Lesson 0001: Jevとは何か？ — 決定モデルと3大プリミティブ

1. なぜ「文章を書かないLLM」が必要なのか？

これまで、LLMに評価や判定を任せる場合（LLM-as-a-judge）、GPT-4やClaudeなどに「この回答が適切か1〜5点で評価し、その理由を述べてください」といったプロンプトを与えていました。

しかし、このアプローチには本番システムにおいて3つの深刻な課題があります：

レイテンシの壁: テキストを1文字ずつ自己回帰生成するため、判定1回に数秒（1,500〜5,000ms）かかる。
コストの爆発: 判定理由のトークン生成により課金が膨らみ、全トラフィックのリアルタイム検査が困難。
出力の揺れ（構文エラー）: JSONモードを指定しても稀にフォーマット崩れや幻覚が起き、後続コードで例外が発生する。

2026年9月に登場したJev（TypeSafe AI開発）は、ダニエル・カーネマンの提唱する「システム1（速い直感的な判断）」に着想を得た決定モデル（Decision Model）です。Jevはテキストを一切書きません。与えられた「状態（State）」に対して、直接型付きの判定値とキャリブレーションされた確率を瞬時に返します。

2. Jevを構成する「3大プリミティブ」

Jevに対するあらゆる問いかけは、以下の3つのプリミティブのいずれかで表現されます。リファレンスも併せて参照してください。

① Noul（ヌール: 二値判定 / Yes-No）

「この条件は真か？」を問い、0.0〜1.0 の確率（Probability）を返します。

例: 「入力に不適切なコンテンツが含まれているか？」
出力: 0.98（98%の確率でTrue）
用途: ガードレール、スパム判定、ポリシー違反チェック

② Choice（チョイス: 単一選択 / カテゴリ分類）

あらかじめ定義した選択肢の中から1つを選択し、各選択肢の確率分布を返します。

例: 「この問い合わせの意図（Intent）はどれか？」
選択肢: ["解約相談", "技術サポート", "料金問い合わせ"]
出力: {"selected": "解約相談", "probabilities": {"解約相談": 0.89, "技術サポート": 0.08, "料金問い合わせ": 0.03}}
用途: ルーティング、インテント分類、トリアージ

③ Score（スコア: 順序付けルーブリック評価）

段階的な評価基準（ルーブリック）に照らし合わせ、評点と確信度を返します。

例: 「回答の論理的整合性を1〜4段階で判定」
出力: {"score": 3, "confidence": 0.85}
用途: 回答品質評価、RAGの関連度スコアリング、コンプライアンス適合度

3. 確率（Calibrated Probability）の決定的な価値

Jevの最大の特徴は、単に「Yes」や「解約相談」と返すだけでなく、「どれだけの確信を持っているか（確率）」が同時に得られる点です。

これにより、以下のようなカスケード設計が極めてシンプルに実現できます：

# 確率に基づくカスケード処理のイメージ
verdict, prob = jev.noul("この回答は事実に基づいているか？", state=context)

if prob >= 0.90:
    # 確信度90%以上: 超高速・低コストなJevの判定をそのまま採用
    return verdict
else:
    # グレーゾーン（確信度が低い）: 高価な大型LLM（GPT-4/Claude）に詳細分析を依頼
    return escalate_to_generative_llm(context)

一次情報リソース（推奨文献）

今回の内容をさらに深掘りするための信頼できる一次情報です：

TypeSafe AI: Jev Technical Overview & Architecture — Jevの内部設計、System 1決定モデルの数理的背景についての公式ドキュメント。
本ワークスペースのリファレンス: Jev 決定モデルクイックリファレンス — 構文とコード仕様のまとめ。

💡 次のステップと質問

レッスン内容で疑問点があれば、いつでもエージェントに質問してください。

次のレッスンでは、Python環境（typesafe-sdk）をセットアップし、実際にコードからJevの判定を呼び出して確率を取得するハンズオンに進みます。