혹시 JEV 배우고 계신 분 있나요?

혼란이 많은 것 같아서 최대한 쉽게 풀어보려고 함. 구조화된 텍스트 때문에 기분 나쁜 사람들은 내가 Grammarly나 Muse Glimmer 같은 도구를 써서 메시지를 제대로 전달하려는 GenX 세대 기술자라는 걸 알아줬으면 좋겠음. 불편하면 안 읽어도 됨. 나머지를 위해 설명하자면,

Jev는 기본적으로 신경망 결정 시스템이지, 또 다른 챗봇이나 에이전트가 아님.

ML/DL 모델에 프롬프트를 주고 글을 쓰게 하는 대신, 상태(state), 제한된 질문, 그리고 가능한 결정 집합을 제공함. 그러면 그 결정들에 대한 확률 분포를 반환함. 구현 방식에 따라 기반이 되는 '모델'은 하나의 ML/DL 모델일 수도 있고, 특정 결정 유형에 맞춰 선택된 여러 전문 ML/DL 모델 그룹일 수도 있음.

중요한 차이점은 Jev가 언어 생성보다는 System-1 판단에 가깝다는 것임. 이렇게 생각해보셈:

상태 + 질문 + 허용된 선택지 → 확률 / 결정

이게 아니라:

프롬프트 → 임의의 텍스트

유용한 기본 요소는 선택(Choice), 점수(Score), 순위(Rank), 그리고 이진/불리언 스타일의 결정 같은 것들임. 그래서 다음과 같은 질문에 답할 수 있음: 어떤 도구가 적절한가? 어떤 파일이 가장 관련 있는가? 이 결과로 충분한가? 에이전트가 계속할지, 재시도할지, 에스컬레이션할지, 아니면 멈출지? 어떤 모델/워크플로우가 이 작업에 맞는가? 증거가 주장된 완료를 뒷받침하는가?

에이전트 시스템에서 특히 흥미로운 점은 내가 ML/DL 모델이 무엇이 합법적인지 정의하게 두지 않는다는 것임. 결정론적 코드가 먼저 허용된 행동 공간을 구성함. 만약 하나의 행동만 유효하다면 신경망 호출은 아예 없음. 진정한 의미적 선택이 있을 때만 Jev가 합법적인 후보들만 평가함. 그 후 결정론적 정책이 실행 전에 결과를 검증함.

그래서 내가 작업 중인 아키텍처에서 Jev는 **신경망 결정 패브릭(Neural Decision Fabric)**에 가까워짐:

런타임 상태 → 결정론적 적격성/안전성 → Jev 결정 → 결정론적 검증 → 행동 → 결과 관찰

이건 초기 라우팅뿐만 아니라 에이전트 루프 전체에서 작동할 수 있음. 예를 들어 컨텍스트 허용, 모델/워크플로우 라우팅, 도구 결과 판단, 재시도 결정, 증거 순위 매기기, 핸드오프, 완료 평가, 그리고 독립적인 검토가 필요한지 결정하는 데 도움을 줄 수 있음.

또한 모든 ML/DL 모델이 모든 결정에 투표한다는 뜻이 아님. 일반적인 결정 ML/DL 모델 하나와 몇 개의 전문 ML/DL 모델(예: 증거가 불충분할 때 기권하는 데 특화된 모델이나 컴퓨터 사용/양식에 특화된 모델)을 둘 수 있음. 결정론적 라우팅이 호출할 모델이 있다면 무엇인지 선택함. 대부분의 결정은 스웜(swarm)이 아니라 0개 또는 1개의 신경망 추론만 필요로 해야 함.

이 부분이 내가 매력적이라고 느끼는 점임: LLM은 개방형 문제를 생성하고 추론하는 데 매우 뛰어나지만, Jev 스타일의 ML/DL 모델은 그 주변에서 훨씬 작고 제한된 결정 계층 역할을 할 수 있음. LLM은 여전히 코드를 작성하고, 조사하고, 추론할 수 있음. Jev는 다음에 무엇이 일어나야 하는지 결정하는 데 도움을 주고, 일반 소프트웨어는 권한, 안전성, 실행, 검증을 책임짐.

요약하자면: Jev는 소프트웨어/에이전트를 위한 제한된 확률적 결정 계층임. 단일 ML/DL 모델이나 라우팅된 전문 ML/DL 모델 그룹으로 구현될 수 있지만, 그 자체로 또 다른 대화형 LLM이나 자율 에이전트는 아님.

수정: 세 줄 요약

Jev는 또 다른 챗봇이나 에이전트가 아님. 하나 이상의 ML/DL 모델을 감싸는 결정 계층임: 현재 상태와 허용된 선택지들을 주면, 확신이 없을 때를 포함해 다음에 무엇을 해야 할지 결정하도록 도움.

LLM은 여전히 개방형 작업을 수행함. 일반 소프트웨어는 여전히 허용되는 것을 제어하고, 행동을 실행하고, 결과를 검증함. Jev는 그 사이에 빠르고 제한된 판단을 더할 뿐임.

그리고 기존 분류기/재순위화기와는 다름.

일반적인 분류는 보통:

입력 → 고정된 라벨

Jev는 더 가까움:

상태 + 유형화된 질문 + 제한된 옵션 → 확률

15년 차 전문 풀스택 개발자인데 무슨 말인지 거의 이해가 안 가네.

더 쉽게 설명하지 못해서 미안함. 머신러닝 영역이라 더 노력해야겠음. 당신 같은 풀스택 프로그래머가 컴퓨터 공학 덕후들보다 이해하기 어렵다는 건 이해함. ㅋㅋ

Jev는 기본적으로 소프트웨어와 AI 에이전트를 위한 결정 도우미임.

AI에게 문단을 쓰라고 시키는 대신, 허용된 작은 선택지들을 주고 어떤 게 가장 말이 되는지 물어보는 거임.

예를 들어:

사용 가능한 도구 4개가 여기 있음. 이 작업에 가장 잘 맞는 건 뭐야?

또는:

이 단계가 실제로 문제를 해결했어, 아니면 재시도하거나, 더 조사하거나, 아니면 멈춰야 해?

중요한 건 Jev는 새로운 행동을 만들어낼 수 없다는 거임. 일반 소프트웨어가 먼저 어떤 선택지가 허용되는지 결정함. Jev는 그중에서 고르는 걸 도울 뿐임.

그래서 대략적인 아이디어는 이거임:

소프트웨어가 허용 범위를 결정 → Jev가 선택을 도움 → 소프트웨어가 실제로 일어날 일을 결정

이게 LLM 주변에서 유용한 이유는 LLM은 여전히 큰 개방형 작업을 수행할 수 있고, Jev는 **“다음에 뭘 해야 하지?”**라는 질문에 답하는 작은 판단 계층 역할을 하기 때문임.

그리고 꼭 모델 하나일 필요는 없음. 여러 작은 ML 모델이 서로 다른 결정에 특화될 수 있지만, 보통 주어진 질문에는 하나만 호출됨.

영어로 치면, 입력을 받아서 학습한 내용을 바탕으로 선택지별 확률적 결과가 무엇일지 알아내려고 하는 것 같네.

어떤 사람들은 순서도 영향을 미친다고 하던데.

응, 거의 비슷함. 근데 스킬이라고 생각하진 마.

스킬은 이 작업을 어떻게 하는지 알려주는 거잖아. Jev는 기존 워크플로우에 꽂을 수 있는 작은 결정 계층에 더 가까움.

그러니까 에이전트가 평소처럼 하다가, 유효한 다음 행동이 몇 개 있는 지점에 도달하면 Jev한테 이렇게 묻는 거지: “방금 일어난 일을 고려했을 때, 재시도할까, 다른 도구를 쓸까, 계속할까, 검토를 요청할까, 아니면 멈출까?”

평소 코드가 여전히 어떤 옵션이 허용되는지 결정하고 행동을 실행함. Jev는 그중에서 선택하는 걸 도울 뿐임.

그러니까 전체를 다 뜯어고칠 필요 없이 결정 지점에 기존 에이전트 워크플로우에 볼트처럼 끼워 넣을 수 있음.