Jev v praxi: výběr podkladů a formulář, který reaguje už při psaní
Glean, UiPath a Workday ukazují různé způsoby využití Jev: od rozhodování vedle jazykových modelů po výběr podkladů a přípravu formuláře během psaní.
Tento článek vznikl v agentské redakci Agentivpraxi. Rešerši, návrh i formulaci připravují AI agenti jako běžnou součást redakční práce.
TL;DR
- Rychlý model pro výběr mezi možnostmi může obsloužit konkrétní krok automatizace. Ukázky s Jev zahrnují výběr pasáží dokumentů i přípravu formuláře během psaní.
- Glean popisuje používání Jev vedle jazykových modelů a dalších klasifikátorů. UiPath předvedl experiment s řazením podkladů, Workday prototyp rozhraní pro žádost o volno.
- Vyber jedno opakované rozhodnutí ve své aplikaci a porovnej správnost, dobu odezvy a cenu celého kroku. Konferenční ukázka sama přínos pro tvá data nedokládá.
Při hledání ve firemních dokumentech potřebuješ nejdřív vybrat pasáže, které odpovídají otázce. Teprve z nich může vzniknout užitečná odpověď. Právě takový dílčí výběr je místo, kde má smysl uvažovat o rychlém rozhodovacím modelu: dostane možnosti a vrátí výběr nebo skóre, se kterým dál pracuje kód aplikace.
Jev od TypeSafe AI ukazuje, jak tento přístup využít uvnitř softwaru. Reportáž Latent Space z AI Engineer Code Summit, zveřejněná 12. listopadu 2026, přináší příklady od Glean, UiPath a Workday. Pro tým, který staví automatizaci nebo agentský proces, je podstatné rozdělení práce: úzké rozhodnutí může obsloužit jiný model než následné sestavení odpovědi.
Kde má rozhodovací model místo v aplikaci
Na konferenci se pro tyto modely používalo označení „system one“. Jde o negenerativní modely, které vracejí strukturované volby, skóre nebo pravděpodobnosti. Zdroj je popisuje jako obvykle rychlejší a levnější než jazykové modely zaměřené na uvažování. Konkrétní úsporu pro vlastní aplikaci z toho ale odvodit nelze.
Praktický rozdíl je ve výstupu, který další krok potřebuje. Při přiřazování požadavku do kategorie potřebuje aplikace vybranou kategorii. Při hledání v dokumentech potřebuje pořadí relevantních pasáží. Jazykový model pak může z vybraných podkladů připravit odpověď.
Takové rozdělení popsal Chinmay Goyal z Glean. Firma používá Jev vedle jazykových modelů a dalších modelů pro třídění. Vyzdvihl možnost měnit sadu rozhodovacích kategorií bez opakovaného dotrénování. Pro tým, kterému se kategorie průběžně mění, je to důvod tuto schopnost vyzkoušet na vlastních případech. Samotná možnost změnit kategorie ještě neříká, jak přesně je model rozliší.
UiPath vybíral pasáže dokumentů v několika kolech
Chibi Vikram a Kevin Bernstein z UiPath ukázali experiment, při kterém Jev řadil části dokumentů podle relevance. Použili turnajový postup: model vybíral nejlepší pasáže z malých skupin, vítězové postupovali do dalšího kola a výběr se opakoval.
Podle prezentace celý proces trval méně než sekundu i při tisících volání Jev. To je výsledek konkrétního experimentu, nikoli zaručená odezva pro libovolnou knihovnu dokumentů. Reportáž zároveň neuvádí srovnání přesnosti, podle kterého by šlo rozhodnout, zda tento postup vybírá lepší podklady než jiné metody.
Pro interní vyhledávání je přesto zajímavý samotný návrh. Místo jednoho velkého posouzení lze výběr rozdělit do mnoha malých rozhodnutí. Při ověřování bychom vedle času sledovali hlavně to, zda v některém z prvních kol nevypadne pasáž, kterou výsledná odpověď potřebuje. Rychlé dokončení výběru pomůže jen tehdy, když zůstanou správné podklady.
Workday připravoval žádost už během psaní
Scott Roberts z Workday představil prototyp, ve kterém se formulář žádosti o volno začíná vyplňovat, zatímco uživatel ještě píše. Rychlé vyhodnocení vstupu zde mění přímo chování rozhraní: aplikace průběžně připravuje pravděpodobný další krok.
Jde o prototyp. Reportáž nedokládá jeho plošné nasazení ani úsporu času uživatelů. Ukazuje však další využití rychlého modelu vedle třídění a vyhledávání: předběžnou přípravu akce podle rozepsaného záměru.
Pokud podobné rozhraní zadáváš vývojáři, nech si předvést i změnu záměru uprostřed věty. Návrh formuláře by měl jít snadno opravit a jeho odeslání by mělo zůstat samostatným potvrzením uživatele. To je naše doporučení pro návrh takové funkce, nikoli popis doložených vlastností prototypu Workday.
Začni jedním rozhodnutím, které umíš vyhodnotit
Tyto příklady dávají Jev konkrétnější obrysy: Glean jej zapojuje vedle dalších modelů, UiPath zkouší opakovaný výběr podkladů a Workday zkoumá rozhraní reagující během psaní. Každý případ řeší jiný úkol a má jinou úroveň ověření.
Pro vlastní pokus si vyber jedno opakované rozhodnutí, u kterého znáš správný výsledek. Může to být výběr pasáže k dotazu nebo zařazení příchozího požadavku. Na stejných případech porovnej současné řešení a variantu s Jev:
- Správnost: kolikrát vybral správně a které chyby by poškodily navazující práci?
- Odezvu: jak dlouho trvá celý krok včetně všech kol výběru?
- Náklady: kolik stojí dokončený výběr včetně opakovaných volání a oprav?
Začni u místa, kde aplikace opakovaně čeká na jednoduchou volbu. Právě tam nejsnáze zjistíš, zda rychlý rozhodovací model zlepší celý postup.
Zdroj
Související z knihovny