Yapay Zekâ Konusunda Fazla Söz Verip Gereğinden Azını mı Gerçekleştiriyoruz?

Hannah Clark: Yenilik birikimlidir; bununla kastettiğim şu: bugün sorunları çözme biçimlerimiz, onları daha önce çözme biçimlerimiz olmasaydı etkili olamazdı. Günümüzde “eğitim verisi” ifadeleri genellikle yapay zekâ geliştirme bağlamında kullanılıyor olsa da kullanıcıların aynı zamanda, şimdiye kadar kullandıkları her yazılım parçasını keşfedip benimserken yıllar içinde edindikleri muazzam miktardaki eğitim verisinin tüketicileri ve taşıyıcıları olduğunu hatırlamakta fayda var. Biz kendi yapay zekâ ürünlerimiz için kullanım alanlarına ve yeni özelliklere takıntılı biçimde odaklanırken kullanıcılar farklı bir senaryoyu izliyor. Bir web tarayıcısını ilk açtıkları andan bu yana edindikleri tercihler, alışkanlıklar ve en önemlisi beklentilerle hareket ediyorlar.

Bugünkü konuğum, Yutori’nin kurucu ortağı ve baş bilim insanı Dhruv Batra. Birazdan duyacağınız üzere Dhruv’un yapay zekâ araştırması, geliştirmesi, eğitimi ve liderliği alanındaki deneyimi 20 yılı aşıyor. Dolayısıyla tahmin edebileceğiniz gibi, tek bir bölümde ele alabileceğimizden çok daha fazla büyüleyici teknoloji içgörüsüne sahip. Bunu göz önünde bulundurarak Dhruv’a ürün liderlerine en çok ne anlatmak istediğini sorduğumda hiç tereddüt etmedi. Yapay zekâ yeteneklerinin son derece “girintili çıkıntılı” olduğunu söyledi. Bunun kullanıcılarınız, kuruluşunuz ve ürünün yakın geleceği açısından ne anlama geldiğini birazdan tam olarak duyacaksınız. Hadi başlayalım.

Bu arada, her hafta buna benzer sohbetler gerçekleştiriyoruz. Bu size ilginç geliyorsa neden abone olmayasınız? Tamam, şimdi başlayalım.

The Product Manager podcast’ine tekrar hoş geldiniz. Bugün Yutori’nin kurucu ortağı ve baş bilim insanı Dhruv Batra ile birlikteyim.

Dhruv, bugün bana katıldığın için çok teşekkür ederim.

Dhruv Batra: Elbette. Beni davet ettiğin için teşekkürler Hannah.

Hannah Clark: O hâlde biraz geçmiş bilgisiyle başlayalım. Bize biraz geçmişinden ve derin öğrenmeden günümüzün üretken yapay zekâ devrimine uzanan yapay zekâ araştırması yolculuğunun, şu anda bu teknolojiyle bulunduğumuz noktaya bakışını nasıl şekillendirdiğinden bahsedebilir misin?

Dhruv Batra: Ben bir yapay zekâ araştırmacısıyım. Bu alanda yaklaşık 20 yıldır çalışıyorum. Günümüzdeki tartışmalarda yapay zekâ araştırması sanki 2022’deki ChatGPT devrimiyle başlamış gibi görünüyor. Ben bu alana, derin öğrenmenin bir önceki döneminden önce, 2005’te girdim. Carnegie Mellon Üniversitesi’nde bilgisayarlı görüye uygulanan temel makine öğrenmesi problemleri üzerine çalışarak doktora yaptım; örneğin görüntülerde nesneleri tespit etmek gibi.

Yıllar içinde sohbet botları geliştirdim, görüntüler hakkında soruları yanıtlayabilen ve görüntüler üzerine diyalog kurabilen ilk sistemleri oluşturdum. Georgia Tech’te uzun yıllar profesörlük yaptım. Derin öğrenme dersini oluşturdum. Ayrıca Meta’da sekiz yıl geçirdim. Kıdemli direktördüm ve FAIR Embodied AI ekibine liderlik ettim. FAIR, Meta’nın temel yapay zekâ araştırma bölümüdür.

Bedensel yapay zekâ, robotik ve akıllı gözlükler için yapay zekâ anlamına gelir. Meta’daki ekiplerimden biri, ilk Ray-Ban Meta güneş gözlüğü sürümünde çok modlu asistan olarak kullanıma sunulan görüntü sorularını yanıtlama modelinin en erken sürümünü geliştirdi. Diğer ekiplerim ise sanal robotları simülasyonda eğitmek için dünyanın en hızlı 3B simülatörünü geliştirdi; daha sonra bunları Boston Dynamics robotunda kullanıma sunduk.

Bilgisayarlı görüden sohbet botlarına ve robotiğe kadar geniş bir yelpazeyi gördüm. Zekâya ve zekâ sistemleri oluşturmaya karşı büyük bir merak duyuyorum; bugün beni Yutori’ye getiren yolculuk da bu oldu.

Hannah Clark: Bu konu hakkında konuşmak için son derece nitelikli olduğun açık. Sanırım hepimiz bu konu hakkında mümkün olduğunca çok şey öğrenmek istiyoruz. Bugünkü konumuz için de çok heyecanlıyım; çünkü yapay zekâ teknolojisinin şu anki durumu söz konusu olduğunda beklentilerle gerçeklik arasındaki farka daha yakından bakacağız. Bu konu hakkında konuşabilmek ve aklımızdaki bazı soruları yanıtlayabilmek için belirli bir uzmanlık birikimine sahip olmak gerekiyor.

Bugün konuya üç açıdan yaklaşacağız: yapay zekânın kullanıcı, işletme ve teknoloji boyutları. Kullanıcı tarafıyla başlayalım. Şu anda yapay zekâ konusunda büyük bir heyecan döngüsünün içindeyiz; ancak kullanıcılar, izledikleri araçlara ve kullanım alanlarına bağlı olarak son derece tutarsız sonuçlarla karşılaşabiliyor.

Sence şu anda kullanıcıların yapay zekânın yapmasını bekledikleriyle gerçekte yapabildikleri arasındaki boşluğa ne sebep oluyor?

Dhruv Batra: Bence bu harika bir soru. Sadece ürün geliştirme ve yapay zekâ araştırmasının merkezinde yer alan bir probleme değiniyor; bu da sıklıkla zekânın “girintili çıkıntılı doğası” olarak adlandırılan konuya geliyor.

Bu konuların çoğunda olduğu gibi, bir ürün yöneticisi benzeri figürün bir mühendise benzer figüre “Bana bir uygulama geliştirebilir misin? Bir kullanıcı her fotoğraf çektiğinde, bu fotoğrafın bir milli parka ait olup olmadığını bilmek istiyorum,” dediği ünlü bir XKCD karikatürü vardır. Mühendis de “Elbette, bu basit bir GPS tabanlı veri tabanı sorgusu gibi görünüyor,” diye yanıt verir.

“Birkaç saate halledilebilir,” der. Ardından ürün yöneticisi şu cümleyi söyler: “Fotoğrafta bir kuş olup olmadığını da bana bildir.” Mühendis ise “Bir araştırma ekibine, beş yıl boyunca 50 milyon dolara ve belki bu soruyu yanıtlayabilmemize ihtiyacım var,” diye cevap verir. Bu hikâyedeki özel örnek artık geçerli değil.

Bilgisayarlı görü yeterince ilerledi; artık kuş veya köpek türlerini tespit etmeyi çözülmüş bir problem olarak değerlendiriyoruz. Ancak bence burada anlatılmak istenen nokta, önemsiz denecek kadar kolay problemlerle imkânsız derecede zor problemler arasında son derece keskin geçişler olduğudur. Bu keskinliği insanların kavramsallaştırması ve öngörmesi zordur.

Bu yalnızca teknoloji kullanıcıları için değil, teknolojiyi geliştirenler, ürün geliştiricileri ve yapay zekâ araştırmacıları için de geçerlidir. Mesele gerçekten sahip olunan unvanlar değil; bu teknolojiyi geliştirirken farklı araştırmacıların makinelerin neleri yapıp neleri yapamayacağına ilişkin zihinsel modeller oluşturmasıdır.

Örneğin bugün, uluslararası matematik sorularını yanıtlayabilen sohbet botları geliştirmiş olmamızla aynı anda, hiçbir insanın yapmayacağı türden “9,11, 9,9’dan büyüktür” gibi hatalar yapmalarıyla dalga geçiyoruz. Ancak bu, sohbet botlarının yaptığı hata türlerinden biridir. Peki bu bizi nereye götürüyor?

Öncelikle bu neden oluyor? Bizi nereye götürüyor? Bunun birkaç farklı nedeni var. İnsan zekâsından farklı bir noktada bulunan akıllı sistemler geliştiriyoruz ve insanlar akıllı sistemlere, diğer insanlarla etkileşimlerinden kaynaklanan insani anlayışlarıyla yaklaşıyor.

Bir kişiyle konuştuğumda, lise, yüksekokul, üniversite veya doktora eğitimi aldığını söylediğinde, uzmanlığının farklı seviyelerine göre ondan farklı şeyler beklerim. Birisi kimyada doktora yaptığını söylediğinde, 9,11’in 9,9’dan büyük olduğunu söylemek gibi bir hata yapmasını beklemem.

Onun matematiksel açıdan okuryazar olmasını, dünya hakkında genel olarak bilgili olmasını ve benzeri özellikleri taşımasını beklerim. Yapay zekâ sistemleriyle uğraşırken bu beklentiler bozulur; çünkü aynı ortak varsayımlara güvenemeyiz. Belirli görevlerdeki performans, o görevlere yönelik eğitim gerektirir.

Son birkaç yılda genel amaçlı sistemler geliştirmiş olsak da genellikten söz ettiğimizde kastettiğimiz şey oldukça özeldir. Bu da tüketicilerin zihinsel modeller oluşturmasını zorlaştırır. Dolayısıyla insanların bir ürüne gelip hayal kırıklığı yaşadığı bir deneyim ortaya çıkabilir.

Ürün, birçok şey yapabildiğini söyler. Siz de ürünün üreticisinin web sitesinde listelenen şeyi yapmasını istersiniz ve belki bunu yapar. Sonra aynı sorunun küçük bir varyasyonunu sorarsınız ve bunu yapamaz. Bu da oldukça sinir bozucu olabilir.

Hannah Clark: Kesinlikle. Bu aynı zamanda çok yeni bir tüketici davranışı. Oysa biz genellikle çok belirli, sezgisel ve kullanımı kolay özellikler konusunda eğitildik. İnsanların sohbet botuyla veya başka bir insanla etkileşime girerken sahip oldukları mevcut deneyimleri çağırıp, beklentilerini büyük ölçüde tanımsız bir özelliğe uygulamaları söz konusu.

Farklı yeterliliklerdeki sınırlamaları tam olarak kavrayamıyoruz. Hepimizin birlikte kullanmayı öğrenmeye çalıştığı çok karmaşık bir teknoloji bu. Yapay zekânın otomatikleştirebileceği günlük görevleri düşündüğümüzde; seyahat rezervasyonu yapmak, programları yönetmek ve benzeri işler neden insanların varsaydığından daha zor?

Dhruv Batra: Bu tür şeylere örnek olarak Yutori’de inşa ettiğimiz sistemi kullanayım. Yutori’de web üzerindeki sıradan iş akışlarını otomatikleştirebilen kişisel asistanlar geliştiriyoruz. İlk ürünümüzün adı Scouts. Sizin için web üzerindeki herhangi bir şeyi izleyen bir ajan ekibidir. Bizim için, bu ürünün bir bilgi parçasını izlediği beklentisini açıkça belirtmek son derece önemliydi.

Ondan sizin için bir şey rezerve etmesini veya satın almasını isteyemezsiniz. Sizin için slayt hazırlamaz. Ödevinizi yapmaz. Kod yazmaz. Tarayıcıda yapılabilecek her şeyi yapmaz; ancak bireysel tüketiciler için yapabildiği şey, en sevdiğiniz sanatçı şehrinize geldiğinde sizi bilgilendirmektir.

Sanatçı bunu birkaç farklı web sitesinde duyurabilir. Ben de bu web sitelerini belirli aralıklarla kontrol ediyor olabilirim. Sizden yalnızca bu kontrolü benim için o sıklıkta yapmanızı isterim. Belki tarayıcıda hafif bir form doldurmayı ve birkaç düğmeye tıklamayı gerektiren bir şey için rezervasyon arıyorumdur. Bu işlemi ajanımın benim için yapmasını ve hangi bilgilerin mevcut olduğunu bana bildirmesini isterim.

Belki bir işe alım uzmanıyım ve belirli kişilerin pozisyon değişikliklerini takip ediyorum. Bu kişiler bunu X’te, LinkedIn’de veya bloglarında duyurursa, bunun gerçekleştiğini bana bildirin. Peki bu neden zor? Çok basit bir şey gibi görünüyor. İnsanlar oturur, tarayıcılarını açar, belirli bir sayfaya gider ve bazı alanları doldurur.

Neden zor? Temelde bu problemler, sıralı karar verme problemleri oldukları için zordur. Belirli bir durumdasınızdır; örneğin bir web sayfasında bulunuyorsunuzdur. Birkaç farklı eylem gerçekleştirmeniz gerekir. Web siteleri insanların tüketimi için tasarlanmıştır. HTML kodunu okumak, farklı web sitelerinde düğmelerin nasıl işaretlendiği veya etiketlendiği konusunda son derece tutarsızdır.

Dolayısıyla temelde bu bir algı problemidir. Bir düğmeye tıklarsınız, ardından bir şey olur. Sayfayı kaydırabilir, bir şey doldurabilirsiniz; sonra başka bir şey olur. Yol boyunca yaptığınız herhangi bir hata basitçe zincirleme etki yaratır ve önceki hatalar sonraki başarısızlıklara yol açar.

Bu, robotik ve sürücüsüz araç sektörlerinin uğraştığı probleme benzer. Robotların hata yapması hâlinde bu hataların birbirini tetiklediğini fark ettik. Şeritten biraz saptığınızda artık şeridin merkezinde olmazsınız ve bir düzeltme manevrası yapmanız gerekir.

Benzer şekilde, geliştirdiğimiz tarayıcı otomasyonu ajanları bir web sayfasının takılı kalmış veya bulunmamanız gereken bir bölümüne geldiyse, aradığınız yanıtı bulamaz. Gerçek dünyada çalışırken öğrenmeniz gereken bir hata kurtarma süreci vardır. Ayrıca yalnızca okuma görevleri ile yazma görevleri arasında da fark bulunur.

Bir form doldurup Gönder düğmesine tıklarsanız bazı web siteleri geri dönüp formu yeniden doldurmanıza izin vermez. Bu, geri döndürülemez bir hata yaptığınız anlamına gelir. Geri döndürülemez hatalar için eğitim vermek zordur; bunun için gerçek dünyanın kopyalarını oluşturmanız gerekir. Robotik uzmanlarının yaptığı şey budur: dünyanın 3B simülatörlerini oluşturmak, neredeyse sanal bir oyun gibi sanal robotları simülasyonda eğitmek ve ardından onları gerçek dünyaya yerleştirmek.

Tarayıcı otomasyonu ajanlarıyla biz de aynı şeyi yapıyoruz. Bir form doldurup Gönder düğmesine tıklamayı veya web üzerinden bir şey satın almayı öğrenmeleri gerektiğinde, hata yaparlarsa bunlar geri döndürülemez hatalar olacaktır. Bu nedenle simülasyonda eğitim vermeniz gerekir. Bu problemleri zorlaştıran bazı unsurlar bunlardır. Bir yapay zekâ ajanı olarak yol boyunca yaptığınız hangi şeyin başarıya veya başarısızlığa katkıda bulunduğunu bilmek de çoğu zaman zordur; buna ödül atama problemi denir.

Hannah Clark: İnsanlar olarak bu prosedürlerin bazılarını yapmak üzere iyi eğitilmiş durumdayız. Basit bir görev gibi görünse de teknik açıdan çok daha karmaşık bir şeyle karşı karşıyayız. Bunun tercihler gibi unsurları hesaba katmadığını bile biliyorum. Restoranda saat kaçta, nerede oturmak istersiniz; barda mı?

Kodlama açısından bunların yapılmasının imkânsız olabileceğini düşündüğüm başka pek çok konu da var.

Dhruv Batra: Bunu anlatan küçük bir örnek vereyim. İnsanlar belirli tasarım kalıplarına alışkındır. Örneğin bir web sayfasına gittiğinizde ve rezervasyon veya randevu almaya çalıştığınızda, bir tarih ya da saat dilimi gri renkteyse veya üzeri çizilmişse, çevresinde ya da üzerinde “bu zaman dilimi uygun değil” yazmasa bile bunun mevcut olmadığını anlarsınız.

Bunu anlarsınız; çünkü gördüğünüz web sitelerinde veya yıllar boyunca karşılaştığınız çeşitli yazılarda bu tasarım kalıbına maruz kalmışsınızdır. Makineler bunu nasıl anlayacak? Çok sayıda kitap okumuş olabilirler; ancak gri renkli metnin bir anlam taşıdığını anlayabilmeleri için web siteleriyle etkileşime girmeleri gerekir.

Bu, insanların tüketimi için tasarlanmış ve makinelerin edinmek zorunda olduğu tasarım kalıplarından yalnızca biridir. Bir düğmeye tıklamanın hiçbir şey yapmayacağını ve amacını açıklayan bir metnin bulunmadığını; bunun ne anlama geldiğini yalnızca bilmeniz gerektiğini düşünün.

Hannah Clark: Bu çok ilginç. Bana, Cord’un kurucusu Nimrod Priell ile çok uzun zaman önce yaptığımız bir sohbeti hatırlattı.

Kullanıcı davranışının evrimini, kullanıcı deneyimi unsurlarını ve web siteleriyle teknolojinin genel düzenini ve tasarımını anlama biçimimizde yıllar içinde gerçekleşen bu küçük değişikliklerin hepimizin farkında olmadan benimsediği birikimli bir varlık hâline gelmesini konuşmuştuk. Bu, bizim için çok zor bir şey.

Artık uzun yıllar süren teknoloji ilerlemesi boyunca paylaştığımız ortak bir dil gibi. Bir makineye bunu anlatmak çok zor. Bu nedenle bunun çok ilgi çekici bir alan olduğunu düşünüyorum ve tüketici davranışı boyutunu da biraz daha derinlemesine incelemek istiyorum. Zaman içinde içselleştirdiğimiz bu davranış ve kalıpların bir uzantısı olarak, bu süreç devam ediyor. Peki ürün liderleri yakın gelecekte insanların teknolojiyle etkileşim kurma biçimindeki hangi değişimlere hazırlanmalı?

Dhruv Batra: Tüketici pazarında yapay zekâ ürünlerinin ortaya çıkması, insanların beklentilerini kesinlikle değiştirdi. Artık makinelerle konuşabilmeyi doğal karşılayacak şekilde büyüyen çocuklar var.

Teknolojik açıdan gelişmiş uygarlıklarda büyüyen çocukların eski bir teknolojiyle karşılaşmasını anlatan bir gelecek dizisi bölümü veya bilim kurgu hikâyesi mutlaka vardır. “Televizyonumla neden konuşamıyorum? Beni neden anlamıyor?” diye düşünürler. Tüketici davranışlarında da beklentilerde böyle bir değişim görüyoruz.

Kendinizi ifade edebilmek istiyorsunuz; makineyle konuşabilmeniz gerektiğini düşünüyorsunuz. Makinenin belirli genel amaçlı yeteneklere sahip olması, tutarlı bir diyalog sürdürebilmesi ve kullanım kalıplarınızı anlaması gerektiğini düşünüyorsunuz. Yutori’deki çalışmalarımızı ve vizyonumuzu da motive eden şey buydu.

Web’in son 30 yıldaki evrimini, içeriği ve hizmetleri insanlara bağlayan temel bir teknoloji üzerindeki kademeli ilerlemeler olarak görüyoruz. Web esas olarak insanların tüketimi için tasarlandı; çünkü şimdiye kadar web üzerindeki gözler insanlara aitti. Artık insanlar makinelerden bilgisayarlarında ve tarayıcılarında ne yapmalarını istediklerini söyleyebilmeyi bekliyor.

Bir insan olarak neden oturup bir şey satın almak veya bilgi edinmek için düğmelere tıklamak, adımı, adresimi ve kredi kartı bilgilerimi girmek zorunda olayım? Bunun otomatikleştirilebilmesi gerekir. Tüketici davranışındaki değişim tam olarak bu. Aradığım tek bir ürünü bulmak için 30 sekme açmam gerektiği fikri değişiyor.

Zaten 20 farklı yorumu okudum. İnsanlar artık bir araştırma veya izleme sistemine “Bu gerçekleştiğinde bana haber verir misin?” diye sormak istiyor. Bundan sonraki adım şu: En sevdiğim sanatçının şehre geldiğini ve cuma günü sahne alacağını bana bildirdiysen, ben formlarla uğraşırken neden gidip biletleri benim için satın almıyorsun?

Tüketici beklentilerindeki değişim bir soyutlama seviyesi yukarı çıkıyor: yazılımla konuşmak ve yazılımın hayatın sıradan parçalarını otomatikleştirmesini beklemek. Bu neredeyse süper güçlere sahip bir görev listesine dönüşüyor. Bence proaktiflik de gündeme gelecek.

Her seferinde oturup “Ben buyum, tercihlerim bunlar” diye açıklama yapmak istemiyoruz. Hafıza kavramı var. Hafızayı ve kişiselleştirmeyi anladığınızda, neden proaktif biçimde bir şey yapmıyorsunuz? Neden oturup bazı şeyleri söylemek zorunda kalayım? Herkesin bir asistanı, süper güçlü bir çalışanı veya bir genel müdür yardımcısı varmış gibi olacak.

Hannah Clark: Her gün kullandığımız bazı teknolojilerin buna nasıl katkıda bulunduğunu görebilirsiniz. TikTok’taki “Sizin İçin” sayfasını düşünün. Tercihlerinizi ve etkileşim kurma olasılığınızın yüksek olduğu şeyleri öğrenen bir teknoloji var. Artık hakkımızda ve tercihlerimizle alışkanlıklarımız hakkında çok şey bilen teknolojiye aynı mantığı uyguluyoruz.

Teknoloji dünyamızın bu beklentilerden bazılarını nasıl eğittiği ilginç. Tüketicilerin ne bekleyeceğini öngörmek açısından dikkat edilmesi gereken ilişkiler bunlar. Bu da bizi işletme tarafına geçmek için iyi bir noktaya getiriyor.

Şu anda pek çok şirketin yapay zekâ ürünleri ve özellikleriyle pazara yetişmeye çalıştığını görüyoruz. Şirketler dönüştürücü yetenekler vaat etmekte çok hızlı davranıyor, ancak başarı düzeyleri değişken. Ürün ekiplerinin yapay zekâ özelliklerinin kapsamını belirlerken ve konumlandırırken yaptığı en büyük hatalar neler?

Dhruv Batra: Bu da yine zekânın girintili çıkıntılı doğası sorusuna dönüyor. Son derece dikkatli olmalısınız. Bu yalnızca tüketicileri değil, geliştiricileri de etkiliyor. Gökyüzünü vaat etmemeye çok dikkat etmelisiniz; çünkü ilk günden bunu sunamazsınız. Öte yandan tüketicilerin genellik beklentisi yükseliyor.

ChatGPT her soruyu yanıtladığı için uygulamanızın son derece dar kapsamlı olmasını istemiyorlar. “O hâlde neden her şeyi yapamıyorsun?” diye düşünüyorlar. Bu da her şeyin giriş kapısı olarak bir metin kutusunun kullanıldığı tasarım kalıbına düşme tuzağını yaratıyor. Kullanıcıya hiçbir şey anlatmıyorsunuz ve dünyayı vaat ediyorsunuz.

“Ajanım her şeyi yapabilir” dediğinizde kullanıcılar hayal kırıklığına uğrar. Öncelikle boş bir tuval problemiyle karşı karşıyadırlar: Buraya ne tür şeyler sorabilirim? Doğru beklentiye sahip değilsem ajanın yapamayacağı şeyleri isterim ve hayal kırıklığına uğrarım.

Bu nedenle ilk ürünümüzün yetenek kapsamını oldukça dar tuttuk. Scouts, sizin için web üzerindeki her şeyi izleyen ajanlardır. Hizmetlere giriş yapmaz ve orada yazma eylemleri gerçekleştirmezler. Yalnızca okuma yapan bir izleme ürünüdür. Ancak “Bu Amazon fiyat izleme aracıdır” veya “Bu Ticketmaster etkinlik izleme aracıdır” demedik.

Web’de mevcut olan ve bir tarayıcı açarak erişebileceğiniz her türlü dijital bilgiyi bu ajanlar sizin için bulur ve gerçekleştiğinde size e-posta gönderir. Bize doğal dille neyin izlenmesini istediğinizi ve hangi sıklıkta izlemek istediğinizi söylemeniz yeterlidir.

Bunu yapmamızın nedeni, bu yeteneği sunmanın bizim için çok önemli olmasıydı. Bu yalnızca okuma yapan bir yetenek. Geri döndürülemez hatalar yapmıyoruz. Sizin adınıza bir satın alma kararı verirsek ve yanlış ürün satın alınırsa hayal kırıklığına uğrarsınız. Buna karşılık burada, sorabileceğiniz sorguların türlerinde ve bu bilgilerin görünmesini bekleyebileceğiniz yüzeylerde belirli bir genellik var.

Bundan sonra güven merdivenini tırmanmanız gerekir. Başlangıçta sizden herhangi bir giriş bilgisi veya kredi kartı bilgisi istemeden değer sunduk. Ancak kullanıcılarınız belirli bir değer gördükten sonra doğal olarak daha fazlasını yapabilmenizi bekler. Bir sanatçının şehre gelişini takip ediyorsam sonraki adım “Bana bilet bul” olur.

Bir restoran rezervasyonunun uygunluğunu izliyorsam sonraki adım o rezervasyonu yaptırmak olur. Bir işe alım uzmanı olarak belirli bir adayın hareketlerini izliyorsam sonraki adım bir iletişim e-postası taslağı hazırlamak olur. Geliştirici açısından baktığımda ise ben yeni sayılırım; bir yapay zekâ araştırmacısıyım ve tavsiye verecek konumda olduğumu düşünmüyorum.

Sadece bağlı kaldığımız dikkat ilkesine işaret edebilirim: Zekânın girintili çıkıntılı bir doğası vardır. Bazı görevleri çözebileceksiniz, bazılarını çözemeyeceksiniz. Genellikle çözebildiğiniz görevler, pratik yapma imkânınızın bulunduğu görevlerdir. Dolayısıyla hataların çok maliyetli olmadığı görevlerle başlamalı ve oradan kademeli olarak ilerlemelisiniz.

Hannah Clark: Bunlar çok bilgece sözler. Kullanıcı deneyimine opak gelen sınırlamalarla kullanıcıları hayal kırıklığına uğratmak konusundaki söylediklerini tamamen anlıyorum. İnsanlar bir sohbet botuna giriyor ve onunla, canlı bir temsilciyle sohbet ederken bekleyecekleri şekilde doğal olarak etkileşim kuruyor.

Bu da ciddi bir hayal kırıklığına yol açabilir. Mümkün olanların kapsamını sınırlamamanın ve tüketicilerin deneyimden düşük bir güven duygusuyla ayrılma riskini almanın maliyet-fayda analizi var.

Dhruv Batra: Söylediğiniz şeyi yapabileceğinize inanan kullanıcılar değer bulamazsa, düşük kaliteli deneyimler yaşar ve ürünü terk eder. Size geri dönmezler.

Hannah Clark: Güvenin, insanların tam da o kritik anda neden ayrıldığının temel unsurlarından biri olduğunu düşünüyorum. Ürün liderleri, henüz hazır olmayan veya sunamayacakları yetenekler konusunda fazla söz vermeden tüketicilerin güvenini nasıl oluşturmalı?

Dhruv Batra: Bu, az önce konuştuğumuz soruya geri dönüyor. İnsanların kimlik bilgilerini veya kredi kartı gibi hassas bilgileri vermeden önce değer görmeleri gerekir. Tüketicilerden ilk adım olarak takvimlerine veya e-posta gelen kutularına erişim vermelerini isteyen uygulamalar var. Ürünün neler yapabildiğini görmeden önce birkaç farklı giriş bilgisi istiyorlar.

Bu son derece riskli bir stratejidir. Sosyal medyada viral olmanızı sağlayabilir; ancak kendinizi o kullanıcının yerine koyun. Yapabileceklerinizi veya yapamayacaklarınızı bilmeden, hassas belgeler içeren iş e-postamı ya da kredi kartımı gerçekten size vermek ister miyim?

Bu nedenle başlangıçta kimlik doğrulaması yapmadık, dünyada değişiklik yaratacak yazma eylemleri gerçekleştirmedik. Sadece okuma yaptık. Bu, yapay zekânın size yüzde yüz doğruluk vaat etmediği anlamına gelir; hata yaptıysanız yeniden deneyebilirsiniz.

Yalnızca okuma yapan bir üründe yeniden denemek mümkündür. Geri döndürülemez hatalar içeren yazma eylemlerinde bu mümkün değildir. Kullanıcılarımızla güven merdivenini tırmanırken aklımızda tuttuğumuz noktalar bunlar.

Hannah Clark: Bununla ilgisiz bir örnek vereceğim ama benzer bir noktayı açıkladığını düşünüyorum.

Brezilya’dan Kanada’ya taşınan bir arkadaşım vardı. Kanada’nın dünyanın en güvenli ülkesi olduğunu ve gittiği her yerin güvenli olduğunu düşünüyordu. Kanada’daki ilk haftasında sokağında bir soygun yaşandı ve bir anda her yerin güvensiz olduğunu düşünmeye başladı. Benzer şekilde…

Dhruv Batra: Değere ulaşma süresi.

Hannah Clark: Memnuniyet süresi, değere ulaşma süresi; ama aynı zamanda ilk güven oluşturma döneminin ne kadar kırılgan ve sorunlarla dolu olabileceği. Beklentinizin kesintiye uğraması, sunulacak şeyin değişmesi ve bu temel güvenin sarsılması çok kolay.

Teknoloji tarafına geçmek istiyorum. Bir yapay zekâ araştırmacısı olarak bugün büyük ölçüde çözülmüş kabul ettiğin problemler hangileri? Hangilerinin yakın vadede çözüleceğini düşünüyorsun? Bunun yüklü bir ifade olduğunun farkındayım; çünkü yakın vade her zaman değişebilir. Ancak ne gerçekten yakın vadede çözülecek gibi görünüyor, ne de sürekli birkaç yıl uzakta kalıyor?

Dhruv Batra: Burada aklımda olan somut örnek, görüntüler hakkında soruları yanıtlama problemidir. Bunun aklımda olmasının nedeni geçen hafta bilgisayarlı görü alanındaki Uluslararası Konferans olan ICCV’de bulunmam.

İş arkadaşlarım ve ben, on yıl önce yaptığımız çalışma nedeniyle Mark Everingham ödülü olarak bilinen bir ödülü aldık. Çalışmanın adı Görsel Soru Yanıtlama’ydı. Topluluğa, herhangi bir doğal görüntü hakkında açık uçlu herhangi bir soruyu yanıtlayabilen ilk nesil ajanları geliştirmek için bir veri kümesi, görev, kıyaslama ölçütü ve yöntemler bütünü sunduk.

Son 10 yılda yıllık yarışmalar düzenleyerek topluluğun ilerlemeyi takip etmesine yardımcı olduk. Bu yarışmayı 2021’de düzenlemeyi bıraktık; çünkü 2015’te başladığımızda görüntüler hakkında soruları yanıtlama görevi söz konusu olduğunda yöntemlerin çoğu inanılmaz derecede kötüydü.

2021’de oluşturduğumuz veri kümesinde neredeyse insan doğruluğu düzeyine ulaştık. Bu soruları yanıtlarken insanlar arasındaki uzlaşma düzeyine eriştik ve bu nedenle yarışmayı düzenlemeyi bıraktık. Daha önce de söylediğim gibi, son 10 yılın ilginç bir yaşam döngüsü var. FAIR’de modern yöntemler geliştiren ve bunları Ray-Ban Meta güneş gözlüklerinde kullanıma sunan bir ekibe liderlik ederken kendimi buldum. Bir asistana seslenip “Hey Meta, bir fotoğraf çek. Bana bu anıt hakkında daha fazla bilgi ver,” diyebiliyorsunuz.

Bu problem, 10 yıl önceki hâliyle büyük ölçüde çözülmüş durumda. Başlangıçta tamamen açık uçlu olan pek çok problem vardı. Örneğin gerçek dünyadaki metni okumayı gerektiren soruları yanıtlamak umutsuz görünüyordu. “Tabelada ne yazıyor?” diye sorduğunuzda bu yöntemlerin çoğu OCR, yani optik karakter tanıma, kullanmıyordu; dolayısıyla tabeladaki metni okuyamıyordu.

Bu nedenle yöntemler, önceki bilgilerden yararlanarak yanıt vermek zorundaydı. Tabelalarda genellikle ne yazar? “Dur” veya “Git” yazar. Bu yüzden yaygın tahminlerde bulunuyorlardı. Bunun yaygın bir problem olduğunu gördük: Görüntü soru yanıtlama modellerinin çoğu dilsel ön bilgiler tarafından büyük ölçüde yönlendiriliyordu. Muzların fotoğrafını çekip “Muzlar ne renk?” diye sorarsanız model büyük ihtimalle sarı diyecektir; çünkü dünyadaki muzların çoğu sarıdır.

Bunu eğitim veri kümesinden öğrenir. Aslında çok iyi göremez. Görüntüye gözlerini kısarak bakıyormuş gibi düşünebilirsiniz. Bu nedenle yeşil bir muzun fotoğrafı olsa bile “Muz sarı” der; çünkü muzların çoğu sarıdır. Soru yanıtlamayı sohbet botlarıyla diyaloga genişlettiğimizde temel referans sorunu son derece zor bir problemdi.

“Görüntüde bir kişi var mı?” diye sorarsanız “Evet” der. “Ne yapıyor?” veya “O ne yapıyor?” diye sorduğunuzda, bir önceki turda bahsettiğimiz görsel varlığa temel bir referans verirsiniz. Bu zor bir problemdi. Model zaten kafası karışmış durumdaydı; “o” veya “onlar” ifadesinin neye referans verdiğini bilmiyordu.

Bugün bu problemler çözülmüş kabul ediliyor. Ölçebildiğimiz kadarıyla bunlar artık açık araştırma problemleri değil. Ancak hâlâ son derece açık problemler var. Görüntülerdeki nesneleri saymak hâlâ açık bir problem. Bugün 10’dan fazla kişinin bulunduğu bir kalabalığın fotoğrafını çekin. 10 diyorum; çünkü az sayıdaki nesne için makul tahminler yapabilirsiniz. Ancak 10’dan fazla kişinin bulunduğu bir kalabalık fotoğrafını en sevdiğiniz sohbet botuna yükleyin ve görüntüde kaç kişi olduğunu sorun. Aldığınız yanıta bakın. Bu hâlâ açık bir araştırma sorusu.

3B uzamsal anlayış hakkında soru sormayı düşünün. Uzakta bir masa ve kameraya daha yakın bir kitaplık bulunan bir fotoğraf çekin. Masanın yüksekliğini ve kitaplığın yüksekliğini sorun. Bugün çoğu sohbet botunun vereceği yanıt piksel yükseklikleriyle ilgilidir. Kameraya daha yakın görünen şeyin daha uzun olduğunu söylerler; çünkü derinliğe ilişkin uzamsal anlayışları yoktur. Oysa uzakta bulunan şeyler, kameraya yakın olan şeylerden gerçekten daha uzun olabilir; çünkü arka planda üç boyutlu bir dünya vardır.

Bunlar hâlâ açık sorular. Ajan geliştirmeyle ilgili olarak, örneğin web ajanlarında, zaman içinde oluşan bir sapma var. Yutori’de izleme ajanları geliştiriyorsunuz. İzleme ajanlarımız belirli konuları aylar boyunca takip ediyor.

Belirli bir haber konusunu takip etmemizi isteyebilirsiniz ve biz bunu aylar boyunca izleyebiliriz. Ancak ajanlar zamanla ilk isteğinizden saparak farklı bir şeyi takip etmeye başlayabilir. Bunun nedeni, aylar boyunca çalışan ve bu uzun zaman aralıklarında başarı veya başarısızlıklarına göre ödüllendirilebilen ajanların henüz geliştirilmemiş olmasıdır.

Hannah Clark: Bu gerçekten ilginç bir alan. Bir ajanın bir şeyi doğru yaptığını nasıl belirlediğimizi daha önce düşünmemiştim. Genel olarak doğru bir çıktı aldığınızda hayatınıza devam edersiniz. Mutlaka “Aferin, harikaydı” demez veya doğru yaptığı şey hakkında ayrıntı vermezsiniz.

Teknoloji için geri bildirim döngüleri konusu ilginç. Şu anda güvendiğimiz modelleri daha iyi eğitmek için benimsememiz gereken bir kullanıcı davranışı var mı? Bu konu başlı başına başka bir program olabilir; ama geri bildirim döngüsünü nasıl kapatıyoruz?

Dhruv Batra: Şirket içinde farklı soyutlama seviyelerinde değerlendirme ve geri bildirim yapıyoruz. Tarayıcı otomasyonu ajanlarını veya tarayıcı kullanım ajanlarını ele alalım. Ajanın gerçekleştirdiği her tıklamayı manuel olarak etiketlememiz gerekiyor. O web sayfasında doğru şeyi mi yaptı, yanlış şeyi mi yaptı?

Bunun fazla düşük seviyeli ve gürültülü olduğunu tahmin edebilirsiniz. Bazen bir görev birden fazla şekilde gerçekleştirilebilir. Bazen bir ürünü web sayfasındaki arama alanına yazarsınız; bazen de bilgi kaynağına gitmek için doğrudan bir sekmeye tıklarsınız. Bu nedenle bu seviye fazla düşük ve gürültülüdür.

Ancak görev tamamlandıktan sonra, bir ajandan restoranda saat 18.30’da rezervasyon olup olmadığını kontrol etmesini istemiş olabilirsiniz. Ajan bir dizi düğmeye tıklamış, restoranı bulmuş ve evet veya hayır demiştir.

Bu hareket dizisinin sonunda bir çalışma kanıtı vardır. Bu görevlerin çoğunda üretici-doğrulayıcı boşluğu olarak bilinen bir durum bulunur. Çalışma kanıtını doğrulamak, görevi gerçekten çözmekten daha kolaydır; çünkü görevi çözmek çok sayıda düğmeye tıklamayı, doğru arama kutusuna doğru şeyi yazmayı ve web sitesinde doğru yere gitmeyi gerektirir.

Ancak bir ajan geri dönüp “Evet, saat 18.30’da bir rezervasyon buldum” der ve bir web sayfasının ekran görüntüsünü sunarsa, o sayfayı okuyabilir ve ajanın haklı olup olmadığını görebiliriz. Bu nedenle değerlendirmelerimizi bunun üzerine kuruyoruz. Elbette tüketiciye yönelik geri bildirim mekanizmaları da var. Ajanlarımız insanlara e-posta gönderdiğinde, insanlar başparmak yukarı veya başparmak aşağı simgesine tıklayabilir.

Bu da doğal olarak kişiselleştirmeye bağlanıyor. Bazen doğru veya yanlış yanıt yoktur; yalnızca tercihler vardır. Belirli bir haber öğesini takip ediyor olabilirsiniz ve haberin belirli bir yönde ilerlemesinden sıkılmış olabilirsiniz. Bir insanla konuşuyor olsaydınız “Bundan daha azını, şundan daha fazlasını görmek istiyorum” derdiniz.

Bunu doğal dille söylemek istersiniz; çünkü bu daha pratiktir. Dolayısıyla doğal dilde geri bildirim alan ve gelecekte çalışan ajanların rotasını değiştiren geri bildirim mekanizmaları oluşturmanız gerekir.

Hannah Clark: Bu çok ilginç. ChatGPT gibi sistemlerin çıktılarına insanların genellikle “Bir hizmet olarak bundan memnun muyuz?” perspektifinden baktığını düşünüyorum; “Teknoloji açısından bundan memnun muyuz?” diye değil.

Örneğin bir meslektaşımla yan yana oturup haftalık yemek hazırlama planları oluşturduğumuzu düşünelim. İkimiz de bir plan oluşturuyoruz ve planlar aynı; ancak benim planım hedeflediğim makro besin oranlarına sahip değil. Bu yüzden hizmet açısından başparmak aşağı veriyorum.

Yanımdaki kişi ise “Tam olarak istediğimi yaptı. Çıktı, istemdeki özelliklere göre teknik açıdan doğru,” diyor ve başparmak yukarı veriyor. Bu çok kafa karıştırıcı. Geri bildirim veren kişiler olarak makineler karşısındaki rolümüzü nasıl anladığımız konusunda gerçek bir incelik var.

Bu, çalışılması çok zor olabilecek tamamen farklı bir veri kümesi.

Dhruv Batra: Geleneksel A/B testi kavramı burada devreye giriyor. Bir özellik geliştirdiğinizde kullanıcıları iki gruba ayırır ve bir stratejiyi bir gruba gösterirsiniz. Ya da aynı kullanıcıya paralel yanıtlar gösterip birini seçmesini istersiniz.

Bu, birçok durumda işe yaramaz. Örneğin bir iş akışını yürütmeniz, bir şey satın almanız veya bir şey yapmanız gerektiğinde A/B testi yapamazsınız; çünkü aynı şeyi iki kez yapmayacaksınız. Bu da kullanıcıyı hayal kırıklığına uğratır. Ayrıca başparmak yukarı, başparmak aşağı veya A/B tepkileri, kullanıcının anlatmak istediğini ifade etmesi için fazla kaba olabilir.

Metinsel yanıtlar gönderiyorsanız, kullanıcıya bir şeyi vurgulayıp “Bunu değil” deme veya başka bir insana vereceği gibi daha editoryal bir geri bildirim sunma olanağı vermek isteyebilirsiniz. Bir başkasının Google Dokümanı üzerinde çalışırken ona yalnızca başparmak yukarı veya başparmak aşağı vermezsiniz.

Hannah Clark: Bu korkunç olurdu. Başparmak aşağı; ama hangi kısmı beğenmedin?

Dhruv Batra: Aynen öyle. Bu, editörünüze gidip yalnızca “Hayır, düzelt” demesini duymaya benziyor. “Neyi düzelteyim?”

Hannah Clark: “Her şeyi baştan yap.” Bu da çok büyük bir talep. Bir LLM’nin çıktısına veya bize verdiği yanıta girip bu tür eleştirel geri bildirimler verebilme kapasitesine sahip olsak bile, yalnızca işlerin yürümesini isteyen bir kullanıcıdan bunu istemek çok şey talep etmek olur.

Genel olarak, insanlar için bir tavsiye kodu veya herhangi bir bonus olsa bile anketlere yanıt vermelerini sağlamak yeterince zor. Kullanıcılardan sizinle ortak üretim yapmalarına yardımcı olmalarını istemek gerçekten zor bir ortak üretim görevi. Buradan çıkardığım sonuç, sizden çok daha az şey beklememiz gerektiği.

Dhruv Batra: Kullanıcıların bu geri bildirimin, sohbet botunun istedikleri şeyi yapabilmesi için kişiselleştirilmesine yönelik bir yatırım olduğunu hissetmesi gerekir. Kullanıcı sizin kalite güvence mühendisinize dönüşemez. Üründe yanlış olan her şeyi size söyleyemez. Ancak onlara yaşatmak istediğiniz deneyim şu olmalı: “Bu benim asistanım. Dolayısıyla bu asistana verdiğim her geri bildirim onu kişiselleştiriyor, daha iyi hâle getiriyor ve tercihlerimle uyumlu olmasını sağlıyor.” Kullanıcıların zaman ayırmasını sağlayacak doğru ilişki ve etkileşim mekanizması bu gibi görünüyor.

Hannah Clark: Katılıyorum. Tercihlerimi öğrenmeye daha açık olan bir modele karşı çok daha sabırlı olduğumu hissediyorum.

Bir LLM’ye soru sorduğunuzda, daha en başında sorguyu netleştirmek için ek sorular soruyorsa, bu sorular biraz önemsiz görünse bile, istediğim çıktıyı almak için söylediklerimin beklediğimden çok daha özel olması gerektiğini bana hatırlatıyor.

Tam olarak doğru ifade edemezsem hayal kırıklığına uğrayacağımı anlamamı sağlıyor. Bu nedenle, istediğimiz çıktıyı elde etmek için kullanıcıdan bir tür alışveriş bekleyen özellikler geliştirirken bunu akılda tutmak önemli.

Dhruv Batra: İşte burada güven merdivenini tırmanma konusuna dönüyoruz.

Ürününüzü ilk kez deneyimlemeye çalışan bir kullanıcıya yapacağınız ilk şey 20 soruluk bir anket sunmak olursa, o kullanıcı sadece ürünü keşfetmek ve neler yapabildiğine ilişkin hızlı bir model oluşturmak ister. Daha sonra bu model üzerinden ilerler. Kullanıcıya yönelteceğiniz ilk şey bu olamaz; ancak kullanıcı bir miktar değer gördükçe soruları ve tercihleri sürece dâhil edebilirsiniz.

Hannah Clark: Şu anda merak ediyorum: Neden şimdi? Yutori’yi neden şimdi kurdun? Neden bu projeyi başlatmak için doğru an bu? Uzun süredir bu alandasın; şimdi, geçmişte mümkün olmayan ne değişti?

Dhruv Batra: Elbette geçmişe dönük yanılgıya açığım; ancak hissim şu ki geçmişte geliştiremediğimiz bazı yapay zekâ destekli ürünleri geliştirmek için benzersiz bir zamandayız. Robotik alanında çalışıyordum ve bir robotik girişimi kurabilirdim; bu tür girişimlerin sayısı az değil, hatta oldukça fazla.

Tüketici odaklı veya yapılandırılmamış problemlere odaklanan bir robotik şirketi kurmak için doğru zamanın şimdi olduğunu düşünmüyorum; çünkü çözülmesi gereken problemlerin önümüzde hâlâ onlarca yılı var. İnsanların bunu unuttuğunu düşünüyorum. 2004’te DARPA adlı devlet kurumu, üniversitelerden çöl içinde A noktasından B noktasına gidebilen otonom sürücüsüz araçlar geliştirmelerini isteyen DARPA Büyük Mücadelesi’ni düzenledi.

Bu yarışma ilk kez 2004’te düzenlendi. Hiçbir araç yarışı tamamlayamadı. 2005’te CMU’da bulunuyordum. CMU en uzağa gitti ve 2005’teki ilk denemede birden fazla üniversite ekibi yarışı tamamladı. 2000’lerin sonlarına doğru Stanford’daki bir grup araştırmacı Google tarafından işe alındı. Önce Google X, ardından 2000’lerin ortalarında Waymo projesi ortaya çıktı.

Sonunda 2023 veya 2024’te tüketiciye yönelik uygulamalara ulaştık. San Francisco’da Waymo’yu kapınıza veya belirli alma noktalarına çağırabiliyorsunuz. 2004 ya da 2005’teki ilk araştırma prototipi gösteriminden, en azından belirli coğrafi bölgelerde kullanılabilen tüketici ürününe uzanan yolculuğu düşünün. Bu hizmet henüz evrensel olarak kullanıma sunulmuş değil.

Evrensel kullanıma sunulması belki on yıl daha sürebilir. Donanım ve yapay zekâ kombinasyonunun zorluğu bu. Yazılım ve yapay zekâ geliştirme döngüleri çok daha kısa. Nihayet yapay zekâ sistemlerinin insanlarla konuşabildiği bir noktaya geldik. Dünya hakkında geniş bilgiye sahipler ve diyalog sürdürebiliyorlar.

Algı sistemleri, en azından web üzerinde, olgunlaştı. Web’in ekran görüntüsünü alıp web sitelerinin nasıl düzenlendiğini ve hangi düğmenin ne yaptığını anlayabiliyoruz. Belirli ölçüde geniş kapsamlı sağduyu anlayışı var. Son olarak, son birkaç yılda açık kaynak modeller yayımlandı ve bizim gibi küçük oyuncuların en azından işe başlamasına izin verdi.

Birkaç yıl önce bir web otomasyonu veya web ajanı girişimi kurmak isteseydik ön eğitimden başlamamız gerekirdi. Dil modelleriyle görsel-dil modellerinin ön eğitimi, tamamen farklı bir sermaye yatırımı, işlem gücü ve veri gereksinimleri olan bambaşka bir girişimdir.

Bugün sonradan eğitim yapıyoruz. Yani açık kaynak modellerle başlıyor, bunları tarayıcı otomasyonu, düğmelere tıklama, formları doldurma ve benzeri işler için sonradan eğitiyoruz. Bu birkaç yıl önce mümkün değildi. Aynı zamanda bu, uzun yineleme döngülerine sahip ve hâlâ on yıldan fazla uzakta olan bir problem de değil.

Ben bunu şöyle düşünüyorum: Robotların evlerimize girdiği, ancak bizim hâlâ dizüstü bilgisayarlarımızda oturup adımızı tarayıcı alanlarına yazdığımız bir dünya mümkün değil. Dijital asistanlar fiziksel asistanlardan önce gelecek. Dijital asistanlar yalnızca dijital bir alanda çalıştığı için bitlerin dünyası daha hızlı ilerliyor.

Yineleme döngüleri daha hızlı ve bu akıllı sistemleri geliştirebileceğimiz altyapının büyük bölümü metalaştı. Böylece son kilometre problemlerine odaklanabiliyoruz.

Hannah Clark: Çok güzel bir yanıt. “Altyapı” kelimesini kullanman da hoşuma gitti. Bu gerçekten büyüleyici bir sohbetti. Çok daha derine inebilirdik ve eminim pek çok kişi bunu yapmak ister. İnsanlar çalışmalarını çevrim içi nereden takip edebilir?

Dhruv Batra: Bana kişisel olarak dhruvbatra.com adresinden ulaşabilirsiniz. Bu benim web sayfam. Çalışmalarım yutori.com adresinde, ürünümüz ise Scouts olarak scouts.yutori.com adresinde bulunuyor.

Hannah Clark: Harika. Dhruv, bana katıldığın için çok teşekkür ederim. Bu sohbeti gerçekten takdir ettim.

Dhruv Batra: Beni davet ettiğin için teşekkürler. Harikaydı.

Hannah Clark: The Product Manager podcast’inin bir sonraki bölümünde. Yapay zekâ çağında ürün yönetmek, aynı problemlerin çoğunu çok farklı şekillerde çözmek anlamına geliyor. Geliştirme süreçlerinden dağıtım taktiklerine kadar, bir yıl önce işe yarayan neredeyse her yöntem artık geçerliliğini yitirmiş durumda. Webflow CPO’su Rachel Wolan bunu hem bir zorluk hem de inanılmaz bir fırsat olarak görüyor.

Yanıt motoru optimizasyonu, geliştirme mi satın alma mı ve yapay zekâ pazarına girmenin doğru yolu gibi konularda beklediğiniz yanıtları ve netliği bulacaksınız. Kaçırmamak için şimdi abone olun.