- Yapay zeka kullanımını gösteren tokenlar gibi, model yeteneklerini geliştiren veri işi birimi olan görev (task) de yapay zeka yatırımlarını ölçen büyük ölçekli bir pazar oluşturacak gibi görünüyor
- İnternet eğitim verileri ile basit ve genel amaçlı yetenekler doygunluğa ulaşırken, gerçek ortamlarda uzmanların örtük bilgisini öğreten yüksek kaliteli veri model gelişiminin darboğazı olarak öne çıkıyor
- Görevler, başlangıç durumu ve çalışma ortamı sağlayıp sonuçları ödül sinyali veya doğrulayıcılarla değerlendirerek, yalnızca açık internetle yeniden üretilmesi zor olan uzman iş süreçlerini modele öğretiyor
- OpenAI ve Anthropic’in veri harcamaları her yıl 10 kat artıyor; Mercor ise şubatta 1 milyar dolar ARR kaydettikten 4 ay sonra 2 milyar dolara ulaştı
- Hukuk, sağlık, finans, yazılım ve bilim alanlarının her biri ayrı veri kümeleri, değerlendirme sistemleri ve pekiştirmeli öğrenme ortamları gerektirdiğinden yapay zeka laboratuvarları, uygulama şirketleri ve geleneksel şirketler arasında veri altyapısı rekabetinin genişlemesi bekleniyor
Yapay zeka büyümesini ölçen token ekonomisi
- Çıkarım token’ları, yapay zeka ekosisteminin büyümesini izleyen başlıca gösterge haline geldi
- Halka açık şirketler, yapay zeka büyümesini göstermek için aylık işlenen token sayılarını açıklıyor
- Analistler, OpenRouter sıralamaları gibi model bazında token kullanımını karşılaştırıyor
- Yöneticiler, zaman içindeki token kullanımına bakarak yapay zeka yatırımı ve benimseme düzeyini ölçüyor
- Token’lar, karmaşık çıkarım sürecini tek bir ölçü birimine soyutlayarak, teknik arka planı olmayanların bile yapay zeka ölçeklenmesini anlayabilmesi için ortak bir dil işlevi görüyor
- Yapay zeka kullanıcılarının artması, çıkarım yapmayan modellerden çıkarım modellerine geçiş ve sorgulardan ajanlara geçişin tamamı token artışına yol açıyor
- Arka plan ajanları ve uzun süreli görev ajanları da token kullanımını artırıyor
- Benimsemenin genişlemesi ile model başına token yoğunluğunun üst üste binmesi, toplam kullanımı hızla artırıyor; yatırım ve şirket girişleri çıkarım pazarına yöneliyor
- Çıkarım pazarının yüksek görünürlüğü, benzer ölçekte büyüyebilecek ama anlaşılması daha zor olan başka akımları perdeleme etkisi de yaratıyor
Görev ekonomisinin ortaya çıkışı
- Son 3 yılda LLM’ler, temel soru-cevaptan karmaşık çıkarıma, oradan da uzun süre gerçek işler yapan ajanlara evrildi
- İlk model iyileştirmeleri internet verilerine ve daha fazla hesaplama kaynağına dayanıyordu; ancak aşağıdaki iki değişim nedeniyle ek yüksek kaliteli veri darboğaz haline geldi
- İnternette yeni öğrenilebilecek veriler tükeniyor
- Basit ve genel amaçlı yetenekler giderek doygunluğa ulaşıyor
- Görev ekonomisi, modellerin daha fazla iyileştirilmesi için gereken veriyi üreten ve sağlayan pazarı ifade ediyor
Model iyileştirme birimi olarak görev
- Pekiştirmeli öğrenmede görev, modelin pratik yaptığı birimdir
- Modele bir başlangıç durumu ve eylemde bulunacağı ortamı sağlar
- Modelin eylemlerini ödül sinyali veya doğrulayıcıyla puanlar
- Birden fazla görevin puanlarını öğrenme sinyali olarak birleştirip modeli yüksek puan alan davranışlara doğru ayarlar
- Kesin anlamıyla pekiştirmeli öğrenme sonrası eğitimin temelini ifade eder; ancak burada veriyle model iyileştirmenin genelini kapsayan bir birim olarak kullanılıyor
- Sektör, model iyileştirme için yeni veri formatları üretmeye devam ettikçe görevin kapsamı da genişliyor
- Geleneksel veri etiketleme, bounding box’ları veya LLM yanıtlarına beğeni/beğenmeme değerlendirmelerini çağrıştırır; ancak güncel pazar daha karmaşık ve daha yüksek değerli işlere evrildi
Hukuk işlerinde nasıl çalışır
- Açık internetle eğitilen yapay zeka, hukukun temel kavramlarını ve açık içtihatları anlayabilir; ancak yetkin bir avukatın gerçek işini yeniden üretmek için gereken veri internette yeterince bulunmaz
- Yüksek kaliteli hukuk işlerini öğretmek için şu unsurlar birleştirilmelidir
- Sözleşme inceleme veya argüman yazımı gibi promptlar
- Hukuki veri odası gibi gerçek bağlantılı ortamlar
- Kurumsal avukat ajanı değerlendirme tablosu gibi ölçütlere göre sonuç doğrulama
- Bu tür görevler modele yalnızca ne yapması gerektiğini değil, nasıl yapması gerektiğini de öğretir; yüksek kaliteli görev sayısı arttıkça model yetenekleri de gelişir
Token ve görevin ortak büyüme yapısı
- Token, çıkarım ve model kullanımının temel birimiyse, görev de model iyileştirmenin temel birimi olarak görülebilir
- Yapay zekanın benimsenmesinin genişlemesi ile en ileri modellerin veri ihtiyacının artması üst üste binerek görev talebini artırıyor
- Basit tercih etiketlerinden, yetenekli uzmanların değerlendirme tablolarına dayalı işlere geçiliyor
- Uzman düzeyinde alanlara özgü ajanlar ortaya çıkıyor
- Ajanlar daha uzun zaman aralıklarına yayılan işleri yürütüyor
- Şirketler değerlendirme sistemlerini büyük ölçekte benimsiyor
- Bu etkenler, çıkarım token pazarı gibi üst üste binerek görev ekonomisinin hızlı büyümesini sağlıyor
Veri harcamaları ve pazar büyümesi sinyalleri
- OpenAI ve Anthropic, uzmanları devreye alarak veri ve ajan eğitim materyali üretirken veri harcamalarını her yıl 10 kat artırıyor
- Bazı büyük yapay zeka uygulama şirketleri ve geleneksel şirketler, verinin rekabet avantajı olduğuna karar vererek bireysel görevlerle ilgili harcamalarını kısa sürede 100 milyon doların üzerine çıkarıyor
- Farklılaştırılmış veri stratejisine sahip uygulamalı yapay zekanın, genel amaçlı hazır modellerden daha iyi sonuçlar verebileceği düşünülüyor
- Görev ekonomisi platformu Mercor, şubatta 1 milyar dolar ARR’ye ulaştıktan 4 ay sonra 2 milyar dolar ARR kaydetti
- İleri alanlardaki işleri yeniden üreten ajanlar hâlâ erken aşamada; şirketlerin veri harcamalarını artırması da daha yeni başlıyor
- Yapay zekanın gelecekte ele alması gereken insan bilgisinin %99’unun insanların kafasında olduğu varsayımıyla, yapay zeka laboratuvarları, uygulama şirketleri ve geleneksel şirketler örtük bilgiyi modellere ve ajanlara aktarırken katılımcı ve alıcı kapsamının genişlemesi bekleniyor
Görev pazarının neden pek görünmediği
- Görevlerin çevrimiçi ortamda token’lardan daha az tartışılmasının ilk nedeni, harcamaların gizliliğin güçlü olduğu en ileri yapay zeka laboratuvarlarında yoğunlaşmış olmasıdır
- Laboratuvarlar model iyileştirme stratejilerini ve veri/görev harcamalarını neredeyse hiç açıklamıyor
- Yapay zeka uygulama şirketleri ve geleneksel şirketler, hazır modellerden farklılaşmak için görev ekonomisine katıldıkça durum değişiyor
- Bu şirketlerin kendi veri faaliyetlerini pazarlama olasılığı daha yüksek olduğundan görev pazarının görünürlüğünü artırabilirler
- İkinci neden, çıkarım pazarındaki token gibi değeri basitçe soyutlayan ortak bir birimin olmamasıydı
- Görevi standart bir değer birimi olarak kullanmak, teknik bilgisi olmayanların da sektörün yapay zeka yeteneklerini geliştirmeye ne kadar yatırım yaptığını anlamasını sağlayabilir
- Şu anda görev ölçeğini ve büyümesini gerçek zamanlı gösteren “görevler için OpenRouter” benzeri bir hizmet yok
- Mercor’un çeyreklik uzman çalışma saati verileri, pazar büyümesini dolaylı gösteren bir gösterge olarak kullanılıyor
Ekonomik faaliyetlerin geneli için veri inşası
- Dizüstü bilgisayarda yapılan tüm işleri ajanlarla otomatikleştirmek için ekonominin genelindeki uygulamaları, ortamları ve görev dağılımlarını kapsamak gerekir
- Bunun için meslek alanları, akademik disiplinler ve tüketici kullanım senaryoları genelinde büyük ölçekli veri inşası gerekir
- Hukuk, sağlık, finans, yazılım ve bilim alanlarının her biri uzmanların oluşturduğu veri kümeleri gerektirir
- Alana özgü değerlendirme sistemleri ve pekiştirmeli öğrenme ortamları da ayrıca hazırlanmalıdır
- Yapay zeka laboratuvarları, uygulama şirketleri ve geleneksel şirketler, ekonomik açıdan yararlı işlerin genelinde veri altyapısını genişleterek rekabet edecek
- Veri altyapısı kurmayı başaran kuruluşlar, en ileri yetenekleri sürekli geliştirebilir ve pazar payı elde edebilir
- Görev ekonomisi yaygınlaşıp görünür hale geldiğinde, yapay zeka sektörü token’ların yanında görev ölçeğini de başlıca büyüme göstergesi olarak izleyecek gibi görünüyor
Algoritma iyileştirmeleri ve tartışmanın kapsamı
- Genel yapay zeka yetenekleri yalnızca veriyle değil, modelin algoritma iyileştirmeleriyle de gelişebilir
- Algoritma iyileştirmelerinin hariç tutulması, gelecekteki olasılıkları reddetmek için değil; tartışmayı veri ve görev ekonomisine odaklamak için yapılan bir kapsam belirlemesidir
Henüz yorum yok.