O Jev da TypeSafe é uma IA que permite integrar em aplicações a avaliação, a classificação e a pontuação de textos. Neste artigo, explicamos o que é o Jev.
O Jev é um decisor dentro da aplicação, não um interlocutor
A forma mais simples de compreender o Jev é pensar no que queremos que a IA nos devolva. Em vez de «explica este texto», podemos perguntar «este texto é um anúncio?», «é profissional ou pessoal?» ou «qual é o grau de relevância para um resultado de pesquisa?». O Jev trata de perguntas deste tipo, para as quais é possível definir antecipadamente o formato da resposta.
As IA de conversação mais comuns são conhecidas por responderem a perguntas em texto. Já o Jev foi concebido para ser usado por programadores no interior do software. Em vez de conversarem diretamente com o Jev, os utilizadores recorrem a aplicações que o usam nos bastidores para organizar informação ou encaminhar o processamento.
A API é o ponto de contacto. Uma API é uma interface que permite a uma aplicação pedir uma operação a outro serviço e receber o resultado. Envia-se texto e uma pergunta ao Jev, recebe-se uma decisão e, com ela, a aplicação determina o que fazer a seguir.
O Jev devolve decisões, opções ou pontuações
A documentação apresenta três grandes tipos de utilização: decisões, como determinar se algo é um anúncio; escolhas entre opções, como a pasta onde guardar um ficheiro; e pontuações, como o grau de relevância de um resultado de pesquisa. Por serem modelos que tomam decisões, estas IA são apresentadas como «modelos de decisão».
Por exemplo, uma aplicação de organização de correio eletrónico poderia receber o texto de uma mensagem e escolher uma categoria entre «profissional», «pessoal» e «outro». É um exemplo para explicar o funcionamento: em vez de ler uma explicação longa e extrair dela a categoria, a ideia é obter diretamente a resposta de que a aplicação precisa.
Os modelos de linguagem de grande dimensão convencionais também conseguem classificar e produzir respostas num formato definido. A diferença não está na capacidade de classificar, mas no facto de estes modelos terem sido concebidos e serem disponibilizados principalmente para tomar esse tipo de decisão. No entanto, a documentação disponível não permite confirmar a estrutura interna do Jev nem o seu desempenho em comparação com os modelos de linguagem convencionais.
Reduzir pequenas tarefas na pesquisa e na visualização de vídeos
Entre os exemplos de desenvolvimento apresentados estão uma extensão que salta os segmentos patrocinados de vídeos do YouTube, uma funcionalidade que remove comentários negativos de uma conversa, pesquisas no Gmail alinhadas com a intenção do utilizador e a filtragem de tarefas. São também referidas experiências para alterar as operações de copiar e colar, arrastar e largar e pesquisar na página.
O que estes exemplos têm em comum é a seleção de informação existente, mais do que a criação de texto novo: manter as partes que se querem ver, encontrar a mensagem de correio eletrónico procurada ou limitar os itens que precisam de ser tratados. Pode dizer-se que a IA está a passar do ecrã de conversa para as tarefas do dia a dia.
Ainda assim, os exemplos de desenvolvimento apresentados não são o mesmo que funcionalidades de produto estáveis. Ao remover «comentários negativos», por exemplo, o resultado muda consoante a forma como se distingue o assédio da crítica legítima. Antes de implementar a funcionalidade, é necessário definir o que se pretende excluir e verificar os resultados, incluindo os casos removidos por engano.
O trabalho da IA não se limita a gerar texto
A documentação, datada de 10 de outubro de 2026, refere que várias empresas estão a disponibilizar modelos de decisão com um formato semelhante ao do Jev. Estes devolvem respostas que o software pode utilizar diretamente, como a probabilidade de uma condição se verificar, a escolha entre várias opções ou uma avaliação por etapas.
A razão de fundo é que, quando a IA executa várias tarefas, nem todas as etapas precisam de texto extenso. Para decidir qual o processamento a utilizar a seguir ou se um resultado cumpre determinadas condições, basta dispor de opções ou de um valor de decisão para avançar.
A abordagem do Jev consiste em colocar uma função de decisão dentro das aplicações, em vez de tratar a IA como um interlocutor. No entanto, um formato de resposta simples não significa que a decisão em si seja fácil. A mesma documentação inclui avaliações iniciais segundo as quais a consistência dos modelos de decisão e as decisões complexas continuam a apresentar desafios.
Antes da rapidez, defina os limites das decisões
Na prática, é sensato começar por distinguir «o que deve ser decidido» de «o que acontece quando há um erro». O impacto de uma classificação incorreta é diferente no caso de atribuir uma etiqueta a uma mensagem de correio eletrónico ou de ocultar automaticamente um comentário. Também deve ser ponderada a possibilidade de encaminhar para uma pessoa os casos que suscitam dúvidas.
O facto de a resposta ser curta não significa que o custo total do sistema vá necessariamente diminuir. A documentação também alerta para a possibilidade de a integração do Jev na compressão do histórico de conversação de uma IA de assistência à programação prejudicar um mecanismo que reduz custos reutilizando entradas anteriores.
A documentação disponibilizada não inclui uma tabela de preços concreta do Jev, uma avaliação independente da precisão nem as condições de armazenamento e utilização dos dados. Antes de o implementar para tratar mensagens de correio eletrónico profissionais ou comentários de clientes, é necessário confirmar estas condições e verificar à parte a taxa de decisões incorretas perante as entradas reais.
コメント