
Yalnızca “ücretsiz” sözcüğünü aramak yeter mi?
Hayalî bir mesaj kutusu düşünelim. Bir kişi “Ücretsiz sözcüğü varsa reklam olarak sınıflandır” kuralını yazabilir. Basittir ama “Ücretsiz yardım ederim” gibi kişisel bir mesajı da yanlış ayıklayabilir; o sözcüğü içermeyen reklamı kaçırabilir. Koşulları insanların seçtiği bu yöntemde yeni ifadeler ve bağlamlarla karşılaşınca kuralları tamamlamak gerekebilir.
Yapay zekâ, böyle tek bir işlevin adından daha geniş bir alandır. Görüntüde nesne bulmayı, yol planlamayı, bilgi ve kurallarla problem çözme yaklaşımlarını da kapsar. Bu nedenle her yapay zekâ veriden öğrenmez; basit bir koşul içeriyor diye her programa yapay zekâ demek de uygun değildir. Addan önemlisi hangi işin hangi yöntemle yapıldığıdır.
Örneklerin sınıflandırıcıyı değiştirdiği zaman
Başka bir yol, reklam veya reklam değil diye işaretlenmiş mesajları örnek vererek modeli eğitmektir. Makine öğrenmesi, verilerle bir modeli eğitip tahmin veya başka çıktılar elde etme yaklaşımıdır. Burada da hangi verilerin kullanılacağını ve hedefin ne olacağını insanlar tasarlar. Örneklerin olması, bilinmeyen ifadeleri her zaman doğru tanımak demek değildir. Buradaki mesaj kutusu gerçek bir hizmetin doğruluğunu ölçen deney değil, ilkeleri karşılaştıran hayalî bir sahnedir.
Eğitim sırasında modelin iç değerleri verilere ve hedefe göre ayarlanır. Ardından yeni mesajdan sınıflandırma almak, eğitilmiş modeli kullanma aşaması olan çıkarımdır. Yeni giriş verilmesi her seferinde iç değerlerin yeniden öğrenildiği anlamına gelmez. Konuşmayı bağlam olarak kullanmak da değerleri yeniden ayarlamaktan ayrılmalıdır. “Örneklerle oluşturma zamanı” ve “hazır modeli kullanma zamanı” bağlantılıdır ama aynı aşama değildir.
Örnekleri toplarız
Hangi verilerle neyin öğrenileceğini belirleriz.
Modeli oluştururuz
Eğitimde modelin iç değerlerini ayarlarız.
Yeni mesaja uygularız
Çıkarımla sınıflandırma alır ve gerçek mesajla karşılaştırırız.
Reklamı seçmek ve yanıt yazmak
Mesajın reklam olup olmadığını seçen modelle yeni yanıt cümleleri üreten modelin çıktı amaçları farklıdır. Üretken yapay zekâ cümle, görüntü ve ses gibi içerikler oluşturan sistemlerdir; günümüzün üretken yapay zekâsı genellikle makine öğrenmesiyle eğitilmiş modeller kullanır. Makine öğrenmesi yapay zekâ içindeki bir yaklaşımdır. Yalnız mesaj sınıflandırıp yazı üretmeyen model de makine öğrenmesi olabilir.
Bu ayrım, birbirine giremeyen kutular oluşturmaz. Tek hizmet mesajları bir sınıflandırıcıyla seçebilir, üretken modelle yanıt taslağı yazabilir, insanın belirlediği kurallarla sonucu tekrar işleyebilir. Ekranın konuşmalı olması içeride tek model olduğunu da göstermez. Sınıflandırma, üretim ve kurallar bir ekranda buluşsa bile rollerini ayrı inceleyebiliriz.
Güzel konuşmakla doğru söylemek arasındaki fark
Akıcı ve kendinden emin yazılmış yanıt veya açıklama gerçeklere aykırı olabilir. Sınıflandırıcı yanlış seçebildiği gibi üretken model de inandırıcı hatalar üretebilir; sonuçlar amaca uygun kaynak ve değerlendirmelerle kontrol edilmelidir. Açıklamadaki hesapları kendiniz karşılaştırın; kaynak başlıkları ve bağlantıları gerçekten var mı ve iddiayı destekliyor mu, bakın. Akıcılık tek başına doğruluk kanıtı değildir.
Yanıt taslağına uydurulmuş bilgiler veya gereksiz kişisel bilgiler girip girmediğine de bakılmalıdır. Kişisel bilgileri veya kamuya açık olmayan materyalleri girmeden önce hizmetin veri işleme politikasını kontrol etmek yerinde olur. Birden fazla yaklaşımı birleştirmek tek başına doğruluğu veya verilerin güvenli işlenmesini garanti etmez. Kullanışlı bir işlevle karşılaşınca bile ne girdiğinize, hangi çıktıyı aldığınıza ve neyle kontrol edeceğinize birlikte bakmak yapay zekâyı daha somut anlamayı sağlar.
Bir mesajın peşinden gitmek bile yapay zekâ adının altında farklı işler olduğunu gösterir. Bir dahaki “Yapay zekâ özelliği” düğmesini gördüğünüzde önce seçiyor mu, üretiyor mu diye bakın.