Generative AI 101 Rehberi

İnsanların diğer türlere göre en önemli üstünlüğü, her duruma adapte olabilmeleri olarak açıklanır hep. İyi olduğumuz bir başka konuysa aslında analiz, muhakeme ve problem çözme yeteneklerimiz. Günümüzden binlerce sene öncesinde bile yapay zekanın öncülü olarak kabul edebileceğimiz, insan kudretinin doğal sınırları dışında kalan işleri yaptırabileceğimiz mekanizmaların hayalini kuruyorduk. Yunan mitolojisinde Talos, Girit adasını korumakla görevlendirilmiş bronzdan dev bir heykel ve otomatik olarak hareket edebilen düşünebilen bir mekanizma olarak betimleniyordu.

Aralık 2022’de OpenAI’ın Generative AI ürünü ChatGPT’yi yayına almasıyla birlikte, her alanda bir yapay zeka devrimi yaşıyoruz. Tarihin hiçbir döneminde yapay zeka insanlık için bu kadar erişilebilir olmamıştı. Uzunca bir süre sadece bilimkurgu severler ve bilim insanları için bir anlam ifade eden olan yapay zeka, artık günlük hayatımızın, özellikle de iş hayatımızın büyük bir parçası. Generative AI, örneğin yeni çıkan ürünümüzün sosyal medya kampanyası için yapılacak beyin fırtınası toplantısından hemen önce, tüketici davranışı ile alakalı bir sunumu bizim için baştan sona oluşturabiliyor.

Analytical AI, ya da geleneksel yapay zeka ise uzunca bir süredir sessiz sedasız hayatımızda yer alıyor. TikTok’un bize göstereceği bir sonraki video, tamamen yapay zeka tarafından belirleniyor. Makineler artık bir siteye gelen kullanıcıların davranışlarından, bunun gerçek kullanıcı mı, yoksa bot mu olduğunu rahatlıkla anlayabiliyor. Büyük veri setlerini ise yapay zeka desteği olmadan incelememiz neredeyse olanaksız.

Bununla birlikte, yakın zaman öncesine kadar, yapay zekanın yaratıcılık gerektiren konularda insanlarla herhangi bir şekilde rekabete girebileceğini düşünmüyorduk. Yapay zekayı, daha çok analiz ve büyük veriye dayalı işlerde bilişsel emek olarak kullanıyorduk. Generative AI’ın oyuna girmesi ise hem yapay zekanın kendisine, hem de yapay zeka ile ulaşabileceğimiz potansiyele yönelik bakış açımızı temelden değiştirdi.

Üretken yapay zeka çağı henüz yeni başlıyor ve bu yeni teknolojinin faydalarının tam olarak farkına varılması zaman alacak. Rekabet avantajının ise, inovasyon, şirket büyümesi ve iş akışları süreçlerine üretken yapay zekayı ilk entegre eden kuruluşlara gideceği öngörülüyor. ABD’de Nisan 2023 ortasında McKinsey tarafından yapılan bir araştırma, üretken yapay zekanın katılımcıların ait oldukları organizasyonların %28’inin yönetim kurulu gündeminde olduğunu gösteriyor. Organizasyonların üçte biri ise en az bir iş fonksiyonunda üretken yapay zekayı kullanıyor.

Generative AI Nedir?

Generative AI ya da Üretken Yapay Zeka, insan yaratıcılığı ve zekasının çeşitli yönlerini taklit eden eserler oluşturabilen bir yapay zeka alt kümesi olarak tanımlanabilir. Generative AI, ürün tasarımı, görsel üretimi, metin yazımı, ses üretimi, kod oluşturma gibi orijinal içerik üretimi işlevini yerine getirebilen yapay zeka tekniklerini ve modellerini ifade ediyor.

Üretken yapay zeka, bir metin, resim, video, tasarım, müzik notaları ya da yapay zeka sisteminin işleyebileceği herhangi bir girdi şeklinde olabilen bir istemle (prompt) başlıyor. Daha sonra çeşitli yapay zeka algoritmaları bu isteme yanıt olarak yeni ve özgün içerik oluşturuyor.

Open AI’ın, zamanımızın en yaygın üretken yapay zeka uygulaması, ya da arayüzü olan ChatGPT’yi yayına alması, kimileri için neredeyse çağ açıp çağ kapatacak kadar büyük bir teknolojik gelişme. Daha önce hiçbir online platformda görülmemiş bir hızda kullanıcı sayısının artmasıyla, AI uygulamaları pazarında resmen bir devrime neden oldu. Bu devrim, sağlıktan eğlenceye tüm sektörlere bir şekilde dokunmuş ve etkilemiş durumda. Generative AI teknolojilerinin potansiyeli, herhangi bir online işletmenin görmezden gelemeyeceği kadar büyük. ChatGPT, 100 milyon aktif kullanıcı sayısına sadece 2 ayda ulaşarak rekor kırdı.

Generative AI Ne İşe Yarar?

Üretken yapay zekanın en büyük gücü, yeni fikirler, tasarımlar ve insanların daha önce aklına gelmeyen problemlere çözümler üretebilmesi. Tüm bu süreçler, sanat, tasarım, yazılı içerik üretimi, mühendislik gibi alanlarda yaratıcı süreçleri desteklemek için kullanılabilir.

Generative AI, aynı zamanda pek çok endüstride verim ve üretkenliği kayda değer bir biçimde arttırabiliyor. Tekrar edici ve zaman gerektiren işler generative AI sayesinde otomatize edilerek, zaman ve kaynakların daha önemli işlere kaydırılması sağlanabilir. Örneğin, bir e-ticaret şirketi manuel olarak her bir ürün için özgün metinler oluşturmak yerine, üretken yapay zekaya ürünlerin özelliklerini temel alan ürün açıklamaları ürettirebilir. Böylece, pazarlama ekipleri sadece ürün açıklamalarının kontrol süreçlerini üstlenir, kalan vakitlerini de daha yaratıcı ve stratejik işlere ayırabilirler.

Aynı zamanda, AI desteği ile daha iyi iş kararları vermek mümkün kılabilir. Örneğin, işletmeler üretken yapay zekayı pazarlama stratejilerine veya yeni bir ürün geliştirmeye karar verme süreçlerine yol gösterecek verileri ortaya çıkarmak için kullanabilirler.

Generative AI, bireysel tercihleri anlayarak kişiselleştirilmiş içerikler üretme yeteneği sunar. Örneğin, moda sektöründe üretken yapay zeka kişiye özel kıyafet tasarımı süreçlerinde kullanılabilir. Üretken yapay zeka, kişiye özel çözümler üretmesiyle müşteri memnuniyetini ve sadakatini arttırabilir.

Kreatif iş akışlarını destekleme noktasında da üretken yapay zeka ilham verici bir rol oynayabilir, yaratıcı süreçleri hızlandırabilir. Tasarım gibi alanlarda, üretken yapay zeka araçları kreatif profesyonellerin daha verimli çalışmalarına yardımcı olabilir.

Generative AI Uygulamaları

Bu noktada, Generative AI ile Generative AI arayüzleri arasındaki farktan da bahsetmekte yarar var. Üretken yapay zeka, bildiğiniz gibi metin, görsel, ses ve diğer formatlarda içerik üretebilen yapay zeka modellerini ifade ediyor. Örneğin, GPT-4 gibi modeller metin üretebilirken, DALL-E ise imaj üretebiliyor. Generative AI arayüzleri ve uygulamaları ise, GPT-4 gibi modellere bağlı olarak çalışan ve bu modelleri daha kullanıcı dostu bir şekilde erişilebilir hale getiren araçlar aslında.

Bu şekilde herhangi bir kullanıcı, teknik detaylarla uğraşmadan güçlü yapay zeka modellerini kullanabiliyor. Mesela, ChatGPT aslında GPT-3 ve GPT-4 modellerini kullanan bir üretken yapay zeka uygulaması.

Bazı üretken AI modelleri, doğrudan kullanıcıların kendi arayüzünü kullanmasına olanak tanıyor. Bu nedenle modellerin ve arayüzlerin zaman zaman eş anlamlı olarak da kullanıldığını görebilirsiniz. Kullandığınız uygulamaların bir kısmının, arka planda açık kaynak kodunu API’lar üstünden geliştiricilere açtığını söyleyebiliriz.

Özellikle no-code uygulamaların da yaygınlaşmasıyla birlikte, günümüzde işletmelerin iş süreçlerinde karşılaştıkları problemlere çözüm üretecek yapay zeka uygulamalarını ortaya çıkarmaları mümkün. En basitinden, şirket içi iletişimde Discord ya da Slack gibi uygulamaları kullanan şirketler, kendi iş akışlarını kolaylaştıracak bot’ları çok efor gerektirmeden tasarlayabiliyor. Ya da açık kaynak kodlu uygulamaları kendi şirket politikalarınız konusunda eğiterek, kendi AI içerik uygulamanızı oluşturabilirsiniz. Müşterileriniz için Chatbot’un bir adım ötesine geçen kişiselleştirilmiş asistanlar tasarlayabilirsiniz. Arayüz olarak sadece Google Sheets gibi uygulamaları kullanarak, daha önce saatler harcadığınız bir işi otomatize edebilirsiniz. Bu işin ilk adımı, AI’ın potansiyelini anlamak ve AI modellerinden faydalanarak ortaya koyabileceğiniz bir uygulama hayal etmek aslında.

Başlı başına bir ürün niteliği taşıyan, ismini çok duyduğumuz AI arayüzlerinin bir kısmını aşağıdaki şekilde özetleyebiliriz. Üretken AI modelleri ile yapılabileceklerin gücü ile kıyaslandığında, aslında bu ürünler ekosistemin sadece küçük bir parçası. Bu uygulamalara daha detaylı olarak ise farklı bir içerikte değinmeyi planlıyoruz.

• İçerik üretimi: GPT, Jasper, AI-Writer and Lex.
• İmaj üretimi: Dall-E 2, Midjourney and Stable Diffusion.
• Müzik üretimi: Amper, Dadabots and MuseNet.
• Kod üretimi: CodeStarter, Codex, GitHub Copilot and Tabnine.
• Ses üretimi: Descript, Listnr and Podcast.ai.
• AI chip tasarımı: Synopsys, Cadence, Google and Nvidia.

Üretken AI’da uygulama ve model katmanlarının birbirleriyle nasıl etkileşime girdiğini burada görebiliriz

Generative AI Nasıl Çalışır?

Geleneksel yapay zeka sistemlerinin aksine, üretken yapay zeka sahip olduğu verilere ait kalıpları ya da örüntüleri öğrenebilmek için gelişmiş derin öğrenme modellerini ve büyük dil modellerinden (LLM'ler) faydalanıyor. Eğitilen model, daha sonra öğrenilen kalıpları ve yapıları kullanarak yeni içerik üretiyor. 

Örneğin, üretken bir yapay zeka sistemine çok sayıda insan yüzü görseli sunulabilir. Üretken yapay zeka, tüm bu resimlerdeki yüz özellikleri, ana hatlar, ten rengi gibi veri setlerine air örüntüleri keşfettikten sonra dünya üzerindeki herhangi bir insana ait olmayan yeni yüzler oluşturabilir.

Levis, e-ticaret sitesinde yer alan ürün görsellerinde tamamen AI’lar tarafından oluşturulan modeller kullanmıştı.

Üretken yapay zekanın ilk versiyonları, bir API veya başka bir karmaşık süreç aracılığıyla veri transferini gerektiriyordu. Geliştiricilerin de bu özel araçlar hakkında bilgi sahibi olması ve Python gibi dilleri kullanarak uygulamalar yazması gerekiyordu. Günümüzde ise yapay zeka alanındaki öncüler, bir talebi sadece dille tanımlamamıza olanak sağlayan daha iyi kullanıcı deneyimleri geliştiriyor. Generative AI’ın ilk yanıtından sonra, oluşturulan içeriğin stil, ton ve diğer unsurları hakkında geri bildirim alarak çıktıları özelleştirebiliyoruz.

Bir üretken yapay zeka geliştirme sürecinin ilk aşaması, oluşturmak istediğiniz veri türüne ait çeşitlilik içeren geniş bir veri setinin toplanması ve işlenmesiyle başlıyor. Örneğin, eğer metin içerik oluşturmakla alakalı bir Generative AI ürünü oluşturma hayaliniz varsa, çeşitli metinlerden oluşan bir veri kümesi derlemeniz gerekiyor. Bir sonraki basamakta ise, hangi üretken yapay zeka modelini kullanacağınıza karar verme sürecine geliyoruz.

Generative AI Modelleri

Generative AI alanında geçtiğimiz yıllardan beri hem open-source toplulukların, hem de büyük şirketlerin büyük yatırımları var. Tüm bu ilerlemeler, doğal dil işleme gibi alanlarda da devrimler yaratıyor. Aynı zamanda elimizdeki veri kümelerinin gün geçtikçe büyümesi ve bilgisayar teknolojisindeki gelişmeler de daha büyük ve sofistike modellerin ortaya çıkmasını sağlıyor.

Temmuz itibariyle dil modeli ekosistemi

En popüler birkaç üretken yapay zeka modelini, teknik konulara da değinerek birlikte daha yakından inceleyelim. Üretken yapay zeka ile ortaya çıkarılabilecek ürünlerin hayalini kuralım. 

1. Transformer (Dönüştürücü) Tabanlı Modeller

Transformer tabanlı modeller, yapay zekanın son yıllarda bu kadar hızlı gelişmesinin önemli mimarlarından biri. İlk olarak Google’ın 2017’de yayınladığı bir makalede karşımıza çıkan dönüştücü tabanlı modeller, bir cümlede kelimeler gibi sıralı veriler arasındaki ilişkileri izleyerek bağlamı ve dolayısıyla anlamı öğrenen güçlü neural network’ler olarak tanımlanabilir. Transformer tabanlı modeller, özellikle doğal dil işlemeye (NLP) yönelik işleri başarıyla yerine getirebiliyor. Dönüştürücülerin en iyi bilinen örnekleri, GPT-4, BERT ve LaMDA.

Hayatımıza ChatGPT’nin entegre olmasıyla en sık kullandığımız dönüştürücü olan GPT-4, şiir yazabiliyor, sıfırdan e-posta oluşturabiliyor ve hatta şaka bile yapabiliyor. 

BERT de benzer şekilde dil işleme alanında çığır açan bir başka transformer tabanlı model. BERT’in en önemli özelliği, metinleri öğrenirken kelime sıralamasına bağlı olmadan hareket edebilmesi. Bu da onu aslında geleneksel transformer modellerinden biraz farklılaştırıyor.

LaMDA ise, doğal dil anlama için açık kaynaklı bir sinir ağı mimarisi olan Google Transformer bazlı bir dil modeli ailesi olarak özetlenebilir.

Dönüştürücü modeller, encoder (kodlayıcı) ve decoder (çözücü) bileşenlerinin bir araya gelmesiyle çalışıyor. Bu kavramlar, büyük ve karmaşık metin işleme görevlerini daha anlaşılır ve yapılabilir parçalara bölmek için kullanılıyor.

Örneğin, dönüştürücü model çeviri yaparken kaynak dildeki cümleleri anlamlı bir hale getirebilmek için kodlayıcı kullanıyor. Decoder ya da çözücü ise, kodlayıcıdan aldığı bilgiyi dayanarak hedef dildeki cümleyi oluşturuyor.

2. Generative Adversarial Networks (Üretken Karşıt Ağlar) (GAN’lar)

GAN’lar, iki farklı neural network’ten oluşan bir yapay zeka modeli. İki ağ, birbiriyleriyle rekabet ederek aynı anda birbirlerini gelişmeye zorlama prensibiyle çalışıyor. Bir tarafın amacı gerçekçi veri örnekleri üretmek, diğer tarafın amacı ise gerçek verilerle yapay zeka tarafından üretilen veriler arasındaki farkları ayırt etmek.

GAN’lar, yaygın olarak özellikle imaj ve video üretiminde kullanılıyor. En bilinen örnekleri ise, Midjourney ve DALL-E.

3. Variational Autoencoders (Değişken Otomatik Kodlayıcılar) (VAE’ler)

VAE, veriyi düşük boyutlu GAN’larda olduğu gibi kodlayıcı ve çözücü olmak üzere iki ana bileşenden oluşuyor. Kodlayıcı, girdileri daha sıkıştırılmış bir hale dönüştürüyor. Örneğin, kendisine bir imaj sunulduğunda, imajın sadece en önemli özelliklerini alarak, özünü yakalayarak “latent space” olarak adlandırılan alan yerleştiriyor. Çözücü ise, sıkıştırılmış bilgiyi alarak bunu orijinal veriyi tekrar oluşturmak için kullanıyor. Yani, sıkıştırılmış bilgiyi orijinal görsele ya da veriye geri dönüştürebiliyor. VAE’ler, gerçekçi imaj üretimi, veri sıkıştırma, anomali tespiti gibi geniş bir alanda kullanılabiliyor.

4. Difüzyon Tabanlı Modeller

Difüzyon tabanlı modeller, bir bakıma “evrimleşen” veriyi modellemeye çalışır. Örneğin, modele sunduğumuz verinin tüm pikselleri rastgele renklere sahip olsun. Difüzyon modelleri, zaman içinde bu renklerin nasıl değişmesi gerektiğini hesaplar ve zaman içinde resmi daha anlamlı hale getirir. Difüzyon modeline net olmayan bir kedi görüntüsü sunulduğunda, net imajı tahmin edebilir ve bu bilgiyi daha temiz görüntü elde etmek için kullanabilir. İmaj işleme konusunda bu model sık sık kullanılıyor.

Generative AI Tarihi

Günümüzde üretken yapay zeka modelleri ve bu modellere açık kaynaklı erişim imkanının sunulmasıyla birlikte, her gün çok sayıda üretken yapay zeka uygulaması piyasaya çıkıyor. Her yeni teknolojinin patlama döneminde olduğu gibi, bu uygulamaların bir kısmı kalıcı olurken, diğerleri ise hızlı bir şekilde raflardan kalkıyor. Ancak, AI’ın geldiği noktayı anlamak istiyorsak, yakın geçmişe de hızlıca bir göz atmamız gerekiyor.

Generative ai modellerinin tarihsel gelişimi

1950’ler

Bilgisayar biliminin babası Alan Turing, düşünebilen makineler hakkında ilk akademik makaleyi yazdığında ise, takvimler 1950’yi gösteriyordu. Bu tarihten öncesinde, bilgisayarlar sadece verilen komutları getirebildiği, ancak bunları hafızalarında tutamadığı için, yapay zekanın bir konseptin ötesine geçmesi mümkün olmamıştı.

1980’ler

1980’ler ve sonrasında, neural networks alanında üretken yapay zeka alanındaki gelişmeleri körükleyen gelişmeler ortaya çıkmaya başladı. Araştırmacılar, tekrarlayan sinir ağları (RNN’ler) gibi modeller geliştirerek veri dizileri oluşturma becerisini ortaya koydular.

2010’lar

2010’larda ise, derin öğrenme artan hesaplama gücü sayesinde üretken yapay zekayı çok farklı bir yere taşıdı. VAE’ler de ilk defa bu dönemde kullanılmaya başladı.

2014’te, Ian Goodfellow ve meslektaşlarının çabaları sayesinde GAN’lar kullanılmaya başlandı. Bu dönemde, küçük boyutlu üretken AI modelleri özellikle dili anlama konusunda en ileri teknoloji olarak kabul ediliyordu. Bu modeller, daha çok analitik işleri üstleniyordu. Ancak, insan yaratıcılığı taklit edecek sebiyede yaz ve kod oluşturmak halen bir hayaldi.

2020’ler

Modeller büyüdükçe, üretken yapay zeka önce standart bir insan seviyesinde, ardından da insanüstü çıktılar vermeye başladı. 2015 ve 2020 arasında, modelleri eğitmek için kullanılan bilgisayar kapasitesi 6 kat arttı. En eski üretken AI uygulamaları, sadece küçük bir kitle için erişilebilir olmaya başladı. Çoğu yapay zeka uygulaması, kapalı beta seviyesinden ileriye gidemedi. 

Zamanla, daha iyi bilgisayarlar daha da ucuza ulaşılabilir hale gelmeye başladı. 2022 sonrasında, difüzyon gibi yeni modelleri eğitmek ve arayüz oluşturmak için gereken maliyet hızla düştü. Buna bağlı olarak, daha iyi algoritmalar ve daha geniş modeller ortaya çıkmaya başladı. Geliştiriciler, kapalı beta seviyesinden açık betaya, hatta doğrudan açık kaynağa doğru ilerleyebildi. Hatta, geliştiricilerin büyük kısmı için ilk defa LLM’lere erişilebilir oldu. Üretken yapay zeka uygulamalarının sayısı hızla çoğalmaya başladı.

Generative AI Uygulama Alanları

1. Pazarlama ve Reklamcılık

Generative AI, kişiselleştirilmiş reklam ve pazarlama içeriği oluşturma, orijinal sosyal medya görselleri ve video hazırlama gibi konularda işletmelere destek oluyor. 

2. E-Ticaret

Generative AI, geçmiş satış verilerini analiz ederek gelecek talebi tahmin etmekten, ürün yorumlarını analiz ederek müşteri eğilimlerine dair öngörüler sunmaya kadar pek çok alanda kullanılabiliyor.

3. Metin Üretimi

Yazarlar, üretken yapay zekadan yazdıkları hikaye, makale, şiir gibi eserler için ilham almak ya da taslaklar oluşturmak için kullanabilirler. Özellikle blog ya da bir web sayfası içeriği oluşturulması gibi süreçler Generative AI ile çok daha hızlı hale getirilebiliyor.

4. Müzik ve Ses Üretimi

Generative AI, yeni müzik parçaları, şarkı sözleri ya da ses efektleri üretmek için aktif olarak kullanılıyor. Aynı zamanda, yazılı bir metni insan faktörüne ihtiyaç duymadan sese dönüştürme gibi teknolojiler de hızlıca yaygınlaşmaya başladı. Bu sayede örneğin çok hızlı bir şekilde podcast içeriği üretebilirsiniz.

5. Oyun Geliştirme

Video oyunlarındaki dünyaları ve özellikle oyuncu olmayan karakterleri oluşturmak için generative AI kullanılabiliyor. Bu da oyun geliştiricilerine kullanıcılara daha zengin ve gerçekçi oyun deneyimi sunma imkanı sağlayabiliyor.

6. Sağlık ve Tıp

Generative AI, hastalık teşhisi, kişiselleştirilmiş tedavi, moleküler tasarım, tıbbi görüntüleme ve ilaç geliştirme gibi alanlarda aktif olarak kullanılıyor.

7. Mimari ve Şehir Planlaması

Yeni yapıların tasarımı, planlanması ve yerleşimi için üretken yapay zeka kullanılabilir.

8. Eğitim ve Eğitim Materyali

Öğrencilere kişiye özel öğrenme deneyimleri sunabilmek için, üretken yapay zekaya öğrenme materyali ve eğitim içerikleri ürettirmemiz mümkün.

9. Finans

Üretken yapay zeka algoritmaları, fraud’a işaret eden veri anomalilerini tespit etmek için çok büyük miktarda finansal veriyi analiz edebilir.

10. Siber Güvenlik

Üretken yapay zeka, tehditleri ve güvenlik açıklarını doğru şekilde değerlendirerek, siber güvenlik alanında devrim yaratıyor.

Generative AI’ın Geleceği

Önümüzdeki yıllarda üretken yapay zekadan etkilenmeyen bir firmanın kalmayacağı, ancak en büyük kazanımları perakende, tüketici ürünleri, bankacılık, ilaç sanayii ve medikal ürün sektörlerinin elde edeceği öngörülüyor. Teknoloji çoğu iş fonksiyonunu etkileyecek olsa da, sunabileceği toplam kazancın yüzde 75'i muhtemelen pazarlama ve satış, müşteri operasyonları, yazılım mühendisliği ve Ar-Ge departmanları tarafından üretilecek. Fiziksel iş gücünün öne çıktığı imalata dayalı sektörlerin ise kısa vadede bu gelişmelerden etkileneceği düşünülmüyor.

Danışmanlık firması Gartner’ın gelişen teknolojiler ve trendlerle alakalı hazırladığı güncel rapora göre ise, 2025’e kadar büyük organizasyonlarının pazarlama mesajlarının %30’u Generative AI tarafından üretilecek. Günümüzde bu rakamın %2 civarında olduğu tahmin ediliyor. Yine aynı tarihe kadar, tüm ürün geliştirme süreçlerinin %30’unda Generative AI kullanılacağı düşünülüyor.

2028 yılına kadar yapay zeka model eğitim süreçlerine harcanan enerji verimliliğinde %50'lik bir artış olması bekleniyor. Bu iyileştirme, AI gelişiminin çevresel ve finansal maliyetlerini düşürecek.
2030’a kadar ise, tüm okulların %50’sinin dünya çapında üretken yapay zeka kullanacağı öngörülüyor. Eğitim gibi kişiselleştirmenin ön planda olduğu sektörlere teknoloji özellikle damgasını vuracak.

GPT-4’ün ötesine geçtiğimizde, metin bazlı modeller insan psikolojisi ve yaratıcı süreçlerini daha iyi analiz edebilecek ve buna uygun içerik üretebilecek. AutoGPT gibi metin bazlı AI uygulamalarının kendi prompt’larını yazmalarına ve daha karmaşık işleri tamamlamalarına olanak sağlayan modeller gelişim gösterecek. 

Daha şimdiden, iş süreçlerine çok hızlı bir şekilde bu gelişmeleri adapte eden firmalar mevcut. Örneğin, İngiltere’de konumlanan enerji sağlayıcıı Octopus Energy, tüm müşteri e-postalarının %44’ünün artık AI tarafından yazıldığını söylüyor. AI sayesinde normalde 8-10 hafta sürecek yazılımsal işleri sadece bir kaç güne düşürdüğünü ifade eden şirketlerin sayısı ise az değil. Henüz işin başlangıcında olduğumuzu varsayarsak, bizi nasıl bir geleceğin beklediğini hayal etmemiz çok zor değil.

2004 yapımı Ben, Robot filminde, Will Smith’in karakteri karşısındaki robota şöyle soruyordu: "Bir robot senfoni yazabilir mi? Bir robot bir tuvali bir şahesere dönüştürebilir mi?”

Robotumuz ise, filmde bu soruya “Ya sen?” diye cevap veriyordu. Ancak film son birkaç senede çekilseydi, bu sorunun cevabı, “Evet, ya sen?” olarak değişirdi diye tahmin ediyoruz.

Generative AI ve Etik

Her yeni teknolojinin getirdiği gibi, üretken yapay zeka da çok büyük bir değişim potansiyeli ve umudunu içinde barındırsa da, beraberinde çeşitli endişeleri de getiriyor. 

Yapay zeka konusunda günümüzde karşılaştığımız ilk sorun, zaman zaman manipülatif ve yanıltıcı içeriklerle karşılaşabiliyor olmamız. Bu nedenle de, AI tarafından üretilen içeriğin, en azından şimdilik, kullanılmadan önce ciddi şekilde değerlendirilmesi gerekiyor. 

AI tarafından üretilen içeriğin sorumluluğunu kimin taşıdığı ve içeriklerin nasıl üretildiğine dair hesap verilebilirlik konusunda genel olarak endişeler var.

Üretken yapay zekanın oluşturduğu içerikler, telif hakkı sorunlarını gündeme getirmeye başladı bile. Bir modelin yaratıcı bir şekilde sanat eseri ürettiği durumlarda, “esinlendiği” eserlere göre kimin telif hakkına sahip olduğu belirsizleşebilir.

Özellikle GPT-4 gibi internet verileri ile eğitilmiş modeller, toplumdaki önyargı ve eşitsizlikleri öğrenerek bunları ürettikleri içeriklere yansıtabiliyor. 

Generatif AI sistemleri gelişip daha özerk hale geldikçe, bu sistemlerin nasıl çalıştığına dair kontrolün kaybedilmesi endişesine de yol açabilir.

Ancak, geçmişte diğer teknolojilerde olduğu gibi toplum ve endüstri olarak bu sorunların üstesinden gelme potansiyeline sahibiz. Bu süreçte, özellikle şirketlere model eğitim verilerinin kalitesi ve algoritmaların önyargıdan arındırılması noktasında büyük iş düşünüyor.

Kaynaklar:

https://www.sequoiacap.com/article/generative-ai-a-creative-new-world/
https://lifearchitect.ai/models/
https://sitn.hms.harvard.edu/flash/2017/history-artificial-intelligence/
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/technologys-generational-moment-with-generative-ai-a-cio-and-cto-guide
https://www.gartner.com/en/articles/beyond-chatgpt-the-future-of-generative-ai-for-enterprises
https://news.stanford.edu/2019/02/28/ancient-myths-reveal-early-fantasies-artificial-life/
https://sitn.hms.harvard.edu/flash/2017/history-artificial-intelligence/
https://www.gartner.com/en/articles/5-impactful-technologies-from-the-gartner-emerging-technologies-and-trends-impact-radar-for-2022
https://developers.google.com/machine-learning/gan/gan_structure
https://www.altexsoft.com/blog/generative-ai/
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2023-generative-ais-breakout-year
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2023-generative-ais-breakout-year