Muhtemelen son zamanlarda Jev modelini duymuşsunuzdur. Peki bu nedir?
Hiç konuşmaz. Sizinle sohbet edemez, belge yazamaz veya kod üretemez.
Ancak bu garip şey, son iki günde AI topluluğunda patlama yarattı; 40 milyon dolarlık tohum turu yatırımı aldı ve erişim talep etmek için insanlar sıraya girdi.
Peki Jev tam olarak ne?
Jev'in Doğuşu
Jev, San Francisco merkezli TypeSafe AI adlı bir şirket tarafından geliştirildi ve 15 Eylül 2026'da piyasaya sürüldü.
Kurucusu Diogo Almeida, eski bir OpenAI araştırmacısı ve RLHF'nin (İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme) ortak mucitlerinden biri.
Soğuk dil modellerini, akıcı ve empatik ChatGPT'ye dönüştüren yöntem buydu.
Başka bir deyişle, yapay zekaya nasıl konuşacağını öğreten kişilerden biriydi.
Şimdi ise yapay zekaya konuşmayı öğreten kişi, konuşmayı reddeden bir yapay zeka geliştirdi.
Motivasyonu oldukça basit.
Dört yıldır kafasını kurcalayan bir soruyu şöyle özetliyor:
Modeller sohbet konusunda insanları geçtiyse, neden hâlâ gerçek otomasyon bu kadar az?
Trilyonlarca dolar yatırım yaptık ama gündelik hayat pek değişmedi ve çoğu yazılım gerçekten akıllı değil.
Jev Nedir?
ChatGPT benzeri modeller, konuşkan danışmanlar gibidir.
Ne sorarsanız cevap verirler, referans gösterirler, saatlerce sohbet ederler, yüksek duygusal zekaya sahiptirler ve her konuyla ilgilenebilirler.
Jev farklı bir türdür.
Tıpkı montaj hattındaki odaklanmış bir kalite kontrol uzmanı gibi: Ona malzeme verirsiniz ve açıklama yapmak, selam vermek veya yorumda bulunmak yerine size net bir yargı sunar.
Günlük hayatta kullandığımız Doubao gibi modeller, yavaş ve zahmetli bir akıl yürütme sürecine sahiptir; karmaşık matematik problemleri çözmek gibidir.
Jev ise sezgisel yargılama özelliğine sahiptir; birinin yüzüne bakarak anında kızgın olup olmadığını anlamak gibi.
Basitçe ifade etmek gerekirse: "Bir bakışta sonucu al."
Konuşkan Sohbet Robotları Neden Darboğazdır?
Günde yüzlerce müşteri hizmetleri mesajı alan bir online mağaza işlettiğinizi hayal edin. AI'ın bunları otomatik olarak yönlendirmesini istiyorsunuz: Muhasebe işleri muhasebeye, lojistik lojistiğe, teknik sorunlar tekniğe.
Kulağa basit geliyor.
Standart bir LLM kullanırsanız süreç şöyle işler:
Adım 1: Uzun bir prompt yazıp ona yalvarırsınız: "Lütfen bu mesajın hangi departmana ait olduğunu belirleyin. Not: Yalnızca departman adını yanıtlayın, başka hiçbir şey söylemeyin."
Adım 2: Bazen itaatkar bir şekilde "Muhasebe" diye yanıt verir ve siz mutlu olursunuz.
Ama bazen kendini tutamaz ve şu tarz bir paragrafla yanıt verir: "Bu mesaj öncelikle muhasebe sorunlarıyla ilgili görünüyor; önce kesinti kayıtlarını doğrulamanızı öneririm, sonra..." Yardım etmeye o kadar çalışır ki ağzına hakim olamaz.
Adım 3: Programınızın, bu uzun yanıttan "Muhasebe" anahtar kelimesini çıkarmak için ekstra mantığa ihtiyacı vardır. Bu süreç dağınık ve hataya açıktır.
Adım 4: En kritik sorun: Ara sıra halüsinasyon görür.
Üç departman tanımladınız ama dördüncüsünü döndürebilir veya olmayan bir tane uydurabilir. Buna "halüsinasyon" denir.
Temel neden, metnin çok serbest olmasıdır.
Serbestlik sohbet için iyidir.
Herhangi bir metni üretebildiği için LLM'ler sohbet edebilir, şiir yazabilir ve hikaye anlatabilir.
Ancak otomasyona ihtiyaç duyduğunuzda, bu serbestlik bir kabusa dönüşür.
Bir dahaki sefere sapmayacağının garantisi asla yoktur.
Sapma olasılığı 10.000'de 1 bile olsa, bunu izlenmeyen bir sisteme gömüp otonom olarak çalıştırmaya cesaret edemezsiniz.
Eğer AI güvenilir değilse, kontrol edilemiyorsa ve tahmin edilemiyorsa, ölçekli olarak gerçek yazılımlara güvenilerek entegre edilemez.
Jev'in Çözümü: Soru-Cevabı Form Doldurmaya Dönüştürmek
Jev etkileşim paradigmasını tamamen değiştirir.
Onunla sohbet etmezsiniz.
Ona sabit yapıda bir form verirsiniz ve o sadece sizin tanımladığınız alanlardaki kutuları işaretler.
Her çağrı iki şey gerektirir.
Birincisi, "Durum": Yargılanacak materyal.
Tek bir cümle kadar basit olabilir, örneğin: "Kartımdan iki kez para çekilmiş." Veya karmaşık olabilir; tam bir bilet kaydı, müşteri hizmetleri diyaloğu veya sipariş bilgileri ve iade politikaları içeren yapılandırılmış veri gibi.
Uzmanlardan yargı isterken dosyaları masaya yaydığınız gibi, tüm arka plan bağlamını bir anda sunarsınız.
İkincisi, "Soru": Ne hakkında yargıda bulunmasını istediğiniz.
Her zaman sıkı formatlanmış bir yanıt döner.
Programınız bunu doğrudan kullanır; ayrıştırma, temizleme veya tahmin etme gerekmez.
Kritik nokta şudur: Kesin bir garanti vardır; formatı yanlış doldurması veya tablo dışı bir yanıt vermesi matematiksel olarak imkansızdır.
Olası tüm yanıtlar önceden kilitlenmiştir. Yalnızca sizin verdiğiniz seçeneklerden seçim yapabilir ve senaryo dışına çıkamaz.
Böylece tam olarak istediğiniz türde bir yanıt alırsınız ve stabil çalışmanın temeli atılır.
Jev'in Özellikleri
1. Çoktan Seçmeli
Bir müşteri mesajı gelir: "Yanlış ayakkabı numarası geldi, 10 numarayla değiştirebilir miyim?" Siz sorarsınız: "Bu hangi ekibe gitmeli?" Seçenekler: İadeler, Lojistik, Muhasebe.
Net bir şekilde "İadeler" diye yanıtlar. Ayrıca her seçenek için güven skorları da sağlar. Mesaj net olduğu için, diğerlerinin neredeyse sıfır olmasıyla birlikte, bunun İadeler olduğundan %100'e yakın emindir.
Mesaj "Yanlış ayakkabı numarası geldi, üstelik kredi kartımda gizemli bir ekstra ücret var, ne yapacaksınız?" şeklinde daha karışık hale gelirse durum değişir.
Şöyle diyebilir: %60 olasılıkla İadeler, %40 olasılıkla Muhasebe. Jev kesinmiş gibi davranmaz; tereddüdünü dürüstçe gösterir.
2. Derecelendirme Ölçeği
Bir hata raporu gelir. Siz 3'lü bir ölçek sağlarsınız:
0: Kozmetik kusur, kullanımı etkilemez;
1: İşlev bozuk, ancak geçici çözüm mevcut;
2: Tamamen takılı, kullanılamaz.
"1.3" değerini döndürebilir.
1.3 değeri, hatanın büyük ölçüde "geçici çözümü olan bozuk işlev" kategorisinde olduğunu ancak hafifçe "tamamen takılı" tarafına kaydığını gösterir. Bu, 1 ile 2 arasında ikili bir seçim yapmaya zorlamaktan daha hassastır ve gerçeğe daha yakındır.
Ölçekleri tanımlarken dereceler yerine spesifik durumları tarif edin.
"İşlev bozuk ama geçici çözüm var" yazmak iyi çalışır; bunu materyalle karşılaştırır.
Ancak "Orta şiddet" yazmak başarısız olur çünkü "Orta" belirsizdir ve referans noktası yoktur.
Benzer şekilde, 0, 1, 2 sayılarının kendisini göz ardı eder. Her seviyenin ne anlama geldiğini SOP'lar aracılığıyla açıkça tanımlamalısınız.
3. Doğru/Yanlış Yargılama
0 ile 1 arasında bir olasılık skoruyla evet/hayır cevabı verir.
Sorun: "Bu müşteri iade talebinde bulunuyor mu?"
0.99 döner, yani neredeyse kesinlikle evet.
Tek bir çağrıda birden fazla soruyu paralel olarak sorabilirsiniz:
Hangi ekip (Çoktan Seçmeli), Müşteri ne kadar kızgın (Derecelendirme), İade talebi mi (Doğru/Yanlış), Ton öfkeli mi (Doğru/Yanlış), Sipariş gönderilmemiş mi (Doğru/Yanlış).
Bunlara aynı anda, bağımsız ve paralel olarak yanıt verilir.
Daha fazla soru eklemek yanıt süresini neredeyse hiç artırmaz.
Bu durum, resmi olarak teşvik edilen sezgiye aykırı bir kodlama alışkanlığına yol açar: Mümkün olduğunca çok soru sorun.
O mesajla ilgili potansiyel tüm yargıları bir anda sorun. Şu an bazıları kullanılmayacak olsa bile, ekstra zaman veya maliyet açısından çok az bir yük getirir.
Bu, standart LLM'lerdeki "token tasarrufu" zihniyetinin tam tersidir.
Öz Değerlendirme
Standart LLM'lerin bir kusuru vardır: Bilsinler ya da bilmesinler, kendinden emin bir şekilde cevap verirler.
Bu, otomasyon için ölümcüldür.
Örnek:
Bir AI'ın %95 doğruluk payıyla doğru sonuç vermesi kulağa hoş gelebilir. Ancak diğer %5'te neden başarısız olduğunu bilmiyorsanız, onu otomatize edemezsiniz.
Jev her yanıtına bir "güven" skoru iliştirir. Modelin gerçekten anlayıp anlamadığını ölçmek için bunu kullanırsınız.
Güven skorlarıyla, genellikle üç katmandan oluşan insansı bir ele alma mantığı tasarlayabilirsiniz:
Yüksek güven: Otomatik işlem, insan gerekmez.
Orta güven: Temkinli yaklaşım, belki insan onayı veya daha fazla bilgi toplama.
Düşük güven: Zorlamayın. İnsana veya daha güçlü/pahalı bir akıl yürütme modeline yönlendirin. Açıkça "Bu benim sınırlarımı aşıyor, beni zorlamayın" der.
Bu mekanizma—yalnızca eminsen hareket etmek, aksi takdirde belirsizliği kabul etmek—otomatik sistemlere güvenmenin ön koşuludur.
"Bilmiyorum" diyen bir AI, her zaman kendinden emin olan bir AI'dan çok daha güvenilirdir.
Maliyet Verimliliği
Jev, benzer LLM'lere kıyasla yaklaşık 200 kat daha hızlı ve yaklaşık 400 kat daha ucuzdur.
Tek bir yanıt 70-500 ms sürer, göz kırpmadan daha hızlıdır.
Neden mi? Çünkü Jev'in konuşmasına gerek yok.
Bu fiyatlandırma, daha önce düşünülemeyecek kullanım senaryolarını mümkün kılar.
Devasa veritabanlarını madde madde filtreleyebilir, her şeyi etiketleyebilirsiniz. Bunu LLM'lerle yapmak yasaklayıcı derecede pahalıydı.
Arayüzlere gömebilirsiniz çünkü kullanıcıların gecikmeyi hissetmeyeceği kadar hızlıdır.
Jev Nasıl Kullanılır?
Sorunu Tanımlayın
Büyük ve belirsiz sorular sormayın. Bunları küçük, spesifik sorulara bölün ve ardından yanıtları programatik olarak birleştirin.
Örnek:
Spam e-postaları tespit etmek için tembel yol, "Bu spam mi?" diye sormaktır.
Bu büyük ve muğlak bir sorudur.
Birden fazla yargıyı tek bir bulanık yanıtın arkasına saklar, bu da onu opak ve ayarlanamaz hale getirir.
Bunun yerine, "Bu spam mi?" sorusunu küçük, net yargılara bölün:
Giriş bilgilerini istiyor mu?
Katılmadığınız bir ödül kazandığınızı iddia ediyor mu?
Aciliyet yaratıyor mu ("Hemen harekete geçin yoksa kaybedersiniz")?
Gönderenin iddia ettiği kurum, e-posta alan adıyla eşleşiyor mu?
Bağlantının hedefi, görüntülenen metinle uyumlu mu?
Her alt soru son derece spesifiktir, belirsizliğe yer bırakmaz. Ardından, nihai spam risk skorunu hesaplamak için bu yanıtları kodunuzda ağırlıklandırın.
Jev, kontrolsüz bir kara kutu olmak yerine, sağduyu yargısına sahip yeni bir yapı taşı olmayı amaçlar.
Senaryoları Tanımlayın
Kullanım senaryoları somuttur, genellikle manuel inceleme angaryasının yerini alır.
Müşteri Hizmetleri:
Biletleri otomatik yönlendirme, iade taleplerini algılama, öncelikli ilgi gerektiren kızgın müşterileri tanımlama, görüşme kayıtlarından takip maddelerini çıkarma.
İçerik Moderasyonu:
Spam, hakaret, dolandırıcılık, gizlilik ihlallerini otomatik olarak işaretleme. Şiddet derecesini puanlama: Hafif uyarılar vs. yasaklamalar. Bu iş, insanlar için yorucu ve zihinsel olarak yıpratıcıdır.
İşe Alım & Satış:
Özgeçmişleri sert kriterlere göre puanlama, aday deneyimini rollerle eşleştirme, satış potansiyellerini nitelendirme.
Diğer AI'lar için Kalite Güvence (QA):
Başka bir LLM'in çıktısını kontrol etmek için Jev'i kullanın: Sapma oldu mu? Jailbreak edildi mi? Kaynaklar uydurma mı? Araç parametreleri doğru mu?
Jev hızlı ve ucuz olduğu için, QA amacıyla kullanmak ana modele kıyasla birkaç kuruşa mal olur. Pahalı AI'a bir kalite kapısı ekler.
Büyük Veri Temizliği:
Devasa miktardaki belgeleri, yorumları ve sohbetleri hızla etiketleme, sınıflandırma ve filtreleme. Bu ölçeği mümkün kılan yalnızca Jev'in maliyet yapısıdır.
Sonuç
Hâlâ kafanız karışıksa, şunu hatırlayın:
Jev ucuzdur, hızlıdır, sohbet etmez ama karar vermenize yardımcı olur.
Zekanın maliyeti bir büyüklük mertebesi düştüğünde, kullanım senaryoları üstel olarak patlar. Bunlar sizin için fırsatlardır.
