Makale, yapay zekanın yaygınlaşmasının modellerin neler yapabilebileceğini göremeyen kullanıcılar tarafından tıkandığını savunuyor

Darboğaz zeka değil

Eylül başında mhacevedo.com'da yayımlanan ve Hacker News'in ana sayfasına taşınan bir makale, yapay zekanın yaygınlaşmasıyla ilgili keskin bir iddia ortaya atıyor: teknolojinin önündeki en büyük engel artık yetenek değil, görünürlük. Kullanıcılar bir modelin kendileri için ne yapacağını gerçekten deneyene kadar bilemiyor ve çoğu hiç o kadar ilerleyemiyor. Yazar bunu bir "keşif sorunu" olarak adlandırıyor.

Makalenin anlattığı mekanizma inatla basit. Bir düğmenin ne yaptığını basarak, bir prompt'un ne ürettiğini de yazıp çalıştırarak öğrenirsiniz. Her yetenek boş bir metin girişinin arkasında durduğunda, olası kullanımların yelpazesi tam da onlardan yararlanacak kişiye görünmez kalıyor.

Elimizdeki çözümler eksik

Makale, bilinen iki çözümü inceliyor ve ikisini de yetersiz buluyor. Şablon kütüphaneleri kullanıcılara çalıştırılabilir bir şey verir, sıfırdan bir istek icat etme ihtiyacını ortadan kaldırır; ama bu kez de alakalılık açık soru haline gelir: genel bir şablonun bir kişinin günlük işiyle hiçbir ilgisi olmayabilir. Kullanıcı hakkında bir şeyler bilen bağlam duyarlı sistemler ise yalnızca genel olarak önemli olan şeyleri önermek yerine önerileri kişiye göre uyarlayabilir ve bu yardım eder. Yazara göre iki yaklaşım da boşluğu kapatmıyor.

Kanyondaki karınca

Bunun nedenini açıklamak için makale, bilgisayar bilimci Alan Kay'a atfettiği bir benzetme ödünç alıyor. Büyük Kanyon'un dibindeki bir karınca gökyüzünü kayalık duvarlar arasındaki dar bir mavi şerit olarak algılarken, kenarda duran bir kişi bütün ufku görür. Gökyüzü aynı gökyüzüdür, ama iki gözlemcinin var olan hakkında bütünüyle farklı kavramları vardır. Makalenin vurguladığı nokta şu: karınca hiçbir şekilde eksik değildir; sadece gözlem noktasından, yazarın "olasılık ekseni" dediği şeyden yoksundur.

Akıcılık uçurumu nerede yaratıyor

Makale bunu somut bir karşıtlık üzerinden temellendiriyor. Teknik olmayan bir pazarlama uzmanını bir saat boyunca izleyin; agent'lar ve araç kullanımında akıcı biri, pazarlamacının hiç denemediği görevler dahil, otomatikleştirilebilecek, devredilebilecek veya yeniden inşa edilebilecek düzinelerce görevi hemen fark eder. Ama kurulumu tersine çevirin: dünyadaki en yetenekli yapay zeka aracını aynı pazarlamacının önüne koyun ve sonuç boş bir prompt ile ne yazacağınız hakkında hiçbir fikrin olmamasıdır. Zeka oradadır; onu algılama aracı değildir.

Yük yanlış tarafta

Makalenin en keskin çerçevesi sorumlulukla ilgili. Bu kadar gelişmiş bir sistem hâlâ kullanıcısının ne isteyeceğini zaten bilerek gelmesini bekliyor. Yazara göre, nelerin mümkün olduğunu ortaya çıkarma işi sisteme düşmelidir; sistem kendi yeteneklerini kademeli olarak, bağlama uygun biçimde ve genel kullanım senaryoları yerine kullanıcının gerçek işine uygun şekilde açığa çıkarmalıdır. Mevcut ürünler bunu büyük ölçüde yapmıyor ve makale bu notayla kapanıyor: bir şekilde arayüzün kendisi, kanyonun dibinde duran kişiye daha geniş ufku görünür kılmalı.

Neden önemli

Yapay zeka ürünü geliştiren herkes için makale, rekabet cephesini yeniden çerçeveliyor. Kullanıcılar kullanım senaryolarını keşfedemiyorsa model kalitesi fiilen boşta kalır; çünkü yetenek, eksik olduğu için değil, görünmez olduğu için kullanılmaz. Bu, onboarding akışlarını, şablon alakasını ve bağlamsal önerileri pazarlama inceliklerinden çekirdek ürün mühendisliği sorunlarına dönüştürüyor ve bir sonraki farklılaşma turunun çıplak model performansından değil arayüz tasarımından gelebileceğine işaret ediyor. Yazı bir araştırma değil bir görüş makalesi ve hiçbir yaygınlaşma verisi sunmuyor; ama güçlü araçların ana kitleyle neden tıkandığına dair bir teşhis olarak pratik bir mercek sunuyor: boş giriş kutusuna bakıp duran kişi için tasarlayın, çünkü pazarın büyük kısmını o kişi tanımlıyor.