Google Translate'ın vibe coding hakkında anlattıkları

• Son dönemde yapay zekanın programcılık mesleğinin yerini alacağı iddiası ve buna yönelik karşı argümanlar artıyor
• Google Translate'in gelişim örneği üzerinden otomasyon araçlarının gerçek etkisi ve sınırları ele alınıyor
• Çevirmen ve tercümanlara yönelik iş talebi ise aksine artıyor
• Makine çevirisi kültürel bağlamı, belirsizliği ve ince nüansları işleyemiyor
• Programlamanın da çeviriye benzer yaratıcı ve soyutlama gerektiren işler içerdiği vurgulanıyor

---

Google Translate'ın vibe coding hakkında anlattıkları

Yapay zeka ve programcılık meslekleri üzerine son tartışma

• Son dönemde büyük dil modellerinin (LLM) programcıların yerini alacağı görüşüyle bunun mümkün olmadığını savunan karşı görüş aynı anda öne çıkıyor
• Bir taraf, LLM ile basit araçlar yaptığını söyleyip tüm programcıların yakında işsiz kalacağını iddia ediyor
• Karşı tarafta ise bu tür araçların faydasını tamamen reddeden sesler de var
• Bu görüş kutuplaşmasına karşı daha ince ayarlı bir bakış açısına ihtiyaç olduğu vurgulanıyor

Makine çevirisinin gelişimi ve gerçek etkisi

• Google Translate, 2016'da sinirsel makine çevirisini (NMT) devreye aldıktan sonra büyük ilerleme kaydetti
• Birçok kişi yapay zeka çeviri teknolojisinin insan çevirmen ve tercümanların işini ortadan kaldıracağını öngördü
• Gerçekte ise bunu söyleyenlerin önemli bir kısmı çevirmenlik ya da tercümanlık işini hiç deneyimlememiş kişilerdi
• Makine çevirisinin faydası kabul edilse de, "artık tercümeye gerek yok" türü iddialar gerçek çeviri işinin özünü yanlış anlıyor

İnsan çevirmenlerle makine çevirisi arasındaki fark

• Çevirmen ve tercümanların gerçek işi yalnızca kelimeleri ve grameri dönüştürmek değil; bağlamı kavramak, belirsizliği gidermek ve kültürel hassasiyet göstermektir
• Örneğin İngilizceye benzeyen Norveççede bile kibar ifade biçimleri gibi kültürel farklar nedeniyle makine çevirisi ince anlamları aktaramayabiliyor
  • Norveççe “Jeg vil ha potetene(patatesleri istiyorum)” ifadesi İngilizceye kelimesi kelimesine çevrildiğinde kaba duyulabilir; oysa gerçek konuşmada bağlama göre daha doğal bir anlatım gerekir
  • Google Translate bu tür ince nüansları işleyemiyor
• Gerçekten de gündelik konuşmalarda veya resmî durumlarda yalnızca makine çevirisi kullanmak yanlış anlaşılmalara yol açabiliyor
• Japonca gibi dilbilgisi ve bağlamı çok farklı dillerde makine çevirisi anlamı yanlış aktarabiliyor ya da dilbilgisel olarak hatalı cümleler üretebiliyor

Makine çevirisinin fiilî kullanım biçimi

• Bu, Google Translate'in kötü bir araç olduğu anlamına gelmiyor
• Aracın yararlı kullanımına örnek olarak, dilsel ve kültürel bağlamı zaten bilen birinin ifadeyi cilalamak istemesi durumunda yardımcı olması anlatılıyor
• Örnek bir kullanım, "Ne demek istediğimi zaten biliyorum ama bunun daha doğal bir ifadesini görmek istiyorum" durumu
• İnsan çevirmenler de yapay zekayı iş akışlarına entegre ederek kullanıyor
• İnsan uzmanın rolü, yapay zekanın sunduğu sonucu değerlendirmek ve onu bağlama ve amaca göre uyarlamak

Programlama ile çeviri işi arasındaki benzerlik

• Programcı da özünde bir 'çevirmen' gibidir; belirsiz ve karmaşık insan taleplerini bilgisayarın anlayabileceği mutlak bir dile dönüştürür
• İnsandaki belirsizliği ve kültürel bağlamı, bilgisayarın açık ve net diline dönüştüren yaratıcı iş programlamadır
• Programlama dillerinde yoğun soyutlama bulunduğundan giriş eşiği makine çevirisinden daha yüksekti; ancak son dönemde yapay zeka araçlarının gelişimiyle bu eşik düşüyor
• Buna rağmen yapay zeka, bağlamı ve karmaşıklığı tamamen anlayıp yerini alacak seviyede değil

Geleceğe bakış

• Bir gün yapay zeka bağlamı ve belirsizliği de işleyebilir, ancak bugün sınırlar açık ve bunun için daha zamana ihtiyaç var
• Yapay zeka araçlarının gelişim hızı yüksek olsa da etik sorunlar ve araçların sorumlu kullanımı hâlâ önemli başlıklar olmaya devam ediyor

[GN⁺]

Hacker News yorumu

• Çevirmen ve tercümanların işinin bağlamı kavrama, muğlaklığı giderme ve kültürel hassasiyetleri ele alma gibi yönlerde Google Translate’in yetişemeyeceği tarafları olduğu görüşüne katıldığını paylaşıyor. Ancak LLM’lere uygun şekilde prompt verilirse bu işlevleri oldukça iyi taklit edebiliyorlar. Japonca-İngilizce çeviri deneyimi olan biri olarak LLM’lerin çeviride çok daha yetkin olduğunu vurguluyor. Claude Code ile birden fazla LLM’yi birleştirerek çeviri yapan bir sistemi bizzat kurmuş; çevirinin amacı, kültürel uyarlama yapılıp yapılmayacağı, not eklenip eklenmeyeceği gibi kullanıcı seçeneklerini sorduktan sonra buna uygun promptları üç modele (OpenAI, Anthropic, Google) gönderiyor, hepsinin çevirilerini birleştirerek bir taslak oluşturuyor ve ardından birkaç tur boyunca bunu rafine ediyor. Kısa testlerde, tekil modellerden belirgin biçimde daha iyi, Google Translate’ten çok daha üstün ve üst düzey profesyonel çevirmen seviyesinde sonuç aldığını söylüyor. Ancak tercümanlıkta (özellikle yüz yüze tercümanlıkta) durumun farklı olduğunu ve insan çevirmenin kişiliği ile kimliğinin önemli olmadığı genel çevirilerde insanların giderek rekabet etmekte zorlanacağı bir ortam oluştuğunu düşünüyor

  • Kendi öğrenme uygulaması nuenki.app içinde LLM çevirileri üzerine yoğun araştırma yaptığını söylüyor. Birkaç üst seviye modeli seçip her birine ayrı çeviri yaptıran, son aşamada da “hakem” rolündeki bir modelin bu çevirileri karşılaştırıp birleştirerek en iyi sonucu seçtiği bir açık kaynak araç geliştirmiş. Doğrudan denenebiliyor ve araştırma materyalleri burada yayımlanıyor
  • Metni tekrar tekrar farklı modellere gönderip düzeltme-inceleme-arındırma sürecinden geçen bir sistem kurulduğunu duyunca, küresel elektrik tüketimi için RIP yorumunu bırakıyor
  • Çeviri sırasında ek bağlam verebilme, takip soruları sorabilme ve metin üzerine akıl yürütebilme yeteneğinin ne kadar önemli olduğunu Japonya’da bizzat yaşayarak fark ettiğini söylüyor. Her gün, belli bağlamlardaki Japonca ifadeler veya bir medyaya uygun aktarım biçimi gibi konularda merak ettikleri çıkıyor. Bu diyalog tarzının custom instruction’larla daha fazla otomatikleştirilebileceğini düşünüyor
  • LLM çevirilerinin sorunlarından biri olarak, çevrilen konu kullanım politikalarını ihlal ediyor diye değerlendirilirse bağlam ne kadar uygun olursa olsun çeviriyi reddetmesi gösteriliyor. Örneğin sadece dinle ilgili içerik geçse bile kısıtlamalar oluşabiliyor
  • Normal bir context window için fazla uzun olan metinlerin nasıl çevrileceğini soruyor. Metin birkaç parçaya bölünürse her parçaya önceki içeriğin bir özetini eklemek gerekir; ama bunun ne kadar ayrıntılı olması gerektiğinden emin değil

• Makine çevirisinin faydalı bir araç olduğunu ama uzman insanları tamamen ikame etmediğini örneklerle anlatıyor. AI kodlama yardımcılarında da benzer bir durum olacağını; mevcut uzmanların tamamen ortadan kalkacağı kaygısının ancak bir büyük teknolojik sıçrama daha yaşanırsa gerçekçi hâle gelebileceğini düşünüyor. Yıllardır radyoloji yapay zekasının insanları tamamen değiştireceği öngörüleri vardı ama gerçekte görüntüleme teşhisine talep daha da arttı ve AI verimliliği sayesinde hiç daha az personele ihtiyaç duyulmadı. Hatta radyolog açığı daha da kötüleşti

  • 15 yıl önce Japonca öğrenmeye başladığında Google Translate’in en temel cümleleri bile düzgün çeviremediğini, bugün ise kendi yazdığı karmaşık cümlelerde bile anadili konuşuruna yakın sonuçlar ürettiğini söylüyor; bunu yerlilerle birlikte doğruladığında “kusursuz değil ama çok iyi ve anlamı açık” geri bildirimi aldığını belirtiyor. Bugünlerde hukuk sözleşmeleri gibi çok hassas belgeler dışında profesyonel çevirmenliğin geleceğinin karanlık olduğunu dürüstçe ifade ediyor
  • Radyoloji AI hakkında bir NYT yazısına değiniyor. Hâlâ çoğu sistemin 2010’ların ortasından önce ortaya çıkan küçük CNN’ler (evrişimli sinir ağları) kullandığını; halkın “AI” deyince ChatGPT düşündüğünü ama arka plandaki mimarinin aslında çok eski olduğunu söylüyor. Transformer gibi modern AI yöntemleri radyolojiye uygulanırsa ne kadar ileri gider bilinmez ama performansın neredeyse kesin biçimde yükseleceğini düşünüyor

• Çeviri işinin hayal edilenden farklı oluşu ona Pixar filmlerindeki “yerelleştirme (localization)” örneklerini hatırlatıyor. Örneğin Japonya sürümünde, brokoli sevmeyen Anglo-Amerikan çocukların yemek masası sahnesinin Japon çocuklarının sevmediği green bean ile değiştirilmesi gibi

  • Green bean ile yerelleştirme örneğinin gerçekten olup olmadığını merak ediyor. Yabancı filmler sayesinde başka kültürlere maruz kalmanın ve farkları öğrenmenin güzel olduğunu, yerelleştirme ile bu farkların silinmesinin üzücü olduğunu düşünüyor
  • Pokémon’daki “Brock’s jelly filled donuts” memine (aslında “onigiri” iken Amerikan sürümünde donut diye çevrilmişti) ilgili bağlantı

• Yazının birçok kısmına katılıyor ama bir noktayı eksik buluyor. Örneğin “Google Translate olmayan bir dünyada da Japonca öğrenmeye ya da çevirmen tutmaya kalkacak kişi sayısı az olurdu” mantığını yazılım geliştirme ortamına uygularsak, sonuçta “AI ile yapılan düşük kaliteli uygulamaları” kullananların çoğu baştan beri yazılım geliştirmeye ilgi duymayan insanlar olabilir. Bu da yazılım geliştirici işlerini doğrudan büyük ölçüde azaltmayabilir. Ancak yazılım geliştirme; iş fırsatlarının ölçeği, maliyetler ve benzeri yönlerden temelde farklı özellikler taşıdığı için AI’nın mevcut geliştirici talebini gerçekten etkileyebileceğini de kabul ediyor

  • Tersine, AI yaygınlaşmasının yeni işler de yaratabileceğini düşünüyor. Kullanıcılar yazılımı kendileri üretmeye başladığında, uzmanların o kodu ve sistemi cilalama, genişletme ve güvenliğini güçlendirme işi yine doğabilir; bunu “fil geçidi” benzetmesiyle anlatıyor
  • Google Translate’in de yeni başlayanlar için çok faydalı olduğunu ama profesyonel çevirmen düzeyini ikame etmediğini söylüyor. Japoncada başlangıç seviyesinde olmasına rağmen, yerel bağlam anlaşılmadan gerçek anlamın ortaya çıkmadığı çok durum gördüğünü; 15 yılda büyük ilerlemeden ziyade esasen sadece hız artışı hissettiğini belirtiyor. Görsel OCR gerçek zamanlı çeviri özelliğinin de şirket içi geliştirme değil, satın alınan bir uygulama (Magic Lens?) olduğunu söylüyor. LLM tabanlı otomatik kodlamanın da 10 yıl boyunca epey iyi ama hep biraz eksik kalmış bir durumda sürebileceğini düşünüyor
  • Hâlihazırda çalışan yazılımcıların AI yüzünden tehdit hissetmesi için en makul nedenin, AI kaynaklı büyük üretkenlik artışının gerçekten iş sayısında azalmaya yol açabilmesi olduğunu söylüyor. Çünkü amaç kod yazmak değil, “çalışan bitmiş ürün” ortaya çıkarmak; kalite biraz düşse bile daha az kişiyle iş yapılabilmesi temel farkı oluşturuyor
  • AI sanat ile AI kod üretiminin özünde farklı olduğunu savunuyor. Sanatın amacının sanatın kendisi olduğunu; kültürel geleneklerin ve sanatçının varlığının temel önem taşıdığını, buna karşılık yazılım geliştirmede kodun kendisinin amaç olmadığını, istenen sonucun (uygulamanın) amaç olduğunu; bu yüzden insana duyulan ihtiyacın gerçekten azalabileceğini söylüyor. Bunu fotoğrafın ortaya çıkmasından sonra ressamların rolünün değişmesiyle, asansör görevlisinin düğmeyle yer değiştirmesi arasındaki fark üzerinden anlatıyor
  • AI web sitesi üreticisi reklamları gibi “AI” pazarlamasına şüpheyle yaklaşıyor

• İstatistiksel bir kanıtı olmadığını söylüyor ama çevresindeki çevirmen arkadaşlarının gerçekten işlerinin neredeyse yok olduğunu hissettiğini; LLM’lerin devreye girmesinden sonra bunun hızlandığı bir atmosfer oluştuğunu anlatıyor. Çevirmen forumları, Facebook grupları ve ilgili Reddit başlığı hep karamsar tepkilerle doluymuş. Uzman çevirilerin hâlâ çok daha iyi olduğunu ama hassas bazı işler dışında pazarın büyük bölümünün fiilen ortadan kalktığını söylüyor. Çocuğuna çevirmenlik kariyerini önermekte zorlandığını paylaşıyor

  • Profesyonel çeviri ekiplerinde bile LLM sayesinde tek kişinin birkaç kişinin işini üstlenebildiğini, bunun eski otomatik çeviri sistemleriyle kıyaslanamayacak kadar büyük bir kalite artışı sağladığını söylüyor. Tek bir denetçiyle bile LLM çevirisinin tonunu ve lehçesini ince ayarlamanın mümkün olduğunu ve sistemin bunu zaten oldukça iyi yaptığını belirtiyor

• Çeviri işinde, ister insan ister makine olsun, sonucun doğru olup olmadığını kişinin kendi başına doğrulamasının zor olduğuna dikkat çekiyor. Sonuçta ya çeviriye koşulsuz güvenmek ya da insan ile makine arasında hangisine daha çok güveneceğini seçmek gerekiyor; genelde insan daha güvenilir geliyor. Ama bazen çevirmenin de özensiz çevirdiği ve bunun başkası tarafından fark edildiği deneyimler yaşamış. Bunun vibe coding için de geçerli olduğunu; kullanıcının sonucun doğru olup olmadığını değerlendirmekte zorlandığı için sonunda doğrulanabilir uzmanlığa ihtiyaç duyulduğunu söylüyor

  • Makineye daha az güvenilmesinin sebebinin aslında doğruluk algısının düşük olması olduğunu söylüyor. Örneğin çarpma gibi net hesaplarda matematikçiden çok hesap makinesine güvenmemize benzer bir psikoloji olduğunu ifade ediyor
  • Makine çevirisini doğrulamanın bir yolu olarak “geri çeviri (A->B->A)” denenebileceğini, kusursuz olmasa da güven seviyesi konusunda epey fikir verdiğini söylüyor
  • Çeviri sonucunun gerçekten uygulanabilmesiyle (kodsa çalıştırmak, çeviriyse bağlama yerleştirmek gibi) belli bir doğruluk ölçütü elde edilebileceğini ekliyor

• Gelecekte AI’nın bağlamı ve muğlaklığı insanlar gibi ele almasının imkânsız olmayabileceği görüşünü aktardıktan sonra, AI ne kadar ilerlerse ilerlesin gece 2’de servis arızası çözmüş deneyimli kıdemli geliştiricinin ustalığını ikame etmenin zor olduğunu söylüyor. Vibe coder’ların iyi bir atmosfer yaratması hoş olabilir ama sonunda büyük, eski sistemlerdeki kodu tek başına refactor edemezler diye vurguluyor

• Bir çevirmenin gerçekte yaptığı işlere örnek veriyor: “deyim çevirisi”, “kültürel referansların (sanat, tarih, yemek vb.) açıklanması”, “ülkelere özgü kültürel değerlerin (özgürlük, tutku, dayanıklılık vb.) bağlama göre yorumlanıp aktarılması”, “dublajda oyuncunun ağzına uyacak tonun yakalanması”, “güzel/zarif cümleler (artful prose) kurmak” gibi pek çok alanın insana özgü incelik istediğini; LLM’lerin bu alanlara doğrudan meydan okumasının zor olduğunu düşünüyor

• Google Translate’in sınırları ve kalite düşüşüyle ilgili, özellikle Chrome çeviri özelliğinin geleneksel Çinceyi bazen Japonca sanmasının ciddi bir hata olduğu yönünde geri bildirim var. Eskiden iyi çalıştığını ama son dönemde belirgin bir değişiklik olmadan gerilediğini, bunun sinir bozucu olduğunu söylüyor. Kullanıcıya hataları doğrudan düzeltme imkânı bile verilmemesini en can sıkıcı nokta olarak görüyor

  • Bunun Google Translate’in kendisinden değil, Chrome’un çeviri öncesi dil algılaması için kullandığı yerel modelden kaynaklandığını söyleyen bir görüş var. Bu yerel model olan CLD3 hakkında bilgi paylaşılıyor
  • Unicode içinde dillere ait karakter kodlarının baştan ayrı yönetilmesi gerektiğini savunan bir görüş de var. Mevcut yapıda LLM’ler Çince ile Japoncayı birlikte öğrenirken karışıklık yaşıyor gibi görünüyor. Dilbilgisel yapıların birbirine ters olması ve niteleme ilişkilerinin farklılığı da kafa karıştırıyor
  • Sonuçta yakında hızlı, ucuz ve yeterince kaliteli bir LLM ortaya çıktığında Google Translate’in mevcut motorunun değiştirileceğini öngörüyor. Hatta son 1 yılda çeviri motoruna bir saat bile emek harcamamış olabileceklerini düşünüyor

• Makine çevirisi hatasından doğan bir anekdot da paylaşılıyor. OSNews’deki eğlenceli çeviri kazası örneği