Jev může vybrat kategorii produktu nebo další větev automatizace. Aby jeho rozhodnutí pomohlo v provozu, potřebuje dobře popsané možnosti a aplikaci, která umí zpracovat nejistý výsledek.
Dodavatel pošle nový produkt: bezdrátová sluchátka, několik parametrů a stručný popis. E-shop má vlastní strom kategorií a potřebuje určit, kam položku zařadit. Člověk při tom porovnává význam popisu s pravidly katalogu. Právě takové rozhodnutí lze připravit pro Jev od TypeSafe AI.
Náš článek o nasazení AI v Mironetu vzbudil zájem a přinesl další dotazy k Jevu od TypeSafe AI. Proto na něj navazujeme podrobnějším pohledem na to, jak model funguje a jak se s ním pracuje. Ukážeme, co Jev dostane, jak se mu položí otázka a co musí udělat e-shop po obdržení odpovědi.
Co je Jev
TypeSafe označuje Jev jako svůj první model třídy System One. Zpracuje zadaný stav a vrací rozhodnutí v předem určeném formátu spolu s pravděpodobnostmi. Typickým úkolem je vybrat jednu možnost ze seznamu nebo posoudit určitou vlastnost vstupu.
Podle vysvětlení System One Jev nepíše volné odpovědi, kód ani slovní vysvětlení svého uvažování. Jeho výstup se proto hodí jako součást širšího programu: aplikace položí otázku, přečte odpověď a podle vlastních pravidel pokračuje.
Pro e-shop to může být návrh kategorie, směrování požadavku na správný tým nebo posouzení, zda popis odpovídá některému z předem stanovených účelů. Každá úloha potřebuje vlastní sadu možností a pravidel.
Z čeho se skládá zadání
Základem je state: obsah, který má model posoudit. Může mít podobu textu, JSON objektu nebo pole. U produktu do něj můžete vložit název, popis a potřebné parametry. Dokumentace vstupu doporučuje oddělovat posuzovaná data od otázek.
Potom určíte, co má Jev rozhodnout. Současné HTTP API používá požadavek POST https://api.typesafe.ai/v1/systemone s poli state, model a questions. Přístup vyžaduje API klíč. Otázka může mít jeden ze tří typů:
| Typ otázky | Co zjišťuje | Příklad pro e-shop |
|---|---|---|
Choice | Výběr jedné předem definované možnosti | Do které kategorie produkt patří? |
Score | Posouzení na popsané seřazené škále | Jak úplný je dodavatelský popis? |
Noul | Pravděpodobnost odpovědi ano na otázku ano/ne | Žádá zákazník ve zprávě o vrácení peněz? |
U Score může výsledek ležet mezi úrovněmi škály. U Noul dostanete číselnou pravděpodobnost, kterou musí aplikace vyhodnotit. Ani jeden typ sám neprovede další provozní akci.
S přípravou kategorií může pomoci další AI model
Popsat kategorie, odlišit jejich hranice a propojit různé názvy od dodavatelů s vlastním katalogem může být náročná část práce. Kvalitní jazykový model může pomoci připravit návrh pravidel, podle kterých bude Jev rozhodovat. Tento postup navrhujeme jako součást integrace; nejde o automatickou funkci Jevu ani o popis konkrétního nasazení v Mironetu.
Jev přitom umožňuje výběr z více kategorií. Otázka ano/ne patří typu Noul; pro zařazování produktů slouží Choice s předem popsanými možnostmi.
Jazykový model může při přípravě:
- navrhnout mapování dodavatelských kategorií na existující kategorie e-shopu,
- sjednotit synonyma, zkratky a různé názvy stejného typu produktu,
- připravit popisy kategorií, jejich hranice a příklady pro
criteria, - upozornit na překryvy kategorií, chybějící údaje a případy určené k ručnímu posouzení.
Například dodavatelé mohou používat označení „BT headset“, „bezdrátová sluchátka“ a „sluchátka Bluetooth“. Jazykový model může navrhnout jejich propojení s kategorií katalogu a upozornit, které parametry ještě potřebujeme rozlišit. Člověk znalý sortimentu návrh zkontroluje. Model nesmí doplňovat nedoložené vlastnosti produktu; chybějící údaj má zůstat označený jako neznámý.
Schválené mapování a popisy kategorií lze potom opakovaně používat pro rozhodování Jevu. Přípravu má smysl opakovat při změně sortimentu, stromu kategorií nebo dodavatele. U pravidelně se opakujících úprav dat může následně pracovat běžný kód. Pokud by jazykový model zpracovával také každý jednotlivý produkt, jeho cenu a čas zahrňte do celkového porovnání.
Příklad: výběr kategorie pro sluchátka
Pro kategorizaci se hodí Choice. Definujete možnosti a vysvětlíte jejich význam. Popisy by měly odlišit například sluchátka od krytů na telefon a dalšího příslušenství. Přidejte také možnost pro případ, který nelze spolehlivě zařadit.
Následuje redakční ukázka těla požadavku podle dokumentované struktury API. Produkt i kategorie jsou smyšlené; nejde o skutečné volání ani konfiguraci Mironetu.
{
"model": "jev-latest",
"state": {
"product": {
"title": "Bezdrátová sluchátka Model X",
"description": "Sluchátka přes uši s Bluetooth a aktivním potlačením hluku."
}
},
"questions": {
"category": {
"type": "choice",
"instructions": "Vyber kategorii podle hlavního účelu produktu. Při nedostatku informací zvol rucni_kontrola.",
"criteria": {
"bezdratova_sluchatka": "Sluchátka pro poslech zvuku s bezdrátovým připojením.",
"kabelova_sluchatka": "Sluchátka s hlavním připojením přes kabel.",
"prislusenstvi_telefon": "Kryty, držáky a další příslušenství telefonu, kromě sluchátek.",
"rucni_kontrola": "Žádná kategorie neodpovídá nebo podklady nestačí."
}
}
}
}
category je název otázky, který volí integrátor. Klíče jako bezdratova_sluchatka jsou naše vlastní možnosti. V reálné integraci je můžete mapovat na existující ID kategorií katalogu. rucni_kontrola je také naše volba; předání člověku musí naprogramovat aplikace.
Podle dokumentace Choice může jedna otázka obsahovat nejvýše 255 možností. U většího stromu lze postupovat po úrovních. Přitom je potřeba sledovat i nejistotu prvního výběru, aby chybná hlavní větev neznehodnotila další rozhodnutí.
Co přijde zpět a co znamená jistota
Odpověď pro Choice obsahuje vybranou možnost choice, pravděpodobnosti jednotlivých možností probabilities a hodnotu confidence. Samotný výběr tedy můžete doplnit informací, jak se hodnocení rozložilo mezi alternativy.
confidence se podle dokumentace TypeSafe počítá z rozložení pravděpodobností. Vyjadřuje, nakolik hodnocení soustředilo váhu na jednu možnost. Hodnota 0,9 sama o sobě nedokládá, že konkrétní produkt má 90% šanci na správné zařazení. Vztah mezi jistotou a chybovostí musíte ověřit na vlastních případech.
Typová bezpečnost pomáhá omezit podobu odpovědi. Model přesto může vybrat platnou kategorii, která se k produktu nehodí. Například se může výrazně přiklonit k příslušenství telefonu, pokud jsou kritéria nejasná nebo v podkladech chybí důležitý údaj. Provoz potřebuje kontrolovat také obsah rozhodnutí.
Jak může vypadat celý proces
Pro první nasazení navrhujeme postup, v němž model připravuje návrhy a člověk je porovnává se správným výsledkem:
- Načíst a připravit data. Z dodavatelského feedu získat produkt a vybrat pole potřebná pro rozhodnutí. Jazykový model může pomoci navrhnout sjednocení názvů a mapování údajů; opakované úpravy podle schválených pravidel a přesné kontroly identifikátorů provádí běžný kód.
- Popsat kategorie. S pomocí jazykového modelu připravit návrh jejich hranic, případů mimo seznam a převodu na katalogová ID. Člověk znalý sortimentu pravidla zkontroluje a schválí před použitím v Jevu.
- Získat návrh. Poslat podklady a otázku Jev. Uložit výběr, pravděpodobnosti, jistotu i verzi modelu, kterou odpověď uvádí.
- Porovnat návrh s rozhodnutím člověka. Zjistit, které kategorie a dodavatelské popisy způsobují chyby. Upravit nejasná kritéria.
- Nastavit způsob zpracování. Zvolit podmínky pro automatický zápis, návrh ke schválení a ruční zpracování. Hraniční hodnoty vycházejí z výsledků ověření a dopadu chyby.
- Zapsat změnu do e-shopu. Aplikace zkontroluje platnost katalogového ID a provede povolený zápis. Uchová také záznam o původním a novém zařazení.
Tento postup je návrh integrace Kodo. Odeslání požadavku Jev samo nezajistí připojení k e-shopu, schválení změny ani zápis do katalogu. Tyto kroky patří do okolní aplikace.
Pro vývojáře jsou k dispozici oficiální SDK pro Python a JavaScript/TypeScript. Přímé HTTP rozhraní lze použít i z jiného prostředí. Konkrétní konektor k vašemu e-shopu je potřeba posoudit samostatně.
Co ověřit na českém katalogu
Dokumentace uvádí, že Jev přijímá textové vstupy a že nejlepších výsledků zatím dosahuje v angličtině. Pro český e-shop je proto důležité zahrnout do ověření skutečné české popisy, zkratky, překlepy a směs jazyků od dodavatelů. Samotná podpora jazyka neurčuje přesnost na vašem sortimentu. Fotografie je nejprve potřeba převést na textové údaje jiným nástrojem. Viz formáty a jazyk vstupu.
TypeSafe také zveřejňuje známé slabiny Jev 1.13: potíže s přesnými výpočty, porovnáváním dat, doslovným čtením zadání a velkým množstvím nesouvisejících informací. Zmiňuje i možnost ovlivnění odpovědi zavádějícím obsahem ve vstupu.
Výpočet marže, ověření data nebo sečtení zásob proto ponechte v kódu. U dodavatelských popisů počítejte s neúplnými i zavádějícími případy. Zadaná kritéria a obsah produktu mají různé role; příkaz nalezený uvnitř popisu nemá měnit pravidla vaší automatizace.
Cena modelu a cena hotové automatizace
K 2. říjnu 2026 dokumentace pro Jev 1.13 uvádí 0,042 USD za milion vstupních tokenů, výstupní tokeny zdarma. Do vstupů se započítávají také otázky a popisy možností. Před nasazením ověřte aktuální ceník, modely a provozní limity, které se podle dodavatele mohou průběžně měnit.
Alias jev-latest se může posunout na novější verzi. Dokumentace doporučuje zaznamenávat vrácené ID modelu a při nastavení prahů pro konkrétní verzi zvážit její připnutí.
Pro rozpočet e-shopu zahrňte také přípravu dat, případná volání pomocného jazykového modelu, integraci, opakovaná volání a práci s výjimkami. Porovnávejte cenu správně zpracovaného produktu a čas lidí, kteří opravují výsledky. Nízká cena API má větší význam tam, kde se opakuje velké množství dobře vymezených rozhodnutí.
Jak zacházet s daty
TypeSafe ve své Privacy Policy uvádí, že vstupy zákazníků nepoužívá k trénování ani dolaďování modelů. Před předáním neveřejných podkladů ověřte také podmínky uchovávání, logování, přístupu a výmazu.
Přehled právních dokumentů uvádí možnost zero data retention pro enterprise zákazníky. Konkrétní dostupnost a podmínky je potřeba dohodnout s dodavatelem. Pro první technické ověření zvolte veřejná nebo smyšlená produktová data; rozsah sdílení firemních a osobních údajů řešte s odpovědným odborníkem.
Kde začít
Vyberte jednu kategorizační úlohu, u které znáte správné výsledky a umíte spočítat dopad chyby. Připravte jasně odlišené možnosti a ověřte návrhy Jev vedle současného postupu. Sledujte správnost zařazení, čas zpracování a množství ručních oprav.
Výsledek takového porovnání vám ukáže, zda Jev pomůže právě vašemu katalogu. Zkušenost Mironetu je podnět k vlastnímu ověření; podobnou úsporu je potřeba doložit na vašich datech a ve vašem procesu.
Jak může pomoci Kodo
Kodo pomáhá e-shopům vybrat konkrétní krok pro automatizaci, připravit produktová data a pravidla rozhodování a navrhnout napojení na katalog nebo interní systém. Součástí návrhu může být fronta pro schvalování, evidence změn a porovnání přínosu s dosavadním postupem.
Pokud chcete prověřit automatickou kategorizaci, začněme ukázkou vašich produktových podkladů, popisem kategorií a tím, které chyby vás dnes stojí nejvíc práce.
Související články
- Mironet vyměnil AI agenty za rozhodovací model. Co si z toho vzít pro e-shop
- Jak poznat proces, který se vyplatí automatizovat
- Jak ušetřit na AI modelech: automatizace, přepínání a lokální kontrola
- Firemní dokumenty v AI: co zůstává lokálně a co může odejít do cloudu
Zdroje
- TypeSafe — System One
- TypeSafe — State: vstup a jeho formáty
- TypeSafe — API reference
- TypeSafe — Choice
- TypeSafe — Confidence
- TypeSafe — SDK pro vývojáře
- TypeSafe — známé slabiny Jev 1.13
- TypeSafe — modely, ceny a limity
- TypeSafe — Privacy Policy
- TypeSafe — právní dokumenty a enterprise ZDR
Podklady ověřeny 2. října 2026. Ukázka požadavku je ilustrační a nebyla spuštěna proti API. Článek popisuje dokumentaci dodavatele a návrh pracovního postupu, nikoli vlastní měření výkonu Jev. Ceny, dostupnost a podmínky služby ověřte před nasazením.
