Son günlerde, yapay zeka geliştiricilerinin zaman tünelinde sıkça yeni bir isim görünüyor: Jev.

Bazıları onu makaleleri sınıflandırmak için kullanıyor, bazıları Agent'ın çağırması gereken araçları seçmek için, bazıları ise onu insansız hava aracı simülatörüne bağlayarak dronun engellerden kaçınma hareketlerini seçmesini sağlıyor. OpenRouter, Cloudflare gibi platformlar da bu yeni modeli entegre etti ve Jev etrafındaki uygulama demoları art arda ortaya çıkıyor.

Eğer JEV yapay zekanın karar vermesini daha hızlı ve daha ucuz hale getiriyorsa, hangi ABD hisse senedi şirketleri bundan faydalanabilir?

Yatırım mantığını anlamadan önce, Jev'in tam olarak ne olduğunu netleştirmek gerekiyor.

Çoktan seçmeli soru çözmek

Jev, TypeSafe AI tarafından 15 Eylül'de piyasaya sürülen bir karar modelidir. Şirket, ait olduğu kategoriyi System One, yani "Sistem Bir" olarak adlandırıyor ve davranışsal ekonominin öncü eseri "Düşünme, Hızlı ve Yavaş"taki hızlı yargı kavramından ödünç alıyor. Metin açıklamalarını anlayabilir ve esas olarak yazılımın işlemeye devam etmesi için seçenekler, puanlar ve olasılıklar üretir.

Bir örnek verelim. Bir çevrimiçi mağaza şu mesajı alıyor: "Dün bir bardak aldım, galiba iki kez ücret kesildi, kontrol edebilir misiniz?"

Sistemin çözmesi gereken birkaç küçük sorun var: Bu konu satış sonrası hizmete mi yoksa finansa mı ait? Kullanıcı faturayı mı sorguluyor yoksa iade mi talep ediyor? Mevcut kayıtlar mükerrer ücret kesintisi olduğunu gösteriyor mu?

Geliştiriciler seçenekleri önceden tanımlayabilir ve Jev'in her birini ayrı ayrı yanıtlamasını sağlayabilir. Ardından program sipariş ve ödeme kayıtlarını kontrol eder ve ilgili işlem sürecine girer; müşteriye açıklama yapılması gerektiğinde ise bu iş, ifade konusunda yetkin bir modele bırakılır.

Jev'in temel kullanımı budur: ona durumu ver, soruları tanımla, seçim yapmasını sağla.

Genel büyük modeller de bu görevleri yerine getirebilir. Jev'in çekiciliği, sınıflandırma, puanlama ve seçim konularında özel olarak optimize edilmiş olması ve küçük bir yargı için harcanan zaman ile maliyeti azaltmasıdır. Sonucu doğrudan programa iletir ve bir açıklama metni üretme sürecini ortadan kaldırır.

Daha da genişletirsek, her gün binlerce sektör mesajı alıyorsunuz ve gerçekten dikkatle okunmaya değer olan sadece birkaç düzine. Önce Jev'in her mesajın ilgilendiğiniz bir şirketle ilgili olup olmadığını ve yeni bilgi içerip içermediğini değerlendirmesini sağlayabilir, ardından filtrelenen içeriği genel modelin özetlemesini isteyebilirsiniz. Böylece genel model yalnızca derinlemesine okunmaya değer kısımları işler ve çok sayıda basit yargı daha düşük maliyetli Jev'e bırakılır.

Benzer denemeler tarayıcı işlemleri, arama ve oyunlar gibi senaryolara da uzanmıştır. Dongcha Beating'in Jev özel sayfası bu projeleri kullanım amacına göre düzenlemiş, Jev'in bunlarda hangi kararlardan sorumlu olduğunu tanıtmış ve kaynak kodu ile bazı demo girişlerini eklemiştir. Somut örneklerle karşılaştırmak, bu "çoktan seçmeli soru çözme" yeteneğinin nerede kullanılabileceğini anlamayı kolaylaştırır.

Maliyeti en aza indirin

TypeSafe'in açıkladığı fiyatlara göre, Jev milyon giriş token'ı başına 0,042 dolar ücret alıyor, çıkış ise ücretsiz.

Maliyet düşüşünün anlamı, başlangıçta yalnızca örnekleme yoluyla kontrol edilebilen bazı işlerin artık madde madde incelenebilmesidir. Müşteri hizmetleri kayıtları tek tek sınıflandırılabilir, getirilen belgeler tek tek ilgililik açısından değerlendirilebilir ve ajanlar her araç çağrısından önce ek bir filtreleme yapabilir.

Örneğin, bir haber analiz programı eskiden her gün yalnızca en popüler makaleleri yapay zekaya gönderirdi; şimdi önce tüm makaleleri kontrol edip ardından şirket, ürün, sipariş ve personel değişikliklerine göre sınıflandırabilir. Popüler olmayan ancak önemli bir şirketle doğrudan ilgili olan bilgiler de ortaya çıkarılabilir.

Jev adını ekonomist Jevons'tan alıyor; en bilinen başarısı "Jevons paradoksu"nu ortaya koymasıdır. Geliştiriciler, karar verme ucuzladıkça yazılımın bunu daha sık kullanacağını umuyor. Eskiden tek bir büyük model çağrısı yapmaya değmeyen her yer için maliyet hesabı yeniden yapılabilir.

Jev ve fiziksel cihazlar

Geliştirici Roman Slack bir drone projesi yaptı: MuJoCo fizik simülatöründe, bir dört rotorlu drone önündeki hedefi takip ederek direkler, kirişler ve hareketli engeller arasından geçiyor.

Program önce kameradan elde edilen derinlik ve bölütleme bilgilerini veriye dönüştürerek Jev'e önünün kapalı olup olmadığını, sağda mı solda mı boşluk olduğunu ve engelin ne kadar yüksek olduğunu bildiriyor. Jev ardından rotayı koruma, sola dönme, sağa dönme, tırmanma, frenleme gibi eylemler arasından seçim yapıyor.

Örneğin, bir kiriş tüm geçidi kapatıyor, sağdan da soldan da geçilemiyor ancak üstte hâlâ boşluk var. Jev tırmanmayı seçebilir ve kontrol programı bu seçimi drone'un hareket komutuna dönüştürür.

Uçuş sırasında farklı modüller farklı görevler üstlenir. Jev nereye gidileceğine karar verir, kontrol programı dengeyi korumak, motor itişini ayarlamak ve acil engelden kaçınmakla ilgilenir. Kamera çevre bilgisini sağlar, karar modeli eylemi seçer, denetleyici eylemin gerçekleşmesini sağlar.

Aynı iş bölümü robotik bir kolun bardak tutmasıyla da anlaşılabilir. Kamera bardağın konumunu tanır, sensörler mesafeyi ve kuvveti ölçer, denetleyici parmak hareketlerini ayarlar, karar modeli önce hangi bardağın alınacağına ve engelle karşılaşıldığında ne yapılacağına dair karara katılır.

Bu tür kararlar ucuzlar ve kolayca entegre edilebilirse, otomasyon cihazları geliştirme maliyeti düşebilir. Eskiden yazılım geliştirme çok pahalı olduğu ve kullanım senaryosu çok küçük olduğu için kârlı olmayan cihazlar da yeni ticari alanlar kazanabilir.

Bu, Jev'i bazı şirketlerle ilişkilendiriyor. Fabrikalara, depolara ve evlere daha fazla cihaz girmesi, daha fazla algılama, güç besleme, hesaplama ve hareket kontrolü talebi anlamına geliyor.

Hangi varlıklar fayda sağlayabilir

Bu bakış açısıyla, bir cihazın çevresini algılamasından eyleme geçmesine kadar ihtiyaç duyduğu bileşenler dikkat çekiyor. Yazılım hangi modeli seçerse seçsin, bir robot nerede olduğunu, çevresinde ne bulunduğunu bilmeli ve elektriği doğru hareketlere dönüştürmelidir.

Texas Instruments (TXN), algılama ve eyleme yönelik destekleyici çözümler

Analog çipler, voltaj ve akım gibi sürekli değişen sinyalleri işlemekle sorumludur; ayrıca güç besleme ve sürüş görevlerini de üstlenir. TXN'in robot ürünleri sinyal toplama, motor kontrolü, güç kaynağı ve gömülü işlemeyi kapsar.

Robot kolunu kaldırmaya karar verdikten sonra, akımın motora nasıl iletileceği ve gücün nasıl kontrol edileceği bu bileşenlere bağlıdır. Daha ucuz otomasyon daha fazla robot, robot kol ve akıllı cihaz getirirse, TXN bu cihazlara daha fazla destekleyici çip satma fırsatı bulabilir.

Analog Devices (ADI), daha hassas algılama ve harekete karşılık geliyor.

ADI'nin robot çözümleri atalet algılama, kamera bağlantısı, endüstriyel iletişim ve hareket kontrol arayüzlerini içerir. Örneğin, bir depo robotu ışığın zayıf olduğu bir koridora girdiğinde, kendi hareketini belirlemek için atalet bilgisini birleştirmesi gerekir; birden fazla kamera ve sensör aynı anda çalıştığında ise verilerin işlemciye senkronize şekilde iletilmesi gerekir.

Cihazların üstlendiği işler ne kadar karmaşıksa, algılama hassasiyeti, bağlantı kararlılığı ve hareket kontrolü gereksinimleri o kadar artar. ADI'nin fayda mantığı, daha fazla otonom cihazda bu destekleyici bileşenleri sunmaktır.

STMicroelectronics (STM), düşük güçlü cihazlarda yapay zekaya karşılık geliyor.

Kenar yapay zeka, bir cihazın verilerin bir kısmını yerel olarak işlemesini sağlar. STM'nin STM32N6 mikrodenetleyicisi, sinir ağı hesaplamaları için bir hızlandırıcı entegre etmiştir ve maliyet ile güç tüketimine duyarlı görüntü, ses gibi uygulamalara yöneliktir.

Örneğin, küçük bir kamera cihazı nesneleri yerel olarak tanıyabilir, bir endüstriyel cihaz sesinden çalışmasında anormallik olup olmadığını belirleyebilir. Jev etrafındaki tartışmalar, yatırımcıların dikkatini bu tür kullanımlara yönlendiriyor: çok sayıda basit, tekrarlayan akıllı görev, daha düşük fiyatlı ve daha küçük cihazlara girme fırsatı buluyor. STM tam da bu tür cihazların ihtiyaç duyduğu işlem gücünü sunuyor.

ON Semiconductor (ON), görsel ve güç cihazlarına karşılık gelir.

ON'un robotlara sunduğu ürünler arasında görüntü sensörleri, derinlik sensörleri ile güç transistörleri ve motor sürücü çipleri bulunur. İlk iki grup görüntü ve mesafe verisi toplamaktan sorumluyken, son iki grup motoru kontrol etmek için gereken akıma eşlik eder.

Depo taşıma robotunu örnek alalım: kameradaki görüntü sensörü önündeki rafın görüntüsünü toplar, derinlik sensörü engellerle olan mesafeyi ölçer, motor sürücü çipi güç transistörüyle birlikte akımı kontrol ederek tekerleklerin dönmesini sağlar. Daha fazla robot ve akıllı kamera cihazı devreye girdikçe bu sensörlere ve çiplere olan talep artabilir.

Bu dört şirketin dışında, izleme listesine eklenebilecek üç şirket daha var.

NXP (NXPI)

İlgili iş kolu: i.MX işlemciler, mikrodenetleyiciler, bağlantı ve kontrol ürünleri

Fayda mantığı: Daha fazla robot ve endüstriyel cihaza hesaplama, iletişim ve kontrol yeteneği sunmak

Qualcomm (QCOM)

İlgili iş kolu: Robotlar, dronlar ve cihaz üzeri yapay zeka için Dragonwing platformu

Fayda mantığı: Cihazın yerel olarak görüntü işleme, hesaplama ve bağlantı görevlerini üstlenme ihtiyacını karşılamak

Cloudflare (NET)

İlgili iş kolu: Jev üçüncü taraf modellerine erişim ve çağrı sağlamak

Fayda mantığı: Geliştiriciler Jev'i müşteri hizmetleri yönlendirmesi, veri filtreleme ve ajan düzenlemesi için kullanırken uygulama dağıtması, veri bağlaması ve çağrıları yönetmesi gerekir. Cloudflare'in fırsatı, bu uygulamaların kendi platformunda çalışmasını sağlamaktır.

Henüz erken aşamada

Jev'in şu anda çözülmeyi bekleyen sorunları arasında değerlendirme doğruluğu, soru tasarımı ve hizmetin uzun süreli işleyen bir işi destekleyip destekleyemeyeceği yer alıyor.

Öncelikle, Jev'in "sıfır halüsinasyon" tanıtımı kolayca yanlış anlaşılabilir. Onun yalnızca A, B, C arasından seçim yapmasını şart koşmak, programın tanımadığı bir D döndürmesini engelleyebilir, ancak yine de yanlış seçim yapabilir. Müşteri hizmetleri örneğine dönersek, programın sorunsuz bir şekilde "finansa ilet" okuması, bu iş emrinin gerçekten finans tarafından işlenmesi gerektiği anlamına gelmez.

Bir geliştirici, Jev'i sekiz farklı görev türünde test etti ve 16.000 değerlendirme tamamladı. Jev'in hız ve maliyet avantajlarını onaylarken, soruların ve seçeneklerin gerçek durumları kapsayacak şekilde daha da ayarlanması gerektiğini fark etti. Ayrıca, tedarikçilerin daha fazla operasyonel deneyim kazanmasını ve piyasada alternatif çözümler ortaya çıkmasını bekledikten sonra üretim işlerine entegre etmek istiyor.

Jev'in ne kadar iş yüklenebileceği şu an için bilinmiyor, ancak bir eğilim ortaya çıkmaya başladı: çok sayıda tekrarlayan değerlendirmeyi JEV'e bırakmak, karmaşık görevleri ise genel modellere ayırmak.

Otomasyonun geliştirme ve kullanım maliyetleri düştüğünde, analog çipler, uç yapay zeka ve otonom cihazlar kendi ChatGPT anlarını yaşayacak mı?

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia