ユースケースの例

業界別に TypeSafe のユースケースを見て、有望なアイデアをソフトウェアのワークフローに変える。

このマップは、自分の業界のどこに TypeSafe がはまるかを考えるためのものです。最も近い業界を開き、例に挙がっている意思決定をざっと見て、自分のワークフローにある文書とアクションに合わせて応用してください。

ユースケースの分類例

AI 自動化ソフトウェア

信頼できるソフトウェアと AI を交互に組み込み、人間の副操縦士なしにバックグラウンドで数百万回実行できるようにします。制御フローはコードが握り（markdown ファイルではなく）、意味的な意思決定と言語理解は TypeSafe が担います。

リアルタイムアプリケーション

リアルタイム速度（150ms）のフロンティア知能は、AI が人間の知覚より速く意思決定できることを意味します。ゲームをプレイするようプログラミングしたり、UI に埋め込んだりできるほど速く、賢いのです。

ビッグデータに対する AI Map Reduce

100 倍安いということは、巨大なデータセットを処理できるということです。巨大なコーパス上で関連情報を検索し、巨大なエージェントトレースを分類し、予測のための特徴を抽出できます。

ユニバーサル検証

入力プロンプト、抽出結果、推論トレース、ツール呼び出し、その他あらゆる AI の入力を検証します。ジェイルブレイク、引用エラー、ハルシネーション、誤り、その他 AI や LLM が犯すエラーモードを、実際の LLM 呼び出しのわずかなコストで検出します。

ハーネスエンジニアリング

Jev クエリで harness を賢くします — モデルルーティング、意味的なコンテキスト検索、LLM エラー検出とガードレール、推論トレースの分類を、光速で、ごくわずかなコストで行います。

自動化ユースケースの例

検索と取得

RAG パイプラインの埋め込みを、意味検索・スコアリング・ランキングで置き換える、または補完する。
クエリと候補の関連度をスコアリングする。
ペアワイズ比較で結果を再ランキングする。
クエリと候補をクロスエンコードして精度を高める。
下流の AI ワークフローに有用なコンテキストを選択する。

科学的発見

システマティックレビューのために、組み入れ基準・除外基準に照らして論文をスクリーニングする。
インタビュー記録、自由記述式アンケート回答、フィールドノートのパッセージを、あらかじめ定義したテーマやカテゴリでラベリングする。
引用されたパッセージが、原稿や生成された要約の主張を裏付けているかを確認する。
対照群、データセットの説明、実験設定など、欠けている方法論の詳細を指摘する。
論文をまたいでエンティティと関係を識別し、研究知識グラフを構築し、知見をそれを裏付けるパッセージに結び付ける。

モデルルーティング

Jev を使って、各プロンプトをどの LLM に渡すかを選ぶカスタムルーターを構築する。
自分のワークフローに合わせてルーティング規則としきい値を設定する。
意図とドメインを分類する。
難易度とリスクを見積もる。
より高価なモデルを必要とするリクエストをエスカレーションする。

LLM ガードレール

すべての LLM 入力・出力・ツール呼び出しに、LLM 呼び出しのわずかなコストで意味的なチェックを配置する。
ジェイルブレイクとプロンプトインジェクションを検出する。
ポリシー違反と機密データの漏えいを識別する。
ツール呼び出しのエラーと応答品質の失敗をリアルタイムで検出する。
構造化されたチェック結果と確率分布をログに残し、AI システムや harness の故障を追跡しやすくする。

意味的コードリンティング

Jev クエリを使って、コードと文章に自動化された意味的リントを加える。
チームのコーディング規約と文章ガイドラインに対するチェックを定義する。
これらのチェックを CI で実行し、違反をレビュー用に指摘する。

予測モデリングのための特徴抽出

Jev を使って自然言語データから確率的な特徴を抽出する。
これらの特徴を構造化データと組み合わせ、正解が得られるタスクのためにモデルを訓練する。
自動研究ワークフローを使って特徴の定義を提案し、留保した正解に対してその予測価値を評価する。

採用

履歴書、応募書類、面接フィードバックを、職務に関連する明示的な判定基準に照らして評価する。
関連する経験を識別する。
求められる能力の証拠をスコアリングする。
候補者を職務にマッチングする。
候補者を採用マネージャーや採用担当者にルーティングする。
不確かなケースを人手レビューにエスカレーションする。

リード生成

企業プロファイル、役員の経歴、受信メッセージを理想の顧客プロファイルにマッチングする。
業界適合度と企業の成熟度をスコアリングする。
買い手の関連性、ペインポイント、購買意図を検出する。
リードを優先順位付けし、ルーティングする。

カスタマーサポート

受信したチケットを、問題、製品領域、顧客意図で分類する。
通話記録を処理し、顧客の問題、約束事項、フォローアップ動作を抽出する。
緊急度、いらだち、解約リスク、返金リクエストを検出する。
ケースを適切なチーム、キュー、自動化ワークフローにルーティングする。
サポートの応答をポリシーと顧客のリクエストに照らして検証する。

保険金請求

事故初報告（FNOL）、損害査定担当者のメモ、裏付け書類を分類する。
請求の複雑さ、情報の欠落、潜在的な不正の指標を検出する。
請求を優先順位付けし、ストレートスルー処理か専門家レビューかに振り分ける。
不確かなケースや高リスクのケースを人間の損害査定担当者にエスカレーションする。

金融犯罪

取引の記述、KYC 書類、アラート履歴を評価し、疑わしい特徴を探す。
表記の揺れた名前、プロファイル、レコードをまたいでエンティティをマッチングする。
アラートをリスク、関連性、証拠の質で優先順位付けする。
曖昧なケースを調査担当者にルーティングしてレビューさせる。

法務とコンプライアンス

契約書、ポリシー、規制当局への提出書類、マーケティング上の主張を分類する。
欠落した条項、禁止された主張、ポリシー違反を検出する。
文書を明示的な法令上またはコンプライアンス上の要件に照らして検証する。
高リスクまたは不確かな所見を法務またはコンプライアンスチームにエスカレーションする。

Eコマースマーケットプレイス

表記の揺れた出品者カタログをまたいで、商品リストを分類し正規化する。
タイトルと説明から商品属性を抽出する。
禁止出品、模倣品の兆候、レビュー濫用、ポリシー違反を検出する。
商品をランキングし、不確かな出品を人手レビューに回す。

モデレーションとトラスト＆セーフティ

会社固有のきめ細かな判定基準を適用し、どの投稿があなたのモデレーション基準を満たすかを決める。
コミュニティ、カスタマーサポート、SDR ワークフローにまたがって、ユーザーコンテンツと自動会話をモデレーションする。
有害性、ハラスメント、スパム、詐欺、安全でない助言、個人データの漏えい、オプトアウト要求、ポリシー違反の主張を検出する。
重大度と信頼度を組み合わせて、コンテンツを許可・警告・レビュー・ブロックする。

クリエイティブ素材、キャンペーンコピー、ランディングページ、掲載先のコンテキストを評価する。
ブランドセーフティとオーディエンス適合性を分類する。
規制上のコンプライアンスと禁止された主張をチェックする。
クリエイティブの品質と、広告とランディングページの一致を評価する。

ゲーミング

プレイヤーの通報、ゲーム内チャット、レビュー、サポートでの会話を評価する。
チャットをモデレーションし、濫用、有害性、疑わしい行為を検出する。
コンテンツに注釈を付け、いらだちやエンゲージメントをスコアリングする。
解約シグナルを検出し、プレイヤーサポートのリクエストをルーティングする。

リスク評価

インシデント報告、請求メモ、取引の記述、ベンダー評価を、確率的なリスク指標に変換する。
これらの指標を保険と引受のワークフローで使う。
リスクの種類を分類し、疑わしい特徴を検出する。
重大度をスコアリングし、レビューの優先順位を付ける。
より広範なリスクモデルのための特徴を抽出する。

需要予測

顧客からの問い合わせ、営業メモ、製品レビュー、サポートチケット、市場レポートから得た意味的信号で、予測モデルを充実させる。
購買意図、緊急度、製品への関心を抽出する。
供給の懸念、競争圧力、新たな需要テーマを検出する。
これらの特徴を、過去の時系列データと一緒に予測モデルに投入する。

グラフと知識グラフ

型付きの意味的意思決定で知識グラフに注釈を付け、検証する。
関係とエンティティタイプを分類する。
レコードや主張の間の矛盾を検出する。
確率的なトラバーサルと階層分類を支援する。

タスクの分類例

意思決定の形	こう使うとき	例
分類	既知のカテゴリのどれかが勝つべき	意図、トピック、部門、リスク種別、エンティティタイプ
検出	ある属性が存在する確率が必要	スパム、詐欺、緊急度、ジェイルブレイク、機密データ
スコアリング	答えが順序付きのルーブリック上に乗る	重大度、関連性、品質、いらだち、適合性
ルーティング	カテゴリが次のコード経路を選ぶ	ツール使用、エスカレーション、モデルルーティング、サポートキュー
検索	自然言語クエリに合う項目を見つけたい	意味検索、文書発見、候補生成
取得	ワークフローが最も関連するコンテキストやレコードを必要とする	RAG コンテキスト、証拠取得、知識照会
ランキング	項目を意味的な関連性や品質で並べたい	検索結果、レコメンド、候補の優先順位付け
検証	特定の故障モードについて成果物をチェックする必要がある	引用の裏付け、ポリシー違反、ツール呼び出しエラー、応答品質
ML 特徴抽出	下流の古典的 ML モデルが意味的信号を必要とする	購買意図、製品への関心、競争圧力、解約シグナル
構造化データ抽出	既知のフィールドを非構造化入力から取り出す必要がある	候補者の属性、注文フィールド、文書ラベル