Metin Üretmeyen Yapay Zekâ: Karar Modelleri Nedir ve TypeSafe Jev Neden Devrim Yarattı?

Yapay zekâ denildiğinde aklımıza hep aynı şey geliyor: Bir istem (prompt) yazıyoruz ve devasa bir Büyük Dil Modeli (LLM) bize paragraflar dolusu metin üretiyor. Ancak yazılım mimarilerinin, robotik sistemlerin ve otonom ajanların arka planda sohbet etmeye değil; saniyede on binlerce kez “Bu işlem güvenli mi?”, “Hangi fonksiyon çağrılmalı?”, “A verisi mi B verisi mi seçilmeli?” gibi net, hatasız kararlar almaya ihtiyacı var. İşte bu noktada sahneye ‘Karar Modelleri’ (Decision Models) ve bu alanın öncüsü TypeSafe AI’ın geliştirdiği ‘Jev’ çıktı.

Geleneksel LLM’lerin yavaşlığı, yüksek maliyeti ve halüsinasyon riskine karşı geliştirilen karar modelleri, yapay zekânın metin üreten “Sistem 2” evresinden, insan beyninin sezgisel ve anlık tepkilerini taklit eden “Sistem 1” evresine geçişi simgeliyor.

---

1. Karar Modelleri (Decision Models) Nedir ve Nasıl Çalışır?

Geleneksel dil modelleri (ChatGPT, Claude) otoregresif mantıkla çalışır; yani bir sonraki kelimeyi tahmin ederek sırayla cümle kurar. Bir API çağrısının doğru olup olmadığını denetlemek için 70 milyar parametreli bir modele 500 milisaniye bekleyip metin ürettirmek, hem akıl almaz bir enerji israfı hem de modern yazılımların milisaniye hassasiyetindeki hızına vurulmuş bir darbedir.

Karar Modelleri (Decision Models) ise tamamen farklı bir paradigma üzerine kuruludur:

• Metinsiz (Textless) Mimari: Karar modelleri doğal dilde serbest metin üretmez. Çıktı bir paragraf değil; önceden tanımlanmış enum/kategori seçeneklerinden biri ve bu seçimin matematiksel olasılık/güven skorudur (confidence score).
• Sub-10ms Gecikme: Yanıt süreleri 500 milisaniyeden 5-10 milisaniye seviyesine, özel donanımlarda ise mikrosaniyelere iner.
• Tip Güvenliği (Type Safety): Yazılım kodunun doğrudan tüketebileceği katı veri tipleri döndürür; JSON ayrıştırma (parse) hatası veya format kayması riski sıfırdır.

---

2. Jev Nasıl Fark Yarattı? TypeSafe AI ve Sistem 1 Devrimi

Eski OpenAI araştırmacısı Diogo Almeida ve ekibi tarafından kurulan TypeSafe AI, bu konsepti endüstri standardı haline getiren “Jev” adlı karar modelini piyasaya sürdüğünde sektörde büyük bir yankı uyandırdı.

Daniel Kahneman’ın ünlü “Hızlı ve Yavaş Düşünme” teorisinden esinlenen Jev ekibi, yapay zekâyı ikiye ayırdı:

• Sistem 2 (LLM’ler): Yavaş, derin düşünen, makale yazan veya karmaşık algoritma planlayan büyük modeller.
• Sistem 1 (Jev): Hızlı, refleksif, anlık filtreleme ve rota belirleme yapan hafif karar modelleri.

Jev; bir otonom ajanın iş akışında hangi aracın (tool) çalıştırılacağını, veritabanı sorgusunun risk seviyesini veya müşteri destek biletinin önceliğini bir refleks hızında seçer. Eğer durum çok karmaşıksa görevi arkadaki büyük LLM’e devreder. Bu sayede tüm sistemin gecikmesi %90, operasyonel fatura maliyeti ise %95 oranında düşer.

---

3. Adındaki Gizem: Jevons Paradoksu Nedir?

Modele neden “Jev” adı verildiği, yapay zekânın gelecekteki ekonomisini anlamanın anahtarıdır. İsim, 19. yüzyılın ünlü İngiliz ekonomisti William Stanley Jevons ve onun ortaya koyduğu Jevons Paradoksu’na dayanır.

Jevons Paradoksu: Teknolojik ilerleme bir kaynağın kullanım verimliliğini artırıp birim maliyetini düşürdüğünde, o kaynağın toplam tüketimi azalmaz; aksine yeni kullanım alanları doğduğu için tüketim katlanarak artar. (Kömür motorları verimli hale geldikçe kömür tüketiminin patlaması gibi).

Yapay zekâda da olan tam olarak budur: Zekânın ve karar alma sürecinin birim maliyeti Jev gibi modellerle sıfıra yaklaştığında, şirketler yapay zekâyı daha az kullanmaz. Aksine, eskiden maliyeti yüzünden akla bile gelmeyen yerlerde; her bir if-else kod bloğunun içinde, her ağ paketinin yönlendirilmesinde ve her veritabanı okumasında yapay zekâ kararları çalışmaya başlar. Zekâ, yazılımın her bir hücresine sızar.

---

4. Karar Modelleri vs. Büyük Dil Modelleri (LLM)

Özellik	Geleneksel LLM (GPT / Claude)	Karar Modeli (TypeSafe Jev)
Temel Görev	Metin, kod, diyalog üretimi	Yapılandırılmış durum seçimi ve yönlendirme
Gecikme (Latency)	300 ms – 3000 ms	3 ms – 15 ms
Çıktı Formatı	Serbest akışlı doğal dil tokenları	Olasılık skorlu katı tip (Enum / Boolean / Skalar)
İşlem Başına Maliyet	Yüksek (~0.005$ – 0.05$)	Mikro-kuruş (~0.00001$)
Enerji Tüketimi	Yüksek GPU watt tüketimi	Hafif CPU veya edge hızlandırıcıda çalışır
Kullanım Alanı	İçerik, yaratıcılık, akıl yürütme	Ağ yönlendirme, agent tool seçimi, güvenlik filtreleri

---

Sonuç: Kodun İçindeki Görünmez Zekâ

TypeSafe AI’ın Jev hamlesi; Microsoft’un Decision-1, Amazon’un Strands Decider ve Cloudflare’in Clef projeleriyle devasa bir sektörel trende dönüştü.

Gelecekte yazılımlarımızla konuşurken arka plandaki o akıcı ve zeki deneyimi sağlayan şey tek başına devasa LLM’ler olmayacak. Asıl mucize; kod satırlarının arasında göz açıp kapayıncaya kadar milyonlarca mikro-karar alan, metin üretmeyen ama yazılıma can veren Jev gibi görünmez karar modelleri sayesinde gerçekleşecek.