META’nın yeni AI Değerlendiricisi büyük dil modeli eğitimini dönüştürecek, işte nasıl

Daha iki ay önce, OpenAI CEO’su Sam Altman’ın, yapay zekayı sentetik verilerle (yani yapay zeka tarafından üretilen verilerle) eğitmenin, güvenilir olmayan yapay zeka modellerine yol açabileceğini söylediği duyulmuştu.

Aynı zamanda duyurulan META’nın en son yapay zeka değerlendiricisi de Altman’ın yanıldığını kanıtlamak için yola çıktı.

Meta’nın Kendi Kendine Öğreten Yapay Zeka Değerlendiricisi, insan müdahalesi olmadan kendi kendini değerlendirme ve geliştirme olanağı sağlayarak büyük dil modellerinin geliştirilmesine yardımcı olmak için tasarlanmıştır.

Günümüzde LLM’lerin geliştirilmesi, yetenekli insanların cevapların doğruluğunu kontrol ettiği verimsiz bir süreci gerektiriyor ve bu da benimsenme sürelerini ve maliyetlerini önemli ölçüde artırıyor.

Üstelik bu süreç insan tarafından üretilen verileri gerektiriyor ve bu da sınırlı miktarda mevcut.

META’nın yeni modeli artık diğer yapay zeka modellerini eğitmek için kullanılabilecek veriler üretebiliyor; bu da bir sorunun çözüldüğü anlamına geliyor.

Bu ayrıca, AI modellerine beslenen verilerin kalitesini denetlemek için insanlara ihtiyaç duyulmayacağı anlamına gelir. AI değerlendiricisi bununla da ilgilenecektir.

Kendi Kendine Öğreten Değerlendiricinin Temel Özellikleri

Yeni modelin yapay zeka sektörünü dönüştürebilecek iki temel özelliği bulunuyor.

Öncelikle, görevleri oluşturmak ve performanslarını değerlendirmek için otonom öğrenme özelliğini kullanır; böylece eldeki görevi çözmek için kullanılan verileri ve verilen cevapları doğrulamak için yetenekli insanlara olan ihtiyacı ortadan kaldırır.

Bu, model geliştirme ve iyileştirmeyle ilişkili zaman ve maliyetleri azaltır ve şirketlerin modelleri birden fazla platformda ve farklı kullanıcıların ihtiyaçları için kullanması gereken temel bir gereksinim olan ölçeklenebilirliği sağlar.

Ayrıca, bu azaltılmış insan katılımı, insanların modele soktuğu olası önyargıyı da azaltır.

İkinci olarak, karmaşık görevleri çözmeye yönelik bir dizi ara adım sağlayarak, doğrudan bir cevap vermek yerine, insan muhakemesini taklit etmek için bir “Düşünce Zinciri” akıl yürütme tekniği kullanılır.

Bunun için model, benzer problemleri çözmek için kullanılan daha önceki başarılı akıl yürütmelerden ders çıkarabilir.

Peki bu neden bu kadar önemli?

Müşteri desteği, çalışan eğitimi veya yasal analizde yapay zekayı kullanmak isteyen şirketler için, diğer yapay zeka modellerini eğitmek ve değerlendirmek üzere sentetik veriler üretebilmek büyük bir önem taşıyor.

Örneğin, bir müşteri destek sohbet robotunda kullanılan model, sorunun olası nedenlerini doğrulamak ve müşteriyi bir çözüm bulmaya yönlendirmek için sorunu bir dizi daha küçük adıma bölebilir.

Başka bir senaryoda, model, yeni çalışanlar için eğitim programını iyileştirmek amacıyla şirketin iç kurallarını ve prosedürlerini parçalara ayırabilir.

Şirketler şimdiye kadar yapmak zorunda kaldıkları gibi, önce kendi modellerini inşa etmeden, bu modelleri kendi ihtiyaçlarına göre hızla uyarlayabilirler.

Uygulamanın riskleri

Bu tür yapay zeka sistemlerinin uygulanması, dikkate alınmadığı takdirde gelecekte daha büyük sorunlara yol açabilecek riskler ve zorluklar barındırmaktadır.

Tohum modelinin kalitesi her zaman onun etkinliğini ve gerçek yaşam uygulamalarında kullanıldığında ne kadar güvenilir olduğunu belirleyecektir: eğer model hatalıysa, o zaman cevap da hatalı olabilir.

Öte yandan, insan gözetiminin eksikliği, yanlış veya optimum olmayan cevaplar üretecek güvenilir girdiler olarak varsayılan yanlış bilgilere yol açabilir. Model, yanlış mantığı kullandıktan sonra da doğru bir cevap verebilir.

Model teoride iyi çalışıyor gibi görünse de, beklediğimiz görevleri güvenilir bir şekilde yerine getirip getiremeyeceğini ancak zaman gösterecek.

Yapay zekanın gelişme hızını göz önüne aldığımızda çok uzun süre beklememiz gerekmeyebilir.