Eski OpenAI araştırmacısı Almeida tarafından kurulan TypeSafe AI, metin tabanlı olmayan yeni nesil yapay zeka modeli Jev'i tanıttı. Jev, metin üretmek yerine olasılıklar ve "kalibre edilmiş kararlar" sunarak, halüsinasyon riskini ortadan kaldırıyor ve yazılım otomasyonunda hız ile maliyet avantajı sağlıyor. Vercel ve Bryo AI gibi şirketler, Jev'i mevcut büyük dil modellerine (LLM) kıyasla daha hızlı, daha doğru ve daha uygun maliyetli buldu.
Yapay zeka dünyasında, büyük dil modellerinin (LLM) sunduğu dil yeteneklerine rağmen otomasyon süreçlerindeki sınırlamaları, yeni bir çözüm arayışını tetikledi. Eski OpenAI araştırmacısı Diogo Almeida'nın kurucusu olduğu TypeSafe AI, bu ihtiyaca yanıt olarak metin tabanlı olmayan "Jev" adlı yeni bir yapay zeka modelini piyasaya sürdü.
Gelişmenin Detayları
Jev modeli, geleneksel büyük dil modellerinden farklı olarak metin çıktısı üretmiyor; bunun yerine olasılıklar veya şirketin tabiriyle "kalibre edilmiş kararlar" sunuyor. Bu yaklaşım, modelin inanılmaz derecede ucuz ve hızlı çalışmasını sağlarken, kullanıcıların çıktıları önceden tanımlaması sayesinde "halüsinasyon" yapma riskini de ortadan kaldırıyor.
TypeSafe AI'ın açıklamasına göre, Jev'in çıktı belirteçleri ücretsizken, girdi belirteçleri milyar bazında ücretlendiriliyor. Bu maliyet etkinliği ve hızı, geliştiriciler arasında büyük ilgi uyandırdı ve modelin API hizmetine olan talep o kadar yüksek oldu ki şirket kısa süreliğine kullanıcılarına hizmet veremedi.
Jev, özellikle yazılım otomasyonu için oldukça kullanışlı bulunuyor. Vercel'de yazılım mühendisi olan Pranit Sharma, şirketinin komutları güvenlik açısından incelemek için OpenAI'ın ChatGPT Luna 5.6 modelini kullandığını belirtti. Vercel, OpenAI'ın Luna modelini Jev ile değiştirdiğinde, sonuçları 5 ila 18 kat daha hızlı ve daha yüksek doğrulukla elde etti.
Bryo AI CTO'su Nikhil Mudholkar ise Jev'i iş e-postalarını sınıflandırmak için Gemini'ye karşı test etti. Mudholkar'ın testinde Gemini biraz daha doğru sonuçlar verse de, Jev'in 10 ila 20 kat daha uygun maliyetli olduğu gözlemlendi. Mudholkar için daha da önemlisi, Jev'in güven puanlarıydı; modelin "gerçek bir olasılık" sunması, iş akışlarını otomatikleştirmek için ideal olduğunu gösteriyor.
Jev'in bir diğer potansiyel kullanım alanı, büyük dil modellerini belirli durumlarda ikame etmenin yanı sıra, onların davranışlarını izleyerek "yanlış davranışları" engellemek. Almeida, ajanları izlemek için ajan kullanmanın maliyetli olabileceğini, ancak Jev'i kullanmanın mantıklı olduğunu savunuyor. Earendil CTO'su Armin Ronacher, Jev'in model yönlendirme için de faydalı olabileceğini, belirli bir iş yükünün hangi modeli gerektirdiğini tahmin etmenin LLM'lerle pahalı olacağını, ancak Jev'in düşük maliyeti ve hızı sayesinde gerçek zamanlı sıralamanın mümkün olduğunu ifade etti.
Yapay Zeka Modellerinde İnsan Geri Bildiriminin Rolü
Jev modelinin geliştirilmesinde, Almeida'nın OpenAI'da ChatGPT'nin oluşturulmasına ve insan geri bildiriminden pekiştirmeli öğrenme (RLHF) tekniğinin geliştirilmesine yardımcı olması önemli bir arka plan oluşturuyor. RLHF, yapay zeka modellerinin insan tercihleriyle uyumlu hale getirilmesi için insan geri bildirimini kullanan bir makine öğrenimi tekniğidir. Bu teknik, modellerin çıktılarının insanlar tarafından değerlendirilmesiyle bir ödül modeli oluşturulmasını ve bu ödül modelinin diğer modelleri pekiştirmeli öğrenme yoluyla eğitmek için kullanılmasını içerir. RLHF, özellikle karmaşık ve net olmayan hedeflere sahip görevler için uygundur ve ChatGPT gibi büyük dil modellerinin insanlarla daha doğal ve yardımcı bir şekilde etkileşim kurmasını sağlamıştır.
Yapay Zeka Otomasyonunun Geleceği ve Ekonomik Yansımaları
Jev modelinin düşük maliyeti ve yüksek hızı, yapay zeka destekli yazılımların yaygınlaşmasının önünü açabilir. Model, adını 19. yüzyıl ekonomisti William Stanley Jevons'tan alıyor. Jevons paradoksu, bir kaynağın kullanım verimliliğindeki artışın, o kaynağın toplam tüketiminde düşüş yerine artışa yol açabileceğini savunan bir ekonomik olgudur. Almeida, zekanın maliyetinin düşmesinin, tıpkı Jevons paradoksunda olduğu gibi, akıllı yazılımların her yerde yaygın olarak konuşlandırılmasına yol açacağını umuyor. Bu durum, yapay zeka teknolojilerinin sadece büyük uygulamalarda değil, erken internet dönemindeki gibi daha dağınık ve ortaya çıkan bir yapıda her alanda yer almasını sağlayabilir. Jev'in "Sistem Bir modeli" olarak tanımlanması, mantıktan ziyade sezgiye odaklanarak doğru göreve odaklanmasını vurguluyor. Bu, yapay zeka uygulamalarının hızlı ve yapılandırılmış kararlar almasını sağlayarak, yazılım otomasyonunda yeni bir çağın kapılarını aralayabilir.
Anlık Nokta Teknoloji Değerlendirmesi:TypeSafe AI'ın Jev modeli, yapay zeka otomasyonunda önemli bir paradigma değişikliğini temsil ediyor. Halüsinasyon riskini ortadan kaldırması, maliyet etkinliği ve hızıyla, özellikle yazılım geliştirme ve iş akışı otomasyonunda büyük potansiyel taşıyor. Bu gelişme, yapay zekanın daha geniş bir uygulama yelpazesinde benimsenmesini hızlandırabilir ve sektördeki rekabeti artırabilir.
Jev modeli, geleneksel büyük dil modellerinin aksine metin çıktısı üretmez; bunun yerine olasılıklar veya "kalibre edilmiş kararlar" sunar. Bu temel fark, modelin halüsinasyon yapmasını engeller ve yazılım otomasyonu için daha hızlı ve maliyet etkin bir çözüm sunar.
Jev, yazılım otomasyonunda LLM'lere kıyasla önemli ölçüde daha hızlı ve daha uygun maliyetli çözümler sunar. Ayrıca, çıktılarının önceden tanımlanabilmesi sayesinde halüsinasyon yapmaması, güvenilirliği artırır ve karmaşık iş akışlarında daha sağlam entegrasyonlar sağlar.
Jevons paradoksu, bir kaynağın verimliliğindeki artışın, o kaynağın toplam tüketimini artırabileceğini öne sürer. Jev modelinin düşük maliyeti ve yüksek verimliliği, yapay zeka zekasının daha erişilebilir hale gelmesini sağlayarak, akıllı yazılımların ve otomasyonun çok daha geniş alanlarda kullanılmasının önünü açabilir.
