídeo foi dar a vocês um pouco

11:25 mais de informação sobre o que é JEV e como vocês podem usar alguns estudos de caso para ampliar seu entendimento dessa nova tecnologia, que está apenas começando no mercado. Se vocês já têm alguma ideia do que publicar ou criar, comentem abaixo para eu saber.

11:56 clientes no Reddit. Então, ele também criou toda essa estrutura, certo? É um pouco mais visual, mas, basicamente, uma estrutura que funciona em um volume muito alto e é super-rápida, permitindo que ele cuide de todos esses elementos de conteúdo e marketing. Outro exemplo do Roman: ele basicamente criou toda uma estrutura para analisar qual seria o melhor tipo de mensagem para interagir com seus potenciais clientes no LinkedIn, e conseguiu pontuar tudo dentro dessa estrutura, analisando e classificando qual mensagem enviar. É isso, pessoal. Então, o objetivo deste vídeo era dar a vocês um pouco

12:27 mais de informação sobre o que é JEV e como vocês podem usar alguns estudos de caso para ampliar sua compreensão dessa nova tecnologia que está começando agora no mercado. Se vocês já têm alguma ideia do que publicar ou criar, comentem abaixo para eu saber.

Transcrição original

[00:00] On September 15th, a San Francisco company launched an air model that refuses to write like chatpt or Cloud, as we’re used to. In 24 hours, it became the fastest adopted model in Gate Versel history, with double the adoption of the GPT 5.6 family and six times faster than Fable 5.1. The numbers the company published are out of this world. In their own evaluations , this model was up to 193 times faster and 444 times cheaper than the

[00:31] top-of-the-line model you probably use today. And each response comes out in just a few milliseconds, and the demand was so high in the first few days that the company itself couldn’t even handle VIPI requests. If you try to access their website now, you can’t register. Behind it is a former OpenI researcher who helped build the training methods that became chatpt. And the company just raised $ 40 million in a single round just to bring this to the world. His name is Jeff. Let’s understand what it is, why it’s so powerful, and, most importantly, practical use cases. To

[01:02] make it clear, Jev basically classifies with mastery. You give it a situation, which could be, for example, a message from a client, a resume, or just a comment, a post, or a line in your spreadsheet. And you can deliver all of that in a list of possible answers that you yourself give it. It returns which one is correct. Basically, a classification, it’s like a multiple-choice test. While the PT chat writes an essay, Jev goes there and marks an X on the answer sheet. It doesn’t answer open-ended questions, doesn’t write emails to your client, doesn’t generate code, doesn’t talk to

[01:33] anyone. If you go over there and say hi and ask how he is, there is simply nothing that he can possibly do. It’s much simpler, but behind that lies something very powerful: speed and scalability. This classification process may seem super simple, but it has an absurd impact on morning costs. For example, the lab called Good Start Labs took 6,000 real-world quality validations. These are the ones companies run to check if a chatbot’s response was good or not. And they did a direct comparison. Running 1 million checks with the Danropic model would

[02:04] yield 33,000. Running the same 1 million with Jeff, the count is 160. And it agreed with the expensive model’s judgment 90%of the time. 33,000 versus 60 for the same work. Look at the difference. But let’s go, I’ve brought some R $ 15 to make the power of Jeff clear to you in practice, especially for those who aren’t developers and don’t have technical experience. So let’s understand with some practical examples, okay? But first of all, you have to understand an important definition, which are Jeff’s three points. Basically, they are three

[02:34] questions to help with this classification. The first one is the “ no,” okay? It’s the “no” parameter. Basically, it will tell you if that’s true or not. It will return a number from zero to one that A itself will be able to classify. If it’s close to one, it will be yes. If it’s close to zero, it will be no. And close to the middle, it’s unsure about that classification. We also have the choice, which is basically any of these options. We are going to pass a list of some classification options over to our model for processing. You’ll write the list and it will mark which grade or

[03:05] point is correct on that list. And the third point is a score, which is basically a level. So we’ll describe the levels in Portuguese and it will return our position. Basically, it will be a classification, a structure to pass on, to run some code or to run some other model. Maybe it’s a little confusing, so let’s go to some practical examples, okay? So, in this example here, of a WhatsApp customer service triage, a message might arrive from a client saying: “Good morning, this is the third time I’ve written here, my access dropped again and I have a meeting with the client in an hour.” So, they’re trying to access

[03:36] your product, your community, right? Jeff isn’t going to talk to the client or respond, okay? He’s basically going to structure a classification. So, basically, he would ask the question, right? If that client is already a regular customer. Here, based on the phrase, he gave it 0.91. So yes, he’s almost 100%sure that that client is a regular customer. He has another question here, right, if they’re complaining about something. So here he gave it yes, they’re complaining about something. And here, basically a score to see how irritated they seem to be, right? Here it gave 0.68, so 1.7 out of 2. Basically, it’s a score that he’ll

[04:08] pass on, saying that the client, right? He decided that the old client, yes, he’s complaining, a high level of irritation, and these three responses are very confident. He goes straight to service; since the classification is already done, it goes directly to the owner at the top of the queue. So this is a very simple example, but just so you understand that it’s a structure that will classify and structure to give quick answers. But these answers are very fast and you can process a large volume of data, okay? In addition , I’ve included another example here, which is a resume screening. So, the message arrives here: 8 years of

[04:39] digital marketing, led a team of four people, last company, lives in Fortaleza, has already set up automations. So you are able to structure a Jeff AI to classify and provide better answers to effectively select the best candidates for the position, is that correct? For example, here, how many years in the area? So you can define the classifications. Here it came to 0.96, so more than five , so he’s closer to one. Here he has experience with the tool the job requires. It came to 0.89, yes. Has he led a team before? 0.93? Yes. Does he live near the job? So he answers and

[05:10] then we can move forward. And from this result, we can also define weights, right? In the case of the resume, I can say here that leadership is worth 40%, that daily time is worth 30%, that the tool is worth 20%. So it will always give a numerical result there, see? In this case, it’s 9.1 out of 10 on the interview list. So the priority goes to the front and he will move ahead of everyone to do this interview. Here’s another example of classification. We also see comments in the community. So man, this video saved my project. I just have one question, can this be used without a credit card? So let’s

[05:42] suppose here in our model, right, it will classify this as praise, question, criticism, or spam. So we’ll have parameters for that, right? So here it classified that the question is more on the question side, does it deserve a real answer? Yes. So the code will decide which one goes into a shortlist of answers for the day. So basically this model will be able to take and do the first stage of structuring, classification, and then run code or run other processes or even other LLMs, okay? It may seem simple, but at scale it will save a lot and it’s super fast.

[06:13] Guys, if you’re enjoying this content, comment here what you think of Jeff, if these cases make sense to you or in your day-to-day work? Comment here, I want to know. The last case I put here is an order that looks like fraud. So let’s suppose we have to analyze whether that order could be fraudulent or not, right? So we have the order here, such value, first purchase by the customer, delivery in Manaus, payment in São Paulo, three attempts until the card is approved. What will Jeff answer ? Basically, he’ll classify it. So, we understand here the delivery address matches the billing address, so 0.04. No, the purchase pattern is atypical?

[06:45] Yes, the purchase pattern is atypical. How risky does it seem? So it seems like 0.49. So here’s the point. The risk score is high, but the confidence is 0.49. So the model is divided. In this case, the classification is like saying: “Man, I really don’t know if we need to block it or if we can proceed, so let’s pass this on to a human agent, for example, to gather more information .” So, basically, this classification structure is what allows you to do all of this here in a very quick manner and with a significantly large volume. Okay ? And now that you’ve understood some

[07:16] simple cases and some areas, let’s see real things, okay? What people are doing so you can see the power of this. So here, I’ve separated three places for you to find cases and research more . Here we have a repository package on GateHub, where we can see several case studies, okay? Later I’ll leave all the materials below so you can access them, but here are several interesting cases for you to understand what’s happening. And besides that, one of the best sources of information in the field is always, for example, Twitter, right? So

[07:47] new content always appears here, people post about what’s happening. So, the first place in the world where things happen in AI is on Twitter, okay? So here you’ll find several case studies to help you understand what’s going on. I found a really cool website that basically brings together all the JV case studies, okay? So I’ll also leave that in the materials description later . And here it summarizes several tweets that have the case studies of the people, what they are doing with Jeev, right? So we can understand the power of this, to see if it’s really just hype or not, right? Sometimes it’s just

[08:18] noise, so here we can see it organized by category, which is really cool, okay ? So we have all this structure in these three origins. And speaking of the cases, I’ve separated some more general ones about classification, others more related to games, because there’s all this about decisions, and another about projects in specific areas, okay? So here, the first example I’ve separated for you is from Steve; he basically made a real-time classifier using Jeff. So, to help you understand a little more practically what it is, right? He puts a phrase here, and that phrase is already

[08:50] classified here in relation to how it’s structured, genre, tone. So, there’s this whole real-time classification structure. So, basically, you can put any type of structure, from customer service to sales, to have a real-time classification there. It’s very important to see this in real-time sales lead analysis sometimes. We also see the support team doing several projects of this type. So, something cool for us to do. And here’s another example from Rassan, I even translated it into Portuguese here, but he used Jeff to classify 1018 articles. So if

[09:21] we were to use a common AI, right, a GPT, a cloud, man, it would take a long time, depending on the complexity of the articles, and it could be quite expensive. So here we see that he spent 0.0808 C and it was very fast. So, basically, he talks about the workflow, right? He summarized each article, sent the title, and he managed to do all this structural classification. And here he left all the links, if you want to know more, and he left here all this structure of this classification that basically did all this analysis of the articles. Another very interesting example here from Gregor, okay? Also translated into Portuguese, he

[09:52] basically made a classifier to be able to decide here, choose, find, right, the best cheapest flights. So, basically a whole structure that classifies whether that flight is what he wants, whether it’s cheap or not. And it manages to be super fast, in a few seconds he already chooses the flight and can already book it. So he can do all of that, the whole structure , for 0.0039 cents. So it’s very fast, and we could do this in large volumes, on a large scale. Here I’ve included another example from Marcos. He basically created a Tetris game. So, JS can make the choice here regarding how

[10:23] it will be played, how it will be structured. So, he can do that very quickly too. And in these game examples , we also have Aball, who also made a game that classifies the choice of the video game, right? So, basically, he can understand which classification he has to go to the side, up, to the right . And there are several strategies here to go to the side. Another example here is from Justin, okay? He basically made a Tesla car, which is a game where he can analyze if it’s going forward, to the side, if he can, if there are cars nearby or not. So he talks a little

[10:55] here about how he created the Tesla part, the self-driving with Jev. So basically, another example of what can be done. Speaking of daily case studies , this profile here created a JV structure for the support area. They opened 40 tickets, nine support tickets , and so on. They even put something more visual running here, which has this selection process. They say it’s very fast and only cost $ 0.016, so it could be applied to other areas. And in the marketing section, MEF posted that

[11:25] Jeff is insane. Basically, in 40 seconds, he analyzed 724 creatives. So we can see all this analysis running here; of course, it’s a bit more visual , but he can do this structured classification super fast so you can then make strategic decisions or some automation flow. And another example here for the marketing area, we see a post from Ocara, but he says he managed to create the entire SEO structure, get cited by Chattar Content, and find

[11:56] clients on Reddit. So he also created this whole structure, right? It’s a bit more visual, but basically a structure that runs at a very high volume and is super fast, allowing him to handle all these content and marketing elements. Another example from Roman: he basically created a whole structure to analyze what would be the best type of message to interact with his potential clients on LinkedIn, and he was able to score everything within this structure, analyzing and classifying which message to send. That’s it, folks. So, the goal of this video was to give you a little

[12:27] more information about what JEV is and how you can use some case studies to broaden your understanding of this new technology that’s just starting in the market. If you already have any ideas about what to publish or create, comment below so I know.