---
title: "Opus'tan Yardım İsteyebilen Bir Jev Modeli, 4 Kat Daha Düşük Maliyetle Opus Doğruluğu Sunuyor"
url: https://blog.edumints.com/opus-tan-yardim-isteyebilen-bir-jev-modeli-4-kat-daha-dusuk-maliyetle
category: "LLM"
date: 2026-11-07T08:07:51.284Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hacker News"
source_url: https://hightouch.com/blog/llm-judges-identity-resolution
---

# Opus'tan Yardım İsteyebilen Bir Jev Modeli, 4 Kat Daha Düşük Maliyetle Opus Doğruluğu Sunuyor

Hızlı ve düşük maliyetli karar modellerinin (**Jev** ve **GPT-6 Luna**), kimlik çözümleme (*identity resolution*) sonuçlarını değerlendirmede sınır (*frontier*) LLM'ler kadar başarılı olup olamayacağını test ettik. Tek başlarına **%88,8–%97,3** doğruluk oranına ulaşan bu modellerden **Jev** ile **Claude Opus**'u birleştiren hibrit bir mimari kurduğumuzda, **4 kat daha düşük maliyetle** Opus seviyesinde doğruluğa ulaştığımızı gördük. Yazılım mühendisliği ve **Modeller: Hangisi, Ne Zaman?** ile **LLM-as-a-Judge ve Braintrust** yaklaşımları açısından temel bulgularımız şunlardır:

- **Luna kutudan çıktığı haliyle Jev'den daha iyi performans gösterir, ancak zorlu vakalarda bu fark ortadan kalkar:** Basit veri eşleştirmelerinde Luna önde olsa da karmaşık senaryolarda iki modelin tekil başarımı eşitlenir.
- **Jev'in güven skoru (confidence) daha iyi kalibre edilmiştir:** Jev'in yaptığı hataların çoğu düşük güven skoruyla gelirken, Luna hatalarını yüksek güvenle yapar. Bu kalibrasyon farkı, belirsiz vakaları üst modele yönlendiren hibrit bir mimaride (*hybrid model harness*) Jev'in Luna'dan çok daha verimli çalışmasını sağlar.
- **Sınır (frontier) modeller hala karar modellerinden daha doğrudur:** Karmaşık muhakeme gerektiren durumlarda büyük modeller doğruluk üstünlüğünü korur.
- **Karar modelleri kutudan çıktığı haliyle 90 kata kadar daha ucuz ve 10 kattan fazla daha hızlıdır:** 1.000 kimlik başına **0,05–0,10 $** maliyetle yaklaşık **0,15 saniyede** yanıt verirler; ancak zorlu kıyaslamalarda (*benchmarks*) Opus doğruluğunun yaklaşık **6 puan** gerisinde kalırlar.

## Kimlik Çözümleme (Identity Resolution - IDR) Nedir?

Kimlik çözümleme, dağınık veri kayıtlarını gerçek dünyadaki tekil kişilere eşleme sürecidir. Bir $D$ veri kümesindeki her $d \in D$ kaydını, gerçek dünyada tek bir kişiyi temsil eden $i \in I$ kimliğine ($m(D) \rightarrow I$) hatasız bağlamak; müşteri yaşam boyu değeri (*LTV*) analizi ve kişiselleştirme sistemlerinin temelidir. Örneğin **Alice**'e ait sadakat kartı, ev adresi, kargo adresi ve e-posta kayıtlarının tamamı tek bir **Alice** profilinde birleştirilmelidir.

Pratikte paylaşılan e-postalar, adres değişiklikleri ve veri kirliliği bu süreci zorlaştırır. Veri tabanlarında sıkça karşılaşılan **8 temel hata türü** şunlardır:

- **Yazım hatası (Typo):** *Valentino → Valentinp* (Farklı bir soyadı gibi algılanabilir).
- **Yanlış okunan karakter:** *Sam → 5am* (Bozuk veri veya kullanıcı adı).
- **Okunduğu gibi yazılma:** *Phillips → Filips* (Farklı bir aile).
- **Ay ve günün yer değiştirmesi:** *02/17/2020 → 17/02/2020* (Ayrıştırılamayan doğum tarihi).
- **Akrabadan kopyalanan değer:** Ebeveynin doğum tarihiyle kaydedilen çocuk verisi.
- **Takma ad (Nickname):** *Robert → Bob* (İki farklı kardeş olma ihtimali).
- **Yer tutucu (Placeholder) isim:** *Valentino → Female Child* (Kullanışsız veri).
- **Boş alan:** *Mendoza → (boş)* (Herhangi biriyle eşleşebilir).

IDR süreçlerindeki en kritik sorun **aşırı birleştirme (over-merging)** hatasıdır; yani tek bir $i$ kimliğinin gerçek dünyadaki birden fazla farklı kişiye karşılık gelmesidir.

## Aşırı Birleştirmeyi Tespit Etmek

Canlı üretim (*production*) verisinde, kayıtları birleştirdikten sonra kontrol edebileceğimiz hazır bir cevap anahtarı yoktur. Olsaydı, doğrudan eşleştirme algoritmasında kullanırdık. Geliştiriciler için buradaki en pratik çıkarım, **LLM-as-a-Judge** (Yargıç olarak LLM) mimarisini **kademeli yönlendirme (cascading routing)** ile kurgulamaktır: Tüm trafiği pahalı bir sınır modele göndermek yerine, iyi kalibre edilmiş hızlı bir karar modelini (**Jev**) ön filtre olarak kullanmak ve yalnızca düşük güven skorlu sınır vakaları **Claude Opus**'a devretmek, üretim ortamında maliyet-performans optimizasyonunun anahtarıdır.

---

**Kaynak:** Hacker News (https://hightouch.com/blog/llm-judges-identity-resolution)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/opus-tan-yardim-isteyebilen-bir-jev-modeli-4-kat-daha-dusuk-maliyetle