Jev nedir? Kullanım alanları, nasıl çalıştığı ve diğer yapay zekâlardan farkı

Jev nedir, ne işe yarar?

Jev, TypeSafe AI tarafından geliştirilen ve yazılımın kullanabileceği yapılandırılmış kararlar veren bir yapay zekâ modelidir. Bir müşteri mesajının hangi ekibe gitmesi gerektiğini seçebilir, bir belgenin soruyla ilgisini puanlayabilir veya bir ifadenin doğru olma olasılığını değerlendirebilir. Kullanıcıya uzun bir cevap yazmak yerine uygulamanın bir sonraki adımı seçmesine yardımcı olur.

TypeSafe, Jev’i 15 Eylül 2026’da erken erişime açılan ilk System One modeli olarak duyurdu. Bu ad, hızlı ve odaklı yargıları anlatan System 1 düşünme yaklaşımından geliyor. Buradaki benzetme insan gibi düşündüğünün kanıtı değil; ürünün dar kapsamlı karar görevlerine odaklandığını anlatıyor.

Bu inceleme 6 Ekim 2026 tarihinde resmi dokümantasyon, üreticinin uygulama örnekleri ve bağımsız bir araştırma üzerinden hazırlandı. Kendi hesabımızla performans testi yapmadık. Aşağıdaki işletme senaryoları önerilen uygulamalardır; doğrulanmış müşteri başarı hikâyeleri olarak okunmamalı.

Nasıl çalışır? Bağlam, soru ve sınırlı cevaplar

Modele önce karar için gerekli bağlamı verirsin. Dokümantasyonda buna state deniyor: bir mesaj, ürün kaydı veya metin içeren JSON olabilir. Sonra soruyu ve hangi cevapların kabul edileceğini tanımlarsın. Birden fazla bağımsız soru aynı bağlam üzerinde tek istekte değerlendirilebilir.

Choice, verdiğin seçeneklerden birini seçer. Örneğin “Bu mesaj hangi konuya ait?” sorusunun seçenekleri teslimat, ürün bilgisi, iş birliği ve diğer olabilir. Cevapta seçilen seçenek, seçeneklerin olasılıkları ve confidence değeri bulunur.

Score, açıklamalarla tanımladığın sıralı bir ölçeğe göre puan verir. “Metin marka tonuna ne kadar uygun?” sorusunu düşük, orta ve yüksek uygunluk düzeyleriyle kurabilirsin. Noul ise evet/hayır sorusuna 0–1 arasında evet olasılığı verir; ayrıca confidence alanı döndürmez.

Kararın ardından yapılacak işlem senin uygulamana aittir. Jev’in teslimat seçeneğini işaretlemesi, kendiliğinden kargo sistemine bağlandığı veya müşteriye mesaj gönderdiği anlamına gelmez.

Diğer çözümlerden farkı ne?

Üretken dil modeliyle karşılaştırma: Bir dil modeli reklam metni, açıklama veya kod üretebilir. Jev’in mevcut sürümü bu açık uçlu üretim için tasarlanmamış. Belirlenmiş cevap alanında karar vermeye odaklanıyor; kararının doğal dilde gerekçesini de üretmiyor. Bu nedenle aynı sistemde bir model metni yazarken Jev belirli özelliklerini değerlendirebilir.

JSON çıktısıyla karşılaştırma: Yapılandırılmış çıktı destekleyen dil modelleri de yazılımın okuyabileceği cevaplar verebilir. Jev’in iddiası yalnızca düzgün JSON değildir; karar dağılımlarını doğrudan üretmeye, paralel değerlendirmeye ve olasılıkların kalibrasyonuna odaklanan eğitim ve çalıştırma yaklaşımıdır. Sırf JSON kullanmak bir modeli Jev ile aynı yapmaz; sırf Jev kullanmak da daha doğru sonuç garantilemez.

Kural motoruyla karşılaştırma: “Stok sıfırsa ürünü satıştan kaldır” gibi kesin bir koşulu kodla çözmek daha uygundur. “Bu müşteri mesajında memnuniyetsizlik var mı?” gibi anlam yorumlayan bir koşul Jev için adaydır. Önerimiz, hesaplama ve iş kurallarını kodda tutup yalnızca belirsiz dil değerlendirmesini modele bırakmak.

Arama ve yeniden sıralamayla karşılaştırma: Arama sistemi büyük bir arşivden adayları bulur; Jev kısa listedeki metinlerin soruyla ilişkisini değerlendirebilir. Böylece aramayı tamamlayan bir katman olur. Her sorguda bütün arşivi modele göndermek yerine önce aday sayısını azaltmak daha ölçülebilir bir başlangıçtır.

İş hayatında 6 kullanım senaryosu

1. Müşteri desteği: İçecek markana gelen “Koli hasarlı ulaştı, yarın etkinliğim var” mesajını düşün. Konuyu, aciliyeti ve eksik bilgi olup olmadığını ayrı sorularla değerlendirirsin. Sistem ilgili kuyruğa yönlendirir; yanıt yazma ve iade koşullarını uygulama başka adımlarda gerçekleşir.

2. Satış taleplerini ayırma: Bayilik, toplu alım ve tekil ürün sorularını farklı seçenekler olarak tanımlayabilirsin. Jev mesajdaki niyeti değerlendirir; CRM kuralın hangi ekibe kayıt açılacağını belirler. Başarı ölçütün, satış ekibinin sonradan düzelttiği yanlış yönlendirmelerin oranıdır.

3. Reklam metni kontrolü: Kampanya brief’i ile taslak metni birlikte sunup hedef kitle, ürün özelliği ve marka tonu uyumunu ayrı ayrı değerlendirebilirsin. Bu bir yaratıcı üretim veya satış başarısı tahmini değildir. Örneğin yaz kampanyasının metninde serinlik temasının bulunması, reklamın yüksek dönüşüm getireceğini kanıtlamaz.

4. Sosyal medya yorum analizi: Yorumları tat, ambalaj, fiyat ve bulunabilirlik gibi önceden belirlediğin konulara ayırabilirsin. Bir yorum birden fazla konu içeriyorsa her konu için ayrı evet/hayır sorusu daha açıklayıcı olur. Sonraki raporda adetleri ve oranları yazılım hesaplar.

5. Bilgi tabanı ve kaynak kontrolü: Destek asistanına verilecek belgeleri önce ilgilerine göre sıralayabilir, ardından hazırlanan cevaptaki iddianın kaynak metin tarafından desteklenip desteklenmediğini kontrol edebilirsin. Bu kontrol, kaynağın dünyadaki gerçeği temsil ettiğini tek başına doğrulamaz.

6. Araç veya iş akışı seçimi: Kullanıcının isteğini sipariş sorgulama, bilgi arama veya insan desteği seçeneklerinden birine yönlendirebilirsin. Kullanıcının yetkisi, aracın izinleri ve işlem sınırları uygulama tarafından ayrıca kontrol edilir. Modelin bir aracı seçmesi, o aracı kullanma izni vermez.

Yayınlanmış uygulama örnekleri ne gösteriyor?

TypeSafe’in katalog eşleştirme örneğinde iki bira kataloğundan 450 aday ürün çifti inceleniyor. Aynı ürünü anlatıp anlatmadıkları puanlanırken alanlar arasındaki uyuşmazlıklar da ayrı sorularla değerlendiriliyor. İçecek sektörü açısından somut fikir şu: dağıtıcı ve perakendeci listelerinde farklı yazılmış ürün kayıtlarını eşleştirmeye yardımcı olabilir. Bu, üreticinin öğretici örneği; her katalogda aynı doğruluk elde edileceğinin kanıtı değil.

Bir başka resmi örnek, 40 sorgu ve 3.565 belge parçası üzerinde arama sonrası yeniden sıralama yapıyor. Doğru belgenin ilk sırada bulunma oranı örnekte %5’ten %18’e çıkıyor. Sonuç faydalı bir iyileşme gösterse de %18 hâlâ düşük; “arama sorunu çözüldü” demek doğru olmaz. Örnekte kullanılan model ve veri kümesi, kendi projenin sonuçlarından ayrılmalı.

Bağımsız araştırma: güçlü sonuçlar, önemli sınırlar

29 Eylül 2026 tarihli “Evaluating and Benchmarking the System One Model Jev” ön baskısı, jev-1.13.0 sürümünü 37 veri kümesinde 346.009 istekle değerlendiriyor. Yazarlar bazı sınıflandırma ve çoktan seçmeli görevlerde güçlü sonuçlar bildiriyor. Ancak ince ayrımlar içeren etiketlerde, düşük kaynaklı dillerde ve kalite puanlama görevlerinde performans düşüyor.

Araştırmanın özellikle pratik bulgusu eşik seçimi: UNFAIR-ToS görevinde ikili olasılıklar için sabit 0,5 yerine eğitim verisiyle ayarlanan eşikler kullanıldığında micro-F1 değeri 0,50’den 0,75’e yükseliyor. F1, doğruluk yüzdesiyle aynı ölçüt değildir. Bu bulgu, bir olasılık alanını doğrudan iş kuralına çevirmenin ayrıca değerlendirme gerektirdiğini gösteriyor.

Bu çalışma bir arXiv ön baskısıdır; hakemli bir yayın olarak sunulmamalı. Sonuçlar belirli sürüm, veri kümeleri ve deney düzeni için geçerli. Yazarlar eğitim verisine test örneklerinin karışmış olma ihtimalini bütünüyle dışlayamıyor. Biz de bu bulgulardan “Jev bütün modellerden iyi” sonucu çıkarmıyoruz.

“Hallüsinasyon yapmaz” ifadesi nasıl okunmalı?

Çıktının önceden tanımlanan seçeneklerden gelmesi, yanlış bir seçeneğin seçilemeyeceği anlamına gelmez. Üreticinin tip güvenliği iddiasını karar doğruluğuyla karıştırmamak gerekir: biçim doğruyken içerik yanlış olabilir.

Confidence, Choice ve Score sonuçlarındaki olasılık dağılımından türetilen bir özettir. “Confidence 0,9 geldi, bu karar kesin %90 doğru” şeklinde doğrudan okunmamalı. Kalibrasyon, çok sayıda tahminin gerçekleşen sonuçlarıyla değerlendirilir. Eşiği kendi veri kümen ve hata maliyetinle belirlemelisin.

Resmi sınırlamalar sayfası; sayma, kesin hesaplama, tarih karşılaştırma, dolaylı sorular, gereksiz uzun bağlam ve bazı seçenek sıralamalarında sorunlar bildiriyor. Girdi içindeki yönlendirici ifadeler de cevabı etkileyebiliyor. Bu nedenle kaynak metinlerini talimatlardan ayırmak ve kararsız örnekler için inceleme yolu bırakmak önem taşıyor.

Mevcut sürüm doğrudan görsel, ses veya video almıyor. Bir reklam görselini değerlendireceksen önce başka bir sistemden metin açıklaması veya çıkarılmış alanlar elde etmen gerekir. İlk sistemin kaçırdığı görsel detayları Jev’in kendiliğinden göreceğini varsayamazsın.

Jev nasıl kullanılır? İlk deneme planı

Kod yazmadan davranışı incelemek için TypeSafe konsolundaki Playground kullanılabilir. Uygulamaya bağlamak için API anahtarı ve sunucu tarafında bir entegrasyon gerekir. Resmi hızlı başlangıç, POST https://api.typesafe.ai/v1/systemone adresini gösteriyor.

İlk pilot için önerimiz, geniş bir “işimi otomatikleştir” hedefi yerine tek bir yönlendirme kararı seçmen. Aşağıdaki sıra hem hataları görmeyi hem de mevcut yöntemle adil karşılaştırmayı kolaylaştırır.

1. Geçmişten anonimleştirilmiş gerçek mesajlar seç. Kolay, belirsiz ve kapsam dışı örnekleri birlikte bulundur; beklenen cevapları elle belirle.
2. Playground’da mesajı state alanına koy. Bir Choice sorusu tanımla; seçenekleri açıkla ve “diğer / inceleme gerekli” seçeneği ekle.
3. Aynı mesajı farklı ifadelerle ve seçenek sıralarıyla dene. Türkçe kısaltmaları, yazım hatalarını ve birden fazla niyet içeren mesajları özellikle kontrol et.
4. Eşikleri ayarladığın örneklerden ayrı bir test kümesi tut. Doğruluk yanında yanlış yönlendirmeyi, incelemeye giden oranı ve cevap süresini ölç.
5. Sonucu mevcut kuralların veya kullandığın modelle karşılaştır. İşlem başına toplam maliyeti hesapla; yalnızca token fiyatına bakma.
6. Önce kararları kaydeden, işlem yapmayan bir pilot çalıştır. Sonuçlar yeterliyse düşük etkili yönlendirmeleri aç; model sürümünü ve karar kayıtlarını sakla.

Fiyatı ne, kimler için mantıklı?

6 Ekim 2026’da resmi model sayfası jev-1.13.0 için bir milyon girdi token’ı başına 0,042 ABD doları ve ücretsiz çıktı bildiriyor. Basit bir hesapla, toplam bir milyon faturalandırılan girdi token’ının model bedeli 0,042 dolardır. Bu rakama entegrasyon, veri hazırlama, diğer model çağrıları ve insan incelemesi dahil değildir; satın almadan önce güncel fiyatı kontrol et.

Türkçe kullanım ayrıca sınanmalı. Üretici, İngilizcenin temel eğitim dili ve en güçlü olduğu dil olduğunu söylüyor. Uygulamana özel değerlendirme yapmadan İngilizce bir örneğin başarısını Türkçe müşteri mesajlarına taşımak doğru olmaz.

Jev; sık tekrarlanan, seçenekleri tanımlanabilen ve anlam değerlendirmesi gerektiren kararlar için pilotlanmaya değer. Pazarlama ekibinde en somut başlangıç, gelen talepleri ayırmak veya metinleri açık bir kontrol listesiyle değerlendirmek olabilir. İhtiyacın yaratıcı görsel, video, blog yazısı veya reklam senaryosu üretmekse üretken araçlarla devam et; Jev’i bu üretimlerin çevresindeki karar adımları için düşün.