AI TypeSafe چیست؟ معرفی کامل شرکت سازنده Jev و رویکرد تازه آن به هوش مصنوعی

AI TypeSafe نام شرکتی است که می‌خواهد یک مسئله متفاوت از «چت‌کردن با هوش مصنوعی» را حل کند: اینکه نرم‌افزارها بتوانند از هوش مصنوعی برای گرفتن تصمیم‌های ساختاریافته و قابل استفاده مستقیم در کد استفاده کنند. این شرکت در سپتامبر ۲۰۲۶ از حالت مخفی خارج شد و نخستین مدل عمومی خود، Jev، را معرفی کرد.

در این مقاله می‌خوانیم:

•      AI TypeSafe دقیقاً چیست و چه مسئله‌ای را دنبال می‌کند؟
•    چه کسانی این شرکت را تأسیس کرده‌اند؟
•  System One Models و رویکرد RLCD چه مفهومی دارند؟
•   Jev چه جایگاهی در محصولات TypeSafe دارد؟
•     این رویکرد چه مزیت‌ها، محدودیت‌ها و ابهام‌هایی دارد؟
•   چه کسانی ممکن است از TypeSafe استفاده کنند و چه زمانی یک پلتفرم عمومی مثل هوشا کاربردی‌تر است؟

TypeSafe AI چیست و چه شرکتی است؟

هوش مصنوعی تایپ سیف AI TypeSafe به آدرس https://typesafe.ai/ نام یک شرکت پژوهشی هوش مصنوعی مستقر در سان‌فرانسیسکو است که تمرکز خود را روی چیزی قرار داده که آن را «Machine-Native» و «Composable AI» می‌نامد؛ یعنی مدل‌هایی که از ابتدا برای استفاده در نرم‌افزار طراحی شده‌اند، نه صرفاً برای گفت‌وگو با انسان.

 TypeSafe در ۱۵ سپتامبر ۲۰۲۶ (۲۴ شهریور ۱۴۰۵) از حالت مخفی خارج شد و هم‌زمان نخستین محصول عمومی خود، Jev، و سرمایه‌گذاری Seed به رهبری DCVC را معرفی کرد. 

نقطه تمایز اصلی این شرکت، از نگاه خود TypeSafe، این است که خروجی مدل قرار نیست الزاماً یک متن طولانی باشد. ایده آن‌ها این است که نرم‌افزار بتواند یک وضعیت و سؤال ساختاریافته را به مدل بدهد و به‌جای یک رشته متنی، یک تصمیم نوع‌دار همراه با احتمال و میزان اطمینان دریافت کند. 

بنابراین TypeSafe را بهتر است در دسته شرکت‌هایی قرار دهیم که به زیرساخت و معماری استفاده از هوش مصنوعی در نرم‌افزار فکر می‌کنند، نه یک چت‌بات عمومی دیگر.

TypeSafe AI را چه کسانی تأسیس کرده‌اند؟

TypeSafe AI توسط سه نفر تأسیس شده است: Diogo Almeida، Sasha Sheng و Erik Gafni. صفحه رسمی تیم شرکت، سوابق این سه نفر را به‌ترتیب در حوزه پژوهش هوش مصنوعی، مهندسی و ساخت سیستم‌های AI توضیح می‌دهد. 

1. Diogo Almeida مدیرعامل TypeSafe است. طبق معرفی رسمی شرکت، او در OpenAI روی RLHF و InstructGPT کار کرده و پیش از TypeSafe نیز در Google Brain فعالیت داشته است. بنابراین سابقه او به بخشی از پژوهش‌هایی برمی‌گردد که به بهبود پیروی مدل‌های زبانی از دستورها و تعامل آن‌ها با انسان کمک کرده‌اند. 
2. Sasha Sheng مدیر عملیات TypeSafe است و طبق صفحه رسمی شرکت، پیش‌تر به‌عنوان Research Engineer در Meta/FAIR فعالیت داشته و روی News Feed، AI Experiences و AI Research کار کرده است. 
3. Erik Gafni مدیر فناوری TypeSafe است. شرکت او را یک بنیان‌گذار تکرارشونده و متخصص ساخت سیستم‌های AI در محیط تولید معرفی می‌کند و سابقه او را در شرکت‌هایی مانند Ravel، Invitae و Freenome شرح می‌دهد.

ایده اصلی TypeSafe AI چیست؟ چرا «چت» را مسیر کافی نمی‌داند؟

استدلال اصلی TypeSafe این است که مدل‌های زبانی مانند چت جی پی تی برای گفت‌وگو و تولید متن فوق‌العاده انعطاف‌پذیرند، اما همین انعطاف‌پذیری همیشه برای نرم‌افزار یک مزیت نیست. یک برنامه معمولاً برای ادامه اجرای خود به یک تصمیم مشخص، ساختاریافته و قابل پیش‌بینی نیاز دارد؛ مثلاً انتخاب یک دسته، تعیین مسیر بعدی، امتیازدهی یا تشخیص اینکه آیا یک مورد نیازمند بررسی انسانی است.

در مدل سنتی، نرم‌افزار ممکن است از یک مدل زبانی بخواهد متنی تولید کند، سپس آن متن را Parse و Validate کند تا به داده قابل استفاده در کد تبدیل شود. 

TypeSafe می‌گوید می‌توان از ابتدا مدل را برای تولید خروجی‌های Type-safe طراحی کرد؛ یعنی مجموعه گزینه‌ها و ساختار خروجی از قبل مشخص باشد و مدل تصمیم را در همان قالب برگرداند. این توضیح، موضع و طراحی پیشنهادی خود شرکت است و نباید آن را به‌عنوان اثبات قطعی برتری در همه سناریوها در نظر گرفت. 

این شرکت ابتدا مدل را برای تولید خروجی‌های Type-safe طراحی کرد؛ یعنی مجموعه گزینه‌ها و ساختار خروجی از قبل مشخص باشد و مدل تصمیم را در همان قالب برگرداند. این رویکرد ارتباط تناتنگی با مفاهیم هوش مصنوعی عامل‌محور دارد؛ جایی که مدل‌ها به جای گفت‌وگوی ساده، تصمیم‌گیری و اجرای وظایف را به دست می‌گیرند.

System One Models چیست؟

System One Models اصطلاحی است که TypeSafe برای نسل جدید مدل‌های خود به کار می‌برد. در ساده‌ترین بیان، این مدل‌ها برای «تصمیم سریع و ساختاریافته» داخل نرم‌افزار طراحی شده‌اند. 

ورودی می‌تواند وضعیت و یک سؤال نوع‌دار باشد و خروجی به‌جای یک متن آزاد، تصمیمی با ساختار مشخص، احتمال و میزان اطمینان ارائه می‌کند. 

نام System One نیز به ایده System 1 در کتاب «Thinking, Fast and Slow» دنیل کانمن اشاره دارد؛ خود TypeSafe توضیح می‌دهد که این نام برای تمایز میان تصمیم‌های سریع و شهودی و استدلال آهسته‌تر انتخاب شده است.

RLCD چیست؟

RLCD مخفف Reinforcement Learning for Calibrated Decisions یا «یادگیری تقویتی برای تصمیم‌های کالیبره‌شده» است. TypeSafe این روش را به‌عنوان بخشی از رویکرد آموزشی System One معرفی می‌کند.

 ایده مفهومی آن این است که مدل نه فقط یک پاسخ، بلکه تصمیمی همراه با احتمال و اعتماد ارائه کند تا نرم‌افزار بتواند عدم‌قطعیت را نیز در جریان تصمیم‌گیری خود لحاظ کند. 

در این مقاله وارد جزئیات فنی اثبات‌نشده یا ادعاهای معماری فراتر از منابع رسمی نمی‌شویم. مهم‌ترین نکته برای درک RLCD این است که TypeSafe آن را در مقابل رویکردهایی مانند RLHF قرار می‌دهد و هدف آن را تولید تصمیم‌های کالیبره‌تر برای کارهای ساختاریافته می‌داند.

TypeSafe AI چه مشکلی را برای نرم‌افزارها حل می‌کند؟

اگر یک نرم‌افزار مجبور باشد در هزاران یا میلیون‌ها نقطه تصمیم بگیرد، استفاده از یک مدل زبانی که هر بار متن آزاد تولید می‌کند می‌تواند نیازمند لایه‌های اضافی برای تفسیر و اعتبارسنجی خروجی باشد. یکی از مهم‌ترین چالش‌ها در بررسی کاربرد هوش مصنوعی در برنامه‌نویسی، دریافت خروجی‌های قابل‌اعتماد و بدون خطاست که TypeSafe قصد دارد این فاصله را کم کند. 

از منظر کاربرد، می‌توان سناریوهایی مانند موارد زیر را برای این رویکرد در نظر گرفت:

• دسته‌بندی داده یا درخواست‌ها
•  مسیریابی یک کار به مرحله یا سرویس مناسب
•  امتیازدهی یا ارزیابی یک وضعیت بر اساس معیار مشخص
•  ارزیابی ریسک و تشخیص نیاز به بررسی بیشتر
•  تصمیم‌گیری ساختاریافته در یک Workflow
•   اجرای خودکار یک مسیر زمانی که میزان اطمینان از آستانه تعیین‌شده بالاتر است.

یکی از نکات مهم این معماری، امکان استفاده از آستانه اطمینان است. برای مثال، نرم‌افزار می‌تواند بگوید اگر اعتماد مدل بالا بود، فرآیند را خودکار ادامه بده؛ اگر پایین بود، پرونده را برای بررسی انسان ارسال کن. خود TypeSafe نیز روی همین ایده کنترل آستانه‌ها و ارجاع موارد نامطمئن به انسان تأکید می‌کند.

سرمایه‌گذاری و وضعیت TypeSafe AI

TypeSafe AI در ۱۵ سپتامبر ۲۰۲۶ با اعلام جذب ۴۰ میلیون دلار سرمایه Seed به رهبری DCVC از حالت مخفی خارج شد. این رقم و تاریخ در اعلام رسمی DCVC ثبت شده‌اند. 

در این مرحله، بهتر است میان «جذب سرمایه» و «اثبات موفقیت محصول» تفاوت بگذاریم. سرمایه‌گذاری نشان می‌دهد سرمایه‌گذاران روی مسیر و تیم شرکت سرمایه‌گذاری کرده‌اند، اما به‌تنهایی نشان نمی‌دهد که محصول در تمام کاربردهای واقعی عملکرد بهتری از گزینه‌های موجود دارد.

Jev؛ اولین مدل TypeSafe AI

Jev نخستین مدل عمومی TypeSafe AI در دسته System One Models است و برای تصمیم‌گیری ساختاریافته داخل نرم‌افزار طراحی شده است. در معرفی رسمی، TypeSafe Jev را مدلی معرفی می‌کند که به‌جای تولید رشته‌های متنی، تصمیم‌های نوع‌دار همراه با احتمال و confidence تولید می‌کند و در حال حاضر در دسترسی اولیه قرار دارد. 

Jev AI چیست؟ معرفی کامل قابلیت‌ها، قیمت و بنچمارک‌ها

نقاط قوت TypeSafe AI

مهم‌ترین مزیت بالقوه رویکرد TypeSafe، فاصله گرفتن از تولید متن آزاد و تمرکز بر خروجی‌های ساختاریافته است. اگر یک نرم‌افزار از ابتدا بداند چه نوع تصمیمی می‌خواهد، خروجی قابل پیش‌بینی‌تر می‌تواند ادغام AI با Workflow را ساده‌تر کند. همچنین همراه‌کردن تصمیم با احتمال و میزان اطمینان می‌تواند امکان طراحی مسیرهای متفاوت برای موارد مطمئن و نامطمئن را فراهم کند. 

محدودیت‌های TypeSafe

در مقابل، TypeSafe هنوز یک محصول بسیار تازه است. Jev در زمان نگارش این مقاله در مرحله early access قرار دارد و بخشی از شواهد منتشرشده درباره عملکرد آن از خود شرکت می‌آید. بنابراین باید میان قابلیت فنی، ادعای بازاریابی و شواهد مستقل تفاوت گذاشت.

یک محدودیت مهم دیگر نیز از ماهیت مسئله می‌آید: خروجی ساختاریافته لزوماً به معنی تصمیم درست نیست. ممکن است مدل در یک Schema کاملاً معتبر، تصمیم اشتباه بگیرد. بنابراین طراحی سؤال، تعریف گزینه‌ها، کیفیت داده و Workflow اطراف مدل همچنان اهمیت دارد.

آیا TypeSafe یک جایگزین قطعی برای مدل‌های زبان است؟

TypeSafe را بهتر است نه به‌عنوان «جایگزین قطعی همه مدل‌های زبانی»، بلکه به‌عنوان یک مسیر متفاوت برای استفاده از هوش مصنوعی در نرم‌افزار ارزیابی کنیم. یک منبع تحلیلی مستقل نیز در بررسی Jev تأکید کرده است که در زمان بررسی، محصول تازه و در دسترسی اولیه بوده و برای برخی ادعاها هنوز شواهد مستقل کافی وجود نداشته است. 

TypeSafe AI برای چه کسانی مناسب است؟

مخاطب اصلی این رویکرد، توسعه‌دهندگان، تیم‌های محصول و سازمان‌هایی هستند که در نرم‌افزار خود با تصمیم‌های پرتکرار و ساختاریافته مواجه‌اند؛ تصمیم‌هایی که می‌توان آن‌ها را به انتخاب، امتیاز، طبقه‌بندی یا شاخه‌های مشخص یک Workflow تبدیل کرد.

در مقابل، اگر هدف شما چت روزمره، تولید متن، ایده‌پردازی یا تعامل عمومی با یک دستیار هوش مصنوعی باشد، TypeSafe همان نقشی را ندارد که یک چت‌بات عمومی ایفا می‌کند. این تفاوت بیشتر به «مسئله‌ای که می‌خواهید حل کنید» مربوط است تا اینکه یکی را به‌طور کلی جایگزین دیگری بدانیم.

برای استفاده روزمره از هوش مصنوعی، هوشا چه گزینه‌ای است؟

اگر مسئله شما ساخت زیرساخت AI برای یک نرم‌افزار نیست و بیشتر می‌خواهید از هوش مصنوعی در کارهای روزمره، تولید محتوا، تحقیق، تصویر، ویدیو، موسیقی یا گفت‌وگو استفاده کنید، هوشا رویکرد متفاوتی دارد. هوشا یک پلتفرم کاربرمحور فارسی است که دسترسی به مدل‌ها و ابزارهای مختلف هوش مصنوعی را در یک محیط واحد فراهم می‌کند. 

برای کاربران فارسی‌زبان، مزیت‌هایی مانند محیط فارسی، دسترسی بدون نیاز به پرداخت ارزی و ارائه چند نوع ابزار و مدل در یک حساب، بخشی از ارزش پیشنهادی هوشا است. برای آشنایی با سرویس‌های آن می‌توانید از صفحه «هوش مصنوعی آنلاین» استفاده کنید.

در هوشا می‌توانید به مدل‌های متنی مطرح مانند ChatGPT و ابزارهای تولید متن، تصویر، ویدیو و موسیقی دسترسی داشته باشید. همچنین هوش مصنوعی آنلاین نقطه شروع مناسبی برای بررسی ابزارهای مختلف است. برای ورود به پلتفرم نیز می‌توانید از پلتفرم هوش مصنوعی هوشا استفاده کنید.

جمع‌بندی

مجموعه TypeSafe AI دست روی مسئله متفاوتی در دنیای هوش مصنوعی گذاشته است: تبدیل هوش مصنوعی از یک ابزار گفتگو به اجزای ساختاریافته و قابل اتکا در عمق نرم‌افزارها. مدل‌های System 1، خروجی‌های تایپ‌شده و قطعی، ارزیابی احتمالات و روش آموزشی RLCD، ستون‌های اصلی این رویکرد تازه هستند و Jev به عنوان نخستین قدم عمومی این شرکت در چنین مسیری شناخته می‌شود.

با این حال، TypeSafe هنوز در نقطه آغازین راه عمومی خود ایستاده است. اگرچه سرمایه‌گذاری ۴۰ میلیون دلاری و رونمایی از این معماری نوین توجه زیادی جلب کرده، اما بازدهی واقعی آن در گرو عملکردش در پروژه‌های پیچیده عملیاتی و شواهد مستقل است. 

اگر به دنبال توسعه زیرساخت‌های عمیق نرم‌افزاری با هوش مصنوعی هستید، TypeSafe قطعاً گزینه‌ای ارزشمند برای بررسی است؛ اما برای کاربردهای رایج، روزمره و تولید محتوا، پلتفرم‌های کاربرمحور مسئله کاملاً متفاوتی را حل می‌کنند.

نویسنده: معین معرک نژاد