What''s Jev? Here''s How I''m Using It

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Jev는 미리 정의한 질문에 따라 입력을 분류하고 확률을 반환하는 소프트웨어용 의사결정 모델로, 영상은 이메일 분류·댓글 기반 콘텐츠 기획·판타지 스포츠 리서치에 활용하는 방법을 보여준다.

📌 핵심 요점

1. Jev의 기본 흐름은 ‘맥락과 타입이 정해진 질문 입력 → 결정과 확률 반환 → 코드가 후속 행동 선택’이다. 발표자는 자유로운 문장 생성보다 범위가 좁고 명확한 판단에 적합하다고 설명한다.
2. 활용에 앞서 무엇을 측정할지 정의해야 한다. 반환값은 선택지·점수·참 여부 추정치이며, 질문과 분류 기준을 어떻게 구성하는지가 중요하다.
3. 이메일 사례는 Gmail API와 TypeSafe API를 연결해 메일을 브랜드 협업·고객·구독·콜드 피치·뉴스레터 등으로 분류한다. 앱에서 선택지와 카테고리별 질문을 수정할 수 있다.
4. Audience Radar는 채널 댓글을 질문·문제·요청·반론·반응으로 분류하고 콘텐츠 기회를 찾는다. 제안된 아이디어에 연결된 댓글과 원문을 확인하는 기능도 보여준다.
5. Slate IQ는 판타지 스포츠 리서치를 자동화하려는 초기 앱이다. 발표자는 Jev가 분류하고 코드가 처리 경로를 정하며 LLM이 답변이나 앱 구현을 맡는 조합을 강조한다.

🧩 배경과 문제 정의

발표자 Marcelo는 TypeSafe AI의 Jev가 무엇인지 설명하고, 자신이 사용하는 세 가지 앱을 통해 활용 아이디어를 전달한다. 핵심 문제는 이메일·댓글·선수 데이터를 반복해서 읽고 판단하는 일을 어떻게 소프트웨어의 명시적인 분류 과정으로 옮길 것인가이다.

영상은 Jev를 맥락과 정해진 질문을 받아 결정·확률을 반환하는 모델로 소개한다. 무엇을 측정할지 사용자가 먼저 정의하고, 반환값에 따른 후속 처리는 코드가 수행한다. LLM은 답변 작성이나 앱 구현에 함께 활용할 수 있다는 설명이다.

세 앱은 개인적 필요에서 출발한 초기 구현이다. 따라서 영상에서 관찰할 수 있는 것은 구성 방식과 시연 결과이며, 범용 성능이나 사업·예측 성과를 입증하는 자료는 제공되지 않는다.

🕒 시간순 섹션별 상세정리

1. Jev의 기본 개념과 입력·출력

• TypeSafe AI의 Jev를 소개하고, 개념 설명에 이어 직접 사용하는 세 가지 사례를 보여주겠다고 예고한다. [00:16]
• 맥락과 정의된 질문을 입력하면 타입이 정해진 결정과 확률을 받고, 다음 행동은 코드가 선택한다. [00:26]
• Jev는 좁은 범위의 빠른 판단과 병렬 결정 출력에, 일반 LLM은 토큰 단위의 유연한 생성에 초점을 둔다고 보여준다. [01:02]

2. 측정 기준과 LLM의 역할 분담

• 먼저 측정할 데이터와 지표를 정해야 하며, 결과로 선택지·점수·참 여부 추정치와 확률·신뢰도 정보를 받는다고 보여준다. [01:31]
• 티켓 라우팅·잠재고객 점수화·입력 분류를 Jev의 예로, 답변 초안·설명·코드 작성을 LLM의 예로 든다. 비용 우위도 주장하지만 비교 수치는 제시하지 않는다. [02:21]
• 권장하는 연결 방식은 Jev의 분류, 코드의 라우팅, LLM의 답변 작성이다. 이어 실제 앱 세 가지를 보여준다. [03:02]

3. Gmail을 연결한 이메일 분류기

• Riley Brown의 받은편지함 분류기에서 영감을 받아 Google 계정을 연결하고 Gmail API와 TypeSafe API를 결합했다. 이미 이메일 500개를 가져온 상태에서 분류를 다시 실행한다. [03:30]
• 브랜드 협업·고객·구독·콜드 피치·뉴스레터·팀·기타로 분류되는 모습을 보여주며, 일부 결과가 적절하다고 평가한다. [04:06]
• 분류기 편집 화면에서 사용 가능한 선택지와 카테고리별 질문을 수정할 수 있음을 보여준다. [04:33]

4. Audience Radar의 수집 조건과 분석 목적

• 채널과 가져올 영상 수를 지정해 댓글에서 콘텐츠 아이디어를 찾는 Audience Radar를 보여준다. 시연에서는 영상 수를 50개로 설정한다. [05:08]
• 최신 댓글 우선과 병렬 작업자 100개를 설정하고, 댓글 수집 상한도 100개로 보여준다. 설정한 기준에 따라 영상을 모으고 댓글을 분석하는 구조다. [05:47]
• 처음에는 댓글 1,423개와 기회 6개를 언급하고, Riley Brown 채널 선택 후에는 영상 10개·댓글 584개·행동 신호 75개를 보여준다. 화면 선택에 따라 집계 범위를 구분해야 한다. [06:23]

5. 댓글을 콘텐츠 기회와 근거로 연결

• 댓글을 질문·문제·요청·반론·반응으로 나누고, 발표자는 질문·문제·구체적인 요청에 집중한다고 보여준다. 반론을 대체로 제외하는 것은 발표자의 분석 선택이다. [06:46]
• 기회 목록에서는 전체 채널이 선택된 상태를 확인한다. 추천 아이디어와 관련 댓글을 연결해 보여주고, 원문 댓글을 열어 근거를 확인할 수 있다. [07:49]
• YouTube Data API와 TypeSafe API를 사용하며, 현재도 개발 중인 앱이라고 명시한다. [08:09]

6. 판타지 스포츠 리서치를 앱으로 통합

• 여러 도구를 오가며 정보를 수동으로 찾는 불편을 줄이기 위해 판타지 스포츠 앱을 만들었다. 원하는 지표에 따라 데이터를 분류·분석해 앱에 표시하려는 목적이다. [09:00]
• 선수 정보를 수집·평가하고, 최근 경기력·타깃 점유율·공격 스냅·주간 타깃 수를 확인하는 화면을 보여준다. 시즌 초반이라 데이터가 더 쌓이면 유용성이 높아질 것으로 기대한다. [09:59]
• 특정 상대와의 경기 및 전체 경기에서 타깃 수와 득점을 확인하고 필터링하는 기능을 보여준다. [10:23]

7. 스포츠 가설과 수동 조사 자동화의 한계

• 출신 대학과 고향을 연구 변수로 삼으려 한다. 신인의 고향 첫 경기 성과에 관해 약 70%와 가치 5배를 언급하지만, 정확한 수치를 기억하지 못한다고 밝혀 검증된 통계로 볼 수 없다. [11:16]
• 데이터는 주로 Pro Football Focus에서 가져왔다고 보여준다. 세부 기록과 경기 로그를 직접 찾아다니던 과정을 원하는 지표에 맞춘 처리로 옮기고 있다. [11:58]
• 매치업 탭·라인업 빌더·리서치 랩도 보여주지만 일부는 여전히 조정 중이다. 목적은 도구 자체보다 Jev를 사용하는 방식을 공유하는 데 있다고 강조한다. [12:28]

8. 세 앱의 현재 상태와 확장 계획

• 이메일 분류와 Audience Radar를 다시 정리한다. 자사뿐 아니라 경쟁 채널 댓글도 분석하고, 아이디어별 관심도 지표를 추가할 계획이다. [13:29]
• 앱들이 초기 단계임을 밝히고, 스포츠 프로젝트의 이름을 Slate IQ로 보여준다. 향후 자신의 조사 방식과 경험을 정리해 자동화하려 한다. [14:01]
• 발표자는 Jev가 데이터 수집·처리를 뒷받침한다고 설명하며, LLM과 함께 사용할 수 있다는 점을 다시 강조한다. [14:20]

9. 분류와 생성의 결합, 발표자의 마무리

• LLM·코딩 에이전트로 웹 앱을 구현하고, 백엔드에서는 Jev가 입력을 분류·범주화해 결과를 화면에 표시하는 구성을 보여준다. [14:54]
• Jev가 더 빠르고 저렴하며 환각이 없다고 주장하지만 검증 자료는 제시하지 않는다. 자신은 AI 전문가가 아니라 직접 만들면서 작동하는 사례를 공유하는 사람이라고 드러낸다. [15:15]
• 시청자에게 직업·대상 고객·질문을 댓글로 남기면 관련 영상을 만들겠다고 안내하고, Marcelo와 Clear Mod를 소개하며 마무리 음악으로 끝난다. [15:37]

🧾 결론

• 이 영상의 중심은 Jev의 개념 설명과 발표자가 직접 사용하는 세 가지 앱의 시연이다. 완성된 제품이나 독립적인 성능 평가를 제시하는 영상은 아니다.
• 공통된 활용 방식은 반복적으로 확인하던 정보를 명시적인 질문과 지표로 바꾸고, 분류 결과를 업무 화면에 연결하는 것이다.
• Jev와 LLM의 역할을 나누는 설계가 핵심이다. 분류 결과를 실제 행동으로 연결하는 책임은 애플리케이션 코드에 남는다.
• 빠르고 저렴하며 환각이 없다는 표현은 발표자의 주장이다. 시연만으로 일반적인 비용 우위나 오류 부재를 확정할 수는 없다.

📈 투자·시사 포인트

• 소프트웨어 설계에서는 모든 작업을 하나의 생성 모델에 맡기기보다 분류와 생성의 요구사항을 나누는 접근을 검토할 수 있다. 경제성 판단에는 실제 작업량에 따른 비용·지연·정확도 비교가 필요하다.
• Audience Radar는 자사와 경쟁 채널의 댓글을 콘텐츠 수요 탐색에 활용하는 사례다. 다만 발견한 질문이나 요청이 실제 조회수·성과로 이어지는지는 영상에서 검증되지 않았다.
• Slate IQ 사례는 개인의 리서치 기준을 질문과 지표로 정리해 앱에 옮기는 가능성을 보여준다. 입력 기준의 타당성과 데이터 품질도 함께 확인해야 한다.
• 영상에는 기업 실적·가치평가·투자 수익률 자료가 없다. 투자 판단보다는 업무 자동화와 AI 도구의 역할 분담을 살펴보는 자료로 적합하다.

⚠️ 불확실하거나 확인이 필요한 부분

• Jev가 일반 LLM보다 빠르고 저렴하며 환각이 없다는 주장에 대해 비교 모델·평가 데이터·가격표·오류율은 제시되지 않는다. 구조화된 반환값이 분류의 정확성을 보장하는지도 별도 확인이 필요하다.
• 확률과 신뢰도, 보정된 판단을 언급하지만 실제 보정 성능이나 낮은 신뢰도 결과의 처리 기준은 설명하지 않는다.
• Audience Radar에서는 처음 1,423개 댓글과 6개 기회를 언급한 뒤, Riley Brown 채널을 선택해 영상 10개·댓글 584개·행동 신호 75개를 보여준다. 이후 전체 채널이 선택된 화면도 등장하므로 서로 다른 집계 범위를 혼합하면 안 된다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 이메일 분류처럼 반복되는 작업 하나를 고르고, 입력 맥락·질문·선택지·측정 지표를 먼저 작성한다.
• 사람이 판정한 소규모 표본으로 분류 결과를 대조하고, 애매하거나 신뢰도가 낮은 결과를 어떻게 처리할지 정한다.
• 같은 입력으로 기존 LLM 방식과 Jev 방식을 비교해 정확도·처리 시간·호출 비용을 기록한다.
• 댓글 분석에서는 채널·영상 수·댓글 상한·정렬 조건을 기록하고, 아이디어를 채택하기 전에 연결된 원문 댓글을 확인한다.

❓ 열린 질문

• Jev가 반환하는 확률은 실제 정답률과 얼마나 일치하며, 분류 기준이나 데이터가 바뀌면 성능이 어떻게 달라질까?
• 이메일·댓글·스포츠 데이터처럼 성격이 다른 작업에서도 일반 LLM 대비 비용과 속도 우위가 유지될까?
• Audience Radar가 제안한 아이디어는 실제 콘텐츠 성과를 얼마나 개선하며, 댓글 수집 상한과 반론 제외는 결과에 어떤 영향을 줄까?