Jev popülerleşiyor: Hangi ABD hisseleri etkilenebilir?

Son birkaç gündür yapay zeka geliştiricilerinin zaman akışında yeni bir isim sıkça görülüyor: Jev.

Kimi onu makaleleri sınıflandırmak için kullanıyor, kimi etmenlerin çağıracağı araçları seçmek için, kimi de drone simülatörüne bağlayarak drone'un engellerden kaçınma hareketini seçmesini sağlıyor. OpenRouter, Cloudflare gibi platformlar da bu yeni modele entegre oldu; Jev etrafında uygulama demoları peş peşe ortaya çıkıyor.

Jev, yapay zekanın karar vermesini daha hızlı ve daha ucuz hale getirirse, hangi ABD hisseleri bundan faydalanabilir?

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

Çoktan seçmeli sorular

Jev, TypeSafe AI'ın 15 Eylül'de piyasaya sürdüğü bir karar modeli. Şirket, bu modelin ait olduğu kategoriyi System One, yani "Sistem 1" olarak adlandırıyor; bu kavram, davranışsal ekonominin kurucu eseri "Hızlı ve Yavaş Düşünme"deki hızlı yargı fikrinden ödünç alınmış. Model, metin açıklamalarını anlayabiliyor ve esas olarak seçenekler, puanlar ve olasılıklar çıktısı vererek yazılımın işlemeye devam etmesini sağlıyor.

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

Çözülmesi gereken birkaç küçük sorun var: Bu konu satış sonrası hizmete mi yoksa finans departmanına mı ait? Kullanıcı fatura mı sorguluyor yoksa iade mi talep ediyor? Mevcut kayıtlar çift tahsilat olup olmadığını gösteriyor mu?

Geliştirici seçenekleri önceden tanımlayıp Jev'in bunlara ayrı ayrı yanıt vermesini sağlayabilir. Ardından program sipariş ve ödeme kayıtlarını kontrol edip ilgili işlem akışına girer; müşteriye açıklama yapılması gerektiğinde ise ifade yeteneği güçlü bir modele devredilir.

Jev'in temel kullanımı budur: durumu ona verin, soruları tanımlayın, seçim yapmasını sağlayın.

Genel amaçlı büyük dil modelleri de bu görevleri yerine getirebilir. Jev'in cazibesi, sınıflandırma, puanlama ve seçim konusunda özel olarak optimize edilmiş olması ve küçük bir yargı için harcanan zamanı ve maliyeti azaltmasıdır. Sonucu doğrudan programa vererek bir açıklama üretme sürecini ortadan kaldırır.

Bunu genişletelim: Her gün binlerce sektör mesajı alıyorsunuz, gerçekten derinlemesine okunmaya değer olanlar yalnızca birkaç düzine. Önce Jev'in her mesajın ilgilendiğiniz şirketlerle ilgili olup olmadığını ve yeni bilgi içerip içermediğini belirlemesini sağlayabilir, ardından genel amaçlı modelin filtrelenen içeriği özetlemesini isteyebilirsiniz. Böylece genel amaçlı model yalnızca derinlemesine okunmaya değer kısımları işler; çok sayıda basit yargı ise daha düşük maliyetli Jev'e bırakılır.

Benzer denemeler tarayıcı işlemleri, arama ve oyun gibi senaryolara da uzanıyor. Dongcha Beating'in Jev özel sayfası bu projeleri kullanım amacına göre derliyor, Jev'in hangi yargılardan sorumlu olduğunu açıklıyor ve kaynak kodları ile bazı demo girişlerini ekliyor. Somut örneklerle karşılaştırıldığında, bu "çoktan seçmeli soru" yeteneğinin nerelerde kullanılabileceğini anlamak daha kolay.

Maliyeti en aza indirmek

TypeSafe'in açıkladığı fiyatlara göre Jev, milyon girdi token başına 0,042 dolar ücret alıyor; çıktı ise ücretsiz.

Maliyet düşüşünün anlamı, eskiden yalnızca rastgele kontrol edilebilen işlerin artık tek tek kontrol edilebilmesidir. Müşteri hizmetleri kayıtları tek tek sınıflandırılabilir, getirilen veriler tek tek ilgililik açısından değerlendirilebilir ve akıllı etmenler her araç çağrısından önce bir kez daha filtreleme yapabilir.

Örneğin, bir haber analiz programı eskiden her gün yalnızca en popüler makaleleri seçip yapay zekaya verirdi; artık önce tüm makaleleri kontrol edip şirket, ürün, sipariş ve personel değişikliklerine göre sınıflandırabilir. Popülerliği yüksek olmayan ancak önemli bir işletmeyle doğrudan ilgili bilgiler de bulunma şansı yakalar.

Jev'in adı, Jevons Paradoksu ile tanınan ekonomist Jevons'tan geliyor. Geliştiriciler, karar vermenin ucuzlamasıyla yazılımların onu daha sık kullanacağını umuyor. Eskiden tek başına büyük bir dil modeli çağırmaya değmeyen yerlerde maliyet hesabı yeniden yapılabilir.

Jev ve fiziksel cihazlar

Geliştirici Roman Slack bir drone projesi yaptı: MuJoCo fizik simülatöründe dört rotorlu bir drone önündeki hedefi takip ediyor ve yol boyunca direklerin, kirişlerin ve hareketli engellerin arasından geçiyor.

Program önce kameradan elde edilen derinlik ve bölütleme bilgilerini verilere dönüştürüp Jev'e önünün kapalı olup olmadığını, sağda mı solda mı boşluk olduğunu ve engelin yüksekliğini söylüyor. Jev de rotayı koruma, sola sapma, sağa sapma, tırmanma, fren yapma gibi hareketler arasından seçim yapıyor.

Örneğin, bir kiriş tüm geçidi kapatıyor, sağdan soldan geçilemiyor ama yukarıda boşluk var. Jev tırmanmayı seçebilir; kontrol programı da bu seçimi drone'un hareket komutlarına dönüştürür.

Uçuş sırasında farklı modüller kendi görevini yerine getirir. Jev nereye gidileceğine karar verir; kontrol programı dengeyi korumak, motor itişini ayarlamak ve acil engel kaçınmayı sağlamakla sorumludur. Kamera çevre bilgisi sağlar, karar modeli hareketi seçer, kontrolör de hareketi gerçekleştirir.

Aynı iş bölümü, robot kolun bardağı tutmasıyla da anlaşılabilir. Kamera bardağın konumunu tanır, sensörler mesafeyi ve kuvveti ölçer, kontrolör parmak hareketlerini ayarlar; karar modeli ise önce hangi bardağın alınacağına ve engelle karşılaşınca ne yapılacağına karar vermeye katılır.

Bu tür kararlar ucuzlar ve kolayca entegre edilirse, otomasyon cihazları geliştirme maliyetinin düşme şansı doğar. Eskiden yazılım geliştirme çok pahalı olduğu ve kullanım senaryosu çok küçük olduğu için ekonomik olmayan cihazlar da yeni ticari alan bulabilir.

Bu da Jev'i bazı şirketlerle ilişkilendiriyor. Daha fazla cihazın fabrikalara, depolara ve evlere girmesi; daha fazla algılama, güç kaynağı, hesaplama ve hareket kontrolü talebi anlamına geliyor.

Hangi varlıklar fayda sağlayabilir?

Bu düşünce çizgisinden bakıldığında, dikkat edilmesi gereken şey cihazların çevreyi algılamasından eylemi gerçekleştirmesine kadar gereken elektronik bileşenlerdir. Yazılım hangi modeli seçerse seçsin, bir robotun nerede olduğunu, çevresinde ne bulunduğunu bilmesi ve elektriği hassas harekete dönüştürmesi gerekir.

Texas Instruments (TXN), algılama ve yürütmeyi kapsayan ürünler

Analog çipler voltaj, akım gibi sürekli değişen sinyalleri işler; aynı zamanda güç ve sürücü görevlerini üstlenir. TXN'in robotik ürünleri sinyal toplama, motor kontrolü, güç ve gömülü işlemeyi kapsar.

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

Analog Devices (ADI), daha hassas algılama ve hareket için.

ADI'nin robotik çözümleri ataletsel algılama, kamera bağlantısı, endüstriyel iletişim ve hareket kontrol arayüzlerini içerir. Örneğin, depo robotu ışığı zayıf bir koridora girdiğinde kendi hareketini belirlemek için ataletsel bilgileri birleştirmesi gerekir; birden fazla kamera ve sensör aynı anda çalışırken verilerin işlemciye senkronize edilmesi de gerekir.

Cihazların üstlendiği işler karmaşıklaştıkça algılama hassasiyeti, bağlantı kararlılığı ve hareket kontrolüne yönelik gereksinimler artar. ADI'nin fayda mantığı, daha fazla otonom cihazda bu bileşenleri sağlamaktır.

STMicroelectronics (STM), düşük güçlü cihazlarda yapay zeka için.

Uç yapay zeka, cihazın verinin bir kısmını yerel olarak işlemesi anlamına gelir. STM'in STM32N6 mikrodenetleyicisi, sinir ağı hesaplamaları için hızlandırıcı entegre etmiş olup maliyet ve güç tüketimine duyarlı görüntü, ses gibi uygulamalara yöneliktir.

Örneğin, küçük bir kamera cihazı nesneleri yerel olarak tanıyabilir; bir endüstriyel cihaz sese dayanarak çalışmanın anormal olup olmadığını belirleyebilir. Jev etrafındaki tartışmalar yatırımcıların dikkatini bu tür kullanımlara çekiyor: çok sayıda basit, tekrarlayan akıllı görev, daha düşük fiyatlı ve daha küçük cihazlara girme fırsatı bulabilir. STM'in sağladığı şey tam da bu tür cihazların ihtiyaç duyduğu işlem gücüdür.

onsemi (ON), görüntü ve güç bileşenleri için.

ON'in robotlar için sunduğu ürünler arasında görüntü sensörleri, derinlik sensörleri, güç transistörleri ve motor sürücü çipleri bulunur. İlk ikisi görüntü ve mesafe verilerini toplar; son ikisi ise motorları kontrol etmek için gereken akımla birlikte çalışır.

Depo taşıma robotunu örnek alalım: Kameradaki görüntü sensörü öndeki rafın görüntüsünü toplar, derinlik sensörü engellere olan mesafeyi ölçer, motor sürücü çipi güç transistörleriyle birlikte akımı kontrol ederek tekerleklerin dönmesini sağlar. Daha fazla robot ve akıllı kamera cihazı devreye girdikçe bu sensörlere ve çiplere olan talep artma fırsatı bulur.

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

NXP Semiconductors (NXPI)

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

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

Qualcomm (QCOM)

İlgili işler: Robotlar, drone'lar ve cihaz üstü yapay zeka için Dragonwing platformu

Fayda mantığı: Cihazların yerel görüntü işleme, hesaplama ve bağlantı görevlerine yönelik talebi karşılamak

Cloudflare (NET)

İlgili işler: Jev üçüncü taraf modelinin erişimini ve çağrılmasını sağlamak

Fayda mantığı: Geliştiriciler Jev'i müşteri hizmetleri yönlendirme, veri filtreleme ve etmen zamanlaması için kullandığında uygulama dağıtımı, veri bağlantısı ve çağrı yönetimine de ihtiyaç duyar. Cloudflare'in fırsatı, bu uygulamaların kendi platformunda çalışmasını sağlamaktır.

Henüz erken aşamada

Jev'in şu anda çözülmesi gereken sorunları arasında karar doğruluğu, soru tasarımı ve hizmetin uzun vadeli işletmeyi destekleyip destekleyemeyeceği yer alıyor.

Öncelikle, Jev'in "sıfır halüsinasyon" tanıtımı yanlış anlaşılmaya açık. Onu yalnızca A, B, C arasından seçim yapmakla sınırlamak, programın tanımadığı bir D döndürmesini engelleyebilir; ancak yine de yanlış seçim yapabilir. Müşteri hizmetleri örneğine dönersek, programın "finans departmanına ilet" sonucunu sorunsuz okuyabilmesi, bu talebin gerçekten finans departmanı tarafından ele alınması gerektiği anlamına gelmez.

Bir geliştirici Jev'i sekiz görev türünde test edip 16.000 karar gerçekleştirdi; Jev'in hız ve maliyet avantajını kabul etmekle birlikte, sorunların ve seçeneklerin gerçek durumları kapsayacak şekilde daha fazla ayarlanması gerektiğini fark etti. Ayrıca tedarikçinin daha fazla operasyonel deneyim biriktirmesini ve piyasada alternatiflerin ortaya çıkmasını bekledikten sonra üretim süreçlerine entegre etmeyi umuyor.

Jev'in ne kadar iş üstlenebileceği şu an bilinmiyor; ancak bir eğilim şimdiden belirginleşti: çok sayıda tekrarlayan kararı Jev'e devretmek, karmaşık görevleri genel amaçlı modellere bırakmak.

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