- 19 октября 2026 года VentureBeat проанализировал рост популярности моделей ИИ для принятия решений, уделив особое внимание Jev от TypeSafe AI, представленной 15 сентября 2026 года.
- В отличие от больших языковых моделей (LLM), генерирующих произвольный текст, модели принятия решений возвращают структурированные результаты: метки классификации, оценочные баллы или вероятности истинности и ложности, сопровождаемые показателями уверенности.
- Эта технология предназначена для задач, требующих семантической оценки миллионов записей, включая классификацию отзывов клиентов, выявление срочных запросов, сопоставление личностей и оценку рисков.
- Databricks, Snowflake, MotherDuck и Astronomer объявили о способах интеграции моделей принятия решений в свои платформы данных. AWS, OpenAI и Cloudflare также разрабатывают аналогичные решения.
- По данным MotherDuck, Jev классифицировала 100 000 новостных статей за 40 секунд при стоимости 0,50 доллара и точности 89%. В тестировании компании модель OpenAI затратила почти 32 минуты и 37,58 доллара, достигнув точности 88%.
- Astronomer протестировала Jev на 4 000 названиях должностей: классификация заняла 66 секунд и обошлась в 0,16 доллара. Для сравнения, предполагаемая стоимость использования Snowflake AI_CLASSIFY составляла 11–21 доллар.
- Southbridge AI применила Jev для сопоставления данных о донорах и организациях в отчётности о финансировании избирательных кампаний в штате Огайо. По сравнению с подходом на основе передовой модели ИИ затраты на модель сократились на 99,56%.
- Предлагаемый рабочий процесс объединяет три инструмента: SQL для выполнения однозначных правил, модели принятия решений для масштабных семантических оценок и LLM для сложных случаев, требующих многоэтапных рассуждений.
- Показатели уверенности позволяют системе автоматически обрабатывать очевидные случаи и передавать сомнительные ситуации людям. Однако компаниям необходимо проверять надёжность этих показателей на реальных данных.
- Эксперты предупреждают, что модели принятия решений следует сравнивать как с SQL, так и с традиционным машинным обучением. Также необходимо чётко определить ответственность за разработку критериев, мониторинг и контроль автоматизированных решений.
📌 Модели принятия решений открывают путь к специализации корпоративного ИИ: большие языковые модели нужны далеко не для каждой задачи. Согласно опубликованному MotherDuck тесту, Jev обработала 100 000 записей за 0,50 доллара — примерно в 48 раз быстрее и в 75 раз дешевле модели сравнения. Однако эти результаты были представлены самой компанией. Практическая ценность технологии зависит от точности, возможности проверять прогнозируемые вероятности и механизмов управления решениями в каждой конкретной системе.
