Jev: İnsanlardan Çok Makineler İçin Karar Motoru Olarak Tasarlanan Yapay Zeka Ajanı

Jev, günümüzde ChatGPT, Gemini ve Claude gibi büyük dil modellerine benzeyen fakat “konuşmayan” bir yapay zeka sistemi olarak öne çıkıyor. TypeSafe AI’nin geliştirdiği bu model, yazılımların kararlar almasını sağlayan bir yapı sunuyor ve kullanıcıya cümle yazdırmak yerine doğrudan uygulanabilir kararlar üretiyor. Örneğin, bir müşterinin talebinin hangi departmana yönlendirilmesi gerektiğini ya da bir işlemin güvenli olup olmadığını belirleyen kararlar Jev’in odaklandığı ana alanlar arasında yer alıyor. Arka planda çalışan Diogo Almeida, OpenAI’de ChatGPT’nin gelişim çalışmalarına katılan ve insan geri bildirimiyle pekiştirmeli öğrenmeyi (RLHF) iyileştiren ekibin bir parçasıydı; ancak bu yaklaşımın tatmin edici olmadığını düşündü ve iki yıl önce OpenAI’den ayrılarak TypeSafe AI’ı kurdu.Çalışmalarını gizlilik içinde sürdüren şirket, bu ay Jev’i resmen duyurdu ve 40 milyon dolarlık bir tohum yatırım aldıklarını açıkladı. Jev neden konuşmuyor? Sorunun temelini müşteri hizmetleri senaryosuyla illustre etmek mümkün. Geleneksel bir LLM’e yazılan bir mesajı analiz ettirdiğinizde model tipik olarak “faturalandırma ekibine yönlendir” gibi bir yanıt üretir. Ancak Jev için bu yanıt birsonuç değil; işlem akışını tamamen otomatikleştirmek için gerekli adımların bir parçasıdır. Jev, programcının önceden tanımladığı kararları doğrudan hesaplar ve artık cümle kurmakla vakit kaybetmez. Model, üç temel karar türünü destekler: Choice (öngörülen seçeneklerden birini seçer), Score (belirli bir ölçekte puanlama yapar) ve Noul (doğruluk ihtimalini 0–1 arasında belirtir). Üstelik yalnızca seçimleri değil, olasılık dağılımını ve güven düzeyini de hesaba katar. Bu yaklaşım, insan için ChatGPT’nin açıklayıcı yanıtlarına kıyasla daha çok “makinalar için tasarlanmış bir karar bankası” olarak işlemesini sağlıyor. İnsanlardan çok makinelerle iletişim kuran yapay zeka Almeida’nın temel iddiası şu ki yapay zeka sadece insanlarla iletişim kuran bir araç olmamalı; bilgisayarlar da başka yapay zeka sistemlerinden gelen kararları yönlendirmeli ve onlara güvenlik doğrulamaları yapmalıdır. Bu nedenle Jev, ChatGPT veya Claude’un yerini almak için tasarlanmamış; bunun yerine yazılım altyapısının karar katmanını güçlendiren bir sistem olarak konumlandırılıyor. Bir yapay zeka ajanın karşılaştığı sorular genelde uzun metinler yerine kısa ve net kararlar içerir: “hangi aracı çağırmalıyım?”, “bu komut güvenli mi?”, “tekrar denemeli miyim?”, “daha güçlü bir modele mi yönlendirmeliyim?” Jev bu tür kararları anında verebilmek üzere optimize edilmiştir. Büyük dil modellerinden çok daha hızlı çalışan bir yapı The Register’ın aktardığına göre Jev, otoregresif üretim kullanan büyük modellerin aksine uzun metinler üretmez. TypeSafe’in System One Model olarak adlandırdığı bu yaklaşım, sorgudaki çok sayıda sonucu eş zamanlı olarak hesaplamaya odaklanır ve böylece yanıt süresini önemli ölçüde kısaltır. Testler, Jev’in uçtan uca yanıtını 70–500 milisaniye aralığında sunabildiğini gösteriyor; bazı durumlarda 0,114 saniyede bir işlemi tamamlayabildiği iddia ediliyor ve OpenAI’nin bir görevi 8,566 saniyede yaptığını gösteren karşılaştırmalı sonuçlar paylaşılmış durumda. Bu hızlı yanıtlar, özellikle çok sayıda küçük kararın verildiği iş akışlarında ciddi farklar yaratıyor; bağımsız incelemeler ise bağıntılı olarak sınırlı sayıda teste dayanıyor. Maliyeti önemli ölçüde düşük Jev’in en çok öne çıkan yönlerinden biri maliyet. Modelin maliyeti, 1 milyon giriş tokenı için yaklaşık 0,042 dolar olarak belirlenmiş ve çıktı üretimi ücretsiz. Uzun metinler üretmeyen Jev’in bu maliyet avantajı, milyonlarca küçük kararın periyotla alındığı yazılım ortamlarında büyük ölçüde etkili olabilir. Uçakta bilet ararken bile birlikte çalışabilir Jev’in esnekliği, büyük dil modelleriyle ve yapay zeka ajanlarıyla entegre çalışmasını kolaylaştırıyor. Örneğin kullanıcı yurtdışı bir uçak bileti almak istediğinde sistem Jev’e “hangi adımları izlemeliyim, ne yazmalı, hangi kutucuğa tıklamalıyım?” gibi sorular sorabilir; bu arada gerekli yazı içeriğini LLM’ler üretebilir ve tamamlama için gerekli verileri sağlar. Ayrıca filtreleme ve arama gibi işlevlerde de Jev’in görevini güçlendirmek için kullanılıyor. Güvenlik ve denetim katmanı olarak Jev TechCrunch’a göre Jev yalnızca bazı görevlerde LLM’leri tamamen değiştirmek yerine onların denetlenmesine yardımcı olabilecek bir katman olarak düşünülüyor. Ajanların yaptığı işlemleri izlemek, anomali tespit etmek veya güvenlik ihlallerini engellemek amacıyla Jev’in kullanılması planlanıyor. Bu yaklaşım, yüksek maliyetli LLM çağrılarını azaltırken güvenli denetim mekanizmaları sunmayı hedefliyor. Ayrıca bağlam sıkıştırma (“context compression”) amacıyla da Jev kullanılarak gereksiz içeriklerin elemesi ve yalnızca önemli bilgilerin güçlü modellere iletilmesi mümkün görünüyor. Gurubase gibi platformlar da Jev’i doküman parçalarının ilgili olup olmadığını puanlamak için kullanarak bilgi akışını hızlandırdıklarını belirtti. Model yönlendirme ve daha pek çok kullanım alanı Bazı şirketler Jev’i farklı modeller arasındaki çağrıları dinamik olarak yönlendirmek için kullanıyor. Basit görevler için daha ucuz, hızlı modeller, karmaşık sorunlarda ise güçlü modeller devreye giriyor. Bu da maliyet ve hesaplama dengesini optimize etmek adına kritik bir strateji olarak görülüyor. Jev’in piyasaya sürülmesinin ardından ilgi yoğunlaştı; API üzerinden hizmet veren TypeSafe, talebin bazı dönemlerde kapasiteyi geçmesi nedeniyle aksaklıklar yaşadığını belirtti. Özveriyle denemeler yapan geliştiriciler arasında Jev’i daha çok kullananlar var; bazıları Kev gibi açık ağırlıklı sürümlerin de geleceğini işaret ediyor. Endüstri temsilcileri temkinli Şirketler Jev’i kendi iş akışlarına entegre ederken temkinli davranmaya devam ediyor. Bazı sektörler, iletişim ve işe alım süreçlerinde Jev’in potansiyel faydalarını görüyor; bazıları ise güvenlik ve doğruluk endişeleri nedeniyle temel uygulama alanlarını sınırlıyor. Örneğin bir proje, özgeçmişlere ve iş gereksinimlerine uygun özel sorular üretme konusunda Jev’i kullanmaya başladı; reklam analizlerinde ise konulara yaklaşım konusunda temkinli yaklaşımlar sürdürülüyor. Diğer yandan bazı kuruluşlar, Jev’in güvenilirlik çıktısını daha da artırmak amacıyla denetimli testler ve duygu analizlerinde tutarlılık kontrolü yapıyor. Yanılgı riskleri ve adlandırma Jev’in hatalı karar verme ihtimali her ne kadar düşük bile olsa tamamen ortadan kalkmıyor. Bazı durumlarda en doğru olmayan seçenekler veya gerçek dışı olasılık tahminleri görülebiliyor. Ancak hala seri üretimde serbest metin yerine yapılandırılmış çıktılar üretmesi, dil modelindeki halüsinasyon sorununu önemli ölçüde azaltıyor. Bu çalışmalar, Jev’in adının “Jevons Paragrafı” ile ilgili fikirlerden esinlenerek konumlandırıldığını gösteriyor: teknolojik verimlilik arttıkça toplam tüketimin azalması yerine artabileceğini öne süren Jevons Paradoksu.”