Conduite autonome Jev : comment l'IA choisit-elle où aller ?
Cet article analyse, à travers le cas de la conduite autonome de Jev, la répartition entre la reconnaissance d'image et la prise de décision dans le choix d'itinéraire de l'IA. Link
THE JEV GUIDE · CURATED EDITION
Annonces, explications, démos et projets communautaires autour de TypeSafe Jev, organisés par thème. Chaque entrée renvoie à sa source sur X.
Sélection curée · Non exhaustive · Mise à jour manuelle
Sponsors
Ces produits financent l’annuaire. Envie d’y voir le vôtre ?
Cet article analyse, à travers le cas de la conduite autonome de Jev, la répartition entre la reconnaissance d'image et la prise de décision dans le choix d'itinéraire de l'IA. Link
Un utilisateur compare l'API Decision d'OpenAI à Jev de TypeSafe AI sur des tâches réelles de curation de données robotiques. Sur les tâches courantes, vitesse et performance sont similaires. Sur les cas ambigus, Jev répond souvent « pas assez d'informations », et en cas de désaccord, Jev est plus précis.
Des ingénieurs ont commencé à utiliser JEV pour des projets robotiques fous : drones, bras robotisés, un WidowX, une simulation d'essaim, et même des logs Kubernetes. L'exemple jev-drone pilote un quadrotor Skydio X2 caméra seule dans MuJoCo, avec contrôle à 500 Hz et Jev à environ 2,5 Hz.
Un blogueur partage un test de drone utilisant Jev et la mémoire de la mouche du fruit, affirmant une vitesse de décision de 0,001 ms, suscitant l'émerveillement.
Ce tweet clarifie que la réaction réflexe humaine à une chaleur soudaine est une analogie de Jev pour les robots, avec un lien vers un article de Business Insider. Link
One card in the feed, every sixteen, on every page of it. $50 a week, cancel any week.
L'auteur a utilisé FlyBrain de Google DeepMind et Jev de TypeSafe pour implémenter un apprentissage conditionné sur une mouche robot, lui apprenant à éviter, poursuivre et déclencher un réflexe de fuite.
L'auteur partage son expérience de contrôle de robot avec Jev, notant que le contrôle temps réel nécessite un modèle plus rapide, mais que Jev convient aux décisions de planification et interroge un humain en cas d'incertitude.
Ce post présente un développeur de 15 ans qui a construit un travailleur IA à distance avec Jev, déjà opérationnel dans des boutiques de Toronto à 3,75 $ de l'heure. Il partage aussi comment reproduire ce projet avec Jev, en donnant par exemple à Jev l'objectif de contrôler une main robotique.
Ce post mentionne que Jev se distingue dans le domaine de l'IA physique, au-delà de la finance.
Marudan KJ affirme que le modèle JEV permet une prise de décision dynamique rapide dans des environnements changeants que les LLM n'ont pas pu résoudre, et prédit que ce cadre deviendra l'épine dorsale technique des startups d'IA physique d'ici un mois.
Jev prend les décisions en direct d'arrêt/céder/ralentir/procéder pendant que le code local dirige. Le coût total pour traverser la ville n'est que de 0,0208 $.
L'auteur demande si quelqu'un utilise des modèles de style Jev pour des systèmes de contrôle dynamique et souhaite tester si un tel modèle peut équilibrer un pendule inversé.
Star the project on GitHub to support continued updates and curation.