Daha İyi AI Araçları Nasıl Yapılır

 (hazelweakly.me)
17 puan yazan GN⁺ 2025-07-25 | 1 yorum | WhatsApp'ta paylaş
  • Mevcut AI araçlarının çoğu insan merkezli öğrenme süreçlerini (hatırlama, uygulama, kolektif tekrar) yansıtmıyor — bu da sonuçta hem insanın hem de AI'ın gelişim döngüsünü bozan ters yönde bir tasarım anlamına geliyor
  • İnsanlar bilgiyi değil, 'süreçleri' öğrenir ve kolektif, birikimli tekrarlar yoluyla yenilik üretir. Ancak çoğu AI aracı, “düğmeye tıkla → AI halletsin” kalıbıyla insanın aktif hatırlama ve öğrenme döngüsünü ortadan kaldırıyor
  • Arzu edilen AI araçları, “Açıkla → Göster → Rehberlik Et → Güçlendir (Explain, Demonstrate, Guide, Enhance)” aşamalarında insanın aktif katılımını ve hatırlamasını teşvik etmeli; hedef otomasyon değil, 'güçlendirme' olmalı
  • Örnek: gözlemlenebilirlik/kurtarma araçlarında AI'ın doğrudan aksiyon alması yerine, süreç açıklaması, eylem yönlendirmesi, sorun çözme rehberliği ve sonrasına dönük iyileştirme önerileri gibi her aşamada insanın düşünmesini ve öğrenmesini teşvik eden bir rol üstlenmesi gerekir
  • Bu tür insan merkezli kalıplar yerleşirse, kolektif bilgi büyümesi ile AI kalitesinin birlikte güçlendiği bir olumlu geri besleme döngüsü mümkün olur ve sistem araçlarının genelinde yenilik sağlayabilir

Giriş: İnsan öğrenmesi ve AI araçlarındaki temel sorun

  • AI araçları, insan işbirliği ve öğrenmesini destekleyecek yönde değil, verimsiz ve ters yönde üretiliyor
  • Araçlar, insan yetkinliğini güçlendirmek yerine eleştirel düşünme ve problem çözmeyi zayıflatacak şekilde tasarlanıyor
  • Bu durum şimdiden gözle görülür ters etkilere yol açıyor ve daha etkili bir yöne geçiş gerekiyor

Mevcut AI araçlarının sınırları: ters yönde geliştirme

  • Bugünkü AI araçlarının büyük çoğunluğu şu kalıbı izliyor
    • AI düğmesine tıkla → sihirli biçimde anında sonuç al
    • Veri gösterimi ve AI önerileri
    • Basit prompt'lar ve otomatik yürütme
  • Bu yaklaşım, insanın problemi tanımlama, hatırlama, geri çağırma, süreç öğrenimi, bilgi aktarımı ve yinelemeli iyileştirme gibi temel öğrenme döngülerini atlıyor
  • AI, insanın temel güçlü yanlarının yerini almaya çalışıyor; üstelik AI'ın kendisi de bu alanlarda zayıf
  • Sonuçta insanın problem çözme ve düşünme becerileri köreliyor → yüksek kaliteli veri üretilemiyor (bu da AI gelişimini engelliyor) → kısır döngü oluşuyor

İnsanlar nasıl öğrenir?

  • Retrieval Practice teorisine göre insanlar, bilgiyi sadece alarak değil, aktif biçimde hatırlayarak öğrenir
  • Gerçek öğrenme etkisi, basit ezberlemeden değil, bilginin doğrudan beyinden “geri çıkarılması” sürecinde ortaya çıkar
  • Öğrenmedeki en kritik unsur, bilginin kendisinden çok sürecin edinilmesidir
    • Örneğin fırıncılığı öğrenirken malzemeleri ezberlemektense kek yapma prosedürünü (süreci) öğrenmek daha etkilidir
  • Bu nedenle pratik, süreç merkezli tasarım, işbirliği araçları için daha uygundur

Yenilik ve kolektif büyümenin ilkeleri

  • Yeniliğin özü, yeni teknolojiler geliştiren tek tek bireylerden değil, küçük iyileştirmelerin kolektif biçimde birikmesinden doğar
    — mesele birkaç dahinin yaratımı değil, birden fazla kişinin mevcut bilginin üzerine ekleme yapıp onu iyileştirmesidir
  • İnsanlar bağımsız yenilikten çok taklit, tekrar ve mevcut örneklerin dönüştürülmesi konusunda optimize olmuş varlıklardır
  • Beyin temelli kolektif öğrenme teorisi, bu tür kolektif yeniliğin insan doğasına özsel olarak uygun olduğunu gösterir
  • Problem çözme ile yeniliği ayrı görmek yerine, problem çözme becerisi, bilgi aktarımı ve kolektif öğrenme yeniliğin itici gücüdür
  • Kilit unsurlar şunlardır: süreç merkezli öğrenme, uygun zorluk düzeyinde çaba, kolektif tekrar ve güçlendirme, insanı destekleyen AI
  • AI araçları, insanın ‘düşünme yardımcısı’ olmalı; kendi başına hüküm verip insanın yerini alan bir varlığa dönüşmemelidir

Doğru AI etkileşimi tasarımı

  • AI, bir ekip arkadaşı ya da stajyerden çok, 'çok unutkan bir eğitmene' benzetilebilir
  • AI'ın amacı, kullanıcının kendi başına öğrenmesini ve nasıl öğrenileceğini öğrenmesini sağlamak olmalıdır
  • Tasarım, etkili bir eğitim sürecini (EDGE: Explain, Demonstrate, Guide, Enhance) güçlendirecek yönde yapılmalıdır
    • Açıkla (Explain): süreç rehberliği, eksik adımların gösterilmesi vb. (yalnızca “düğmeye tıklayın” demek değil)
      • Eksik adımları önerme
      • Süreç kılavuzu sağlama ve açıklama
      • İnsanın süreci bizzat hatırlayıp uygulamasını vurgulama
      • Kötü örnek: anında 'çalıştır' düğmesi sunmak, hata tooltip'leri gibi hatırlama sürecini dışlayan yapılar
    • Göster (Demonstrate): sorgu dönüştürme, UI gösterimi, etkileşimli demo vb.; doğrudan “otomatik çalıştırma” yerine katılımı teşvik etmeye odaklanmalı
      • Doğal dil sorgularını sistem sorgu sözdizimine dönüştürme
      • UI keşfini destekleme (istek geldiğinde ilgili ekranı hemen yönlendirme)
      • Kısa 15 saniyelik demo ve etkileşimli öğreticiler sunma
      • 'Otomatik çalıştırma'dan kaçınma: güven kaybı, ince ayar yapamama, insan becerisinin zayıflaması
      • Veri ekleme ve insanın hatırlama kayıtları (eşli çalışma, mentorluk vb.) da AI için öğrenme malzemesi olmalı
    • Rehberlik Et (Guide): soru sordurma, sorunlu alanları tartışma, eylem planı kurma gibi Sokratik sorgulama/doğrulama
      • Kullanıcı bir plan sunduysa, sonraki adım ve rehberlik önerileri verme
      • Gerekli belgeleri, kod sahiplerini, ilgili kaynakları gösterme
      • Gözlem/öğrenme modeli ve kayıt tutmayı teşvik etme
      • Yanıt doğrulama, bilgiyi çapraz doğrulama, açıklığı teyit etme
      • Kötü örnek: cevabı düşünmeye sevk etmeden destek sunmak, istenmeyen aşırı bilgi vermek, otoriter tavır, kullanıcının 'devam et' düğmesini aşırı kullanmasına açık yapı
      • İnsanların rasyonel muhakemeyi yineleme sürecini bozmayacak sınırlar içinde destek olunmalı
    • Güçlendir (Enhance): eylem sonrasında iyileştirme önerileri, tekrarlanan kalıpları öğrenme, gerçek çalışma kayıtlarını postmortem'e dönüştürme gibi ince öğrenme fırsatları sunmalı
      • Aksiyon sırasında ya da hemen sonrasında kademeli iyileştirme önerileri
      • Tekrarlanan işlerde kısayolları/ek özellikleri dinamik biçimde gösterme
      • Sürecin kendisini iyileştirme önerileri: altyapı pipeline'ını geliştirme, uyarıları düzeltme, sezgilere dayanıldığında ölçümlendirmeyi iyileştirmeyi önerme vb.
      • Olay sonrası kayıtları (notlar → öğrenme materyaline dönüştürme), gözlem yoluyla mikro öğrenmeyi teşvik etme vb.
      • İnsan muhakemesinin merkezini korumalı; otomatik optimizasyon yerine hatırlamayı güçlendiren prompt'ları doğal biçimde devreye sokmalı
  • Özellikle her aşamada insanın hatırladığı, seçtiği ve uyguladığı yapıyı sağlamlaştırmak; AI'ın ise bunu büyüten role odaklanması gerekir
    • Gerçek örnekler (olay yönetimi ve gözlemlenebilirlik araçları) üzerinden, her aşama için iyi AI etkileşimi örnekleri ve anti-pattern'ler açıklanır

Genel ilkeler

  • İnsan öğrenmesini sürekli güçlendirin
  • Takım çalışmasını teşvik edin: kolektif işbirliği ve bilgi paylaşımı
  • “Boşluk → doğru cevap” otomasyonu yerine, sürece katılımı ve uygulamayı hızlandırın (ama otomasyonla doğrudan yer değiştirmeyin)
    • 'Hiçlikten doğrudan sonuç' yaklaşımından kaçının
  • “Çabasız kullanılabilirlik” değil, uygun ölçüde çaba ve katılım gerektiren araçlar hedefleyin
  • Takımın öğrenimi ve deneyiminin çıktılara yansımasını destekleyin

Kod yazımında iyi bir uygulama örneği: 'ters' değil 'ileri' tasarım

  • AI ile doğrudan kod üretmek yerine,
    • Taslak doküman hazırlama → mimari çizimi → test planı → test kodu → stub kod → kod üretimi
  • Kod doğrulandıktan sonra tüm süreci tersine doğru test, dokümantasyon ve mimariyi yeniden düzenleme
  • Her aşamada soru sorma ve doğrulamaya (hatırlamayı güçlendirmeye) önem verilmeli; doğrulama mümkün değilken yalnızca evet-hayır soruları sorulmamalı
  • Hatırlama temelli geliştirme yaklaşımı, yüksek kaliteli öğrenme ve test verisi üretir; AI eğitimini de destekler

Çapraz fonksiyonlu alanlara genişleme potansiyeli (geliştirme dışı, ör. müşteri desteği)

  • Örneğin üretim kesintisine yol açan bir olayda müşteri destek ekibi, AI aracılığıyla geliştirme ekibiyle iletişim kurabilir
    • AI ilk taslağı hazırlar, geliştirme ekibi doğrulayarak doğruluğu artırır
    • Destek, geliştirme ve diğer ekipler arasında gerçek zamanlı bilgi akışı sağlanır; bağlam değiştirme yükü azaltılır
    • Kilit uzmanlar aşırı kesintiye uğramadan, gerektiğinde karşılıklı iletişim sorunsuz yürür
    • Geliştirme ekibinin bağlama özgü teknik yanıtları, AI tarafından kolay anlaşılır açıklamalara dönüştürülebilir
  • Bu yapı hayata geçerse, kurum içi ve kurum dışı kolektif öğrenme ile işbirliği verimliliği en üst düzeye çıkabilir
  • Çok katmanlı destek/entegrasyon araçlarına evrilebilir

Sonuç

  • Mevcut AI araçları, insanların kolektif tekrar temelli öğrenme ve problem çözme kapasitesini zayıflatan bir şekilde (ters yönde) geliştiriliyor
    • İşbirliğini güçlendiren, insanın yön verdiği süreçleri destekleyen bir dönüşüm gerekiyor
  • Ancak bu şekilde insan ile AI arasında karşılıklı güçlendiren bir büyüme döngüsü kurulabilir
  • Araç tasarlarken, insanı yalnızca 'döngünün içinde' değil, döngünün kendisi olarak görmek gerektiği unutulmamalı
  • Artık sistem araçlarında insan merkezli yeniliğe ihtiyaç var
    • İşbirlikçi, süreç odaklı, güçlendirici AI araçları yeniliğin anahtarıdır

İlgili okumalar

1 yorum

 
GN⁺ 2025-07-25
Hacker News yorumu

  • Bu yazıda kafa karıştıran kısımlar var. Weakly sanki antirez'in 2025 itibarıyla tercih ettiğini söylediği, biraz daha pasif ve yalnızca öneri veren kodlama ajanlarını anlatıyormuş gibi görünüyor; ama aslında operasyon sorunlarını araştırıp çözen ajanlardan söz ediyor. Weakly'nin iddiası, ajanın Clippy gibi sadece tavsiye vermesi ve direksiyonun insanda kalması gerektiği yönünde. Ama insanın log'ları didik didik inceleyip anormallikleri bulmasının ve hipotez kurmasının burada tam olarak ne değer kattığını anlayamıyorum. Bilgisayarın satrançta daha iyi olmasına benzer şekilde, AI bu tür işlerde doğası gereği insandan daha iyi bir araç. Weakly, tavsiye ile gerçek eylem arasına net bir çizgi çekiyor gibi duruyor ama ben o çizginin doğru olduğunu düşünmüyorum. Elbette AI'a tam otonom yürütme verilemeyecek alanlar var (ör. Terraform apply çalıştırmak), ama tersine, özellikle engellemek için bir neden olmayan pek çok alan da var. İnsident çözümünün amacı sonuçta olayı çözmektir

    • Hâlâ kimsenin insidentleri tatmin edici biçimde çözen bir AI aracı yok. Sorumluluk meselesi de var ve doğru yürütmeyi garanti etmek için de insan müdahalesi şart

    • Esas mesele, AI'a gerçek üretim ortamına erişim yetkisi verilip verilmeyeceği. Son dönemde AI'ın “bunu yapma” komutuna rağmen veritabanını sildiği örnekleri görünce (not gibi olumsuz komutları AI her zaman doğru algılayamadığı için), bu gerçekten ciddi bir güvenlik endişesi yaratıyor

    • Ajanlara ne kadar otonomi verilebileceğini merak ediyorum. DevOps en iyi uygulamalarında çoğu değişiklik, kod commit'i ya da çeşitli ortamlara promotion sürecinden geçmeden production'a yansımaz. Buna yalnızca uygulama kodu değil, altyapının kendisi de dahil. Bu durumda insident müdahalesi sırasında ajana hangi noktaya kadar otonom yürütme izni verilebileceğini merak ediyorum

    • Bizzat debug yapmanın da belli bir değeri olduğunu düşünüyorum. Özellikle amaç programlama becerisini gerçekten geliştirmekse bu daha da geçerli. Satranç örneğini alırsak, Leela ya da Stockfish gibi AI'lar çok daha hızlı ve derin analiz yapabiliyor; ama gerçek gelişim, pozisyonları bizzat analiz etme deneyiminden geliyor diye düşünüyorum. Satranç profesyonelleri de sürekli taktik çalışarak beyinlerini eğitiyor. AI ve insan birlikteyken daha hızlı mı öğrenilir yoksa bağımsız mı öğrenilir, ben de emin değilim. Ayrıca bu yeteneğin kendisinin gelecekte ne kadar anlamlı kalacağı konusunda da kararsızım

    • Anomali tespiti ve insident yönetimi tartışmalarında önemli noktalardan biri, her problemin aynı olmaması ve birçok problemin bir ölçüde otomasyona uygun olması. Hangi noktada hangi sorunun AI gibi bilişsel bir işlemciye devredileceği, hangi noktada insan mühendisin doğrudan devreye girmesi gerektiği arasındaki sınır önemli. AI büyük ölçekli örüntü tespitinde iyi ama bunların anlamlı örüntüler olup olmadığını sürekli doğru tahmin edemiyor. Tabii insanın da bu boşlukları her zaman doldurabildiği söylenemez

  • AI araçları/ürünleri açısından geleceğin "Akıllı Çalışma Alanları (Intelligent Workspaces)" yönünde gitmesi gerektiğini düşünüyorum. Sadece chatbot'lardan çıkmak gerekiyor
    İlgili bağlantı
    Temelde, tüm ayarlar, kollar ve kontrol insanın elindeyken AI yeteneklerinin sıkı biçimde entegre edildiği bir ortam/platform önemli. Bu, basit bir VSCode fork'undan çok daha zor bir iş

    • Chatbot yapmak, akıllı çalışma alanı yapmaktan çok daha kolay. Ve AI insan etkileşimi olmadan da iyi çalışıyor. Chat dışında arayüzlerle AI kullanmanın daha çeşitli yollarını görmek isterim

    • Son zamanlarda Claude Code ile bir proje yapıyorum; benim instance'ımın başka geliştiricilerin instance'larıyla konuşup iş birliği yapabilmesi harika olurdu. CLAUDE.md'yi düzenleyerek dokümantasyonu güncel tutmak mümkün ama CC'nin içinde ekip iş birliği özellikleri yerleşik olsa gerçekten çok iyi olurdu. İyi önerisi olan paylaşsın

  • Bu yazının, inovasyonun neden sık sık dışarıdan gelenlerden çıktığını iyi gösterdiğini düşünüyorum. Yazarın büyük organizasyonlarda engineering manager ya da principal engineer geçmişi çok güçlü biçimde hissediliyor; bu yüzden kendi deneyimimle pek örtüşmüyor. Eğer bu tarz AI tooling için standart hale gelirse, insan iş akışına dair belirli varsayımlara dayanarak AI'ın tıkanmasından endişe ederim. Ben 15 yıldır (programcı olmayan) alan uzmanlarına yardımcı ML uygulamalarının Ar-Ge'siyle uğraşıyorum ve yazarın ilkeleriyle tam olarak aynı yerde değilim. Perspektiflerin bu kadar farklı olması, tasarım alanının çok geniş olduğunu ve belirli bir yaklaşımın doğru cevap olduğunu söylemek için henüz çok erken olduğunu gösteriyor. AI tooling'in nereye gideceğini şu an kimse bilmiyor

    • Tabii bir yorum da, benim geliştirdiğim ML sistemlerinin son 15 yıldır insan kapasitesini dengelediği ya da yerine geçtiği yönünde olabilir. Ama insanların bulunduğu konuma göre yorumların değiştiğine katılıyorum. Yine de insanın (ve insan bilgisinin/arama kapasitesinin) iş akışının merkezinde olabildiğince kalmasının iyi bir pratik olduğunu düşünüyorum

  • AI ile kodlamada beni hep endişelendiren şeylerden biri, beceriyi korumanın zorlaşması. Kodu bizzat yazmak (boilerplate dahil) gerçekten de bir tür Mr. Miyagi boya çalışması gibi bir antrenman. Bu tekrarlar sayesinde örüntüler zihne derinlemesine yerleşiyor ve daha yüksek seviyeli tasarım kararları alırken büyük fayda sağlıyor

    • Geçmiş teknolojiler de (yazı, matbaa vb.) belki el yazısını ya da retoriği zayıflatmış olabilir ama düşünme kapasitesini güçlendirdiler. Steve Jobs'un “Bicycle-for-the-mind” fikri bunun tipik örneği. Ancak bu mantığı AI'a uygularken fark şu: önceki teknolojiler dağıtım darboğazlarını çözerken AI doğrudan yaratıcı sürecin kendisini hedef alıyor. Yaratıcı işlerde AI kullanımı ancak kendi yaratıcılığımın gelişimini engellemediği sürece arzu edilir. İnsanın öz denetimi/öz farkındalığının sınırları var

    • Ben geceleri ya da duş alırken sık sık problemleri zihnimde evirip çevirir, aklımda "kod" canlandırırım. Dil yapıları zihnime derinlemesine yerleşmemiş olsaydı bu tür hayali kodlamalar da zor olurdu

    • Günlük hayatta da benzer örnekler var:

  1. En son ne zaman elle anlamlı bir şey yazdığımı bile hatırlamıyorum. El yazım artık gerçekten berbat
  2. Navigasyon olmadan araba kullanırken yolumu bulmaya cesaret edemem. Harita okumak mı? Artık hayal gibi bir şey

  • Transistörleri elle lehimlediğimiz zamanlar da vardı. Ama artık teknoloji öyle ilerledi ki, eskisi gibi her şeyi elle yapmak ciddi bir yük. Düşüncenin odağını böyle sürekli genişletip daraltırken, ben hâlâ kodlamayı özlüyorum. Gerçi hâlâ çok kod yazıyorum

  • “Every augmentation is an amputation (Her güçlendirme bir yerden kesip almadır)” - Marshall McLuhan

  • Bu yüzden Deep Research'ü gerçekten çok seviyorum. Her zaman soruyla başlıyor ve öğrenmek istediğim şeyi kendim için daha net tanımlamamı sağlıyor. Sadece UX'teki küçük bir değişiklik bile kullanıcıların öğrenmesini desteklemekle, onları eleştirel düşünmeden araca bağımlı hale getirmek arasında büyük fark yaratabiliyor diye düşünüyorum

    • Ama o sorunun kendisine gerçekten dikkatle baktın mı? Deep Research bazen faydalı olsa da, kimi zaman o “soru” sadece havalı görünmek için eklenmiş gibi geliyor. Benim zaten dikkatle ve açıkça yazdığım şeyleri tekrar soruyor. Gerçek arama sürecine büyük bir katkısı yok gibi

    • Teknik yazar olarak Deep Research kullanmamayı tercih ediyorum. Hatta işimi zorlaştırıyor. Araştırma, not alma ve özetleme sürecinin kendisi, konuyu derinlemesine anlamamı sağlayan temel unsur. Ortaya çıkan kayıt ise sadece bunun çıktısı. AI bunu benim yerime yaptığında notları elde etmiş oluyorum ama aynı düzeyde anlayış kazanmıyorum. AI'ın yazdığı belgeyi okumak, doğrudan deneyimin yerini tutamaz

  • Bence bu yazı, AI benimsemenin özünü karıştırıyor. AI'ı benimsemenin amacı insanları daha zeki yapmak değil; insan yaratıcılığının anlamlı biçimde ödüllendirilmediği tekrar eden işleri ortadan kaldırıp tüm sürecin üretkenliğini artırmaktır

  • Benim deneyimime göre, kod yazarken AI'ı en iyi kullanma yolları şunlar:

    • Gelişmiş bir find/replace gibi; örneğin struct initialization gibi yerlerde topluca "bunların hepsini Y ile değiştir" demek için. (regex çok zahmetli)
    • Ajan tabanlı iş akışlarında, ona insan gibi davranmak yerine daha yüksek seviyeli parça işleri adım adım vermek daha etkili. “Şu özelliği uygula” demek yerine, “yeni dosya oluştur ve stub function tanımla” → “ilk fonksiyona x davranışını ekle” → “ikinci fonksiyonda önce birinci fonksiyonu çağır, sonra Y yap” gibi parçalara bölmek
    • Aşina olmadığın codebase'te bilgi bulmak ya da belirli bir implementasyon yöntemini sormak. “copilot, uygulamanın route'ları nerede tanımlı?” gibi; eskiden IRC'deki uzmanlara tekrar tekrar soracağın şeyleri hızla kontrol edebilmek çok kullanışlı

  • Geçenlerde babamın bir sunum hazırlamasına yardım ettim. Yeterince bilgisi vardı ama tasarımcı olmadığı için slaytları şık hale getirmekte zorlanıyordu. Birkaç AI sunum oluşturma uygulamasını denedik; ilk bakışta etkileyici görünseler de kullanıcının gerçekten istediği "tasarım iyileştirmesi" konusunda yardımcı olmadılar. Sonuçta elle düzenleyip güzelleştirmenin çok daha iyi olduğuna karar verdik

  • Özellikle de “mimariden ve test tasarımından başlayıp bunu gerçek koda uygulamak” akışının %100 daha etkili olduğuna tamamen katılıyorum. İş akışı alışkanlıklarını değiştirerek, ayrı bir araç olmadan da yapılabilir (tabii özel araçlar ya da standart prompt'lar varsa daha da iyi)

    • Ben de buna çok ihtiyaç duyduğum için kendi mimari aracımı yapmaya başladım. Yapıcı bir mimari varsa, implementasyonu mevcut AI'a bırakmak bugün için de gayet mümkün. Ama bu araçlar hâlâ docker-compose gibi uzun süre çalışan süreçlerin log'larını okumakta zayıf. Ve gerçekte yapılması gerekenler şunlar:
      • Sorunu araştırmak
      • Özelliği açıklamak
      • API sözleşmesini tanımlamak
      • Temel implementasyon planını yazmak
      • Kimlik doğrulama/yetkilendirme ayarlarını yapmak
      • Test stratejisi ile verimli test kurulumunu/sökümünü hazırlamak
      • Kütüphaneleri belgelemek ve AI için resmi dokümanları bulmak
      • Ve AI, import gibi konularda sık hata yapıyor; uzun süre çalışan süreçler de zayıf noktalar arasında
    • Burada “vibe” kelimesini hiç kullanmasan da cümle aynı anlamı taşırdı; yani söylenen şey oldukça özsel

  • İnsan, birikimli tekrar ve iterasyonla gelişmeye gerçekten çok yatkın bir tür. Bu yüzden brainstorming özellikle gruplarda bu kadar etkili. Bilişsel psikolojide, bu tür kolektif öğrenme ve inovasyonun birikimli “kültür” teorileri bile var. Sıklıkla “devlerin omuzlarında yükselmek” deriz; bu sadece hoş bir söz değil, insanın gerçekten nasıl işlediğini anlatıyor. Yaratıcılık sonuçta bir aramadır, hem de toplumsal bir arama. Gelişim beynin içinde tek başına değil, beyin ile çevrenin etkileşiminde ve sosyal/kültürel katmanda gerçekleşir. Bu yüzden LLM'lerin gerçekten “anlayıp anlamadığını” çok önemsemiyorum. Arasın, fikir üretsin ve bunları gerçekten sınayabilsin; benim için bu yeterli. Ayrıca altyapı ne olursa olsun, asıl önemli olanın arama olduğunu düşünüyorum. Yine de altyapıya göre erişilebilen arama uzayı değişebilir