- Deneme yazma eğitiminde LLM kullanımının bilişsel maliyetini ölçen bir ön baskı makalesi; öğrenme ve işte yaygın kullanılan yapay zeka araçlarının öğrenme kapasitesini zayıflatıp zayıflatamayacağını deneysel olarak inceliyor
- Katılımcılar LLM, Search Engine ve Brain-only gruplarına ayrılarak 3 kez deneme yazdı; 4. oturumda LLM grubunun bir kısmı araçsız, Brain-only grubunun bir kısmı ise LLM kullanarak yazdı
- 1–3. oturumlara 54 kişi, 4. oturuma bunların 18'i katıldı; EEG, NLP analizi, oturum bazlı görüşmeler, insan öğretmenler ve ayrıca oluşturulmuş bir AI judge puanlaması birlikte kullanıldı
- Dış destek arttıkça beyin bağlantısallığı azaldı; Brain-only grubu en güçlü ağı, Search Engine grubu orta düzeyi, LLM desteği ise en zayıf genel bağlanımı gösterdi
- 4 ay boyunca 4 oturumda LLM grubu, sinirsel, dilsel ve puanlama düzeylerinin tamamında Brain-only grubundan daha düşük performans gösterdi; sahiplenme hissi ve hemen ardından alıntı yapabilme becerisi de daha düşüktü
Deneme yazımında ölçülen LLM'nin bilişsel maliyeti
- Eğitim ortamında deneme yazarken LLM kullanımının bilişsel süreçlerde bıraktığı maliyeti belirlemeye odaklanıyor
- LLM'ler kişiselleştirilmiş öğrenme deneyimleri, anında geri bildirim ve eğitim kaynaklarına daha geniş erişim sağlayabilir; ancak kullanım yaygınlaştıkça eleştirel düşünme ve derin analiz süreçlerine katılım azalabilir
- Deneme yazma, okullarda ve standart sınavlarda öğrenci becerisini değerlendirmek için yaygın bir görevdir; aynı anda birden fazla bilişsel süreç gerektiren karmaşık bir iş olduğu için seçildi
- Söz konusu makale preprint, under review durumundadır
Katılımcılar ve oturum tasarımı
- Katılımcılar üç gruba ayrıldı
- LLM grubu: Belirlenen LLM aracıyla deneme yazdı
- Search Engine grubu: Arama motoru kullanarak deneme yazdı
- Brain-only grubu: Harici araç kullanmadan deneme yazdı
- 1–3. oturumlarda her katılımcı aynı grup koşulunu korudu
-
- oturumda bazı katılımcıların koşulları değiştirildi
- LLM-to-Brain: Daha önce LLM kullanan katılımcı araçsız yazdı
- Brain-to-LLM: Daha önce araçsız yazan katılımcı LLM kullandı
- 1–3. oturumlara toplam 54 kişi katıldı; 4. oturumu bunların 18'i tamamladı
- Her oturumda SAT konularından biri seçilerek deneme yazıldı; 1–3. oturumlarda oturum başına 3 konu olmak üzere toplam 9 konu seçeneği sunuldu
Ölçüm yöntemi
- Beyin aktivitesini ölçmek için EEG kullanıldı
- Bilişsel katılımı ve bilişsel yükü değerlendirmek için katılımcıların beyin aktivitesi kaydedildi
- Deneme yazımı sırasında sinirsel aktivasyonu daha derinlemesine anlama amacı da vardı
- Deneme metinlerine NLP analizi uygulandı
- Named Entities Recognition(NER)
- n-gram
- konu ontolojisi
- gömme tabanlı benzerlik ve mesafe
- Her oturumdan sonra katılımcı görüşmeleri yapıldı
- deneme yapısına uyum
- denemeden alıntı yapabilme becerisi
- alıntı doğruluğu
- denemeye yönelik sahiplenme hissi
- memnuniyet vb. kontrol edildi
- Puanlamada insan öğretmenler ve ayrıca oluşturulan AI judge birlikte kullanıldı
EEG sonuçları: Dış destek arttıkça beyin bağlantısallığı düştü
- Üç grup farklı sinirsel bağlantı örüntüleri gösterdi; bu da farklı bilişsel stratejileri yansıtıyor
- Beyin bağlantısallığı, dış destek miktarına göre sistematik olarak azaldı
- Brain-only grubu: en güçlü ve geniş ağı gösterdi
- Search Engine grubu: orta düzey katılım gösterdi
- LLM desteği: genel bağlanım en zayıftı
-
- oturumda LLM-to-Brain katılımcıları daha zayıf sinirsel bağlantısallık ve alpha·beta ağlarında daha düşük katılım gösterdi
- Buna karşılık Brain-to-LLM katılımcıları daha yüksek bellek hatırlaması ve geniş occipito-parietal ile prefrontal düğümlerin yeniden katılımını gösterdi
- Bu örüntü görsel işlemeyle ilişkili olabilir ve Search Engine grubunda sık gözlenen görünüme benzer
Dil analizinde ortaya çıkan deneme özellikleri
- Grup içinde NER, n-gram ve konu ontolojisinde tutarlı bir homojenlik bulundu
- LLM grubunun denemeleri, aynı grup içinde daha homojen dilsel özellikler gösterdi
- Search Engine grubu, bazı konularda arama optimizasyonunun etkisi gibi görünen n-gram kullanımı sergiledi
- Örn: PHILANTHROPY konusunda
homelessn-gram'ına odaklanma görüldü
- Örn: PHILANTHROPY konusunda
- Brain-only grubundaki denemeler arasındaki mesafe, LLM veya Search Engine gruplarına göre her zaman anlamlı ve büyük çıktı
- Bazı konularda LLM grubu ile Brain-only grubu arasında neredeyse ortogonal düzeyde farklar görüldü
- Örn: HAPPINESS, PHILANTHROPY konuları
Sahiplenme hissi, bellek ve alıntı yapabilme
- LLM grubu, görüşmelerde kendi denemesine yönelik sahiplenme hissinin düşük olduğunu belirtti
- Search Engine grubu da yüksek sahiplenme hissi gösterdi, ancak Brain-only grubundan daha düşüktü
- Birkaç dakika önce yazdıkları kendi denemelerinden içerik alıntılama becerisi de LLM grubunda düşük çıktı
- Brain-only grubu yüksek sahiplenme hissi ve yüksek alıntı yapabilme becerisi gösterdi
-
- oturumdaki Brain-to-LLM katılımcıları LLM'den yararlandı, ancak önceki Brain-only oturumlarının etkisiyle birleşmiş biçimde daha iyi içerik entegrasyonu gösterdi; sahiplenme hissi ise bölünmüş göründü
4. oturum geçiş deneyindeki farklar
- Brain-to-LLM katılımcıları, daha önce yapay zeka olmadan yazdıktan sonra yapay zeka aracıyla yeniden yazma koşulunda daha yüksek sinirsel bağlantısallık gösterdi
- alpha, beta, theta ve delta bantlarında directed connectivity ağ genelinde arttı
- Önceki LLM-only 1–3. oturumlarına göre daha geniş beyin ağı etkileşimi görüldü
- LLM-to-Brain katılımcıları, önceki LLM kullanım deneyiminden sonra araçsız yazarken çoğu bantta daha az koordine sinirsel çaba gösterdi
- LLM'ye özgü sözcük dağarcığına yönelik yanlılık da görüldü
- Hem AI judge hem de insan öğretmenler yüksek puan verdi, ancak NER·n-gram kullanım mesafesinde diğer grup ve oturumlara göre daha az belirgin kaldı
- Brain-only grubunun 4. oturumda LLM kullandığı durumda, 4. oturum beyin bağlantısallığı acemi düzeyindeki Brain-only 1. oturum örüntüsüne geri dönmedi ve Brain-only 3. oturum düzeyine de ulaşmadı
- Ağ katılımında ara bir durum gösterdi
Sonuç ve sınırlamalar
- LLM kullanımı katılımcılar üzerinde ölçülebilir etki yarattı; ilk avantajlar belirgin görünse de 4 ay boyunca yapılan oturumlarda LLM grubu birçok düzeyde Brain-only grubundan daha düşük performans gösterdi
- Düşük performans; sinirsel bağlantısallık, dilsel özellikler ve puanlama sonuçlarında birlikte gözlendi
- Genel kamuoyunda LLM'lerin eğitim üzerindeki etkisi henüz yeni şekillenmeye başlamışken, öğrenme kapasitesinde düşüş olasılığı önemli bir mesele olarak varlığını sürdürüyor
- Bu makale, yapay zekanın öğrenme ortamları üzerindeki bilişsel ve pratik etkilerini anlamaya yönelik ön rehber işlevi görmeyi amaçlıyor
1 yorum
Hacker News görüşleri
Buna “bilişsel borç birikimi” demektense doğrudan bilişsel gerileme ya da bilişsel yeti kaybı derdim.
Dili kullanmazsanız unutmanız doğaldır; beyin de gereksiz bilgiyi tutmaz. Google Maps navigasyonu kullanımına dair araştırmalarda da “GPS’in alışkanlık hâline gelen kullanımının, otonom navigasyon sırasında mekânsal hafızayı olumsuz etkilediği” ya da harita kullanıcılarında gri madde azalması gözlemlendiği gibi sonuçlar vardı.
Bilim alanında uzmanlık geliştirmiş biri, bir şeyi anlamak için onu tekrar tekrar düşünmek ve her fikrin diğerleriyle nasıl bağlantı kurduğunu keşfetmek gerektiğini bilir. Bir matematik ders kitabını göz gezdirerek matematik öğrenemezsiniz; durup düşünmeniz gerekir. Daha sonra düşünmede kullanabileceğiniz zihinsel nesneleri yaratan şeyin bizzat düşünme eylemi olduğunu düşünüyorum.
Çok yazmak gerekir. Yazmak, beynin düşünceleri yapılandırmasını sağlar; insanın kendisiyle yapılandırılmış bir diyalog kurmasına ve çeşitli yolları keşfetmesine imkân verir. Yalnızca düşünmek ve tefekkür etmek kısa sürede sınıra dayanır, ama yazmak düşünceyi neredeyse sonsuza kadar keşfetmeyi sağlar.
Düşünce yazmayla bu kadar yakından bağlantılıysa ve yazma; düzyazı, çizim, denklem, grafik, tablo vb. herhangi bir şey olabiliyorsa, LLM’lerin giderek daha fazla yazma işini üstlendiği bir durumda bunun bilişsel yeti üzerinde nasıl bir etkisi olacağı ilginç.
LLM’e çok miktarda metin yazdırmak, yapıyı kurdurmak, argümanlar ve görsel materyaller hazırlatmak çok cazip. Ona azar azar daha fazlasını devrettikçe, sonunda ortaya çıkan şey hiç de bana ait olmayan bir hâle geliyor.
Ama o raporda benim adım yer alıyor ve benden onu açıklamam ve anlamam isteniyor. Normalde rapor, zihnimdeki “yüksek boyutlu gerçekliğin” “iki boyutlu izdüşümü” olmalı; fakat onda bir zamanda çıkarılmış bir rapor böyle olmuyor. Kâğıt üzerinde makul görünse de kavramları açıklamam gerektiğinde tıkanıp kalıyorum.
Sonunda işi kendim yapmam, zihinsel modeli kurmam, ifade etmem, yeniden ifade etmem, sonra bir daha ifade etmem gerektiğini anlıyorum. Hedef kitleye göre bunu farklı şekillerde yapmak gerekiyor.
LLM öncesinde raporu yazmak için kurmak zorunda olacağım zihinsel model ile LLM kullanınca neredeyse hiç kurmam gerekmeyen zihinsel model arasındaki boşluğu anlatmak için bilişsel borç ifadesinin uygun olduğunu düşünüyorum.
Sonunda raporda ya da makalede benim adım yer alıyor. Yazar olarak benden ne beklenebilir? Zamanla bu beklenti düşebilir. Derinlikli bir soru ortaya çıktığında yazarın üzerinden atlayıp LLM’in “zihinsel” modeline güvenilebilir. Ama LLM gibi başka modeller, temel hakikat ve gerçeklik hakkında birbirinden farklı “modellere”, yani tahmin algoritmalarına sahip olabilir. En doğru tahminleri mümkün kılan hangisi? Bunun için belli bir anlama derinliği gerekir; yazarken LLM’e aşırı yaslanırsanız bu derinlik oluşmaz.
Uzun vadede bu gerçekten nüfus düzeyinde bir “bilişsel gerilemeye ya da bilişsel yeti kaybına” yol açabilir, ama bunu kesin söylemekte temkinli olmak gerekir. Matbaa, dönemin dinî elitleri sıradan insanların metinleri doğru yorumlayamayacağından endişe etmesine rağmen böyle bir sonuç doğurmadı.
Bu tartışma dizisinde de söylendiği gibi, “yazmak düşünmektir” diye düşünüyorum. Ancak henüz icat etmediğimiz, yazmaktan daha iyi bir şey de olabilir. Düşünmek, geleceği tesadüften daha yüksek olasılıkla tahmin etmeyi sağlayan ayrıntılı zihinsel modeller geliştirmektir. Hayatta kalmamız buna bağlı ve bilgi teorisi açısından evrim de tam olarak budur [0]. “Bilginin ışığı olmadan biyolojide hiçbir şey anlamlı değildir.”
[0] https://www.youtube.com/watch?v=4PCHelnFKGc
Bunu 20 yıldır yapmadım ve gelecekte tekrar yapmayacağımdan da epey eminim.
Makalenin “bilişsel borç” terimi için bir kaynakça ya da atıf sunmaması da başlığı tuhaf gösteriyor. Son anda değiştirilmiş olabilir.
MIT’den çıkan ilginç bir çalışma. Tüm psikoloji araştırmaları gibi, sağlıklı bir şüphecilik ve bağımsız doğrulama gerektiriyor. Görüntüleme ve psikometrik değerlendirmeyi de içine alan biraz karışık bir paket hissi var; ama “LLM kullanan beyniniz işte böyle görünüyor” türü bir görseli kim sevmez ki?
LLM, toplumun kendi kendine bağışıklık kazanacağı bir başka teknoloji gibi giderek daha fazla hissettiriyor
Eğitimde bu süreç şimdiden öğretmenin öğrenciyle konuşması, onun nasıl öğrendiğini gözlemlemesi ve beceriyi sergileme sürecini doğrulaması şeklinde başlamış durumda. İş dünyasında da yakında, değerli iletişimin büyük bölümünün, insanların söylemek istedikleri şeyin yazarı olarak bizzat kendileri tarafından üretilmesi gerektiği anlaşılacak. Yazarlık eylemi, çoğu iletişimin özünün yaklaşık üçte ikisini oluşturuyor
Elbette bundan önce, yan etkilere gerçekten bağışıklık kazanmak için dramatik bir düşüncenin sığlaşması şoku yaşamamız gerekecek. “Sıradanlık”a inanan saf meraklılara karşı uzmanların LLM antipatisi, erken bir bağışıklık deneyimi gibi görünüyor: https://fly.io/blog/youre-all-nuts/
Kendi projelerimde LLM’i “makro” düzeyde kullandığımda düşüncem her zaman ciddi biçimde bozuldu, karar verme benden alındı ve sonrasında gereken uyum hazırlığım kötüleşti. Önemli işlerde LLM kesinlikle yalnızca mikro ölçekte boşluk doldurma aracıdır
Bu, hesap makinesinden farklı. Elle hesaplama için sevdiğim algoritmaları elimden almak değil. Bu, düşünmenin kendisini düşünmeme hâliyle değiştiren bir sistem; kullanıldığı her alanda hazırlığı, derinliği, uyum yeteneğini ve sahiplenme duygusunu ciddi biçimde zedeliyor
Çok başarılı mühendislerle birçok toplantıya katılıyorum, ama çoğu zaman hem teknik hem de teknik olmayan kişilerin takip edebileceği bir biçimde kendi argümanlarını sunamıyorlar. Yazma ve konuşmada bir sanat var; 40’larımın sonlarına geldiğim şu dönemde bunun değerini gerçekten anlamaya başlıyorum. Dil güçlü bir araç ve tek bir kelime seçimi bazen bir savı kurtarabilir ya da mahvedebilir
LLM’in bu durumu genel olarak çok daha kötüleştirmek dışında ne yapabileceğini bilmiyorum
Korkutucu olan yalnızca düşünmekten kaçınmak için ChatGPT kullanmaları değil; kimsenin bunu fark etmeyeceğini sanmaları ya da yetişkinlerin zaten böyle konuştuğuna inanmaları
Gerçekte pek de değerli olmayan çok fazla iletişim olduğunu düşünüyorum. Yine de üretiliyor; kimse okumuyorsa üretimi otomatikleştirmek sorun olmayabilir
Elbette doğru yapılması gereken önemli şeyler de epey fazla
Akademideyim; teoride bu, en fazla düşünme gerektirmesi gereken mesleklerden biri olmalı. Buna rağmen yazdıklarımın yarısından fazlası çeşitli raporlar, araştırma fonu başvuruları, etik ve veri yönetimi başvuruları, tavsiye mektupları, idari formlar gibi şeyler. Bunlar, faydalı düşünme gerektirmemeleri anlamında “değerli” sayılmaz; aptalca gereklilikler yerine getirildiği sürece metnin bana benzer duyulup duyulmadığı hiç umurumda değil
Bu tür kullanımlar için LLM bir nimet; gerçek araştırmaya ve yüz yüze derse daha fazla zaman ayırmamı sağladığı için, tersine düşünmeme yardımcı olma ihtimali yüksek
Burada sözü edilen bilişsel borç tartışması doğru, ama bence hatta fazla temkinli olabilir
Bu, dil gibi bir beceriyi unutmak ya da GPS kullanımı yüzünden mekânsal hafızayı kaybetmek düzeyinde değil. Bütünleşik akıl yürütmeden sorumlu sinir yollarının sistematik ve geri döndürülemez biçimde körelmesi meselesi olabilir
Temel risk, alıştırmayla ödenebileceği ima edilen “borç”un kendisi değil; bir bilişsel kırılma noktasını aşmak. Yürütücü işlev, sentez ve argümantasyonun LLM gibi dış sistemlere fazla aktarılmasıyla biyolojik beynin acımasız verimlilik gereği yalnızca kullanılmayan bağlantıları budamakla kalmayıp, onları yeniden inşa edecek meta yeteneği de kaybettiği eşik
Biyolojik ıslak donanımımız, sürüm kontrolü olmayan bir “kullanmazsan kaybedersin” sistemi. Karmaşık bilişsel işlevler köreldiğinde “kaynak kod” zarar görür. Derin ve yapılandırılmış düşünceyi taşıyan çökmüş sinir ağları için git revert yok
Bu HN başlığı deneme yazmaya odaklanıyor, ama ölçeği büyütürsek, kolektif bilişi dışarıya devretmeye yönelik devasa ve kontrolsüz bir deney yapıyoruz. Uzun vadeli sonuç, daha az becerikli insanlardan oluşan bir toplum değil; dünyamızı kuran türden düşünmeyi yapısal olarak gerçekleştiremeyen insanlardan oluşan bir toplum olabilir
Dolayısıyla soru “bilişsel borçtan nasıl kaçınırız?” değil. Asıl korkutucu soru şu: “Biyolojik zihnin kabı bu kadar acımasızca, belki de geri döndürülemez biçimde tembelliğe optimize ediliyorsa, zihnimiz için nasıl bir kaba ihtiyaç var?”
https://github.com/dmf-archive/dmf-archive.github.io
Bilmediklerini sormak ya da “sıkıcı kısımları” atlamak için iyi. Özellikle de karmaşık bir teknik sorunun çözümünü forumların ya da sosyal medyanın sayfaları arasında aramanın beni daha zeki yaptığını hiç hissetmiyorum. Zaten bilgiyi doğrulamak ve dikkatle değerlendirmek gerekiyor
Başta tasarlandığı hâliyle StackExchange, metin modellerinden çok daha değerli olurdu. Ama gerçek hayattaki insanlar kusurlu; türlü bilişsel önyargıları ve yükleri var. LLM ise bir soru öneri ve etkileşim aldıktan hemen sonra onu “fazla geniş” diye kapatmıyor
Buna karşılık, iyi bildiğim konularda LLM ile yazı yazmanın hâlâ ciddi biçimde aşağı olduğunu düşünüyorum. Örneğin bir e-posta yazmaya çalıştığımda, yönü koruması için prompt’u düzeltmekle ya da çıkan sonucu büyük ölçüde yeniden yazmakla uğraşıp sonunda benzer zamanı harcıyorum. Bir metin modelini düzeltip akran değerlendirmesinden geçirmektense, kendi akışımda doğrudan yazmak daha iyi
Yapay zeka Zettelkasten’in tersi
Bir konu üzerinde aktif çalışıp giderek daha derin içgörüler kazanmak yerine, yapay zekanın ürettiği içerik külliyatının üzerinde hızlı ama yüzeysel biçimde dönüp duruyoruz.
Örneğin Orta Doğu’daki durumu daha iyi anlamak için OpenAI’ı ortak yazar yapıp Hamas ve Hizbullah’ın kökenleri hakkında 10 sayfalık bir deneme yazdım.
Ama aklımda hiçbir şey kalmadı; daha kötüsü, hatırladığım şeylerin benim düzelttiğim halüsinasyonlar mı yoksa gerçek olgular mı olduğunu bilmiyorum.
LLM, yerimize yazan bir araç olarak değil de hataları bulmaya, boşlukları ve yanlışları işaret etmeye, dünya hakkında genel soruları araştırmaya yardımcı olan bir araç olarak kullanılırsa harika bir sparring partneri olabilir. Elbette her zaman dikkatli olmak ve kaynakları kontrol etmek gerekir.
Modeli nasıl yönlendireceğine ve halüsinasyonları nasıl azaltacağına dair bir his geliştiriyorsun; ama açıkça açıklanabilir bilgi biriktirmiyor ya da zorlayıcı bir düşünme sürecine girmiyorsun. Daha çok LLM çıktısının belirli bir biçimini görüp ona daha çok güvenip güvenmeyeceğine, başka bir prompt stratejisi deneyip denemeyeceğine, bağlamı temizleyip temizlemeyeceğine dair kas hafızası türü tepkiler öğrenmeye benziyor.
Buna beceri denebilse bile, model iyileştiğinde birkaç yıl içinde işe yaramaz hale gelme olasılığı yüksek. Bir montaj hattı işçisinin hissedebileceği türden bir güçsüzlük duygusu veriyor.
Şahsen sonuç beni şaşırtmadı. Yapay zekayı yazı yazma ya da çeviri işlerimde kullandığımda, her şeyi tamamen kendim yaptığım zamanki kadar yazma veya çeviri sürecine zihinsel olarak gömüldüğümü hissetmiyorum.
Ama yapay zekayı başka biçimlerde kullandığımda bunun başlı başına çok zihinsel yoğunluk gerektirdiğini de fark ettim. Son 2 haftadır Claude Code ile denemeler ve araştırma makaleleri için beyin fırtınası, araştırma ve yazımı ne kadar tamamen otomatikleştirebileceğimi deniyorum. Kendim yazarken ya da çevirirken olduğu kadar derin bir şekilde odaklandım, ama odaklanmanın biçimi farklı.
Deneyin sonuçları şu ana kadar epey iyi. Yani çıktının bir yapay zeka ajanı tarafından yazıldığını bilsem de, ortaya çıkan denemeleri ve makaleleri okumak çoğu zaman ilginç oluyor. Elbette yayımlama ya da paylaşma planım yok.
Giderek daha nadirleşen, gerçekten bir şeyler yapabilen insanlar grubuna mı dahil olacağım; geri kalanlar ise giderek daha beceriksiz mi hale gelecek diye merak ediyorum.
“LLM grubundaki katılımcılar beyin aktivitesi, dil ve puanların tüm düzeylerinde Brain-only grubundan daha düşük performans gösterdi” ifadesi şaşırtıcı değil ama iç karartıcı.
İnsan yalnızca sonucu gözden geçirip onay damgası basan kişi rolüne konduğunda, bunu genelde berbat yapıyor.
Gerçek bir artırılmış iş akışı oluşturmak için katılım biçiminin kilit olduğunu bir süredir düşünüyorum. LLM’in yazdığı kodu incelemek mi? Pek iyi değil. LLM’in benim değişikliklerimi izleyip geri bildirim vermesi mi? Bambaşka bir hikâye. Zor ve pek popüler olmayabilir, ama bir şekilde sürücü koltuğunda kalmazsak durumun epey karanlıklaşacağını düşünüyorum.
[1]: https://en.m.wikipedia.org/wiki/Ironies_of_Automation
https://dune.fandom.com/wiki/Butlerian_Jihad
Artık kodlamanın çoğunu yapay zekayla yaparken biraz beklenmedik bir yan etki, çok daha az yorulmam ve daha uzun süre odaklanabilmem oldu.
Başka dikkat dağıtıcı şeyler varken bile işi çıkarmamı sağlıyor. Özünde zihinsel kapasitenin bir kısmını yapay zekaya devredince başka yerlerde kapasite açılıyor.
Eskiden beklenmedik hatalar ya da dokümantasyon kontrolü gibi şeyler “hız kesici kasis” işlevi görür, nefes almamı sağlardı; genelde o sırada ne kadar yorulduğumu fark edip biraz dururdum.
Yapay zeka kullanınca bu hız kesiciler hâlâ var, ama bazen biraz ek itiş gücü geliyor ve ne kadar yorulduğumu düşünecek kadar yeterince yavaşlayamıyorum.
Yapay zekanın haklı olması da gerekmiyor. Mevcut duruma göre uyarlanmış bir öneriyi okumak bile düşünce akışımı tetikleyip yeniden bırakmamı zorlaştırabiliyor.
Şehir dışındaki Walmart’a yürüyüp eşyaları taşıyarak geri dönebilirsin, ama araba kullanırsan çok daha hızlı ve daha az yorucu olur. Böylece sevdiğin şeylere daha fazla kaliteli zaman ayırabilirsin.
GAN’lerin popüler olduğu dönemde görüntü üretimi için üretici-ayrıştırıcı modeller eğitmiştim.
Üzerine çok düşününce ayrıştırmanın üretmekten çok daha kolay olduğunu fark ettim.
Örneğin iyi bir UI ile kötü bir UI’ı ayırt edebilirim, ama ne kadar yalvarsalar da iyi bir UI tasarlayamam. Bir filmin iyi olup olmadığını hemen anlarım, ama düzgün bir kısa öykü yazmak zahmetli iştir.
Bir resmin ne kadar gerçekçi olduğuna karar verebilirim, ama basit bir bisikleti bile başkasını ikna edecek kadar çizemem.
Çoğu durumda LLM çıktısının iyi mi kötü mü olduğunu anlayabilirim. O zaman kaba bir stratejiyle kötü sonuçları eler, hedefe ulaşana kadar üretmeye devam edebilirim. LLM’i yararlı kılan tam da bu ayırt etme ile üretme arasındaki farktır.
Bu iki beceri ayrıdır. Üretme yeteneğini edinmek zordur ve çok değerlidir. Sürekli pratik yapılmazsa körelecektir.
Ama daha karmaşık işlerde, özellikle derin değerlendirme gerektiren alanlarda bu mutlaka geçerli değil. Örneğin önemsiz olmayan 5 PR’ı incelemek, onları bizzat yazmaktan daha zor ve daha uzun sürebilir.
Görsellerde ya da kısa hikâyelerde iyi çalışmasının nedeni, uygulanan filtrenin “iyi vs kötü” değil, hoşuma gitti vs hoşuma gitmedi olmasıdır.
Bu teknolojiyle daha sağlıklı bir ilişki kurmayı öğrenme olasılığımızın yüksek olduğunu düşünüyorum. Takvimi bilmiyorum. Nesiller sürebilir de, beklenenden hızlı da gerçekleşebilir
Dil modellerinin katıksız bir hızlandırıcı olduğu açık. Ama ortalama bir insan daha “iyi konuşur” hâle gelirse, ham zekâyı gösteren sinyaller de zamanla değişecektir
Kimse bir dil modeliyle ilişki kurmak istemez. Ama dil modelleri, büyük hayat değişimleri ve hayal kırıklıklarıyla başa çıkmaya hazır olmayan insanlara yardımcı olabilir. Bu bir araç; nasıl kullanılacağını bilmek yeterli
Somut örnek olarak flört tavsiyesine bakalım. Zamanla “ChatGPT’nin yönlendirdiği ilişkiler” iki gruba ayrılacak gibi geliyor. Biri zaten yetersiz olan iletişime sadece karmaşıklık ekleyen “kopyala-yapıştır tipi”, yani “ChatGPT’nin söylediğini aynen kopyaladım” türü; diğeri ise ChatGPT ile kendisinin ve partnerinin motivasyonlarını analiz ederek yaygın sorunlara daha iyi çözümler bulan “hızlandırılmış tip”
İkincisini doğru değerlendirmek için hâlâ akıl ve empati gerekir. İlki her zaman kalp kırıklığıyla sonuçlanacaktır. İnsanların sonunda bu farkı anlayacağına inanıyorum
Doğrudan ya da dolaylı deneyimim yok ama gerçekten yapay zekâyla bir tür ilişkiye kapılan çok vaka duydum ve bunun çekiciliğini de bir ölçüde anlıyorum. Tamamen yargılamayan, konuşmak istediğimde hep yanımda olan ve benden bir şey talep etmeyen “birine” sahip olabilirsiniz. Gerçek bir ilişkiden tamamen farklıdır, ama en kötü insan ilişkilerinden nesnel olarak daha iyi olabilir ve yalnızlıktan zihinsel sağlık açısından daha iyi olma ihtimali de var
İyi ya da kötü, önümüzdeki 10 yılda insan-yapay zeka ilişkilerinin hızla artacağını düşünüyorum. Bir yanda bellek ve uzun vadeli planlama becerilerindeki, belki de robot bedenlerindeki gelişmeler; diğer yanda ise yalnızlık salgınının yayılması var
Buna bilişsel dışa aktarma denir. Kodlama yardımcı araçlarıyla yeterince uzun süre çalışmış olanlar bunu fark edecektir
Daha yüksek bir soyutlama düzeyinde çalışmanın kaçınılmaz sonucudur. Dünyanın sonu değil. Benim assembly becerilerim de köreldi