Felsefeden Nefret Edenler İçin Yapay Zeka Felsefesi

Pratik Tercih

Çoğu insan yapay zeka felsefesini, robotların ruhu olup olmadığına dair bir tartışma olarak görür. Bu, zaman kaybettiren ve gerçek riskleri gölgeleyen büyük bir hatadır. Profesyonel dünyada bu teknolojinin felsefesi; aslında sorumluluk, doğruluk ve insan emeğinin maliyeti üzerine bir tartışmadır. Bir model, şirkete milyonlarca dolara mal olan bir hata yaptığında kimin sorumlu olduğuyla ilgilidir. Yaratıcı bir çalışanın, mükemmelleştirmek için onlarca yıl harcadığı tarzın sahibi olup olmadığıyla ilgilidir. Makinelerin düşünüp düşünemeyeceğini merak ettiğimiz dönemden uzaklaşıyoruz. Artık makinelerin bizim adımıza hareket etmesine ne kadar güvendiğimize karar verdiğimiz bir dönemdeyiz. Sektördeki son değişim, şaka yapan chat botlardan uçuş rezervasyonu yapabilen ve kod yazabilen ajanlara doğru evrildi. Bu değişim, bizi bilinç gizemi yerine güven mekanizmalarıyla yüzleşmeye zorluyor. Eğer felsefeden nefret ediyorsanız, bunu bir dizi sözleşme müzakeresi olarak görün. Hiç uyumayan ama sık sık halüsinasyon gören yeni nesil bir çalışan için şartları belirliyorsunuz. Amaç, hızın getirdiği faydaların, sistemin tamamen çökme riskinden daha ağır bastığı bir çerçeve oluşturmaktır.

Makine Mantığının İşleyişi

Sektörün mevcut durumunu anlamak için pazarlama terimlerini görmezden gelmelisiniz. Büyük bir dil modeli bir beyin değildir. İnsan dilinin devasa bir istatistiksel haritasıdır. Bir komut yazdığınızda sistem sorunuzu düşünmez. Trilyonlarca örneğe dayanarak hangi kelimenin bir öncekinden sonra gelme olasılığının en yüksek olduğunu hesaplar. İşte bu yüzden sistemler şiir konusunda çok iyiyken temel matematik konusunda çok kötüdürler. İnsanların sayılar hakkında nasıl konuştuğuna dair kalıpları anlarlar ancak sayıların kendi mantığını anlamazlar. Bu ayrım, bu araçları iş ortamında kullanan herkes için hayati önem taşır. Çıktıyı gerçek bir kayıt olarak kabul ederseniz, aracı yanlış kullanıyorsunuz demektir. Bu bir veritabanı değil, yaratıcı bir sentezleyicidir. Kafa karışıklığı genellikle bu modellerin insan empatisini ne kadar iyi taklit ettiğinden kaynaklanır. Nazik, sinirli veya yardımsever görünebilirler ancak bunlar sadece dilsel aynalardır. Eğitildikleri verilerin tonunu yansıtırlar.

Son zamanlarda gördüğümüz değişim, bu modelleri gerçek dünya verilerine dayandırma yönündedir. Şirketler, bir modelin tahmin yürütmesine izin vermek yerine, onları kendi dahili dosyalarına bağlıyor. Bu, modelin bir şeyler uydurma olasılığını azaltıyor. Ayrıca konuşmanın risklerini de değiştiriyor. Artık modele ne bildiğini sormuyoruz. Modelin bizim bildiklerimize nasıl eriştiğini soruyoruz. Bu, üretken sanattan işlevsel faydaya doğru bir geçiştir. Buradaki felsefe basittir. Bir hikaye anlatıcısı ile bir dosya memuru arasındaki fark gibidir. Çoğu kullanıcı memuru ister ancak teknoloji hikaye anlatıcısı olmak için inşa edildi. Bu iki kimliği uzlaştırmak, günümüz geliştiricileri için temel zorluktur. Yaratıcı bir araç mı yoksa doğru bir araç mı istediğinize karar vermelisiniz, çünkü şu an ikisini aynı anda maksimum seviyede elde etmek zordur.

Küresel Riskler ve Ulusal Çıkarlar

Bu seçimlerin etkisi sadece bireysel ofislerle sınırlı değildir. Hükümetler artık bu modellerin geliştirilmesini bir ulusal güvenlik meselesi olarak görüyor. Amerika Birleşik Devletleri’nde yürütme emirleri, en güçlü sistemlerin güvenliğine odaklanıyor. Avrupa’da ise AI Act, sistemleri riske göre kategorize eden yasal bir çerçeve oluşturdu. Bu durum, Kaliforniya’daki bir geliştiricinin felsefesinin Berlin’deki bir ürünün yasallığını etkileyebileceği bir ortam yaratıyor. Farklı bölgelerin bir makinenin ne yapmasına izin verilmesi gerektiği konusunda çok farklı fikirlere sahip olduğu parçalanmış bir dünya görüyoruz. Bazı ülkeler teknolojiyi ekonomik çıktıyı ne pahasına olursa olsun artırmanın bir yolu olarak görürken, diğerleri bunu sosyal yapı ve iş gücü piyasaları için bir tehdit olarak görüyor. Bu, her pazar için ayrı bir kurallar dizisi oluşturarak küçük şirketlerin büyük yasal ekiplere sahip devlerle rekabet etmesini zorlaştırıyor.

Bu teknolojinin küresel tedarik zinciri de bir gerilim noktasıdır. Bu modelleri çalıştırmak için gereken donanım birkaç elde toplanmıştır. Bu, çipleri tasarlayan ülkeler, onları üreten ülkeler ve veriyi sağlayan ülkeler arasında yeni bir güç dinamiği yaratıyor. Ortalama bir kullanıcı için bu, güvendiğiniz araçların ticaret savaşlarına veya ihracat kontrollerine tabi olabileceği anlamına gelir. Yapay zeka felsefesi artık egemenlik felsefesine bağlıdır. Bir ülke sağlık veya hukuk sistemi için yabancı bir modele güveniyorsa, kendi altyapısı üzerindeki kontrolünün bir kısmını kaybeder. Yerel modeller ve egemen cloud sistemlerine yönelik baskının nedeni budur. Amaç, bir ulusu yöneten mantığın gezegenin diğer ucundaki bir şirket tarafından sahiplenilmemesini sağlamaktır. Bu, bilim kurgu senaryoları arasında sıkça kaybolan tartışmanın pratik tarafıdır.

Sentetik Zeka ile Bir Sabah

Sarah adında bir pazarlama yöneticisi için tipik bir günü düşünün. Sabahına üç düzine e-postayı özetlemesini bir asistandan isteyerek başlıyor. Asistan bunu saniyeler içinde yapıyor ancak Sarah, bütçe kesintisiyle ilgili kritik bir detayı kaçırıp kaçırmadığını kontrol etmek zorunda. Daha sonra, yeni bir kampanya için görseller oluşturmak üzere üretken bir araç kullanıyor. Makine görüntülerdeki insanlara sürekli altı parmak verdiği için komutu düzeltmekle bir saat harcıyor. Öğleden sonra, kod yazmayı bilmemesine rağmen şirket web sitesindeki bir hatayı düzeltmek için bir kodlama asistanı kullanıyor. O aslında dijital bir orkestranın şefi. Manuel işi yapmıyor ama nihai performanstan sorumlu. İşin yeni gerçekliği bu. Sıfırdan yaratmaktan çok düzenleme ve doğrulama ile ilgili. Sarah daha üretken ama aynı zamanda daha yorgun. Bir makineyi sürekli hata için kontrol etmenin zihinsel yükü, işi bizzat yapmanın yükünden farklıdır

Sarah’nın şirketinin teşvikleri de değişti. Artık giriş seviyesinde yazarlar işe almıyorlar. Aynı miktarda içerik üretmek için üç farklı model kullanan bir kıdemli editör işe alıyorlar. Bu kısa vadede para tasarrufu sağlıyor ancak uzun vadeli bir sorun yaratıyor. Kimse giriş seviyesi işi yapmıyorsa, bir sonraki kıdemli editör nesli nereden gelecek? Bu, mevcut verimlilik mantığının bir sonucudur. Geleceği potansiyel olarak boşaltırken şimdiki zaman için optimize ediyoruz. Yaratıcılar için riskler daha da yüksek. Müzisyenler ve illüstratörler, çalışmalarının artık iş için onlarla rekabet eden modelleri eğitmek için kullanıldığını görüyor. Bu sadece pazardaki bir değişiklik değil; insan emeğine verdiğimiz değerdeki bir değişikliktir. Sonuca süreçten daha fazla değer verip vermediğimizi ve süreç kara bir kutunun içine gizlendiğinde kültürümüze ne olacağını sormalıyız.

• Şirket liderleri, hıza mı yoksa özgün düşünceye mi değer verdiklerine karar vermelidir.
• Çalışanlar, makine çıktısını denetlemeyi birincil beceri olarak öğrenmelidir.
• Yasa koyucular, inovasyon ihtiyacı ile iş gücünün korunması arasında denge kurmalıdır.
• Yaratıcılar, değerlerini korumak için çalışmalarının insan yapımı olduğunu kanıtlamanın yollarını bulmalıdır.
• Eğitimciler, cevaplar bir tık uzağındayken öğrencileri nasıl notlandıracaklarını yeniden düşünmelidir.

Otomasyonun Gizli Maliyetleri

Bu teknolojinin faydalarından genellikle faturadan bahsetmeden konuşuyoruz. İlk maliyet gizliliktir. Bu modelleri daha kullanışlı hale getirmek için onlara daha fazla veri vermeliyiz. Daha iyi sonuçlar almak için kişisel programlarımızı, özel notlarımızı ve kurumsal sırlarımızı bu sistemlere beslemeye teşvik ediliyoruz. Peki bu veriler nereye gidiyor? Çoğu şirket müşteri verilerini modellerini eğitmek için kullanmadığını iddia ediyor ancak internetin tarihi, politikaların değişebileceğini gösteriyor. Verileriniz sistemin içine girdiğinde, onları geri çıkarmak neredeyse imkansızdır. Bu, kolaylık uğruna gizlilikten kalıcı bir vazgeçiştir. Ayrıca enerji tüketiminde de büyük bir artış görüyoruz. Tek bir büyük modeli eğitmek, binlerce evin bir yıllık elektriğini karşılamaya yetecek kadar enerji gerektiriyor. Daha karmaşık sistemlere doğru ilerledikçe çevresel maliyet sadece artacaktır. Komik bir kedi resmi oluşturma yeteneğinin, yarattığı karbon ayak izine değip değmeyeceğini sormalıyız.

Bir de gerçeklik maliyeti var. Gerçekçi metinler ve görseller oluşturmak kolaylaştıkça, kanıtın değeri düşüyor. Eğer her şey sahtelenebiliyorsa, hiçbir şey kanıtlanamaz. Bu durum şimdiden siyasi sistemlerimizi ve hukuk mahkemelerimizi etkiliyor. Ekranda gördüğümüzün bir yalan olduğu varsayımının varsayılan kabul edildiği bir döneme giriyoruz. Bu, yüksek düzeyde sosyal sürtüşme yaratıyor. Temel gerçekler üzerinde anlaşmayı zorlaştırıyor. Buradaki yapay zeka felsefesi, paylaşılan bir gerçekliğin erozyonu ile ilgilidir. Herkes bir algoritma tarafından filtrelenmiş ve değiştirilmiş bir dünya versiyonuna bakıyorsa, bu ayrımlar arasında etkili bir şekilde iletişim kurma yeteneğimizi kaybederiz. İstikrarlı bir sosyal temeli, daha kişiselleştirilmiş ve eğlenceli bir deneyim için takas ediyoruz. Bu, kaynaklarını veya niyetlerini sorgulamadan bu araçları her kullandığımızda yaptığımız bir seçimdir.

Kapsamamız gerektiğini düşündüğünüz bir yapay zeka hikayeniz, aracınız, trendiniz veya sorunuz mu var? Makale fikrinizi bize gönderin — duymaktan memnuniyet duyarız.

Teknik Kısıtlamalar ve Yerel Sistemler

Güçlü kullanıcılar için konuşma sadece etikten ibaret değil. Donanım ve yazılımın sınırlarıyla ilgili. En büyük engellerden biri context window’dur. Bu, bir modelin aktif belleğinde aynı anda tutabileceği bilgi miktarıdır. Bu pencereler büyüse de hala sınırlıdır. Bir modele bin sayfalık bir kitap verirseniz, sona ulaştığında başlangıcı unutmaya başlayacaktır. Bu, uzun projelerde tutarsızlıklara yol açar. Ayrıca API limitleri ve gecikme sorunu da var. İşiniz üçüncü taraf bir modele bağlıysa, onların çalışma süresine ve fiyatlandırmasına mahkumsunuz. Hizmet şartlarındaki ani bir değişiklik tüm iş akışınızı bozabilir. İleri düzey kullanıcıların yerel depolamaya ve yerel çalıştırmaya yönelmesinin nedeni budur. Kontrolü ve hızı korumak için kendi donanımlarında daha küçük modeller çalıştırıyorlar.

İş akışı entegrasyonu bir sonraki büyük zorluktur. Bir web sitesinde sohbet kutusuna sahip olmak yeterli değildir. Gerçek değer, bu modelleri elektronik tablolar, veritabanları ve proje yönetimi yazılımları gibi mevcut araçlara bağlamaktan gelir. Bu, verinin model tarafından anlaşılabilmesi için nasıl yapılandırılacağına dair derin bir anlayış gerektirir. RAG yani Retrieval-Augmented Generation’ın yükselişini görüyoruz. Bu, modelin cevap vermeden önce güvenilir bir kaynaktan belirli bilgileri aradığı bir yöntemdir. Modelin istatistiksel doğası ile kullanıcının olgusal ihtiyaçları arasındaki boşluğu kapatmanın bir yoludur. Ancak bu, sisteme bir karmaşıklık katmanı ekler. Arama motorunu, veritabanını ve modeli aynı anda yönetmeniz gerekir. Bu, etkili bir şekilde yönetmek için belirli bir beceri seti gerektiren, yüksek bakım gerektiren bir çözümdür.

• Quantization, ağırlıkların hassasiyetini azaltarak büyük modellerin tüketici sınıfı donanımlarda çalışmasına olanak tanır.
• RAG daha az çabayla daha iyi olgusal doğruluk sağladığından fine tuning giderek daha az popüler hale geliyor.
• Tokenization, belirli dilleri işlemek için diğerlerinden daha pahalı hale getirebilen gizli bir maliyet olmaya devam ediyor.
• Yerel çalıştırma, hassas kurumsal veriler için yüzde 100 gizlilik sağlamanın tek yoludur.
• Model distillation, mobil kullanım için dev modellerin daha küçük ve hızlı versiyonlarını oluşturuyor.

Pratik İlerleme Yolu

Yapay zeka felsefesi işten bir sapma değildir. İşin kendisidir. Her model seçtiğinizde, hayatınıza hangi mantığın hakim olmasını istediğiniz konusunda bir seçim yapıyorsunuz. Hangi risklerin kabul edilebilir ve hangi maliyetlerin çok yüksek olduğuna karar veriyorsunuz. Teknoloji hızla değişiyor ancak insan ihtiyaçları aynı kalıyor. Bizi daha iyi yapan araçlar istiyoruz, bizi değiştiren araçlar değil. Şeffaf sistemler istiyoruz, karanlıkta çalışan sistemler değil. Bu konudaki kafa karışıklığı genellikle kasıtlıdır. Şirketlerin karmaşık bir istatistiksel araç satmasından ziyade sihirli bir kutu satması daha kolaydır. Gereksiz detayları ayıklayıp teşviklere odaklanarak, teknolojinin gerçekte ne olduğunu görebilirsiniz. O, güçlü, kusurlu ve derinlemesine insani bir yaratımdır. En iyi fikirlerimizi ve en kötü alışkanlıklarımızı yansıtır. Amaç, her etkileşimde yaptığınız ödünleşimleri anlayarak gözleriniz açık bir şekilde kullanmaktır. Bu değişimlerin önünde kalmak için makine öğrenimindeki en son trendler hakkında daha fazla bilgi bulabilirsiniz. Bu sistemlerin etiğine dair daha derin içgörüler için Stanford Institute for Human-Centered AI ve MIT Technology Review gibi kaynaklar mükemmel veriler sağlar. Ayrıca New York Times teknoloji bölümündeki yasal değişiklikleri de takip edebilirsiniz.

Editörün notu: Bu siteyi, bilgisayar dehası olmayan ancak yine de yapay zekayı anlamak, daha güvenle kullanmak ve zaten gelmekte olan geleceği takip etmek isteyenler için çok dilli bir yapay zeka haberleri ve rehberleri merkezi olarak oluşturduk.