IA Jev pour des décisions claires.

System One AI vise des décisions rapides et délimitées. Jev évalue le contexte selon les résultats définis et renvoie des probabilités. Le raisonnement System Two privilégie la résolution réfléchie en plusieurs étapes. Dans iajev, une question et des choix suffisent pour explorer ce modèle probabiliste sans coder.

L’espace d’essai Jev propose un aperçu anonyme gratuit et limité. Choisissez un exemple et lancez une décision. Gardez la question et les choix identiques en modifiant le contexte pour comparer deux résultats. L’utilisation avec connexion et les requêtes API consomment des crédits payants ; il ne s’agit pas d’une API gratuite illimitée.

Choice sélectionne une réponse parmi vos choix. Score indique un niveau sur une échelle ; Noul représente oui ou non. iajev propose uniquement Choice. Pour une question binaire, utilisez deux choix textuels : la réponse reste un choix, pas un booléen. La qualification des prospects renvoie des catégories, pas un score numérique.

Créez une clé API iajev dans votre compte et ajoutez des crédits. Envoyez contexte, question et choix au point de terminaison de décision avec un jeton Bearer et un Idempotency-Key unique. L’exemple cURL ci-dessus permet de commencer ; la documentation détaille les champs, réponses, coûts et nouvelles tentatives. Gardez la clé sur le serveur.

Oui. L’API iajev accepte des requêtes HTTP en JSON. Adaptez l’exemple cURL à Python ou utilisez fetch côté serveur avec JavaScript, TypeScript ou Node.js. Go, Java et Rust peuvent aussi utiliser un client HTTP. Aucun SDK Jev dédié n’est nécessaire.

Appelez l’API iajev depuis une route serveur, par exemple avec Next.js, puis utilisez le choix renvoyé pour sélectionner l’action suivante. Pour LangChain, LlamaIndex, Pydantic AI, Vercel AI SDK ou un agent MCP, écrivez un outil ou un adaptateur HTTP personnalisé. iajev ne fournit pas de connecteurs natifs pour ces frameworks.

L’API iajev facture 1 crédit par tranche entamée de 1 000 tokens d’entrée, avec un minimum de 1 crédit par décision réussie. Les tokens de sortie ne coûtent pas de crédits supplémentaires. Le prix du crédit dépend de votre abonnement ou pack. Consultez les tarifs et estimez vos coûts selon la longueur des entrées et le volume de requêtes.

Pour comparer Jev à ChatGPT, GPT, Claude, Gemini ou DeepSeek, partez de votre tâche. Les modèles de conversation et de raisonnement permettent la génération ouverte ; Jev se concentre sur des décisions typées parmi des résultats définis. Comparez précision, latence et coût sur les mêmes exemples annotés. iajev ne publie pas de benchmark comparatif de ces modèles.

Le mode JSON et les sorties structurées contraignent le format ; les appels de fonctions permettent au modèle de demander un outil. Jev vise des décisions avec probabilités sur des résultats spécifiés, renvoyées en JSON par iajev. Un schéma valide ne garantit ni la justesse de la décision ni la calibration des probabilités.

RLCD signifie Reinforcement Learning for Calibrated Decisions, une méthode d’entraînement présentée avec Jev qui vise à aligner probabilités et justesse. RLHF utilise le retour humain, RLVR des récompenses vérifiables. Ces objectifs d’entraînement diffèrent. iajev permet d’examiner les résultats, pas d’entraîner ou d’affiner le modèle.

Créez un benchmark avec des exemples annotés de votre activité. Mesurez précision, latence et fiabilité, puis vérifiez la calibration sur de nombreux cas. L’API renvoie la latence et une estimation distincte de confiance. Une réponse très confiante ne prouve pas la calibration, et un format structuré n’élimine pas les décisions incorrectes ni tous les risques d’hallucination.

Définissez des choix comme approuver, refuser ou vérifier pour la modération et la vérification, ou faible, moyen et élevé pour un premier tri des risques. Ce sont des tâches Choice personnalisées, pas des interfaces de score ou de booléen dédiées. Testez vos règles et conservez une vérification humaine pour les cas importants ou incertains.