Módulo 1: Entendendo o JevAula 3 de 84 minResumo aberto · Vídeo com cadastro grátis

Escrever × decidir: Jev não é ChatGPT

Por Mauro Mequelussi · Curso gratuito Jev sem mistério: IA que decide dentro do seu app · Português (PT-BR)

Resposta direta · O que esta aula resolve

A Aula 3 de 8 ("Escrever × decidir: Jev não é ChatGPT"), parte do módulo "Entendendo o Jev" do curso gratuito "Jev sem mistério: IA que decide dentro do seu app" na Escola de Aplicativos (ministrado por Mauro Mequelussi), ensina na prática: comparamos modelos de linguagem generativos com o Jev, um modelo System One focado exclusivamente em tomada de decisão. Você entenderá por que predizer tokens é diferente de selecionar opções pré-definidas, o papel da calibração via RLCD e em quais cenários a altíssima velocidade e baixo custo compensam mesmo com taxas de acerto ligeiramente inferiores.

Aula gratuita · Cadastro rápido

Crie sua conta grátis para assistir a esta videoaula em HD

O resumo técnico e os capítulos abaixo são abertos para consulta. Crie sua conta 100% gratuita em segundos para liberar todas as 8 videoaulas em HD, controle automático de progresso, Tutor IA e certificado gratuito verificável.

Criar conta grátis e assistir aulaJá tenho conta · Entrar
  • R$ 0 · Sem cartão de crédito
  • Tutor IA tira-dúvidas da aula
  • Certificado gratuito incluso

O que você vai aprender

  • A diferença prática entre predição de tokens (geração de texto) e seleção de opções discretas (decisão).
  • Como funciona a entrada tripla do Jev: state, pergunta e alternativas permitidas.
  • O conceito de calibração estatística e como o RLCD difere do RLHF tradicional.
  • A mecânica de preços e latência que viabiliza processar grandes volumes com orçamentos reduzidos.
  • Os limites do Jev: por que ele atua como triador em vez de substituir geradores de texto ou assistentes de código.

Pontos-chave da aula

  • Modelos de chat tentam agradar e podem parecer confiantes mesmo errando; o Jev é treinado para expressar probabilidades realistas.
  • As respostas do Jev comportam-se como enums de banco de dados, sem gerar saídas fora do esquema esperado.
  • A saída do Jev é gratuita e o processamento leva frações de segundo, tornando-o ideal para pipelines de alto volume.
  • Embora atinja taxas de acerto ligeiramente menores que modelos de raciocínio pesados, seu custo centenas de vezes menor valida seu uso em triagens automáticas.
  • O Jev não escreve respostas finais ao usuário nem opera como plugin de IDE; ele é consumido via código pelo seu sistema.

Capítulos e roteiro técnico da aula

8 capítulos minutados
  1. 00:00

    O custo de tomar 1 milhão de decisões

    Apresentação da premissa de custo do Jev ao processar grandes volumes de dados frente aos modelos convencionais.

  2. 00:21

    Como modelos generativos produzem texto

    Explicação simplificada sobre previsão de tokens e os desafios de extrair respostas estruturadas de chatbots.

  3. 00:45

    A mecânica do Jev: state, pergunta e escolhas

    Como o Jev opera recebendo contexto, pergunta e opções restritas, retornando probabilidades determinísticas.

  4. 01:37

    Calibração e a diferença entre RLHF e RLCD

    A distinção entre otimizar para agradar usuários e treinar modelos para expressarem certezas estatisticamente calibradas.

  5. 02:30

    Métricas de velocidade e preço em escala

    Análise de latência na faixa de décimos de segundo e custo de tokens sem cobrança de saída.

  6. 03:01

    Taxa de acerto e o papel na triagem

    Comparação de benchmarks entre Jev e modelos de ponta, evidenciando o uso prático em triagem eficiente.

  7. 03:41

    O que o Jev não faz e erros comuns

    Esclarecimento sobre o papel do Jev: ele não substitui chatbots de atendimento nem ferramentas de coding como o Cursor.

  8. 04:10

    Os três tipos de pergunta do Jev

    Fechamento da aula e introdução aos formatos de consulta suportados pela ferramenta.

Momentos de destaque na prática

00:45

A diferença prática entre ChatGPT e Jev

Entenda por que pedir uma decisão para um chatbot é como pedir uma prova dissertativa quando você só precisa de múltipla escolha.

01:37

O que significa uma IA ser calibrada?

Descubra como o RLCD resolve o problema crônico de modelos que fingem ter certeza mesmo quando estão chutando.

03:01

O Jev acerta menos? Veja quando ele compensa

Veja os números reais dos testes da TypeSafe e por que uma ferramenta mais rápida e barata pode vencer na triagem.

Notas de aula e guia de estudo

Compreender a diferença entre modelos que geram texto livre e modelos desenhados exclusivamente para tomada de decisão é fundamental para criar aplicações de software eficientes. Nesta aula, analisamos as diferenças estruturais, econômicas e conceituais entre o ChatGPT e o Jev. Você aprenderá como o Jev restringe as saídas a opções controladas, por que suas estimativas de certeza são confiáveis e como avaliar o equilíbrio entre custo, latência e precisão.

O que você vai aprender

  • A diferença prática entre predição de tokens (geração de texto) e seleção de opções discretas (decisão).
  • Como funciona a entrada tripla do Jev: state, pergunta e alternativas permitidas.
  • O conceito de calibração estatística e como o RLCD difere do RLHF tradicional.
  • A mecânica de preços e latência que viabiliza processar grandes volumes com orçamentos reduzidos.
  • Os limites do Jev: por que ele atua como triador em vez de substituir geradores de texto ou assistentes de código.

Pontos-chave

  • Modelos de chat tentam agradar e podem parecer confiantes mesmo errando; o Jev é treinado para expressar probabilidades realistas.
  • As respostas do Jev comportam-se como enums de banco de dados, sem gerar saídas fora do esquema esperado.
  • A saída do Jev é gratuita e o processamento leva frações de segundo, tornando-o ideal para pipelines de alto volume.
  • Embora atinja taxas de acerto ligeiramente menores que modelos de raciocínio pesados, seu custo centenas de vezes menor valida seu uso em triagens automáticas.
  • O Jev não escreve respostas finais ao usuário nem opera como plugin de IDE; ele é consumido via código pelo seu sistema.

Conceitos e ferramentas abordados nesta aula

Modelos de linguagem vs Modelos de decisãoArquitetura System OneRLHF vs RLCDCalibração de probabilidadeCustos e latência em escalaIntegração em arquiteturas de softwareJevTypeSafeChatGPTOpenAIClaudeClaude CodeCursorSupabasePostgres

Documentação e referências oficiais citadas

Perguntas frequentes sobre esta aula

Nesta aula do módulo "Entendendo o Jev" na Escola de Aplicativos, você aprende de forma prática: A diferença prática entre predição de tokens (geração de texto) e seleção de opções discretas (decisão).; Como funciona a entrada tripla do Jev: state, pergunta e alternativas permitidas.; O conceito de calibração estatística e como o RLCD difere do RLHF tradicional.; A mecânica de preços e latência que viabiliza processar grandes volumes com orçamentos reduzidos..