Değerlendirme, Tasarım ve Güvenlik İçin Metodoloji: Yapay Zekanın Sadece Kullanışlı Bir Araç Olarak Kalmaması İçin
Yusuke Narita'yı yalnızca "yapay zeka hakkında çok konuşan bir akademisyen" olarak görüyorsanız, özü kaçırıyorsunuz. Onun yapay zekaya yaklaşımı, sohbet robotlarıyla cümleler oluşturmak, toplantıları özetlemek veya iyi istemler yazmak gibi genel üretkenlik artırma yöntemlerinin ötesine geçiyor. Bunun yerine, yapay zekayı "karar alma mekanizmasını yürüten bir cihaz" olarak görüp, onu nasıl tasarlayacağımızı, nasıl değerlendireceğimizi ve topluma nasıl güvenli bir şekilde entegre edeceğimizi birlikte düşünmek onun karakteristik özelliği.
Resmi web sitesinde uzmanlık alanını "veri, algoritmalar ve düşünce kullanarak iş ve kamu politikası tasarlamak" ve "sosyal karar alma algoritmalarını veri odaklı bir şekilde tasarlamak için yöntemler geliştirmek" olarak açıklıyor. Yale Üniversitesi'ndeki resmi profilinde ise araştırmasının merkezinde, nedensel çıkarım, makine öğrenimi ve yapısal tahminleme yöntemlerini birleştirerek politika ve iş dünyasında karar alma algoritmalarının tasarımı yer alıyor. Başka bir deyişle, onun için yapay zeka bağımsız bir uygulama değil; öneriler, reklamlar, arama ve politika tahsisi gibi "gerçek dünya kararlarını yönlendiren zekanın" temelidir.
Ve son olarak, sadece bir şey.
Bu makalede tanıtılan kullanım şekli—"yapay zekanın cevapları yazmasına izin vermek yerine, sizin karar vermeniz için malzemeleri düzenlemesine izin vermek"—sadece okuyup onaylarsanız yarın orijinal kullanım şekline geri dönecektir. Bu düşünce tarzını kendi işinizde fiilen uyguladığınızda ancak anlam kazanır.
Bu nedenle, bu düşünce tarzını doğrudan kendi operasyonlarınıza entegre edebilmeniz için ücretsiz bir pratik kit hazırladım.
Aşağıdakileri alabilirsiniz:
Ücretsiz danışmanlık veya seminerlere katılmanız gerekmez. LINE'ı ekledikten sonra doğrudan alabilirsiniz.
Buradan alın:
Şimdi başlayalım.
1. Narita Tarzı Yapay Zeka Kullanımının Özü "Yapay Zekaya Sormak" Değil, "Yapay Zekanın Kararını Yargılamak"tır
Birçok kişi yapay zekayı arama motorunun üstün bir versiyonu veya yazma işini dışarıya yaptırma aracı olarak kullanır. Elbette bu tek başına etkilidir, ancak Narita tarzı yapay zeka yaklaşımı bunun ötesindedir. Onun düşüncesinde yapay zeka sadece soruları yanıtlamaz; hangi ürünlerin önerileceği, hangi reklamların gösterileceği, hangi kuponların dağıtılacağı gibi "karar alma" işlemini bizzat gerçekleştirir. Ve önemli olan, bu kararı kontrolsüz bırakmamak, onu her zaman daha sonra puanlanabilecek şekilde tasarlamaktır.
Narita'nın gösterdiği gerçek: Yapay zeka bir "cevap kutusu" değil, "karar veren bir öznedir"
Narita'nın ortak yazarlığını yaptığı bir makalede, "algoritmaların politika ve iş dünyasındaki karar alma süreçlerinin çoğunu üstlenmeye başladığı" belirtilmektedir. Buradan çıkarılan ilk kullanım tekniği, yapay zekayı "cevap döndüren bir kutu" olarak değil, "karar veren bir özne" olarak ele almak ve öncelikle bu kararın kalitesini ölçmek için bir sistem oluşturmaktır. Yapay zekayı sadece e-postaları kısaltmak için kullanırsanız rekabet avantajınız küçük olur. Ancak, karar almayı yapay zekaya emanet ettiğiniz, bu kararın kalitesini verilerle doğruladığınız ve bozulmayı önlerken iyileştirdiğiniz bir yapı oluşturursanız, yapay zeka sadece bir verimlilik aracı değil, iş için bir karar motoru haline gelir.
Bireylere ve şirketlere uygulama
Bu düşünce tarzını bireyler veya şirketlerle değiştirirsek şöyle olur. Yapay zekanın bir şey yapmasına izin vermeden önce, "bu hangi kararı iyileştirecek?" ve "bu kararın iyi olup olmadığını daha sonra nasıl ölçeceğiz?" kararını verin. Satış için sadece teklifler oluşturmayın; hangi müşteriye hangi teklifin verileceği kararını ve bu kapanma oranının doğrulamasını bir set olarak belirleyin. E-ticaret için sadece ürünleri tanımlamayın; hangi ürünün kime gösterileceği kararını, sadece satın alma oranını değil aynı zamanda envanter verimliliğini de içerecek şekilde puanlayın. Narita tarzı, yapay zekanın "cevabı"ndan ziyade "karar sistemini" tasarlama fikridir.
2. Yapay Zeka Kullanımına "Önce Değerlendirme" ile Karar Vermek
Narita'nın düşünce tarzının en tutarlı kısmı önce değerlendirme fikridir. Ortak yazarlı makalelerinde, A/B testlerinin güvenilir olduğunu ancak zaman ve para aldığını ve başarısızlık riski içerdiğini belirtir. Bu nedenle, aniden üretime sokmak yerine, geçmiş log verilerinden "farklı bir şey yapılmış olsaydı ne olurdu"nun tahmin edilmesi gerektiğini defalarca savunur.
Önce değerlendirme nedir?
Yapay zeka kullanımında önce değerlendirme, "popüler olduğu için yapay zeka tanıtmak" değildir. Öncelikle, "bu yapay zekanın kararının iyi olup olmadığını nasıl ölçeceğinize" önceden karar verirsiniz.
Örneğin, müşteri desteğini yapay zeka ile yapma işini düşünün. Yüzeysel olarak bu, "cevapları otomatik olarak oluşturma işi"dir, ancak önce değerlendirme ile parçalara ayırdığınızda, tasarım önce gelir: iyi bir cevap olarak kabul edilen nedir (çözüm oranı, memnuniyet veya yanıt süresi?), bunu ölçmek için hangi veriler kullanılacak ve bozulduğunda nasıl fark edeceksiniz?
Bireylere ve şirketlere uygulama
Narita tarzı yapay zeka kullanımı bu ayrımda keskindir. Her şeyi yapay zekaya atmak yerine, önce "iyi bir karar nedir"i tanımlar, bunu ölçmek için bir ölçüt hazırlar ve ardından yapay zekayı ilk kez harekete geçirirsiniz. Yapay zekanın ne yapmasına izin vereceğinizi düşünmeden önce, aslında neyi iyileştirmek istediğinizi sorgularsınız. Bu, önce değerlendirme ile yapay zeka tanıtımıdır.
3. "Üretime Geçmeden Önce Geçmiş Verilerle Puanlama" = Karşı Olgusal Değerlendirme Fikri
Narita'nın araştırmasının merkezinde Off-Policy Değerlendirme (OPE) adı verilen bir teknoloji yer alır. Zor bir kelime ama içerik basittir: "henüz yapılmamış önlemleri geçmiş log verilerinden önceden puanlamak."
"Aniden üretime geçmek" neden tehlikelidir?
Bu düşünce tarzı doğrudan yapay zeka kullanımı için kullanılabilir. Birçok kuruluş, akıllarına gelen yeni yöntemleri aniden üretimde çalıştırdıkları için başarısız olur. İşe yararsa iyidir, ancak ıskalarsa müşteri yanıtını kötüleştirir ve zaman ve maliyet kaybına neden olur.
Bireylere ve şirketlere uygulama
Narita tarzı düşünürseniz, yapay zeka tanıtımının sırası şöyledir. Öncelikle, yeni bir istem veya politika düşünürseniz, hepsini birden üretime sokmayın. Ardından, geçmişteki benzer vakaların loglarını kullanarak "o yeni yöntem olsaydı ne olurdu"yu tahmin edin. Daha sonra, açıkça bozulmadığı onaylananları yavaş yavaş üretime alın.
Yapay zeka güçlüdür, ancak doğrulama yapılmadan üretime alınırsa, başarısızlık kullanıcıya tam olarak ulaşır. Tersine, önce geçmiş verilerle puanlama yapıp çıktı alırsanız, kaza oranını büyük ölçüde azaltabilirsiniz. Başka bir deyişle, yapay zeka kullanımının bir ön aşaması olarak önemli olan şey, şiddetle denemek değil, geçmiş verilerle güvenli bir şekilde ileriyi okumaktır.
4. "Ölçütün Kendisini Sorgulamak" = Tek Bir Metriğe İnanmamak
Narita tarzı yapay zeka yaklaşımında vazgeçilmez olan şey, değerlendirme yönteminin kendisine yönelik şüpheciliktir. Ortak yazarlı makalelerinde, "hangi değerlendirme yönteminin en iyi olduğunun göreve göre değiştiği ve tek bir kazananın olmadığı" yönünde bir makale bulunmaktadır. Bu nedenle, birden fazla ölçüt hazırlamalı ve her durum için en uygun olanı seçmelisiniz.
Tek bir metrik neden tehlikelidir?
Bu, Narita tarzı yapay zeka kullanımının önemli bir direğini gösterir. Yani, yapay zekanın sonuçlarını yalnızca "tek bir sayı" ile yargılamamak. İş dünyasında, tıklama oranı arttı veya tepki iyiydi gibi tek bir metriğe atlamak kolaydır. Ancak bu sayı gerçekten iyileştirmek istediğiniz şeyi ölçüyor mu?
Bireylere ve şirketlere uygulama
Bir birey bunu taklit ederse, yapay zekanın sonuçlarını değerlendirirken her zaman birden fazla açıdan bakın. Örneğin, bir sohbet robotunu yalnızca "çözüm oranı" ile ölçerseniz, çözüm oranı artsa bile kullanıcı bunu "soğuk" bulup ayrılırsa, aslında bu bir başarısızlıktır. Bu nedenle, çözüm oranına, memnuniyete, kayıp oranına ve yanıt süresine ayrı ayrı bakın.
Narita tarzı yapay zeka kullanımı, modelleri karşılaştırmadan önce ölçütün doğru olup olmadığını sorgular. Yapay zeka, belirlediğiniz ölçüte doğru optimize olacaktır. Bu nedenle, ölçüt yanlışsa, yapay zeka ne kadar akıllı olursa, o kadar yanlış yönde koşar. Bunu önce sağlamlaştırmak Narita tarzıdır.
5. "Can Sıkıcı Gerçek Dünya Kısıtlamalarını" Ertelememek
Narita'nın son araştırmalarında ortak olan şey, gerçek dünya sorunlarını sonradan bir düşünce olarak değil, en başından itibaren değerlendirme sistemine dahil etmektir. Yeni ürünlerin ve makalelerin artmaya devam etmesi sorunu, envanter ve kupon bütçelerindeki üst sınırlar sorunu, davranışın her kullanıcı için farklı olması sorunu. Bu kısıtlamaları en başından hesaba katar.
İdealizmle yapılan yapay zeka neden üretimde bozulur?
Burada önemli olan, yapay zeka kullanımının "ideal koşullar" ile bitmemesidir. Gerçek dünya operasyonlarının her zaman bütçeleri, insan-saatleri, yasaklı koşulları ve kullanıcı çeşitliliği vardır. İdeal bir durumda iyi çalışan bir istem oluştursanız bile, gerçek dünya kısıtlamalarına çarptığında bozulur.
Örneğin, envanterin üst sınırı. Yapay zekaya yalnızca "iyi tepki alacak gibi görünen ürünleri çıkarmaya devam et" komutunu verirseniz, popüler ürünler anında tükenir ve daha sonra gelen müşterilere hiçbir şey koyamazsınız. Narita'nın araştırması, bu tür arz kısıtlamalarını en başından hesaba katar ve yalnızca "bu andaki tepkiye" değil, "gelecekteki kullanıcılara tahsise" bakarak değerlendirme yapar.
Bireylere ve şirketlere uygulama
Bu fikir genel işlere de uygulanabilir. Yapay zeka önlemleri düşünürken, önce idealizmle inşa edip sonra ayarlamak yerine, "kullanılabilir bütçe", "harcanabilecek insan-saati", "asla yapılmaması gereken şeyler" ve "hedef kullanıcıların kapsamını" en başından ön koşullar olarak dahil edin. Narita tarzı yapay zeka kullanımı, gerçek dünya kısıtlamalarını ertelemez. Bir yapay zeka ne kadar güzel yapılırsa yapılsın, kısıtlamalar göz ardı edilirse üretimde başarısız olacaktır.
6. Yapay Zekayı "Cevap Makinesi" Olarak Değil, "Bozulmayı Önleyen Makine" Olarak Ele Almak
Narita'nın araştırmasını iyi temsil eden şey, "kötüleşmemeyi" bir sonuç olarak ele alma fikridir. Araştırmalarında, mevcut politikaların yüksek olasılıkla altına düşmeme kısıtlaması getiren şeyler ve az sayıda tanıtım içinde güvenlik frenini yavaş yavaş gevşeten şeyler bulunmaktadır.
"Bozulmayı önlemeyi" bir sonuç olarak sayma fikri
İşte Narita tarzı yapay zeka kullanımında büyük bir sıçrama. Birçok yapay zeka kullanımı yalnızca "ne kadar iyileştiğine" bakar. Ancak Narita, "ne kadar bozulmanın önlenebildiğini" de eşit derecede önemli bir sonuç olarak ele alır.
Bireylere ve şirketlere uygulama
Bu, şirketlerin yapay zeka kullanımında da düşündürücüdür. Cevap kalitesini iyileştirmeye çalışırken, her şeyi birden yeni bir yönteme geçirmek yerine, önce mevcut yöntemin altına düşmemeyi garanti edin ve ardından yavaş yavaş deneyin. Spesifik olarak, yeni politikayı toplamın yalnızca %1-5'i ile deneyin ve "açıkça bozulursa dur" gibi bir durma çizgisine önceden karar verin.
Yapay zeka kullanımında fark yaratan şey, sadece hücumun gösterişi değildir. Bozulma olasılığını bastırırken keşif alanını ne kadar genişletebileceğinizdir. Narita'nın deyimiyle, yapay zeka kalite iyileştirmesi ile başıboş kalma, yanlış cevaplar ve önyargının bastırılmasını aynı anda aynı masada tasarlayarak ancak yapay zeka güvenli bir şekilde büyüyebilir.
7. "Etiği" Bir Not Olarak Değil, Hesaplamalara Dahil Etmek
Narita'nın yapay zeka görüşünün bir özelliği, etiğin ele alınma şeklidir. Etik, birçok alanda "sona eklenen bir not" olma eğilimindeyken, Narita'nın araştırmasında etik, optimizasyon problemine dahil edilir.
Etiği optimizasyona dahil etmek
Örneğin, tıbbi deney tasarımı üzerine araştırmasında, geleneksel yöntemlerin, daha az etkili olduğu bilinen tedavileri veya katılımcıların sevmediği tedavileri atamak gibi etik sorunları olduğunu belirtir. Bu nedenle, katılımcı tercihlerini ve tahmin edilen etkileri en başından tahsis hesaplamasına dahil ederek katılımcı memnuniyetini artırmaya çalışır.
Bireylere ve şirketlere uygulama
Bunu yapay zeka kullanımına geri çekersek, olmazsa olmaz bir hikaye haline gelir. "Doğruluk yüksekse sorun yok" değil, "kullanan kişilerin duygularını ve hasarın maliyetini en başından değerlendirmeye koymak"tır.
Örneğin, yapay zeka ile yeni öneriler sunmak. Yeni adayları sunmazsanız, sistem durgunlaşır, ancak çok fazla sunarsanız, ıskalarsınız ve kaza yaparsınız. Narita'nın araştırması, bu "yenilik (adil maruz kalma)" ve "güvenlik" i aynı anda tatmin etmeye çalışır. Yalnızca verimliliğin peşinden koşarsanız, yük bir yerlerde birine gidecektir. Narita tarzı, bu yükün maliyetini en başından hesaplamaya dahil eder. Etiği bir fren olarak değil, tasarımın bir parçası olarak ele alır.
8. Değerlendiricinin Kendisini Değerlendirmek = Tek Adımlı Meta-Optimizasyon
Narita'nın araştırmasında ilginç olan, yapay zeka modellerini karşılaştırmadan önce, "karşılaştırma yönteminin (değerlendiricinin) kendisinin doğru olup olmadığını" doğrulamak için bir aşama yerleştirmesidir. Araştırmasında, göreve göre hangi değerlendirme yönteminin iyi olduğunu otomatik olarak seçen bir yöntem bulunmaktadır.
Modelden önce "ölçütü" doğrulamak
Bundan görülebilecek olan, Narita'nın performans optimizasyonu görüşünün model ayarlamasının bir adım ötesinde olduğudur. Birçok kişi "hangi modelin üstün olduğu" için rekabet eder, ancak Narita bundan önce "modeli puanlamak için kullanılan ölçütün kendisinin uygun şekilde doğru olup olmadığını" onaylar.
Bireylere ve şirketlere uygulama
Genel bir şirket bunu taklit ederse, yapay zeka araçlarını karşılaştırmadan önce, karşılaştırma kriterlerini sorgular. Örneğin, iki yapay zekayı "yanıt hızına" göre karşılaştırmaya çalışırken, önce hızın bu işte gerçekten en önemli şey olup olmadığını sorgular. Kriterler kaymış bir şekilde karşılaştırma yaparsanız, kazananı benimseseniz bile, aslında işler kötüleşir.
Yapay zeka kullanımı "hangi modelin seçileceği" savaşı gibi görünür, ancak aslında "hangi kriterlere göre seçileceği" savaşıdır. Narita tarzından öğrenirseniz, modelin performansını ölçmeden önce ölçütün geçerliliğini ölçmelisiniz.
9. Geleneksel Yöntemlerin "Büyük Seçimlerde" Bozulduğunu Bilmek
Narita'nın araştırmasında, çok sayıda seçeneğin (eylemin) olduğu durumlarda geleneksel değerlendirme yöntemlerinin bozulduğuna dair bir farkındalık vardır. Çok fazla adayın olduğu öneriler ve aramalar ile dil modelleri gibi büyük seçimlerle uğraşan durumlarda, basit bir kazanma oranı karşılaştırması yerine özellikler ve yerleştirmeler kullanarak değerlendirmenin gerekli olduğunu savunur.
Çok sayıda seçenekle değerlendirme neden bozulur?
Bu, günümüzün LLM kullanımına doğrudan çarpar. Üretken yapay zeka, çıktı ve kullanılabilecek araç seçenekleri için çok sayıda adaya sahiptir. Böyle bir durumda, basitçe "A mı B mi daha iyiydi" diye karşılaştırma yaparsanız, karşılaştırmanın kendisi istikrarsız hale gelir.
Bireylere ve şirketlere uygulama
Bir birey bunu uygularsa, çok sayıda yapay zeka seçeneği olan işlerde, kaba iki seçenekli karşılaştırmalardan kaçınır. Örneğin, "10 istem adayından hangisinin en iyi olduğuna" küçük bir örneklemle hemen karar vermeyin. Çok sayıda aday olduğunda, kararı aceleye getirmeyin ve birden fazla koşulda dikkatlice bakın.
Narita tarzı yapay zeka kullanımı, seçenek sayısı arttıkça değerlendirmenin zorlaştığını varsayar. Bu nedenle, çok sayıda adayın olduğu durumlarda, basit karşılaştırma yerine tasarlanmış değerlendirmeye bağlı kalırlar.
10. "Girdi Sürtünmesini Azaltmanın" Önemini Anlamak
Narita'nın araştırmasının temelinde, karar sistemini sürekli çalıştırmak için verileri doğru bir şekilde bırakmaya devam etme fikri yatar. Dahil olduğu veri altyapısında, hangi seçeneğin hangi olasılıkla sunulduğu gibi bilgiler, "bu sonucun neden meydana geldiğinin" daha sonra adil bir şekilde puanlanabilmesi için kaydedilir.
"Doğrulanabilir bir durum" bırakmaya devam etmek
Buradaki yapay zeka kullanımı sadece verimlilik değildir. "Can sıkıcı bulmadan daha sonra doğrulanabilecek bir durum yaratmaya devam etmek"tir. Doğrulama can sıkıcıysa, insanlar bunu yapmayı bırakacaktır. Bu nedenle, kayıt ve değerlendirme engelini düşüren bir tasarım gereklidir.
Bireylere ve şirketlere uygulama
Bu fikri günlük yapay zeka kullanımına aktarırsanız, önemli olan "doğrulamanın sürtünmesini azaltmak"tır. Yapay zekanın sonuçlarını her seferinde manuel olarak puanlamak sürdürülebilir olmaz. Bu nedenle, sık kullandığınız istemleri şablon haline getirin, sonuçları ölçmek için metrikleri önceden belirleyin ve sonuçların otomatik olarak bırakılmasını sağlayın. Doğrulamaya olan mesafeyi ne kadar kısaltırsanız, yapay zeka iyileştirme döngüsü o kadar dönmeye devam edecektir.
Narita tarzı yapay zeka yaklaşımı nihayetinde "insanların iyi kararı tanımlaması, yapay zekanın bunu uygulaması, sonuçların her zaman kaydedilmesi ve tekrar iyileştirilmesi"ne yöneliktir.
11. Bir Kriz Duygusuyla Kullanmak
Narita'nın yapay zeka görüşünde, olanaklara dikkat ederken aynı zamanda kararları algoritmalara emanet etme konusunda bir gerginlik duygusu vardır. Bir diyalogda, "paranın" insanların geçmişte yaptıklarının kaba bir tek boyutlu temsili olduğunu ve daha ayrıntılı veri varsa, bununla değiştirilebileceğini söyler. Yapay zekayı ve veriyi, toplumun kendi yargı kriterlerini değiştirebilecek bir temel olarak görür.
Kararları ne kadar çok emanet ederseniz, sorumluluk o kadar belirsiz hale gelir
Bu nokta, bir yapay zeka kullanım tekniği olarak da önemlidir. Sadece kullanışlı olduğu için yapay zekayı kullanmak tehlikelidir. Kararları yapay zekaya ne kadar çok emanet ederseniz, bu kararın kimin sorumluluğunda olduğu ve hangi kriterlere göre alındığı o kadar belirsiz hale gelir. Bilgi sızıntısı, yanlış bilgi, önyargı, sorumluluğun yeri ve aşırı bağımlılık. Bunları görmezden gelerek karar almayı yapay zekaya emanet ederseniz, kısa vadeli verimlilik karşılığında uzun vadeli güveni kaybedersiniz.
Bireylere ve şirketlere uygulama
Narita tarzından öğrenirseniz, yapay zekadan korktuğunuz için durmayın, ancak riskleri bir ön koşul olarak tasarlayın. Gizli bilgileri koymamak için kurallar oluşturun. Önemli kararlar için insan onayı bırakın. Yapay zeka karar loglarını bırakın. Yanlış bir karar oluştuğunda sorumluluk kapsamına karar verin. Yapay zeka kullanımı, sadece gaz pedalını değil, aynı zamanda freni de tasarlamaktır.
12. "Sınırlı Tanıtımla Denemeyi" Tekrarlamak
Narita'nın araştırmasında tutarlı olan, tam ölçekli bir geçiş yerine sınırlı sayıda tanıtımla başlama fikridir. Araştırmasında, yeni bir politikayı birden bütüne uygulamama, önce bir kısmında deneme, sonuçlara bakma, yeniden öğrenme ve yavaş yavaş genişletme akışı tekrar tekrar ortaya çıkar.
Prototip oluşturmanın hızlı olduğu bir çağda "küçük denemek" daha iyi çalışır
Yapay zeka çağında, bu "küçük deneme" tutumu daha da önemli hale gelir. Bunun nedeni, yapay zeka sayesinde prototip oluşturma maliyetinin önemli ölçüde düşmesi, ancak doğrulama yapmadan çalıştırma cazibesinin de güçlenmesidir. Planlama belgeleri, kod, reklam metinleri, analiz raporları. Eskiden günler süren şeyler artık birkaç dakika içinde ilk taslağa dönüşüyor. Bu nedenle, ilk taslağa minnettar olmamak ve küçük deneyip doğrulamak etkilidir.
Bireylere ve şirketlere uygulama
Narita tarzı yapay zeka kullanım tekniklerinde, yapay zeka "bitmiş bir ürünü tek seferde çıkaran sihir" değildir. Daha ziyade, küçük deneme ve doğrulama sayısını artırmak için bir araçtır. %1-5 ile deneyin. Sonuçlara bakın. Bozulmayı onaylayın. Geri dönün. İyileştirin. Tekrar deneyin. Bu döngüyü güvenli bir şekilde hızlandırabilen insanlar, yapay zekanın faydalarını alacaktır. Yapay zekayı kullanan ancak sonuç alamayan insanlar, tek bir tam ölçekli tanıtıma çok fazla bahis yapıyorlar.
13. Bireylerin Narita Tarzı Yapay Zeka Kullanımını Taklit Etmesi İçin Pratik Yöntem
Narita gibi bir üniversite araştırma temeline veya büyük ölçekli veriye sahip olmanıza gerek yok. Sadece fikir olsa bile, bir birey bugünden itibaren taklit edebilir.
Bugünden itibaren yapabileceğiniz 5 adım
İlk olarak, yapay zekanın bir şey yapmasına izin vermeden önce, "neyi iyileştirmek istiyorum?" u tek cümleyle yazın. Herkes bunu atladığı için kaybolur. İkinci olarak, "bu kaliteyi hangi sayı ile ölçeceğim?" i önceden belirleyin. Üçüncü olarak, yeni bir istem düşünseniz bile, hemen her şey için kullanmayın; önce benzer geçmiş vakalarda veya bir kısmında deneyin. Dördüncü olarak, sonuçları tek bir sayı ile yargılamayın; birden fazla açıdan bakın. Beşinci olarak, bozulduğunda fark edip durabileceğiniz bir sistemi önceden hazırlayın.
Bu akışı devam ettirirseniz, yapay zeka sıradan bir kullanışlı araçtan, bozulmadan iyileşmeye devam eden kendi karar temelinize dönüşecektir.
14. Bir Şirket Taklit Ederse, "Cevap Doğruluğu" Yerine "Karar Sistemi" Oluşturun
Şirketlerin Narita tarzından öğrenmesi gereken en büyük nokta, yalnızca yapay zeka cevaplarının doğruluğunu artırmaya odaklanmamaktır. Narita'nın araştırmasının başından beri geliştirdiği şey, bireysel cevapların doğruluğundan ziyade "bir karar verme, onu puanlama ve güvenli bir şekilde iyileştirme sistemi"ydi.
Model zekiliğinden ziyade "karar sistemi"
Birçok şirkette, yapay zeka tanıtımı "hangi modelin akıllı olduğu" karşılaştırmasında durur. Ancak Narita tarzı düşünürseniz, önemli olan modelin zekiliği değil, bu kararı değerlendirmek, bozulmayı önlemek, gerçek dünya kısıtlamalarını takip etmek ve etiği dahil etmek için bir tasarımın olup olmadığıdır. Amaç ve KPI belirsizken yapay zeka tanıtırsanız, en son teknolojiyi kullanan bir iç etkinlik olarak kalır.
Şirketlerin sahip olması gereken kültür
Bir şirket yapay zekayı ciddiye alarak kullanmak istiyorsa, öncelikle yönetim olarak "iyi bir karar olarak kabul edilen şeyin ne olduğunu" tanımlaması, bunu ölçmek için verileri düzenlemesi, bozulmayı tespit etmek için bir sistem oluşturması ve sınırlı tanıtımdan genişleme kültürüne sahip olması gerekir. Yapay zeka sadece bilgi sistemleri departmanının konusu değildir. "Karar sistemi" satış, geliştirme, üretim, hukuk, insan kaynakları, finans ve müşteri yanıtında sorgulanır. Başka bir deyişle, yapay zeka kullanımı, karar alma mekanizmasının tasarımıdır.
15. Narita Tarzı Yapay Zeka Kullanımının Tuzakları ve Dürüstçe Söylenmesi Gerekenler
Elbette, Narita tarzını olduğu gibi övmeye gerek yok. Kapsamlı değerlendirme, doğrulama ve güvenlik tutumu kazaları azaltırken, hızı yavaşlattığı durumlar da vardır. Her şeyi ihtiyatla puanlıyorsanız, hızlıca denemeniz gereken durumlarda hareket edemeyebilirsiniz. Yapay zeka kullanımında önemli olan, Narita tarzını yüzeysel olarak kopyalamak değil, ilkeleri kendi ortamınıza göre uyarlamaktır.
Dürüst olmak gerekirse: bu kısım "doğrulanmamıştır"
Ve dürüstçe yazmak istediğim bir şey daha var. Bu makalede tanıtılan "Narita tarzı yöntem", Narita'nın kendisinin "Yapay zekayı böyle kullanıyorum" dediği bir şey değildir. Kamuya açık materyallerini (site, CV, makaleler) dikkatlice okuyarak yüksek olasılıkla yeniden yapılandırılmış bir "tavır"dır. Narita'nın günlük hayatta hangi LLM'yi kullandığı, hangi istemleri yazdığı gibi kişisel rutinler, kamuya açık bilgilerde doğrulanamaz. Bu nedenle, bunu hayal gücüyle doldurmayacağım ve dürüstçe "doğrulanmamış" olarak bırakacağım.
Yine de dahil edilebilecek ilkeler
Bunun ötesinde, dahil edilecek ilkeler şunlardır: önce değerlendirme ile düşünmek, üretimden önce geçmiş verilerle puanlamak, ölçütün kendisini sorgulamak, gerçek dünya kısıtlamalarını en başından dahil etmek, bozulmayı önlemenin kendisini bir sonuç olarak ele almak ve etiği hesaplamalara dahil etmek. Ve riskleri görmezden gelmemek.
Sonuç: Yusuke Narita'nın Yapay Zeka Kullanım Tekniği "İyi Bir Karar Sistemini Bozmadan Büyütmek"tir
Yusuke Narita'nın yapay zekâyla başa çıkma yöntemini tek bir kelimeyle ifade etmek gerekirse, YZ'yi bir "cevap makinesi" olarak değil, bir "yargı cihazı" olarak ele almak ve bu yargıyı puanlayacak, onu bozmadan geliştirecek bir sistem kurmaktır. En güçlü prompt'ları ya da kusursuz araçları aramak yerine, YZ'nin neye karar vereceğinin temelini, bu kararın iyi olup olmadığını nasıl ölçeceğini ve bozulmayı nasıl önleyeceğini tasarlamaktır.
Narita tarzı ilkelerin özeti
Bunun için ilkeler nettir. Değerlendirme odaklı yaklaşarak, önce neyi geliştirmek istediğinizi tanımlayın. Prodüksiyona geçmeden önce geçmiş verilerle puanlayın. Tek bir rakama körü körüne inanmayın ve ölçütün kendisini sorgulayın. Gerçek dünya kısıtlamalarını ertelemeyin, en baştan işin içine katın. Bozulmayı önlemenin kendisini bir sonuç olarak kabul edin. Etik kaygıları bir dipnot olarak değil, hesaplamaların bir parçası olarak işleyin. Ve sınırlı bir kullanımla küçük başlayıp güvenli bir şekilde genişletin.
YZ çağında gerçek farkı yaratan şey, yalnızca "hangi YZ'yi kullandığınız" değildir. Asıl fark, YZ'nin yargısını ne kadar değerlendirebildiğiniz ve onu bozmadan geliştirmeye devam edebildiğinizdir. Narita'nın gücü, YZ trendlerinin cevaplarının peşinden gitmemiş olmasından gelir. Bunun yerine, YZ'nin yargı sistemini çökertmeden büyütmeyi tutarlı bir şekilde hedeflemiştir.
Bu nedenle, öğrenmemiz gereken şey "Narita ile aynı araştırmayı yapmak" değildir. Kendi işinizde YZ'ye emanet edeceğiniz tek bir yargı seçmek, onu geliştirmek istediğiniz kriterleri belirlemek ve bozulmayı önlerken azar azar iyileştirmektir. YZ'nin sadece yazı yazmasına izin vermekle yetinmeyin; YZ'nin yargısının kalitesini ölçün ve onu bozmadan büyütün. Prompt trendleri altı ayda bir değişir, ancak bu değerlendirme odaklı düşünce biçimi, YZ ne kadar evrilirse evrilsin çalışmaya devam edecektir.
Yusuke Narita'nın YZ kullanım tekniklerinden çıkarılabilecek en pratik şey işte budur.
