MIT dekanı Daniel Huttenlocher, yapay zekâya dair dört gerçeğe dikkat çekti.
Yapay zekâ, sektörleri dönüştürmeye devam ederken, Massachusetts Teknoloji Enstitüsü (MIT) Schwarzman Hesaplamalı Bilimler Fakültesi Dekanı ve Amazon yönetim kurulu üyesi Daniel Huttenlocher, iş dünyası liderleri için gerçekçi bir yol haritası sundu.
Her yeni teknolojide olduğu gibi, yapay zekâ da beklenti döngüsünden geçiyor. Huttenlocher, yapay zekâya dair sıklıkla göz ardı edilen dört gerçeğe dikkat çekti:
1. Günümüzdeki GenAI modelleri, etkili yapay zekâ ajanları değildir.
Son beş yıldaki gelişmelerin “gerçekten olağanüstü” olduğunu kabul eden Huttenlocher, bu modellerin bir şeyler yapması gerektiğinde zayıf kaldığını belirtiyor:
“Metin ve görsel üretmek üzere eğitiliyorlar, ama onları bir görevi yerine getirecek hale getirmek çok daha zor, mevcut eğitim teknikleriyle bu modellerin güvenilir şekilde çalışmasını sağlamak hâlâ oldukça zor.”
Bu bilgi, yapay zekâyı gerçek dünya çıktıları elde etmek amacıyla kullanmak isteyen işletmeler için oldukça kritik. GenAI modelleri, doğru görevlerde hâlâ fayda sağlayabiliyor.
Özellikle robotik gibi alanlarda eylem ve gözlem verileriyle eğitilen sistemlerin başarılı sonuçlar verdiğini belirten Huttenlocher, ölçeklenebilir ve otonom ajanlar için yolun hâlâ uzun olduğunu vurguluyor.
Amazon’un bu hafta tanıttığı Nova Act çözümü ise bu konuda umut veriyor. Model, karmaşık iş akışlarını tekil adımlara bölerek yapay zekâ ajanlarının güvenilirliğini artırıyor:
“Nova Act, yapay zekâ ajanları için güvenilir yapı taşları oluşturuyor.”
2. Yapay zekâ, insanlar gibi düşünmez.
Akıl yürütme modelleri konusundaki heyecana rağmen Huttenlocher, yapay zekâ sistemlerinin insan benzeri düşünceye ulaşmasının mümkün olmadığını belirtiyor:
“İnsan aklıyla aynı şekilde akıl yürütmesini beklemiyorum.Yapay zekâ çok yüksek kaliteli işler yapabilir ama bu işler insanların düşünce tarzına denk gelmeyebilir. Bu nedenle bağımsız çalışan yapay zekâ sistemlerine karşı oldukça şüpheyle yaklaşıyorum” diyor.
Örneğin, bir doktorun kararlarını destekleyen bir yapay zekâ modelinin değerli olduğunu belirten Huttenlocher, yapay zekânın tamamen özerk bir uzman gibi davranmasının ise kötü sonuçlar doğurabileceğini vurguluyor. Bu yüzden iş birliği içinde çalışan yapay zekâ sistemlerinin daha sağlıklı olduğunu savunuyor.
3. Dijital değil, kültürel dönüşüm gerekir.
Başarılı bir yapay zekâ uygulaması yalnızca teknik dönüşümle değil, kültürel adaptasyonla mümkündür. Şirketlerin, sektörün iç dinamiklerini anlayan ve yapay zekâya hâkim ekiplerle çalışması gerektiğini vurgulayan Huttenlocher, bu nedenle iş ve teknoloji ekiplerinin yakın iş birliği içinde olması gerektiğini belirtiyor.
MIT de bu yaklaşımı kendi bünyesinde modelleyerek, Schwarzman College of Computing kapsamında 50 yeni öğretim üyesi istihdam etti. Bunların yarısı temel bilişim alanlarında, diğer yarısı ise farklı disiplinlerde yapay zekâ entegrasyonuna odaklanıyor.
“İşverenlerin bilişim eğitimi almış kişilere olan talebi çok büyük. Ama mesele işlem gücü değil,” diyor Huttenlocher. “Asıl mesele, problemleri formüle etmek ve çözmek” diye ekliyor.
4. Yapay zekâ ne iyi ne de kötü doğasaldır.
Huttenlocher’a göre, yapay zekâya dair anlatılar iki uçta gidip geliyor: Ya dünyayı kurtaracak ya da yok edecek. Ancak bu bakış açısı gerçekliği yansıtmıyor:
“Bugünün anlatıları, ne yazık ki ütopyadan distopyaya savruluyor. Ama bu hikâyelerin gelecekteki gerçeklikle örtüşeceği anlamına gelmez,” diyor.
Toplumun ve şirketlerin yapay zekâyla ilgili aldığı tavsiyelerin de bu uçlar arasında sıkıştığını belirtiyor:
“Yapay zekâyı kullanmaktan çok çekinmeliyiz diyen de var, cesurca kullanmalıyız diyen de. Ama çoğu zaman bu tavsiyeler bir tarafı mutlak doğru kabul ederken diğerini hiç görmezden geliyor. Ben bu kadar uç yaklaşımların hepsini neredeyse tamamen göz ardı ediyorum,” diye ekliyor.
MIT Dekanı Huttenlocher’ın uyarıları, yapay zekâ yatırımlarının sadece teknoloji odaklı değil, stratejik düşünce ve kültürel dönüşümle desteklenmesi gerektiğini ortaya koyuyor. GenAI modellerinin gücünü abartmadan, insanla iş birliği içinde çalışan sistemler geliştirmek; küçük deneyimlerden yola çıkarak öğrenmek ve yapay zekâyı sadece verimliliği değil, yeniliği destekleyecek şekilde konumlandırmak, uzun vadeli başarıyı belirleyen en kritik etkenler arasında yer alıyor.
