Yapay Zeka İçin Tasarlamak ile Yapay Zekayla Tasarlamak Aynı Şey Değil

Yapay zeka tartışmasının çoğu teknolojinin ne kadar hızlı geliştiği üzerine kurulu. Tasarım tarafında asıl ayrım başka yerde duruyor: yapay zekayı ürünün içine koymakla, onu kendi masanızda kullanmak birbirinden bambaşka iki iş. İkisini aynı şey sanan ekipler kullanıcıya bir prompt kutusu verip sorunu çözdüklerini düşünüyor.

Yapay zeka için tasarlamak

Komut tabanlı arayüzde kullanıcı yolu bilir: menüyü açar, aracı seçer, fırçayı sürer. Yapay zeka destekli arayüzde ise yolu değil varış noktasını tarif eder. Bir görsel üreticiye “gün batımında bir dağ” yazmak, o dağı katman katman çizmenin yerine geçer.

Bu takas bedava değil. Sürüklediğiniz bir kaydırıcı saniyede onlarca kez geri bildirim verir; sonucu görürsünüz, elinizi biraz oynatırsınız, tekrar görürsünüz. Prompt döngüsü saniyeler sürer ve her tur bir tahmindir. Üretken arayüz, hedefin net olduğu ve o hedefe giden yolun uzun olduğu işlerde kazanır. Hedef bulanıksa tam tersi olur: kullanıcı ne istediğini metne dökemediği için deneme sayısı artar, her deneme de bekleme demektir. Yani “kullanıcıya bir prompt kutusu koyalım” kararı, çoğu üründe tam da keşif aşamasındaki kullanıcıyı yavaşlatır.

Bir de belirsizlik meselesi var. Klasik yazılımda aynı girdi aynı çıktıyı verir, arayüz de bu yüzden hata durumunu net anlatabilir. Model tabanlı sistemde çıktı olasılıklıdır. Arayüzün bunu saklaması kullanıcının sonuca olduğundan fazla güvenmesine yol açar. Modelin ne kadar emin olduğunu göstermek, geri alma yolunu her adımda açık tutmak ve düzeltmeyi ucuzlatmak, süslü bir animasyondan çok daha fazla iş görür.

Yapay zekayla tasarlamak

İkinci yaklaşımda yapay zeka üründe değil masada. Buradaki gerçek kazanç sanıldığı gibi daha iyi tasarım değil, atılacak işin ucuzlaması. Yirmi varyasyon üretip on dokuzunu çöpe atmak artık savunulması gereken bir maliyet olmaktan çıkıyor, keşif alanı da bu yüzden genişliyor.

Modelin yapamadığı yer ise başlangıç. Hangi sorunun çözülmeye değer olduğu, kullanıcının söylediği ile yaptığı arasındaki fark, bir kurumda hangi kısıtın gerçekten kısıt olduğu; bunlar veriden çıkmıyor. Araştırma notlarını özetleten tasarımcı zaman kazanır. Araştırmanın kendisini modele yaptıran tasarımcı ise yalnızca kendi varsayımlarının cilalanmış halini geri alır, üstelik bunu yeni bir bulgu sandığı için iki kat yanılır.

Vaat ile uygulama arasındaki mesafe

Yapay zekanın en çok konuşulduğu alanlar sağlık ve eğitim, en yavaş ilerlediği alanlar da onlar. Sebep modelin başarısızlığı değil. Bir görüntüyü doğru sınıflandırmak ile o sınıflandırmayı hastanenin iş akışına, sorumluluk zincirine ve mevzuatına yerleştirmek ayrı problemler, ikincisi yazılım problemi bile değil. Eğitimde durum benzer: uyarlanabilir öğrenme fikri yapay zekadan eski, tıkandığı yer içerik üretimi değil, öğretmenin gününde o veriyi okuyup karşılık verecek zamanın olmaması.

Buna karşılık gürültü çıkarmadan yerleşen alanlar var: çağrı kayıtlarının özetlenmesi, talep tahmini, çeviri, kod tamamlama. Ortak noktaları hatanın ucuz ve düzeltmenin kolay olması. Yapay zekanın sırada nereye gireceğini merak eden, sektör listelerine değil hatanın maliyetine baksın.

Endişeler doğru yere mi bakıyor

Tartışmanın büyük kısmı işini kaybetme korkusu üzerine kurulu. Oysa kısa vadede çok daha somut sorunlar var: modeli besleyen verinin kimden alındığı, çıktının kaynağını gösterememesi, kurum içi belgelerin farkında olmadan dışarı taşınması. Bunlar felsefi sorular değil, sözleşme ve süreç meselesi, üstelik cevabı bugün verilmesi gerekiyor.

Meslek tarafında ise değişim toptan yok oluş biçiminde gelmiyor. İşin ilk taslağı ucuzlayınca değer, taslağı yapmaktan taslağı seçmeye kayıyor. Yirmi seçenek arasından doğru olanı ayıklayabilen kişi kazanıyor. O da beğeni değil yargı işi ve kimsenin eğitim gündeminde yok.