- Teknoloji sektöründe birkaç yılda bir yeni bir yapay zeka teknolojisi ortaya çıktığında, “bu kez doğal dil arayüzü her şeyi değiştirecek” yanılsaması yeniden ortaya çıkıyor
- Siri, Alexa, chatbot'lar, AirPods platformu ve son olarak büyük dil modelleri (LLM) de bu akımın parçası
- Ancak gerçekte bilgisayarları kullanma biçimimiz neredeyse hiç değişmiyor
- İnsanlar, doğal dilin "doğal" olduğu için kaçınılmaz olarak nihai biçim olması gerektiğine inanma eğiliminde
- Bu yazının iddiası, doğal dil arayüzlerinin bir ideal olmadığı ve pratikte verimli bir yöntem de olmadığıdır
Doğal dil yavaş ve kayıplı bir veri aktarım yöntemidir
- Doğal dil, fikir ve bilgiyi insanlar arasında aktarabilmek için kullanılan bir veri iletim mekanizmasıdır
- Veri iletiminde önemli iki unsur hız ve kayıp oranı (lossiness)'dır
- Düşünme hızımız dakikada 1.000~3.000 kelime düzeyinde olabilirken, bunları konuşarak ya da yazarak ifade etme hızımız çok daha düşüktür
- Örneğin okuma/dinleme (alma) hızlıyken, yazma/konuşma (gönderme) yavaştır → doğal dil bir darboğazdır
- Bunun yerine insanlar jestleri (başparmak kaldırma, baş sallama vb.) kullanarak daha hızlı ve daha öz iletişim kurar
- Bu yaklaşım veri sıkıştırma gibidir → kayıplı olsa da hız ve kullanım kolaylığı açısından üstündür
- En verimli örnek, uzun yıllardır birlikte olan bir çiftin konuşmadan da birbirinin ne istediğini anladığı an gibi görünür
İnsan-bilgisayar etkileşiminin evrimi
- İlk bilgisayarlar komut tabanlı metin arayüzleri kullanıyordu, ancak GUI'nin gelişiyle görsel öğeler üzerinden işleri çok daha kolay yapmak mümkün hale geldi
- Bugün GUI ile klavye kısayollarının birleştiği bir üretkenlik dengesi içindeyiz
- ⌘b, ⌘t, ⌘c/v gibi kısayollar doğal dil değil, bir tür veri sıkıştırmadır; çok daha hızlı ve verimlidir
- Linear, Raycast, Superhuman gibi araçlar bu sıkıştırılmış girdiyi en üst düzeye çıkarır → alışınca neredeyse düşünceyle aynı anda çalışmak mümkün olur
- Dokunmatik arayüzler tamamlayıcı bir rol kazandı, ancak ciddi üretkenlik işleri hâlâ masaüstünde yapılıyor
- Mobilde metin girişi yavaş ve zahmetlidir (ortalama 36WPM) → mobile uygun bir kısayol alternatifi yoktur
- Bu nedenle mobil üretkenlik araçları masaüstü kadar gelişemedi
Konuşmalı arayüzler giriş hızında dezavantajlıdır
- Ses, yazmaya göre daha hızlı bir giriş yöntemi olabilir (150WPM vs 60WPM), ancak gerçek kullanımda verimsizdir
- Örnek: “Hey Google, havayı söyle” demek bir uygulama simgesine dokunmaktan 10 kat daha yavaştır
- Siri ve Alexa'nın başarısız olmasının nedeni AI çıktısının kalitesi değil, giriş yönteminin zahmetli olmasıdır
- LLM'ler de giriş yöntemindeki bu verimsizliği çözmez
- Tek düğmeyle yapılabilecek bir işi cümleyle anlatmak aslında bir geriye gidiştir
Konuşmalı UI tamamlayıcı bir araç olarak kullanılmalıdır
- LLM'ler mevcut arayüzlerin yerini almak yerine, onları tamamlayan bir biçimde son derece faydalıdır
- Yazar, bu yazıyı yürüyüş sırasında ChatGPT ile yaptığı sesli bir konuşma üzerinden taslak haline getirdiğini söylüyor → LLM'yi düşünme ortağı olarak kullanıyor
- Bu, hız odaklı değil düşünce odaklı bir iştir; mevcut iş akışının yerine geçmez, tamamen yeni bir kullanım senaryosu oluşturur
- En ideal örneklerden biri, StarCraft II'de Alexa'nın yardımcı giriş yöntemi olarak kullanıldığı bir hackathon çalışmasıdır
- Fare/klavyenin yerine geçmeden, sese ek bir giriş yöntemi olarak yer vererek veri aktarım bant genişliğini artırır
- Figma, Notion, Excel gibi araçların bir sohbet arayüzüyle yer değiştirmesi beklenmez
- Bunun yerine LLM'ler, araçlar arasında bağlantı kuran her zaman çalışan bir meta katman haline gelmelidir
- Örneğin kullanıcı fare veya klavyeyle çalışırken aynı anda sesle basit komutlar verebilmelidir
- Bunun için yapay zeka tek bir uygulama değil, işletim sistemi seviyesinde çalışan bir yapı olmalıdır
- Aynı zamanda sesli girdiyi daha hızlı hale getirecek yöntemlere de ihtiyaç vardır (ör. ıslık, duygu tanıma vb.)
- Konuşmalı arayüzlerde bile sonuçta belirleyici olan şey hız ve kullanım kolaylığıdır
Sonuç: yerine geçme değil, tamamlama perspektifiyle bakılmalı
- Bu yazının başlığı tıklama çekmek için biraz abartılıdır
- Asıl sav, "konuşmalı arayüz karşıtlığı" değil, sıfır toplamlı düşünceye karşı çıkmaktır
- Yapay zeka mevcut arayüzlerin yerini almak için değil, yeni olasılıkların önünü açan tamamlayıcı bir unsur olarak görülmelidir
- İdeal gelecek, insanların bilgisayarlarla doğal ve bilinçdışı bir etkileşim kurmasıdır
- Tıpkı sabah kahvaltı masasında hiçbir şey söylemeden tereyağının otomatik olarak uzatılması gibi
5 yorum
Ben de arayüz tarafında benzer kaygılar yaşadım, ama gerçekten uygun yeni bir arayüz aklıma gelmedi.
Yazıda tanıtılan https://upsidelab.io/blog/design-voice-user-interface-starcraft bağlantısındaki makale 2018 tarihli olmasına rağmen hâlâ ilgi çekici.
Gelecekte bunun hangi şekilde seçilip kullanılacağını merak ediyorum :)
İnsanlar konuşurken belirsizlikten hoşlanmadığı için doğru kelimeleri kullanma arzusundan vazgeçmekte zorlanır. Ancak ChatAI ya da LLM'ler özünde belirsizlik barındırır. Olasılıksal bilgi yalnızca bende olduğunda sorun olmayabilir, ama karşı taraf da olasılıklara dayanıyorsa bu stres yaratır. Bazen deterministik bir yöntem iç huzuru açısından daha rahat olabilir.
Hacker News görüşü
Bilgisayarla "konuşma" fikrine ilgi duyan insanlara anlatmaya çalıştığım birçok şeyi net biçimde açıklayan bir içerik
Yazıdaki hatalı noktalar
Star Trek, konuşmalı arayüzlerin uygun kullanımını iyi gösteriyor
Sesli kullanıcı arayüzü, klavye/fare ile birlikte kullanıldığında en etkili olur
Ses girdisini daha hızlı iletmenin yollarını bulmak gerekiyor
Yazının başlığı yanlış anlaşılmaya yol açabilir
Dışa dönük ve yönetim odaklı insanlar, sorun çözmek için ortaya laf atmayı tercih ediyor
20-30 yıl öncesine kadar insan bilgisayarlaştırılmış değildi
Text-to-CAD yapay zeka araçları kullanıcının taleplerini iyi anlayamıyor
Bilgisayarla ilişki telepati gibi olmak isteniyor