Yapay Zekâ Gerçek Dünyada Neden Başarısız? Eski DeepMind Mühendisi Açıkladı
Yapay zekâ alanında önde gelen isimlerden biri olan Ang Li, mevcut yapay zekâ ajanlarının gerçek dünya problemlerini çözmekte yetersiz kaldığını savunuyor. DeepMind’da geçirdiği yıllarda edindiği tecrübeye dayanan Li, sektördeki mevcut yaklaşımın eksik olduğunu ve radikal bir değişime ihtiyaç duyulduğunu belirtiyor.
Sürekli Öğrenme, Yapay Zekânın Geleceği için Kritik Bir Önem Taşıyor
Ang Li, 2017-2019 yılları arasında çalıştığı Google DeepMind döneminde, yapay zekâ çözümlerinin üretim sistemlerine uygulanmasında büyük sorunlar yaşandığını ifade etti. Google Ads ekibinin AlphaGo sistemini reklam gelirlerini artırmak için kullanmak istediğini ancak sonuçların beklentileri karşılamadığını aktaran Li, bu başarısızlığın temel nedeninin yapay zekâ modellerinin sabit veri setlerine dayanması olduğunu söyledi. Gerçek dünyada veri akışının sürekli değiştiğini vurgulayan Li, YouTube veya reklam platformlarında her gün yepyeni içeriklerin ve sorguların oluştuğunu, bu değişken yapının klasik makine öğrenmesi modelleriyle uyumsuz olduğunu belirtti.
Yapay zekâ ajanları son yıllarda büyük yatırımlar alsa da gerçek dünya görevlerini yerine getirme konusunda hâlâ sınırlı başarı gösteriyor. OSWorld adlı bağımsız ölçüm platformuna göre, en gelişmiş yapay zekâ ajanları ofis görevlerini ancak yüzde 45 oranında başarıyla tamamlayabiliyor. GPT-4 ve benzeri üst düzey modellerin bile bu görevlerde çoğu zaman başarısız olduğu belirtiliyor. İnsan çalışanların başarı oranı ise ortalama yüzde 72 seviyesinde. Ang Li, bu tabloyu yapay zekâya yönelik yanlış yaklaşımın bir sonucu olarak değerlendiriyor.
Ang Li’ye göre, mevcut sistemlerin en büyük eksikliği keşif ve istismar süreçleri arasındaki dengeyi kuramaması. Keşif, yapay zekânın yeni çözüm yolları denemesini ifade ederken istismar, işe yarayan bir çözümü kararlılıkla uygulamayı kapsıyor. Bugün birçok sistem yalnızca keşif aşamasına odaklanıyor. Li, bir çözüm yolu bulunduktan sonra bu çözümün programatik olarak uygulanması gerektiğini ve bunun için sembolik bir yapının devreye girmesi gerektiğini savunuyor. Aksi hâlde sistemin her seferinde aynı işlemi yeniden keşfetmeye çalıştığını ve bu durumun verimliliği düşürdüğünü belirtiyor.
Li’nin üzerinde durduğu bir diğer konu ise sürekli öğrenme. Bugünkü büyük dil modelleri yeni veriyle eğitildikçe eski bilgileri unutma eğilimi gösteriyor. Bu durum, uzun vadeli kullanımda ciddi performans kayıplarına neden oluyor. Ang Li, yapay zekânın insan benzeri genel zekâya ulaşabilmesi için sürekli öğrenme yeteneğine sahip olması gerektiğini vurguluyor.
