Yapay Zeka Uzmanı: Yapay Zeka Takımlarını Eğitmek, Oyuncu Seçmek Değil
Yapay Zeka Sistemlerinde “Pratik” Eksikliği Öne Çıkan Uzman, Yeni Yaklaşım Öneriyor
Microsoft’un eski çalışanı ve yapay zeka alanında öncü isimlerden biri olan Dr. [İsim Değiştirildi], yapay zeka sistemlerinin gerçek otonomiye ulaşabilmesi için “pratik” eksikliğinin giderilmesi gerektiğini vurguladı. Dr. [İsim Değiştirildi], özellikle büyük şirketlerin (Fortune 500) yapay zeka yatırımlarının pilot aşamasında kalmasının ve beklenen sonuçları vermemesinin temel nedeninin bu eksiklik olduğunu belirtti.
Yapay Zeka Takımları ve Uzmanlık Gelişimi
[İsim Değiştirildi], yapay zeka ajanlarının geliştirilmesinin bir basketbol takımı kurmaya benzetildiğini, sadece yetenekli oyuncu seçmekten daha fazlasını gerektirdiğini ifade etti. “Yapay zeka, yetenekli modellerden çok, belirli görevler için uzmanlaşmış ajanlardan oluşan ekipler aracılığıyla otonomiye ulaşır,” şeklinde konuştu. Ayrıca, her oyuncunun farklı becerileri geliştirmesi ve takımdaki rolünü anlaması gibi, yapay zeka ajanlarının da gerçekçi pratik ortamlarında becerilerini geliştirmesi gerektiğini vurguladı.
“Test İllüzyonu” ve Gerçek Dünya Karmaşıklığı
[İsim Değiştirildi], yapay zeka sistemlerinin gösteri amaçlı demolarında başarılı görünse de, gerçek dünya karmaşıklığıyla karşılaştıklarında yetersiz kaldığını belirtti. Bu durumun, iş liderlerinin yapay zekanın milyar dolarlık makinelerde veya iş akışlarında bağımsız olarak karar verme yeteneğine güvenmesini engellediğini ifade etti. Ayrıca, yapay zekanın ne kadar bilgi depolayabileceğine odaklanmak yerine, insan gibi pratik yaparak uzmanlık geliştirmesi gerektiğini belirtti.
Machine Teaching ile Pratik Ortamı Oluşturma
[İsim Değiştirildi], geliştirdiği “Machine Teaching” metodolojisinin, yapay zeka sistemlerine pratik ortamı sunarak bu soruna çözüm olduğunu iddia etti. Bu metodoloji, ajanların:
- Çevreyi doğru algılamasını
- İnsan operatörleri taklit eden temel becerileri öğrenmesini
- Uzman yargısını yansıtan üst düzey stratejiler geliştirmesini
- Doğru zamanda doğru stratejiyi seçen bir süpervizör ajanın gözetiminde koordine olmasını
sağlar. [İsim Değiştirildi], bir Fortune 500 şirketiyle gerçekleştirdiği çalışmada, azot üretim sürecini iyileştirmek için Machine Teaching kullanarak, özel olarak tasarlanmış endüstriyel kontrol sistemlerini ve tek ajanlı yapay zeka uygulamalarını geride bıraktıklarını ve yıllık 1,2 milyon dolarlık verimlilik artışı sağladıklarını belirtti.
CEO’lar İçin Öneriler
[İsim Değiştirildi], CEO’lara ve liderlere şu önerilerde bulundu:
- Modellere odaklanmak yerine, ekiplere odaklanın.
- Kaybolan uzmanlığı ajanlara aktarın.
- Zaten sahip olunan altyapıyı (sensörler, MES, SCADA sistemleri vb.) kullanın.
- Ajanları gerçek dünya koşullarına maruz bırakarak pratik yapmalarını sağlayın.
[İsim Değiştirildi], yapay zeka alanındaki ilerlemenin, sadece daha büyük dil modelleri geliştirmekten daha fazlasını gerektirdiğini ve “pratik” odaklı bir yaklaşımın, yapay zekanın gerçek potansiyelini ortaya çıkarabileceğini vurguladı.
