- Yapay zeka tabanlı programlama araçları olan LLM’ler, yazılım geliştirme sahasında zaten vazgeçilmez bir konuma gelmiş durumda
- Yazarın birçok tanıdığı hâlâ yapay zekanın geçici bir heves olduğuna inanıyor, ancak yazar özellikle geliştirme alanında artık fikri değiştirmenin zamanı geldiğini vurguluyor
- Kodlama ajanları, tekrarlı ve sıkıcı işleri otomatikleştirerek geliştiricilerin daha anlamlı işlere odaklanmasını sağlıyor
- Yapay zekayla üretilen kodun kalitesi, sahipliği ve araç desteği gibi tartışmalar var, ancak bunların çoğu mevcut geliştirme ortamlarının sorunlarını tekrar etmekten öteye gitmiyor
- LLM benimsenmesine yönelik isteksiz tutum doğru değil; ayrıca çok daha önemli teknolojik değişimlerin yaklaştığını gösteriyor
Giriş: Yapay zeka, programlama ve şüphecilik
- Son dönemde teknoloji şirketi yöneticileri LLM araçlarının kullanımını zorunlu kılma eğiliminde, ancak bu yanlış bir strateji
- Yazarın çevresindeki zeki geliştiricilerin bir kısmı, yapay zekayı NFT’ler gibi geçici bir moda olarak görüyor ve bunu ciddiye almıyor
- Ancak gerçekte, LLM’lerin benimsenmesiyle birlikte geliştirme alanında büyük bir değişim çoktan yaşanmış durumda
- Metin, yazılım geliştirme içindeki LLM’lerin anlamına odaklanıyor; sanat, müzik, yazarlık gibi diğer alanlara değinmiyor
LLM ajanları ve modern kullanım biçimleri
Seviyeyi güncellemek: geçmişteki LLM’ler ve bugünün ajanları
- 6 ay ila 2 yıl önce ChatGPT ya da Copilot’un basit kullanımıyla sınırlı dönemden farklı olarak, bugün gelişmiş LLM ajanı ortamı hızla yayılıyor
- Günümüz geliştiricileri, ajanların kod tabanını serbestçe dolaşıp değiştirmesine izin veriyor; böylece dosya oluşturma, derleme, test ve yinelemeli çalışma otomatikleşiyor
- Kod ağacı ve harici kaynaklardaki kodun sağlanması, Unix araçlarıyla bilgi çıkarımı, Git etkileşimi ve çeşitli geliştirme araçlarının çalıştırılması destekleniyor
- Kodun fiilen işlenmesine ilişkin mantığın kendisi basit sistem kodundan ibaret
- Eskisi gibi ChatGPT’den kod kopyala-yapıştır yapmak, esaslı değişimi deneyimlememekle aynı şey
LLM’lerin olumlu etkileri
- Çoğu projede ortaya çıkan basit ve tekrarlı kod, LLM’ler tarafından kolayca üretilebiliyor
- LLM’ler, arama yapmadan ya da dokümantasyon karıştırmadan bilgi toparlamada başarılı ve yorgunluğun getirdiği verimsizlikten etkilenmiyor
- İstenen özelliği geliştirmeye başlamanın zor olmasının nedeni yeni bir dilin ya da ortamın giriş eşiğiyse, LLM’ler bunu ciddi ölçüde azaltıyor
- Bakım amaçlı test kodu refaktörleri, bağımlılık işlemleri gibi geliştirmenin can sıkıcı işleri LLM’lere devredilebiliyor
- Böylece geliştiriciler önemli ve yaratıcı alanlara daha fazla enerji ayırabiliyor
“LLM’in ürettiği kodu anlayamıyorum” iddiasına yanıt
- Takımda birleştirilen kodu doğrudan okuyup stile uygun biçimde düzenlemek zaten doğal bir beklenti
- LLM’lerin ürettiği kod, “algoritmik olarak” öngörülebilir; dolayısıyla çıktıyı anlamak ve gözden geçirmek mümkün
- Tekrarlı kod inceleme beceriniz zayıfsa, insan geliştiricilerin yazdığı dağınık kodu sindirmekte de zorlanmanız muhtemel
“Yapay zekanın halüsinasyon sorunu”na bakış
- LLM ajanları kod lint, derleme ve testleri de çalıştırarak yanlış bilgileri düzeltiyor ve güvenilirlik sağlıyor
- Halüsinasyon sorunu, çoğu ortamda zaten belirli ölçüde çözülmüş durumda
- Etkili kullanım için aşırı ayrıntılı denetimden çok otomasyon sürecine güvenmek gerekiyor
“Yapay zeka kodu düşük seviyeli” eleştirisi
- LLM hizmetlerinin maliyeti bir stajyer maaşından daha düşük (ör. Cursor.ai aylık $20)
- Kıdemli geliştiriciler, yetersiz bir stajyerin ya da LLM’in yazdığı kodun üretkenliğini artıran kişiler olarak iş görüyor
- Kodlama ajanlarını kullanma becerisi, araç zinciri ve prompt tasarımı da yeni bir teknik yetkinlik alanı
- “Kimin hangi işi üstleneceği” konusunda bir karmaşa var; ama temelde geliştirici yön, doğrulama ve muhakemeden sorumlu
“Rust’ta yapay zeka performansı düşük” tartışması
- Belirli diller veya araçlarla uyumluluk sınırlamaları, ilgili ekosistemin çözmesi gereken meseleler
- Go gibi LLM dostu dillerde, yapay zekanın kullanım değeri oldukça yüksek
- Rust ile uyum sorunu, LLM’lerin genel sınırı değil; dillere göre uyarlanmış stratejiler gerekiyor
Zanaatkârlık (Craft) ve pratik programlama
- Yazılım geliştirme, pratik sorunları çözmeyi amaçlar
- Gereksiz biçimde kod kalitesine takıntılı olmak, “yak-shaving”dir ve gerçek işte verimsizlik yaratır
- Tekrarlı ve can sıkıcı işleri LLM’lere devredip, geliştiricilerin kapasitesini değer üretilen noktalara odaklamak gerekir
Yapay zeka kodunun sıradanlığını (“mediocrity”) kabullenmek
- Kodların çoğunun olağanüstü olmaması, pratikte genellikle sorun değildir
- Önemli kısımlarda kalite yükseltilmeli; daha az kritik kısımlarda ise LLM yoluyla maliyet düşüşü avantaja çevrilmeli
- LLM kodu, tekrarlı bölümlerde daha güvenli olabilir; algoritmik alanlarda ise insandan daha geniş bir yaklaşım sunabilir
“AGI’ye daha çok var” görüşüne dair düşünce
- Yazar AGI tartışmasının kendisiyle ilgilenmiyor; önemli olan yalnızca gerçekten çalışıp çalışmadığı
- Bugün için karar ölçütü, gerçek dünyadaki performans ve üretkenlik artışı
İşlerin yerini alma tartışması
- Açık kaynağın benimsenmesinde olduğu gibi, LLM’ler de mesleklerin değişmesine veya ortadan kalkmasına yol açan bir teknoloji
- Yazılım geliştiriciler de diğer sektörlerde olduğu gibi otomasyonun hedefi olduklarını fark etmeli
- Bu değişimin sonunda yararlı mı yoksa zararlı mı olacağı belirsiz; ancak değişimin kendisi kaçınılmaz
İntihal/telif hakkı meselesi
- Yapay zeka, görsel sanatlar dünyası için büyük bir tehdit hâline geliyor
- Gerçekten de LLM’ler, endüstriyel kaliteyi karşılayan çıktıları büyük ölçekte üretebiliyor
- Yazılım geliştiricilerin intihal sorununu gündeme getirmesi pek kolay değil
- Çünkü geliştiriciler öteden beri telif hakkına karşı duyarsız olmuş, fikri mülkiyet korumasından çok paylaşımı ve yeniden üretimi tercih etmiş durumda
- Kodun bir kısmının yeniden kullanımına ilişkin tartışma, bir bakıma özel bir mazeretten ibaret
Güncel LLM kullanımı ve değişimin hızı
- LLM tabanlı asenkron ajanların kullanımı ve paralel çalışma sayesinde üretkenlik ciddi biçimde artıyor
- Çok iyi geliştiriciler bile LLM’lerle kod inceleme ve iyileştirme yapıyor; statik olmayan bir ortamda somut fayda görüyor
- Kritik altyapıya erişim gibi güven hassasiyeti olan alanlar ise hâlâ temkinli ele alınmalı
Sonuç: Teknolojik değişim ve şüpheciliği aşmak
- Yazar, geleneksel yapay zeka şüphecilerinden farklı olarak temkinli bir bakışı korusa da gerçek değişimi hissediyor
- Yazılım geliştiricilerin eskimiş itirazlardan sıyrılıp gerçek dünyadaki dönüşümü kabul etmesinin zamanı geldi
- LLM’ler ve yapay zeka tabanlı programlama, akıllı telefonlar ve internetin yaptığı gibi sektörün temel yapısını değiştirecek görünüyor
4 yorum
Tek seferlik kullanılacak basit bir script yazarken kesinlikle faydalı. Çok ciddi zaman kazandırıyor.
Çözülmesi gereken ama çok fazla zaman ayrılamayan durumlarda da işe yarıyor. Yine de şu an için genel olarak faydalı olsa da insanın yerini tamamen alamıyor. İleride ne kadar gelişeceğini bilmiyorum ama şu an asistan olarak idare eder düzeyde kullanılabilir.
İster yapay zeka fanatiği ister şüphecisi olsun, insanlar uçlara gidince onlardan uzaklaşmak istiyorum.
"Tekillik geliyor" diye bağırıp durduklarını her gördüğümde gerçekten yorucu oluyor.
Hacker News görüşleri
6 ay önce LLM ile kod yazmayı deneyip başarısız olduysan, bu muhtemelen LLM’leri ciddi biçimde kullanan çoğu geliştiricinin yaptığı şeyden farklı bir yöntem izlediğin anlamına gelir. Ama ben bugüne kadar bu teknolojinin devrim niteliğinde olduğunu iddia eden seslere hep şüpheyle yaklaştım. 6 ay önce de en yeni LLM’i kullanmıyorsan demode olduğun, doğru kullanmayı bilmediğin söyleniyordu; ama şimdi de herkes eski LLM’lerin pek iyi olmadığını kabul ediyor gibi. Sürekli mazeret üretilen bir "AI çocuğu geldi" sendromu gibi geliyor. Bu kez de iş verimliliğinin çarpıcı biçimde arttığı söyleniyor ama bugünkü iddianın neden gerçekten doğru olduğuna hangi temelde inanabileceğimden emin değilim. 6 ay sonra yine bugün kullandığımız LLM ürünlerinin de kötü olduğunun söyleneceğini tahmin ediyorum.
Üstel fonksiyon grafiği her anda benzer bir eğri çizer. Bir süre boyunca bilgisayarlar her yıl muazzam gelişti; bunun nedeni yeni aldığın bilgisayarın çöp olması değil, teknolojinin gerçekten çok hızlı ilerlemesiydi. Senin hissettiğin bu durum, yani sürekli daha iyisinin gelmesinden doğan yorgunluk hissi bile, aslında gerçekten devrimsel bir ilerlemenin sonucu olarak görülebilir.
0 yaştan 30 yaşına kadar bir insandan her 6 ayda bir yardım isteseydin, ne zaman etkilenirdin? Kime sorduğuna ve işin ne olduğuna göre hayranlık duyulan an değişebilir ama zaman geçtikçe daha fazla insan o yeteneğe hayran kalır. LLM’lerin gelişimi de adeta bir çocuğun büyümesini izlemek kadar hızlı. Ben de eskiden LLM kullanmıyordum ama o3 ve Gemini 2.5 Pro’dan sonra sürekli kullanıyorum. En yeni modelleri bizzat deneyip hâlâ etkilenmediysen, 3 yıl içinde mutlaka etkileneceğine eminim.
tptacek 6 ay önce böyle bir iddiada bulunmuyordu. LLM’ler zamanla giderek gelişiyor ve bazen daha önce çalışmayan şeyler için de bir atılım noktası geliyor. Son 6 ayda “ajan tabanlı kod yazımı” gerçekten çalışmaya başlamış gibi görünüyor. “Her 6 ayda bir daha iyi olduğu söyleniyor diye bunu ciddiye almayacağım” yaklaşımı, teknolojiyi doğru değerlendirme becerini zayıflatma riski taşıyor.
Sorunun özü bir “dönüm noktası” meselesi olabilir. Bazı insanlar sadece ChatGPT’ye kod yapıştırıp memnun kalmıyor ama bazıları da kod bağlamının tamamını görebilen ajanlarla çok daha iyi sonuç alıyor. Sonuçta önemli olan sadece belirli bir LLM değil, iş akışı farkı da.
Thomas’ın argümanını seviyorum ama içinde başkalarının sık yaptığı temel bir hata da var bence. İyi bir programcının LLM’leri iyi kullanabilmesi için yıllar içinde deneyim biriktirmesi gerekiyor ve Thomas da zamanla bu uzmanlığı edinmiş. Ama belki de biz, LLM desteği olmadan yetişen son nesiliz. Okuldan yeni çıkmış bir aceminin “vibe coding”den nasıl çıkıp gerçek beceri geliştireceği konusunda şüpheliyim. Eskiden insan bir şeyleri eliyle yaparak gelişirdi; şimdi ise tüm tasarımı ve montajı bütünüyle robota bırakıp, kullanılan araçların ya da malzemelerin gerçekte nasıl çalıştığını hiç öğrenememe riski var. Çatının yükünü bile ancak “sezgiyle” anlayan insanlar ortaya çıkabilir.
Uzman biri LLM’in ürettiği kodu okuyup anlayabildiğinde ve kod tabanına entegre edebildiğinde AI ajanlarının avantajları gerçekten belirginleşiyor. Ama herkes AI ile kod yazarsa, giderek daha karmaşık kodu okuyabilen, riskleri fark edebilen, neyi nerede nasıl test edeceğini bilen ve tüm kod tabanının yapısını zihninde canlandırabilen gerçek “editörleri” nasıl yetiştireceğiz? Bugünün editörleri için gerekli bu yetenekler, uzun süre bizzat kod yazarak kazanılıyor. Acemi biri düşünmeyi dışarıya devrederse bu becerileri geliştirme fırsatı bulamaz. Usta insanların nereden çıkacağı belli değil diye endişeleniyorum. Bir profesör olarak ödevlerin ve projelerin artık LLM ile düşünmeden geçilebilir hale gelmiş olması da buruk hissettiriyor. Yeni beceri geliştirme yöntemlerine ihtiyaç var gibi ama henüz aklıma gelen bir şey yok; bu dünyada yeni başlayanların nasıl uzmana dönüşeceğini de kestiremiyorum.
Herkes sadece hesap makinesi kullanırsa matematiği nasıl öğreneceğiz itirazı. Öğrencilere önce yeterince elle pratik yaptırıp özünü kavratmak, ancak ondan sonra LLM’i hesap makinesi gibi devreye sokmak gerektiği savunuluyor.
Isaac Asimov’un kısa öyküsü "Profession" aklıma geliyor. Çoğu insan yeteneklerini ve mesleklerini doğrudan bilgisayardan alıyor; bu sayede işlerini yapabiliyorlar ama yenilik ya da yaratıcılık geliştiremiyorlar. Hatta ancak bu teknolojiye uymayan az sayıdaki insan gerçekten öğrenmeye devam ediyor ve sanat dünyasını ileri taşıyabilen tek grup haline geliyor.
Benim deneyimime göre LLM, bir eşli programcıya daha yakın; acemiler içinse adeta kıdemli mühendis gibi davranıyor. Sadece kod yazmıyor, ilkeleri ve süreçleri de iyi açıklayan mükemmel bir eğitmen işlevi görüyor. Kıdemlilere de kod inceleme, fikir fırtınası, boilerplate işleri ele alma gibi pek çok fayda sağlıyor. Uzman açısından bakınca zor olan %10’luk kısma odaklanıp geri kalan basit işleri LLM’e devretmek zaman kazandırıyor. Acemi biri merak ya da ilgi duymadan sadece verilen kodu kopyalıyorsa bu geliştiricinin sorunudur; gerçekten öğrenmek isteyen biri için LLM olağanüstü bir öğrenme kaynağı. Bu açıdan acemiler için en avantajlı dönem belki de şimdi.
Bu başlığın tamamı sanki klasik psikolojik evreleri gösteriyor: “Sorun yok” – “Var ama o kadar da önemli değil” – “Tamam, gerçekten varmış, o halde uyum sağlayalım.” Gerçekten kilit bir probleme dokunulduğunu düşünüyorum.
Ben de acemilerin düşünmeyi tamamen LLM’e bırakırsa gelişmesinin zorlaşacağı fikrine katılıyorum. Ama bir yandan da LLM sayesinde sürekli yeni şeyler öğreniyorum. Hakkında kabaca bilgi sahibi olduğum API’lere sorun verip sonucu okuyarak kavramları öğreniyorum, sonra genelde kodu söküp değiştiriyor ve refactor ediyorum. Birkaç gün önce de signal’ın iç işleyişini merak ettim; LLM örnekler verdi ve birlikte analiz ettik. Yeter ki merak olsun, inanılmaz bir eğitmen olabiliyor. Junior’ların mutlaka sadece “vibe coding” yapması gerekmiyor; asıl önemli olan aktif olarak öğrenme isteği. Bu yoksa sorumluluk kendilerine ait ve artık geri döndürülemeyecek bu gerçeklik içinde, merak olduğu sürece gelişmek için yeterince yol var.
Yakın zamanda gerçekten Claude 4 agent gibi araçlarla büyük bir C kod tabanında (yeni özellikler, bugfix), küçük bir Rust projesinde, küçük bir frontend’de, temel API dokümantasyonu olan yeni bir frontend’de denemeler yaptım. Tüm vakalarda tamamen başarısız oldular. diff’leri yanlış alıyor, araçlara yanlış argüman gönderiyor, en temel işleri bile yapamıyor, yüzlerce satırı alakasız şekilde refactor ediyor, yarım kalmış refactor’ları bırakıp kod tabanını darmadağın ediyor. Svelte ve solidJS gibi veri açısından zengin JS framework’lerinde de sonuç kötüydü. İnsanların yere göğe sığdıramadığı bu ajanların gerçek gücünün ne olduğunu anlamıyorum; daha çok pazarlama abartısı gibi geliyor.
Prompt’ları nasıl yazdığını soran bir görüş. Genelde tek bir özelliği daha küçük ve ayrıntılı iş parçalarına bölüp LLM’e verdiğinde çok daha iyi çalışıyor. Tekil işler (10-200 satır arası) iyi gidiyor ama onun üstünde hep ek işler ve hayal kırıklığı geliyor. Mevcut seviye, akıllı ama deneyimsiz bir stajyer kadar otonomi sunuyor. Yüksek zorluktaki genel tasarım ve planlamayı hâlâ insanın yapması gerekiyor.
Ajanları övenlerin aslında sadece spagetti kod ürettiği ve sırf kendi üretkenlikleri arttı diye bunu umursamadıkları hipotezi. Gerçek başarı örneklerini kullanılan araçlar ve yöntemlerle birlikte somut biçimde paylaşan çok az kişi var; AI bunu dokümante etmeyi de üstlenebilirdi ama o da yapılmıyor.
Ajanlarla ilgili pek çok yazı sanki tanıtım metni gibi duruyor. AI pazarına aşırı para aktı ve geçmiş pazarlama örneklerini de düşününce güven daha da azalıyor. Bizzat birçok ajan ürününü denedim ama somut iyileşme azdı. HN’de ise AI’dan korkan karamsarlar çok olduğu için, tartışma büyüdüğünde sonunda sorunun kullanıcıda olduğu havası bile oluşuyor. Bir kullanıcı “gerçekten deneyimlemek için AI’a 1000 dolar harcamak lazım” dedi; bu da reklam kokuyor.
LLM’in değişikliklerini küçük kod parçalarıyla, tek dosyayla ya da 50 satırın altındaki birimlerle sınırlarsan yönetmek daha kolay oluyor.
90’lardan beri kodlama öğrenen biri olarak, artık bilgisayara belirsiz ve muğlak bir girdi verip anlamlı bir sonuç alabiliyor olmamız bile bana mucize gibi geliyor. İnsan düzeyinde muğlaklıkla net ve işe yarar çıktı alabilmek, bilim kurgu gibi hissettiriyor.
Tersine, çok net bir girdi verdiğinde bile bilgisayarın onu daha kolay çözebileceği başka bir probleme dönüştürmek için muğlak yorumladığı durumlar da sık yaşanıyor.
Ben LLM’lerdeki bu muğlaklığın özellikle belgeyle sohbet etme kullanımında çok çekici olduğunu düşünüyorum. İstediğim bilgiyi bulmak için arama terimini tekrar tekrar değiştirmek zorunda kalmıyorum; bu da genel olarak ciddi zaman kazandırıyor.
Gerçekten hayranlık uyandıran bir çağda yaşıyoruz; haftada bir iki kez bunun gerçekliğine şaşırıyorum.
Star Trek: The Next Generation hayranıydım; Enterprise’ın bilgisayarı ile Data arasındaki farkı düşünerek hayret ettiğimi hatırlıyorum. Enterprise bilgisayarı, bugünün AI’ına benzer şekilde bilgiyi düzenleyebiliyor, özetleyebiliyor ve görevleri yerine getirebiliyordu; Data ise bireysel yetenekleri olan bir robottu. Data’nın mizah, sanat gibi insani alanlardaki sınırlılığı da bugünün AI sanatıyla benzeşiyor. Dizinin ilk dönemlerindeki o ince ayarlı dünya kurulumunu ve gidişatını da anımsatıyor.
Ben bu sektöre, makinelere açık talimat verip tam olarak istediğim şeyi elde etme fikri yüzünden girdim. Dijkstra da yıllar önce insan dilinin muğlaklığını ve bunu aşmak için ortaya çıkan “biçimsel dillerin” önemini vurgulamıştı. Sonuçta 2025’te bilgisayarla tartışıp üslup düzeltmek zorunda kaldığımız “prompt engineering/vibe coding” çağına gelmiş olmamız biraz ironik. EWD667: The Humble Programmer okunmaya değer.
Üretken yapay zekanın sınırsız yeteneğe sahip olduğunu iddia edenlerin gerçekten kanıt gösterebilip gösteremeyeceğini merak ediyorum. GAI ya da ajanlar gerçekten çok güçlüyse, sırf AI ile şirket kurup kısa sürede son derece tamamlanmış kod üreterek bunu kanıtlayabilirlerdi. Ama ortada böyle bir işaret yok. Şimdiye kadarki en faydalı kullanım alanı yine de insanların anlamlı sanabileceği metin ve sanat üretimi gibi görünüyor. Startup’ların gerçek işlerde kullanma deneyimine bakınca, en fazla ara sıra API keşfi ya da kullanışlı bilgi bulma gibi alanlarda işe yarıyor. Genel tabloya bakınca zaman kaybı daha ağır bastı. Artık “iyi” demek yerine, AI’ın tamamen kendi ürettiği sonuçları doğrudan gösterme zamanı geldi.
Bence burada bakış açıları çakışıyor. Her zaman uygulanabilir değişikliklerle (çabaya değen işler) backlog’da bekleyip duran işler arasında bir eşik maliyet vardı; AI araçları bu eşiği düşürerek daha fazla işin denenmesini mümkün kılıyor. Bu yüzden “5 kat üretkenlik” diyenler gerçekten işlenen kod miktarının arttığını vurgularken, şüpheciler işin özündeki ticari değerin çok değişmediğini düşünüyor. AI üretkenlik paradoksu da bu konuda ilginç.
Tam olarak ne tür bir kanıt görmek istediğini soran bir yorum. Sınırsız yetenek mi istiyorsun, yoksa gerçekçi yararlılığı mı kanıtlamalarını bekliyorsun, bunu netleştirmek lazım deniyor. Pratikte kimse bunun tam anlamıyla her işe yarayan bir şey olduğunu savunmuyor; asıl nokta, sınırlarını ve güçlü yanlarını anlayan insanların elinde yararlı olması. Yakın tarihli cloudflare/workers-oauth-provider commit geçmişi de örnek olarak veriliyor ve “biraz bile olsa faydalı” olduğu konusunda anlaşamaz mıyız diye soruluyor.
Herkes zaten LLM’in ürettiği kodu bir şekilde kendi kullanımına almış durumda. LLM destekli PR’ların aylardır gerçek prodüksiyona girdiğini söyleyenler var. Eğer sen hâlâ faydasını göremediysen, belki de onu etkili kullanmayı henüz öğrenmemişsindir deniyor.
LLM’in çok da işe yaramadığını pazarlayanları görünce, tuhaf biçimde yine bir pazarlama düzeni işliyormuş hissi geliyor. Eskiden güvendiğim şirketlerin bile son dönemde AI tanıtımına fazlaca kaymış olması üzücü. Gerçek fayda varsa, onu doğrudan kullanıp görmek gerekir havası var.
“Altına hücumda kazma satan tüccarlar” benzetmesi. Araçların kendini kanıtlamasından çok, insanlara bir altın madeni olduğu fikrinin satıldığı bir pazarlama yapısını eleştiriyor.
Github kod lisansları meselesini görmezden gelen tavra eleştiri. Bazı geliştiriciler “telifi boş ver” diyor ama tüm programcıları telif ihlali yapan suçlular gibi varsaymak yanlış bir genelleme. Ben dahil birçok geliştirici büyük ölçekli korsanlıkla ilgisiz; hatta copyleft’i ve açık kaynak ruhunu korumaya çalışıyor. SciHub’ı kamu yararı olarak görebilirsin ama bireysel geliştiricinin niyet ettiği copyleft’e de saygı duymak gerekir. Telif meselesi basitçe lehte/aleyhte diye ayrılmıyor. Bu çeşitliliği ve bağlamı görmezden gelip herkesi aynı kefeye koymak ya da lisans ihlalini meşrulaştırmak, asıl tembelce düşünme biçimi.
Programcılar hukuku, özellikle de Amerikan common law sistemini, çoğu zaman iyi anlamıyor. Hukuk geleneği uzun süredir insanların makul biçimde yorumlayacağı varsayımıyla yazılıyor ve AI araçları sorumluluğu dağıtmak ya da görünmez kılmak üzere tasarlansa bile hukuk sonunda sorumlu tutulacak insanı bulup cezalandıracaktır. AI balonu geçtikten sonra büyük olasılıkla şöyle bir tablo göreceğiz: 1) şirketler ve devletler sorumluluğu dağıtmaya çalışacak, 2) yan etki vakaları çıkacak (araba kazaları, ayrımcı algoritmalar, veri sızıntıları vb.), 3) mahkemeler sorumluluğu insanlara yükleyip para cezası ya da başka yaptırımlar uygulayacak, 4) diğer şirketler de riskten çekinip AI kullanımını sınırlayacak. Bu akış içinde AI araçları ancak insan sorumluluğu çerçevesinde yaşayabilir.
25 yılı aşkın süredir özgür yazılım geliştiricisiyim ve farklı lisansları seviyorum. Yönetmen ve görsel sanatçı bir eşim de var ama ben AI ile ilgili içeriklere hiç bulaşmıyorum, hepsini çöp olarak görüyorum. Karşıma çıkmasını bile istemiyorum.
Konwinski Prize gibi, açık kaynak bir LLM’in yeni bir Github issue’larının %90’ından fazlasını çözmesi halinde 1 milyon dolar veren bir meydan okuma ilginç. Konwinski Prize yarışması buna örnek. Şu anda en iyi modeller bile 0.9 değil, 0.09 civarında; yani gerçek üretim kullanımına hâlâ çok uzaklar. Açık kaynak modeller ticarilere göre biraz zayıf olsa bile, LLM’in bağımsız biçimde kod yazması hâlâ neredeyse imkânsız görünüyor. Çok çöp üretiyorlar ama değerlendirme ve yönetim ihtiyacı açısından yine de bir kullanım alanı var.
Tekrarlayan boilerplate kod işlerini AI’a yaptırınca, bu kez de sıkıcı AI kod incelemesi işi tekrarlanıyor; sonuçta daha az eğlenceli, harcanan zaman benzer ve anlama düzeyi daha düşük bir noktaya geliyoruz.
AI geliştirmeyi savunanlar galiba en sonunda kod yazmaktan çok kod incelemeyi seviyor. Bu kişisel tercih olabilir ama bana göre başlı başına eziyet.
Daha açık söylemek gerekirse, büyük hacimli kod incelemesi genelde kodu bizzat yazmaktan daha az zaman alır. Özellikle kod testlerden geçiyorsa. Üstelik test kodunu da LLM üretebildiği için yük biraz daha hafifler.
Claude, Gemini gibi araçlar benim doğrudan kod yazmamdan çok daha hızlı ve iki kez gözden geçirsem bile çoğu zaman kendim yazmaktan daha az vakit alıyor.
Eskiden “yak tıraşı” tarzı tekrar işlerine kod yazıyorduk; şimdi ise özensiz bir “yak tıraşı”nı gözden geçiriyoruz.
Genel olarak daha yüksek enerji/karbon salımı kaçınılmaz.
Makine çevirisi ve konuşma tanıma üzerine sohbet. Neredeyse işitme engelli biri olarak bu teknolojiyi gün boyu kullanıyorum. 80’ler dizilerini altyazısız izleyemezdim ama artık Whisper gibi LLM’lerle videolardan altyazı çıkarabiliyorum; eskiden sadece hayal edebileceğim şeylerin gerçek olması mucize gibi.
En yeni konuşma tanıma ve çeviri SOTA’sında hâlâ tek göreve özel modeller önde ama aradaki fark hızla kapanıyor ve LLM’ler çok daha çeşitli işler yapabiliyor. (Örnek: konuşma tanıma liderlik tablosu) LLM’ler daha geniş olasılıkların önünü açıyor.
Yıllardır çeşitli konuşma tanıma araçlarını denedim (Dragon vb.); hepsi etkileyiciydi ama gerçek kullanımda hantaldı. Whisper ile LLM birleşimi, ilk kez pratikte belirgin fayda sağladı. Hâlâ kusursuz değil ama elle düzeltme işi onda bire indiği için kişisel notlarımda artık neredeyse doğrulama bile yapmıyorum.
Yine de gerçekten yüksek riskli işler için (ör. yurtdışı iş sözleşmeleri, polise ifade verme vb.) yalnızca LLM çevirisine güvenmezdim. Eskiden de konuşmadan metne araçlar vardı ama bugünkü gelişme hissedilse de daha çok gündelik ve düşük riskli kullanımlarda geçerli; bilim kurgudaki yıldızlararası diplomasi düzeyine gelmesine daha çok var.
Ben de son dönemde teknolojinin gerçekten çocukken okuduğum bilim kurgunun vaatlerini yerine getirmeye başladığını hissediyorum. Birkaç gün önce yabancı bir şehirde restoran menüsünün fotoğrafını çekip Çince el yazısını çıkardım, anında İngilizceye çevirdim, sonra istediğim yemeğin telaffuzunu öğrenip sipariş verdim. 2 yıl önce bunun mümkün olmadığına eminim.
Çeviri, bence LLM’lerin kusursuz kullanım alanı. LLM’ler toplumsal kavramları, kültürel bağlamı, popüler kültürü, nadir referansları kapsayabiliyor ve farklı dil ile kültürlere uygun birden çok çeviri versiyonu bile üretebiliyor. Geleneksel çevirinin şimdiden çok ilerisinde olduklarına inanıyorum.