Yeni bir tür YZ modeli (Süper Zeka-SZ), cevabını bir olasılık olarak veriyor. Bu durum, hangi kararları bu modele devredebileceğinizi değiştiriyor.

Yeni bir tür YZ (Süper Zeka-SZ) modeli, cevabını bir olasılık olarak veriyor. Bu durum, hangi kararları bu modele devredebileceğinizi değiştiriyor.

Ekranda kullanıcı etkinliği tablosu ve eğilim rakamları gösteren bir analitik paneli

Eylül ayında YZ karar modellerinden oluşan küçük bir kategori neredeyse bir gecede ortaya çıktı. TypeSafe AI, olasılıklarla yanıt veren ve metin yazmayan ticari bir model olan Jev’i piyasaya sürdü. Yaklaşık on gün içinde dört açık kaynaklı alternatif model de piyasaya çıktı: Laya, Nokia’nın AnyJev’i, Fastino’nun GLiNER2.5-Decide’ı ve Supersonic Labs’ın Julia 1’i. İlginç olan nokta, bu modellerin bir modelin güven düzeyine bir anlam kazandırmaya nasıl çalıştıklarıdır.

%52
Kalibrasyon sonrası otomatik karar (önce %7,7)
$104
Julia 1’in bulut GPU harcaması
32,8 ms
Çok DİLLİ Laya, T4 GPU’da yanıt süresi
%3-6
YZ varken “bilmiyorum” diyenler (YZ OLMADAN %36-44)

Eylül ayında ne yayınlandı ?

TechCrunch, Jev’i 18 Eylül’de haber yaptı. Şirketin kurucusu Diogo Almeida, daha önce OpenAI’da çalışmış ve TechCrunch’a göre ChatGPT’nin geliştirilmesinde ve insan geri bildirimiyle pekiştirmeli öğrenmenin (RLHF) ortaya çıkışında rol almıştı. Jev, şirketin deyişiyle “kalibre edilmiş kararlar” (calibrated decisions) üretiyor. Kullanıcılar olası çıktıları önceden tanımladıkları için TypeSafe, sistemin hayali sonuçlar üretemeyeceğini belirtiyor. Fiyatlandırma konusunda ise TechCrunch, çıktı jetonlarının (token) ücretsiz olduğunu bildirmiştir.

Açık kaynaklı modeller kısa sürede piyasaya çıktı. Convai Innovations, 18 Eylül’de 421 milyon parametreli Laya’yı yayınladı ve modelin 322 milyon parametreli çok dilli sürümünün T4 GPU üzerinde 32,8 milisaniyelik ortanca (medyan) yanıt süresi olduğunu belirtmiştir. Nokia ise 23 Eylül’de, mevcut bir açık kaynaklı LLM’yi yeniden eğitmeye gerek kalmadan bir karar modeline dönüştüren AnyJev katmanını yayınladı. Fastino, 24 Eylül’de 340 milyon parametreli GLiNER2.5-Decide’ı çıkardı. Ardından Supersonic Labs ise 26 Eylül’de MarkTechPost tarafından bildirilen 144,3 milyon parametreli Julia 1 ile bunu takip etti; bu modelin bulut GPU harcaması yaklaşık 104 dolardı

Dört açık modelin hepsi Apache 2.0 lisansıyla yayınlandı. Bunlardan üçü, çıtayı kimin belirlediğini gösteren Jev ile bir karşılaştırma yayınladı.

Bir karar modeli tam olarak ne yapar?

Modele bir girdi verirsiniz, örneğin bir destek talebi, bir e-posta ya da bir kayıt. Yanına seçenekleri önceden belirlenmiş bir soru eklersiniz. Model her seçenek için bir olasılık değeri döndürür. Hiçbir cümle oluşturmadığı için ayrıştırılacak bir şey yoktur ve liste dışında uydurulmuş bir cevap da yoktur. MarkTechPost’un ifade ettiği gibi, “eşik değeri belirleyebileceğiniz bir olasılık değerine sahip bir karar” elde edersiniz.

Bu eşik değeri, işin pratik kısmıdır. TypeSafe’in sitesinde açıkça belirtildiği gibi: yazılım, “güven seviyesi yüksek olduğunda harekete geçebilir, düşük olduğunda ise durumu üst düzeye taşıyabilir.” Örneğin, %97 olasılıkla şifre sıfırlama talebi olan bir destek bildirimi doğrudan sıfırlama akışına yönlendirilebilirken, %55 olasılıklı bir bildirim ise bir görevliye yönlendirilebilir.

Neden kalibrasyon asıl mesele ?

Bir eşik değeri ancak olasılık değerleri doğru ise işe yarar. Kalibrasyon, bir model %80 dediğinde, bunun yaklaşık %80 oranında doğru olduğu anlamına gelir. Genellikle kullanılan ölçüt, beklenen kalibrasyon hatasıdır (ECE); bu değer ne kadar düşükse o kadar iyidir. Aşağıda AnyJev’in sonuçlarının da gösterdiği gibi, bir dil modelinden elde edilen ham token olasılıkları, güvenilir olmasa da kesin görünebilir.

Nokia’nın AnyJev sonuçları, aradaki farkın büyüklüğünü ortaya koyuyor. Qwen3-8B’nin 20 seçenek arasından seçim yaptığı BANKING77 niyet sınıflandırma görevinde, ham model puanlarının ECE değeri 0,240 idi. AnyJev’in soru başına 100 ile 500 arası etiketli örnek kullanan ikinci seviyesiyle bu değer 0,095’e indi. İlk seviye hiç etiket gerektirmiyor. Doğruluk oranı da %74,7’den %80,7’ye çıktı.

En anlamlı rakam sonuncusudur. Ham skorlarla, vakaların yalnızca %7,7’si, en fazla %5 hata payıyla otomatik olarak karara bağlanabilmişti. Kalibrasyondan sonra bu oran %52,0’a yükseldi. Aynı model, aynı görev. Bu testte, güven skorları gerçeği söylemeye başladığı için kuyruğun yarısı bu hata düzeyinde otomatikleştirilebilir hale geldi.

AnyJev’in ele aldığı ikinci bir sorun daha var. Ham skorlarla model, seçeneklerin sırası ters çevrildiğinde vakaların %23’ünde cevabını değiştirdi. Düzeltmeden sonra bu oran ilk seviyede %7,3’e, ikinci seviyede %7,7’ye düştü. Cevabı listenin sırasına bağlı olan bir modelin, hiçbir konuda tek başına karar vermesine izin vermemelisiniz.

Her model kendi karşılaştırma testinde birinci oluyor

Rakamları yan yana koyunca tanıdık bir tablo çıkıyor. Laya, Julia 1 ve AnyJev, her biri Jev’i geride bıraktıkları bir test sonucunu bildiriyor

.

Testin kaynağı Bildirilen sonuç
AnyJev sürümü, typed decisions kalibrasyon hatası (düşük daha iyi) Qwen3-32B + AnyJev 0,036, Jev 0,144
Laya model kartı, typed-decisions Laya %76,6, Jev %72,7
Julia 1 sürümü, Typed Decisions Julia 1 %73,15, Jev %72,70
GLiNER2.5-Decide model kartı, Fast Decisions (17 veri seti) GLiNER2.5-Decide %60,2, JevK5 %57,6 (kartta tanımlanmamış), Laya Router %46,6
Julia 1 sürümü, Banking77 (72 etiket) Julia 1 %64, Jev %87

Laya kendi model kartında birinci, Fastino’nun listesindeki modeller arasında ise sonuncu. Bu, kimsenin yalan söylediği anlamına gelmiyor. Her karşılaştırma testi biraz farklı bir şeyi, yazarlarının seçtiği veriler üzerinde ölçüyor.

Son satır takdiri hak ediyor. Supersonic Labs, Banking77’deki zayıf sonucunu kendisi yayınladı ve “açık başarısızlık” (the clear failure) diye adlandırdı. Bu tür bir açıklamanın yapılması gerekenden daha nadirdir ve tam da bir alıcının ihtiyaç duyduğu şeydir. Ağustos ayında konuşma-metin dönüştürme karşılaştırmaları hakkında da aynı noktaya değinmiştik: bir sıralama listesi aday listesini daraltır, son kararı kendi verileriniz verir.

İnsan boyutu: doğruluktan yoksun bir özgüven

Temmuzda yayınlanan ve The Decoder’ın bu hafta duyurduğu bir ön baskı, dürüst özgüven skorunu önemsemek için ikinci bir neden sunuyor. 3.132 katılımcıyla gerçekleştirilen beş deneyde, YZ tavsiyesine erişimi olan kişiler “bilmiyorum” demeyi neredeyse bıraktı. Araştırmacılar soruları, YZ’nin tavsiyesi yanlış olacak şekilde tasarlamıştı. YZ yokken katılımcılar vakaların %36-44’ünde yargıda bulunmaktan kaçınırken, YZ varken bu oran %3-6’ya düştü. Doğruluk için ödül verilmeyen katılımcılar arasında doğru cevap oranı, YZ olmadan %27,5 iken, YZ ile %9,2′ ye geriledi.

Bu çalışma henüz hakem değerlendirmesinden geçmemiştir. Tavsiye, tasarım gereği hatalı olduğundan, doğruluktaki düşüş, kendinden emin bir sistemin yanıldığında ve kimsenin durup düşünmediğinde neler olabileceğini göstermektedir. Karar modelleriyle bağlantıyı kurmaya değer buluyoruz. Akıcı bir paragraf, sistemin ne kadar emin olduğu konusunda hiçbir ipucu vermez. Kalibre edilmiş bir olasılık ise bunu gösterir ve kişiye durup kontrol etmesi için bir neden sunar.

Bunun bir işletme için anlamı nedir?

Yeşil bir devre kartına yerleştirilmiş işlemci yongasının yakın çekimi

Bu yaklaşım dar kapsamlı ve pratiktir: cevapları belli bir listeden çıkan, tekrar eden kararlar. Bir talebi doğru ekibe yönlendirmek, bir e-postayı etiketlemek, bir işlemi incelemeye almak, bir vakanın bir insana gidip gitmeyeceğine karar vermek. Bu tür durumlarda tedarikçiye sorulacak soru da değişir. Modelin genel doğruluk oranını sormadan önce, kendi verileriniz üzerinde %90 emin olduğunu söylediği durumlarda ne sıklıkla doğru sonuç verdiğini sorun.

Boyut da önemli. GLiNER2.5-Decide, 48 sanal çekirdekli bir sunucu işlemcisinde 167,3 milisaniyelik yanıt süresi bildiriyor; Julia 1 ise görevlerinden biri için bir dizüstü bilgisayar işlemcisinde 107,83 milisaniye bildiriyor. Bu büyüklükteki modeller kendi sunucularınızda çalışabilir. KVKK’yı gözeten Türk şirketleri için bu, bazı kararların metni yurt dışındaki bir API’ye göndermeden otomatikleştirilebileceği anlamına geliyor. Bu, yayınlanan boyutlardan çıkardığımız bir sonuç; Türkçe verilerle ayrıca test edilmesi gerekiyor.

TAO AI LAB’in bakış açısı

TAO AI LAB

Bu gelişme, temel çalışma alanlarımızdan biri olan büyük veriye dayalı tahmin modelleri kapsamında yer alıyor. Bu alandaki çalışmalarımız zaman serisi tahmini, anomali tespiti ve erken uyarı sistemleriyle risk skorlamayı kapsıyor. Offline modellerle de çalışmalarımıza başladık. Aynı tasarım soruları, bu alanların her biri için geçerli. Bir skora ne kadar güvenebilirsiniz, sistem ne zaman tek başına harekete geçmeli, vakayı ne zaman bir insana devretmelidir?

Aynı ilke, kullanıcıları risk profillerine göre bir insan uzmanla eşleştiren wellbeing uygulamamızın tasarımında da geçerlidir. Ne zaman emin olmadığını bilen ve bunu açıkça belirten bir model, her ikisinin de temelini oluşturur. Bu yeni nesil karar modellerini heyecan verici buluyoruz ve Türkçe veriler üzerinden elde edecekleri sonuçları görmeyi dört gözle bekliyoruz.

Bu yazının açıklığa kavuşturamadığı hususlar

Üç sınırlama var. Birincisi, yukarıdaki tüm karşılaştırma verileri, modeli geliştiren ekip tarafından kendileri tarafından bildirilen verilerdir; henüz bağımsız bir karşılaştırma bulamadık. İkincisi, ayrıntılar model kartlarından, GitHub sayfalarından, TypeSafe’in sitesinden ve TechCrunch, MarkTechPost ile The Decoder’daki haberlerden geliyor. Üçüncüsü, bu sonuçların hiçbiri Türkçe metinler üzerinde ölçülmemiştir; dolayısıyla bir Türk şirketi için bunlar bir başlangıç noktası niteliğindedir.

Sıkça sorulan sorular

YZ karar modeli nedir?
Bir girdiyi ve seçenekleri önceden belirlenmiş bir soruyu alıp her seçenek için olasılık döndüren modeldir. Metin üretmediği için, listede yer almayan bir cevap uydurması mümkün değildir.

Kalibrasyon ne anlama gelir?
Bir modelin belirttiği güven düzeyinin, gerçekte ne sıklıkla haklı çıktığıyla örtüşmesi. Model %80 güven seviyesi diyorsa, yaklaşık %80 oranında haklı çıkmalıdır.

Eylül 2026’da hangi karar modelleri piyasaya sürüldü?
TypeSafe AI’ın ticari modeli Jev ve dört açık kaynaklı model: Laya, Nokia’nın AnyJev’i, Fastino’nun GLiNER2.5-Decide’ı ve Supersonic Labs’in Julia 1’i.

Küçük bir karar modeli GPU olmadan çalışabilir mi?
Yayınlanan rakamlar buna işaret ediyor. Julia 1, bir görev için dizüstü bilgisayar işlemcisinde 107,83 milisaniye; GLiNER2.5-Decide ise 48 sanal çekirdekli bir sunucu işlemcisinde 167,3 milisaniye süre bildirmektedir.

Bize göre YZ konusunda asıl önemli soru “ne kadar zeki?” sorusundan “bilmediğini biliyor mu?” sorusuna kaydı. Size bir sorumuz var: Eğer bir model size ne kadar emin olduğunu dürüstçe söyleyebilseydi, işinizde hangi kararı yarın ona devrederdiniz? Yorumlarda bize yazın.

Kaynaklar

Leave A Comment

Kategoriler