Zihnimizi eğitmek için gereken işi dolanamayız
(zettelkasten.de)- “Hiçbir şeyi hatırlamak zorunda değilsiniz” iddiası eski bir yanılsama
- İnternet, not uygulamaları, yapay zeka gibi dijital araçların hafıza ihtiyacını ortadan kaldırdığı öne sürülse de, bunun düşünme becerisi açısından gizli bir bedeli var
- Eleştirel ve analitik düşünme becerileri zayıfsa, internet arama sonuçları etkili biçimde kullanılamaz ve bilgi edinimi yüzeysel düzeyde kalır
- Derinlemesine bilgi olmadan yalnızca yüzeysel biçimde bilgi tüketmek, beynin bilişsel işleme kapasitesini zayıflatır
- Zettelkasten Method gibi yöntemler ve düzenli çalışma, anlamlı bilgi çalışması için vazgeçilmezdir
Dijital araçlar ve hafıza konusundaki yanılsama
- “Hiçbir şeyi hatırlamak zorunda değilsiniz” fikri, onlarca yıl önce ortaya çıkmış eski bir anlayış
- Arama motorları, eski tip not uygulamaları, yapay zeka gibi araçlar, hafızanın öneminin ortadan kalktığı iddiasını tekrar ediyor
- Ancak gerçekte, istenen bilgiye ulaşmak için temel eğitim ve ilgili alanda ön bilgi şart
Eleştirel düşünme ve internetten yararlanma becerisi
- Modern toplumda, gerekli düşünme süreçlerini atlayıp doğrudan internetten sonuca ulaşma eğilimi güçleniyor
- Bu eğilim, öz yönelimli öğrenme fırsatlarının ve ön bilginin azalmasına yol açıyor; bilginin niteliğini değerlendirme ve onu gerçek bilgiye dönüştürme becerisini düşürüyor
- Araştırmalara göre, sözde dijital yerliler internette buldukları bilgiyi eleştirel ve analitik biçimde değerlendirmekte yetersiz kalıyor
- İnternet aramasının gerçek değerinden yararlanmak için alanlara özgü bir zihinsel harita gerekiyor
Dijital yerlilerin yaklaşımı ve sorunları
- Dijital yerliler bilgiyi yalnızca yüzeysel eşleşme üzerinden değerlendiriyor ve eleştirel değerlendirme motivasyonu zayıflıyor
- Bu yaklaşım şu sonuçlara yol açıyor
- Materyalle duygusal bağın zayıflaması, buna bağlı olarak düşünce derinliği ve odaklanmanın azalması
- Bilgiyle sığ bir ilişki kurulması, bu yüzden beynin yapısında değişim oluşmaması
- Sonuç olarak, yüzeysel bilgi tüketimi alışkanlığı arttıkça bilginin temeli kırılganlaşıyor
Bilgi, not alma ve eleştirel düşünmenin temel öncülü
- Gerçek anlamda bilgi oluşturma, yapay zeka ya da PKM(Personal Knowledge Management) araçlarının değil, kişinin bizzat kendisinin yapması gereken bir iştir
- Örneğin ChatGPT’ye haftalık bir egzersiz rutini tasarlatabilirsiniz; ancak arka plan bilgisi olmadan sonucun doğru olup olmadığını değerlendiremezsiniz
- Önemli kavramlara dair derin bir anlayış olmadan, yalnızca yüzeysel terimleri bilerek bilginin gerçek değerini değerlendirmek zordur
Arka plan bilgisi ve beynin iç işleme kapasitesi
- Sadece yüzeysel çağrışımlar kurabilmek ile, belirli bir terim hakkında gerçekten temel ve çok katmanlı bilgiyi kapsamlı biçimde zihinde canlandırabilmek arasında büyük fark vardır
- Bilgi çalışmasının darboğazı, dışarıdaki bilgi miktarı değil, kişinin beyninin bilgiyi işleme konusundaki iç kapasitesi ve eğitim düzeyidir
Doğru araçlar ve sürekli çalışmanın gerekliliği
- “Hiçbir şeyi hatırlamak zorunda değilsiniz” düşüncesinin aksine, gerçekte “her şeyi hatırlamak gerekir” yaklaşımı daha doğru bir yönelimdir
- Ancak bu şekilde anlamlı bilişsel çalışma ve bilgi temelli düşünme mümkün olur
- Basit araçlar (ör. aralıklı tekrar yöntemi) basit işlerde, gelişmiş araçlar (ör. Zettelkasten Method) ise karmaşık düşünmede yardımcı olur
- Derin işleme, nihayetinde beynin eğitilmesiyle doğrudan bağlantılıdır
- Bilgi çalışmasının geleceği, zihni eğitmekten vazgeçmeme tutumuna bağlıdır
Live long and prosper
Sascha
1 yorum
Hacker News görüşü
Birincisi, cevabı yapay zekaya sormak: bir şey üretir, benim yapmam gereken düşünmeyi yapay zeka üstlenir ve iş daha kolaymış gibi gelir
İkincisi, yapay zekayı tekrarlayan ve basit işler için bir otomasyon aracı olarak kullanmak (test suite yazmak ya da altyapı kurmak gibi): gerçekten insandan daha hızlıdır ama zor işe odaklanmak gerektiği için aslında daha yorucu olur Bu iki yaklaşımın yarattığı hisler tamamen farklı İlkinde iş kolaylaşır, ikincisinde ise kolay kısımlar otomatikleştiği için belki de daha fazla düşünme ve daha fazla zorlanmanın kesintisiz sürdüğü bir duruma dönüşür İş yerinde az da olsa rekabetçi bir ortam varsa, ikinci kalıpla çalışan kişinin hem üretkenlik hem kalite açısından açık ara daha iyi olacağına inanıyorum Ama bu yaklaşım zihinsel olarak çok tüketici hissettiriyor İlgili yazı
İkinci yöntemi şirkette gerçekten denedim Neredeyse kesin başarı için uygulama planının çoğunu önceden çıkarmak ve LLM'nin saçma sonuçlar üretmediğini izlemek gerekiyor Bu sırada başka neredeyse hiçbir şeye el atamıyorsun Hissedilen üretkenlik artışı yaklaşık %10~%20 gibi
"Düşünme işini art arda sıkıştırıp sadece zor kısmı yapmak" hissi, anlatmak istediğim nokta tam olarak buydu Sistem tasarımındaki gerçek darboğaz kolay işler ya da tekrar değil; öngörmesi zor kısımlar, bilinmeyen alanlar ve istenmeyen sonuçlar gibi şeylerdir. Yapay zeka bunlarda çok da yardımcı olamıyor Hatta tekrarlı işlerin tamamen otomatikleşmeyip bir kısmının elde kalması faydalı bile olabilir Bunlar insanı ilgili alanda tutuyor ve zor problemlere dair içgörü de sık sık kazandırıyor
Ben mimariyi, kod organizasyonunu ve algoritma seviyesindeki tasarımı yapay zekaya bırakıyorum Planı o seviyede kurup gerçek implementasyonu tamamen agent'a devrediyorum Testleri de hem kendim denetliyorum hem de birden fazla AI agent'a audit ettiriyorum Pipeline %100 otomatik ve sonuçlar da çok iyi
LLM'lerin sorunu, en basit işi bile tamamen tek başlarına yapamamaları Ve insan devreye girdiğinde, LLM'ler insan sezgisini bile bulanıklaştıracak kadar aptalca yanlılıklar üretebiliyor Ama bence bu fikir, derleyiciler, type checker'lar, otomatik testler ve version control gibi yazılım geliştirme tarihindeki araçlarla da bağlantılı
İlk örnekteki gibi sadece soru sorup cevap almak bazen tam tersine daha fazla düşünmeyi gerektiriyor Üretilen çıktı tam istediğini yapmıyorsa, hatalıysa ya da karmaşıklaştıysa, bir sonraki adıma geçebilmek için benim yazmadığım bir sürü kodu analiz edip anlaman gerekiyor Böyle kod okuyunca zaman boşa gidebiliyor
"Anlamlı zihinsel iş yapabilmek için her şeyi hatırlamak gerekir" iddiası hakkında Gerçekte her şeyi hatırlamak gerekmiyor Deneyim, düşünme ve yazma gibi süreçler sayesinde giriş noktalarını ve ardından neyin geleceğinin biçimini hatırlamak, anlamlı iş için yeterli olabilir
Thomas Aquinas'tan şu sözü alıntıladı: "İnsanın hatırlamak istediği şeyleri belli bir sırayla iyi düzenlemesi gerekir; düzen, hafızanın zinciridir" Bunu Zettelkasten'imde buldum
Bunun işe göre değiştiğini düşünüyorum Örneğin yabancı dilde konuşma gibi gerçek zamanlı performans gerektiren durumlarda kelimeleri gerçekten ezberlemiş olman gerekir; performans sanatlarında da benzer Yazarken daha yavaş gidebilirsin ama arka plan bilgin çok zayıfsa sonuçta perde arkasında çok hazırlık gerekir
Aslında LLM'ler de böyle çalışıyor İnsan beyni gibi, pre-training aşamasında olabildiğince çok bilgi alıyorlar; belli bir eşiği geçince de akıl yürütme ya da araç kullanımı gibi daha insansı görünen sonuçlar ortaya çıkıyor Bu yüzden beynin de pre-training verisi yetersizse zayıf bir base model olacağı hipotezine katılıyorum
Ben bütün cevapları hatırlamam, sadece cevapları nerede bulacağımı hatırlarım
Acaba kastın "yalnızca başlangıç durumunu hatırlayıp gerisini zihnin çağrışımla takip etmesi" mi, yoksa "çözümün çıkış noktasını, örneğin varsayımlar ya da birkaç ana fikri hatırlamak" mı diye sordu Zettelkasten kullanan biriysen ilk yaklaşıma oldukça katılırsın diye düşünüyorum
"Anlamlı zihinsel iş yapabilmek için her şeyi hatırlamak gerekir" iddiası hakkında İnsanlarda Abstraction yeteneği olmasaydı bunda doğruluk payı olurdu Ama abstraction var olduğu için, pratikte somut olguların yalnızca bir kısmını hatırlamak yeterlidir Asıl önemli olan güçlü kavramsal modeller ve tacit knowledge'dır Tacit knowledge deneyim ve geri bildirimle oluşur; kavramsal modeller kurup üzerine olguları eklersin Başlangıçta ezber güçlü bir yardımcıdır ama belli bir seviyeden sonra kendi başına engel hâline de gelebilir Her zaman işlenmiş bütünün tamamını bir kerede hatırlamak gerekmez; deneyim kazandıkça gerektiği kadarını bir "framework" içine yerleştirirsin Ezberden hoşlanmayanların bu konuda tartışmalı görünmesinin sebebi, çoğunun acı çekerek acemilik döneminden geçmiş olması olabilir
"Her şeyi hatırlamak gerekir" fikri üzerine birkaç yazı çıktı ama bence çoğu asıl tartışmayı ve bağlamı kaçırıyor Zaten her şeyi hatırlamak imkânsız, o yüzden olabildiğince fazlasını hatırlamaya çalışmak gerektiğine katılıyorum Nihayetinde "nasıl olsa hepsini hatırlamak gerekmiyor, boş ver" tarzı bir düşüncenin tehlikeli olduğunu düşünüyorum Yazının ana fikri, hesap makinesine ya da LLM'ye devretmenin uzun vadede de faydalı olmadığı yönünde oldukça güçlüydü diye düşünüyorum
"Kavramsal modeller ve tacit knowledge daha önemli" fikrine derinden katılıyorum Bilgisayar bilimi ve yazılım mühendisliğiyle ne kadar uzun süre uğraşırsan, gerçekten temel kavramların sanıldığından çok daha az olduğunu fark ediyorsun Gerçekten yetkin bir mühendisin her bir kavramı adeta "canlı" biçimde deneyimlemiş olması gerekiyor Bu kavramlar iyi içselleştirilirse, bilgisayarla ilgili herhangi bir problemi hızla bir "kavramsal koordinat sistemine" oturtup ardından tekrar tekrar uygulayabilir ve anlayabilirsin
Son zamanlarda bunu arkadaşlarımla sık sık konuşuyorum; mühendisliği sonuçta "bir soruyla başlayıp, ortada net bir çözüm olmadan yola çıkmak" diye tanımlıyorum Böyle durumlarda önemli olan, üzerinde durduğum katmanın dayandığı temel olan alt abstraction katmanlarını yeterince anlamak Bunu bir bilgi piramidi gibi düşünürsek, her seviyede roller ve uzmanlıklar farklılaşmış olsa da, hangi konumda olursan ol alttaki katmanları ne kadar iyi anlarsan sezgin o kadar güçlenir Temelleri outsource etmeye başlarsan sadece eleştirel düşünmen değil, içinde bulunduğun dünyanın yapısına dair sezgin de zayıflar
Anki, Zettelkasten gibi hafıza güçlendirme araçlarına sempati duyuyorum ama bu yazının aşırı basitleştirdiğini düşünüyorum Bilgi temelli iş için iki model görüyorum
Son dönemde öne çıkan şeyin, AI'nin hiç arka plan bilgisi olmadığında çok yardımcı olması olduğu kısmına katılıyorum Ama bence sorun da tam burada AI kolay bir başlangıç sağlıyor ama bu süreçte kullanıcı kendi kendine öğrenme fırsatını kaybediyor Öğrenme, "alma-anlama-ezberleme-uygulama" döngüsünün tekrar tekrar işlemesiyle olur; AI'ye sonsuz prompt verip sadece cevap almak ise neredeyse hiç öz-öğrenme üretmiyor
AI'nin asıl gücü, bir "tür" için birden fazla iyi örnek verebilmesi AI bana "X yapan şirketler"den birkaç tane bulduğunda, ben de arama motoruyla kendi araştırmamı yaparken ne yönde derinleşebileceğime dair bir referans elde etmiş oluyorum Sonunda AI'nin verdiği sonuca ulaşmasam bile, fikirleri duyduktan sonra yargıyı yine kendim vermem gerekiyor AI, kelimelerle özellikler arasındaki ve kategorilerin nasıl ifade edildiği arasındaki örüntüleri yakalamakta uzman
Pilotlar da checklist gibi ezbersiz başvurulabilecek araçlar kullanır; ama acil durumlarda neredeyse refleks düzeyinde, kodlanmış hafızayla yapılan işler de vardır
Doğaçlama ya da canlı performanslarda (konuşma, müzik icrası vb.) güçlü hafıza gerçekten önemlidir Ne kadar canlı işlem yapmak istediğin, gerekli hafıza düzeyini belirlemek için iyi bir ölçüt olabilir
"Bir soruyu okuyup hemen kapsamlı bir cevap veremiyorsan yeterli arka plan bilgin yoktur" iddiası hakkında Bu görüş fazla uçta Örneğin bir egzersiz planı hazırlarken en ince ayrıntıya kadar her şeyi hesaba katman şart değil En iyi şekilde optimize edilmiş, yani 'minmaxed' bir cevap olmasa bile, istikrarlı kalırsan gayet iyi sonuçlar elde edebilirsin Bu birçok alanda geçerli ortak bir durum Derin uzman olmasan da belli bir düzeyde sonuç üretebilirsin
Matematikte de aynı durum var Hesap makinesi kullanabilirsin ama sayı hissin ve aritmetik sezgin varsa dünyayı çok daha hızlı ve doğru işlersin AI ya da arama motorundan yardım alırsın ama asgari yargı gücüne yine kendin sahip olmalısın
Birçok insanın veriye önce sezgisel olarak bakmadan hemen Excel formülü yazmaya başlamasını hep garip bulmuşumdur Örneğin A8 120 ve A7 100 ise, yüzde kaç artış olduğunu önce kendi gözünle hızlıca görmek iyi bir alışkanlıktır AI için de benzer şekilde, hiç bilmediğin bir alandaki cevabı doğrudan kabul etmek yerine önce kendi başına doğrulayabileceğin değerler ya da kavramlarla kontrol etmek gerekir
Mesele hesap makinesi kullanmak değil, hesabın kendisine karşı bir isteksizlik olması Sadece birkaç basit formülü (alan, hacim, yoğunluk, enerji vb.) ezberlemekle, anlık hesaplarla ne kadar çok saçmalığı eleyebildiğine şaşarsın Pizza çapı problemi gibi meşhur örnekler de var
Gerçek öz, beynin deneyimle "terbiye edilerek" evrilmesidir Hiçbir şeyi ezberlemeyip her zaman aramaya güvenirsen, beyin sonunda yalnızca arama motoru gibi çalışmayı öğrenir Arama yapılamayan bir durumda, bu deneyim eksikliği ölümcül bir sınıra dönüşür Elbette bu yaklaşım bugün işe yarıyor olabilir ama beynin gelişme biçimine dair temel ilke değişmiyor
Bana göre her şeyi hatırlamak şart değil ama bir şeye gerçekten 'maruz kalmış' olmak kesinlikle gerekli 'Ne bilmediğini' bile bilmiyorsan bilgi temelli iş yapmak tehlikeli olur "Her şey hakkında biraz, bir şey hakkında derinlemesine öğren" sözüne katılıyorum
İnternetten önce etraftaki insanlara sorardık; onlar da bir şeyler gevelerse çoğu zaman inanıp geçerdik Sonra internet geldi ve arama sonuçları rastgele tanıdıklardan daha güvenilir oldu Şimdi AI geldi; o da kusursuz değil ama herhangi birinden ya da rastgele bir blogdan biraz daha güvenilir cevaplar verebiliyor %100 doğru olma beklentisi bana zaten tuhaf geliyor Eskiden herkes yakınındaki insanların rastgele söylediklerini kabul ediyordu
LLM'lerin rastgele blogları toplayıp cevap üretmesinin, uzmanlığı doğrulanmış bloglarda doğrudan arama yapmaktan daha doğru olduğuna dair dayanak nedir, merak ediyorum
Soru sorarken rastgele herhangi birine sormak zaten yanlış Her zaman alan uzmanına sormalısın Örneğin video oyunları hakkında eşime sormam, programlama hakkında da babama sormam Bunu yapınca bile AI'ye duyulan ihtiyaç ciddi ölçüde azalıyor