micro1’in Kurucusu ve CEO’su Ali Ansari – Röportaj Dizisi

Ali Ansari, insan uzmanlığını gelişmiş yapay zeka sistemleri için eğitim verilerine ve değerlendirmelere dönüştürmeye odaklandığı micro1’in kurucusu ve CEO’sudur. Girişimcilik geçmişinde bir yazılım geliştirme ajansı kurmak ve 2022’de micro1’i hayata geçirmeden önce peerlinc’i kurmak yer alıyor. UC Berkeley ve Stanford’da bilgisayar bilimi eğitimi aldı ve pekiştirmeli öğrenmeye odaklandı. Şimdi ise uzmanların yapay zeka geliştirme sürecine katkı sunmasını sağlamak, bu katkıları değerlendirmek ve koordine etmek için gereken sistemler üzerinde çalışıyor.

micro1, uzmanların katkılarından ve gerçekçi çalışma ortamlarından yararlanarak en gelişmiş yapay zeka modellerinin eğitilmesine ve yapay zeka ajanlarının değerlendirilmesine yardımcı olan bir veri laboratuvarıdır. Platformu; hukuk, sağlık, finans, mühendislik ve bilim gibi alanlarda uzmanların işe alımını, veri üretimini, kalite incelemesini ve model değerlendirmesini bir araya getiriyor. Ansari bu röportajda, insan uzmanlığına yönelik talebin neden arttığını, operasyonel verilerin pekiştirmeli öğrenmeyi nasıl desteklediğini ve yapay zeka eğitimi ile değerlendirmesi alanlarında ortaya çıkan kariyer fırsatlarını ele alıyor.

2022’de micro1’i kurdunuz; daha önce de peerlinc’i kurup satmıştınız. Başlangıçta hangi sorunu çözmeye çalışıyordunuz ve micro1, en gelişmiş yapay zeka modellerini eğitip değerlendirmeye odaklanan bir şirkete nasıl dönüştü?

Başlangıçta bu, kendi işimde karşılaştığım bir sorundu. Bir yazılım geliştirme ajansı işletiyordum ve her yeni proje için daha fazla mühendis bulup onlarla mülakat yapmam gerekiyordu. Zamanımın çok büyük bir bölümünü buna harcıyordum. Bu işi kolaylaştırmak için Zara adlı bir yapay zeka mülakatçısı geliştirdik; sonunda bu girişim micro1’e dönüştü.

Önce işe alım yazılımını satmaya ve ön elemeden geçirilmiş yeteneklerden oluşan bir pazar yeri kurmaya başladık. Ardından bir müşterimiz, yapay zeka modellerini eğitmek için yüzlerce mühendise ihtiyaç duyduğunu belirterek bize başvurdu. Bu kadar çok kişiye neden ihtiyaç duyduklarını araştırmaya başladık ve model geliştirmenin arkasında insan uzmanlığına yönelik muazzam bir talep olduğunu fark ettik.

İnsanları geniş ölçekte bulma ve değerlendirme becerisini geliştirmek için zaten yıllarımızı harcamıştık. İnsan verisi, bu altyapının son derece güçlü bir kullanım alanıydı. Bu nedenle tüm odağımızı bu alana verdik; uzman yetenekleri bulup değerlendirmek için yapay zeka destekli işe alım aracımızı kullandık ve bunun etrafında başka veri platformları ile kalite sistemleri kurduk. Bugün laboratuvarların bu uzmanlığı daha yetkin modeller geliştirmek için kullanmasına yardımcı oluyoruz.

Yapay zeka modelleri daha yetkin hâle geldikçe insan uzmanlığına yönelik talebin azalmayıp aksine arttığını savundunuz. Bu ilişkiye ne yol açıyor?

Burada birkaç etken var. Öncelikle modeller geliştikçe onlardan daha zor işler yapmalarını istiyoruz. Bir soruyu yanıtlayabilen model yararlıdır. Baştan sona bir iş akışını üstlenebilen model ise çok daha yararlıdır; ancak bu noktaya ulaşmak için çok daha fazla uzman katkısı gerekir.

İkinci olarak, insanlar sürekli yeni işler ortaya çıkarıyor. Bir avukat, gününün büyük bölümünü alan işlerin çoğunda yapay zekadan yararlanabiliyorsa daha incelikli sorunlarla ilgilenmeye veya müşterileri için yeni bir hizmet geliştirmeye daha fazla zaman ayırabilir. Ardından ortaya çıkan bu yepyeni işlevleri de modellere aktarmak istiyoruz. “Son kilometre yok” derken kastettiğimiz bu. İş sürekli değişip gelişiyor.

Sentetik veriler bu süreci daha da ilgi çekici kılıyor. Bunları, uzmanların oluşturduğu görevleri ve geri bildirimleri genişletmek için kullanabilir; böylece insanların başlangıçta sunduğu katkıdan daha fazla yararlanabilirsiniz. İnsan uzmanlığına yönelik talebin model yetkinliğiyle birlikte artmasının nedeninin bu birleşim olduğunu düşünüyorum.

micro1; hukuk, sağlık, finans, mühendislik ve bilim gibi alanlarda uzmanlarla çalışıyor. Bu profesyoneller, mevcut çevrimiçi verilerden öğrenilmesi mümkün olmayan hangi katkıları yapay zeka sistemlerine sunabilir?

Birini iyi bir doktor, avukat ya da mühendis yapan özelliklerin önemli bir bölümü, işini yaparken geliştirdiği muhakeme yeteneğidir. Bunun bir kısmı belgelenmiştir; ancak büyük bölümü, alışılmadık bir vakayı nasıl ele aldığında, eksik bilgileri nasıl fark ettiğinde veya hangi ayrıntının gerçekten önemli olduğuna nasıl karar verdiğinde ortaya çıkar.

Bu, modelleri eğitmek için son derece değerlidir. Bir uzman zor bir görev oluşturabilir, iyi bir sonucun nasıl görünmesi gerektiğini açıklayabilir ve modelin nerede yetersiz kaldığını tam olarak belirleyebilir. Bir yanıt kulağa son derece ikna edici gelebilir ama yine de o işi yapan biri için en önemli noktayı gözden kaçırabilir.

Bu ayrımları yapabilmek için uzmanlara ihtiyacımız var. Ayrıca farklı bakış açılarına ve güçlü bir inceleme sürecine de ihtiyacımız var; çünkü tek bir kişinin muhakemesi her durumu kapsamaz. Amaç, bu deneyimi modelin öğrenebileceği bir sinyale dönüştürmek. Her alanın içinde ayrıca muazzam bir incelik ve çeşitlilik var. Örneğin hukuk uzmanlığı tek bir bütün değildir: uygulama alanına, eyalete veya yargı yetkisine ve farklı ülkelerin hukuk sistemlerine göre değişir. Her katman daha uzmanlaşmış bilgi ve muhakeme gerektirir. Her alanın ve çok sayıdaki alt alanının içinde de aynı derinlik bulunur. Bu nedenle, söz konusu ayrımların uygulamada ne anlama geldiğini bilen uzmanlara ihtiyacımız var.

Sektörün odağı giderek daha fazla eğitim sonrası aşamaya, pekiştirmeli öğrenmeye ve değerlendirmeye kayarken, bugün en gelişmiş modelleri geliştirmedeki en büyük darboğazlar sizce neler?

Gerçekçi verilere erişimin en büyük darboğazlardan biri olduğunu düşünüyorum. Şirketler yıllar boyunca sorunları çözdü, kararlar aldı ve istisnai durumları ele aldı; bu deneyim belgelerine, sistemlerine ve iş akışlarına yansıdı. Bir modelin gerçek işleri nasıl yapacağını öğrenmesini istiyorsanız bu veriler son derece değerlidir.

Bu nedenle Company Data Partnerships programımızı, yani CDP’yi oluşturduk. Şirketlere operasyonel verilerini lisanslamaları karşılığında ödeme yapıyoruz. Bu veriler; şirket içi belgeleri, proje geçmişlerini, CRM kayıtlarını ve çalışanların işlerini tamamlamak için izledikleri süreçleri içerebilir. Değerli şirket veri kümeleri için, tutar veriye ve ortaklığa bağlı olarak 2 milyon doların üzerinde ödeme yapıyoruz.

Bu materyalleri gerçekçi eğitim ve değerlendirme ortamları oluşturmak için kullanıyoruz. Bir müşteri sorununu çözmeyi düşünün: Hesap geçmişine bakmanız, ilgili politikayı bulmanız ve hangi adımı atacağınıza karar vermeniz gerekebilir. Bu iş akışı temel alınarak oluşturulan bir ortam, modele bu adımları uygulayabileceği bir alan sunar. Uzmanlar görevi ve görevin başarıyla tamamlanıp tamamlanmadığının nasıl değerlendirileceğini belirler. Ortamı pekiştirmeli öğrenme açısından kullanışlı kılan da bu geri bildirimdir.

Şirketler, temel verilerinin mülkiyetini elinde tutar. Gizlilik korumaları da dâhil olmak üzere kapsam ve verilerin işlenmesine ilişkin gereklilikler üzerinde anlaşır, ardından verileri kullanım amacına uygun hâle getiririz.

Değer, bu kayıtların yansıttığı deneyimdedir. CDP, şirketlere bu deneyimden gelir elde etme olanağı sunarken modellerin çok daha gerçekçi ortamlarda çalışmayı öğrenmesine de yardımcı olur.

Modeller çok daha yetkin hâle gelse bile, sizce insan muhakemesinin veya uzmanlığının hangi biçimlerini yapay zekâ sistemlerinin taklit etmesi özellikle zor olmaya devam edecek?

Modellerin özellikle zorlanacağını düşündüğüm alanlar, insanların beğeni anlayışı ve yaratıcılığı. Bunun nedeni, eğitim verilerini nasıl oluşturduğumuza dayanıyor.

Pek çok görevde uzmanları bir araya getirip neyin iyi olduğu konusunda uzlaşmalarını sağlayabiliyoruz. Böylece modelleri eğitmek için kullanışlı bir sinyal elde ediyoruz. Ancak insanlara iyi bir görseli, filmi ya da etkileyici bir tasarımı neyin oluşturduğunu sorarsanız, konu üzerine ne kadar çok konuşurlarsa görüşleri de o kadar farklılaşabilir. Üzerinde uzlaşılacak tek bir yanıt her zaman olmayabilir.

Yapay zekâ bu alanlarda yine de çok kullanışlı hâle gelebilir. Ancak ne yaratmak istediğinize, bunun kime yönelik olduğuna ve gerçekten karşılık bulup bulmadığına karar vermek, önemli ölçüde insan muhakemesi gerektirir. Araçlar üretimi kolaylaştırdıkça bu muhakemenin daha da önem kazanacağını düşünüyorum.

Profesyonellerin yapay zekâ eğitimi ve değerlendirmesini ek iş olarak değil, ciddi bir profesyonel çalışma olarak görmeye giderek daha fazla başladığını gözlemliyorsunuz. Bu çalışma yepyeni bir istihdam alanına dönüşebilir mi, dönüşürse bu kariyerler nasıl görünebilir?

Kesinlikle. Bu, şimdiden milyarlarca dolarlık yeni bir iş kategorisi. Uzmanlar, yapay zekânın eğitilmesine ve değerlendirilmesine yardımcı olmak için kariyerleri boyunca edindikleri bilgileri kullanıyor. Bazı kişiler için bu çalışma, meslek yaşamlarının önemli bir parçası hâline geliyor.

İşin kendisi son derece derinlikli olabilir. Bir avukat zorlayıcı bir senaryo oluşturup modelin yanıtının nasıl değerlendirileceğini belirleyebilir. Bir mühendis, bir yapay zekâ ajanını baştan sona bir yazılım iş akışından geçiren bir görev hazırlayabilir. Ayrıca verileri inceleyen, değerlendirme ölçütlerini iyileştiren ve uzman ekiplerine liderlik eden kişiler de var. Bu çalışma, insanlara en başta kendi alanlarına yönelmelerine neden olan şeylere odaklanmak için daha fazla fırsat sunabilir. Çoğu işte zamanın büyük bölümü, insanların en anlamlı bulduğu çalışmaların dışında kalan idari görevlere ve yükümlülüklere ayrılır. Kendi alanlarında yapay zekâyı eğitmek, uzmanlıklarını yaptıkları işin merkezine taşıyabilir: Zor sorunları ele almak, muhakemelerini kullanmak ve deneyimlerinden öğrendiklerini paylaşmak. Böylece önem verdikleri ve en iyi yaptıkları işlere daha fazla zaman ayırırken yapay zekânın bu işlere nasıl yaklaşacağını şekillendirmeye yardımcı olabilirler.

Bütün bunların çevresinde gerçek kariyer yollarının gelişeceğini düşünüyorum. Alan uzmanlığınızı eğitim verisine dönüştürmede ya da bir veri hattını yönetip modellerin nerelerde desteğe ihtiyaç duyduğunu anlamada çok iyi hâle gelebilirsiniz. Bunlar değerli beceriler ve bu rollerin nasıl görüneceğini anlamaya daha yeni başlıyoruz.

Şirketler yapay zekâ modellerini geliştirmek için doktorları, avukatları, mühendisleri, bilim insanlarını ve diğer uzmanları işe alırken uzmanlıklarını nasıl doğruluyor, ortaya çıkan eğitim verilerinin doğru ve tutarlı olmasını nasıl sağlıyorsunuz?

Bu süreç için kapsamlı bir sistem kurduk. Süreç, bir yapay zekâ işe alım aracımız olan Zara ile başlıyor; Zara, bir projenin gerektirdiği becerilere sahip uzmanları bulmamıza ve değerlendirmemize yardımcı oluyor. Ardından Merit aracımız, bu uzmanların katkılarının kalitesini, hızını ve güvenilirliğini zaman içinde takip etmemizi sağlıyor. Bir kişinin hem uzmanlığını hem de bu uzmanlığın ürettiği verilere nasıl yansıdığını anlamak gerekiyor.

flow platformumuz, uzmanların çalışmalarını veri üretimini ve incelemesini desteklemek üzere geliştirdiğimiz modellerle bir araya getiriyor. Uzmanlar görevleri ve iyi bir sonucun nasıl olması gerektiğini belirliyor. Ardından flow gen, bu başlangıç noktasını yeni örneklere ve çeşitlemelere dönüştürmeye yardımcı oluyor. flow qc, eksik kanıtlar veya görevle puanlama ölçütleri arasındaki uyumsuzluk gibi sorunları saptamak için verileri denetliyor. flow grader ise modelin performansını bu ölçütlere göre değerlendiriyor.

Önemli olan, bir uzmanın hata yakaladığı zaman ne olduğudur. Bu düzeltme eğitim verilerini iyileştirebilir, ancak veri üreticilerini ve kalite kontrollerini geliştirmemize de yardımcı olabilir. Tekrarlanan hataları, sonraki sürüm için testlere dönüştürebiliriz.

İnşa ettiğimiz şey, sentetik veri döngüsü. İnsan uzmanlığı bize başlangıç noktasını ve değerlendirme yetisini sağlıyor. Araçlarımız bu süreci ölçeklendirmemize yardımcı olurken uzman geri bildirimleri de bir sonraki döngüyü iyileştirmemizi sağlıyor. Ardından, bu değişikliklerin model performansını gerçekten artırıp artırmadığını test ediyoruz. Bu döngüyü değerli kılan da bu.

Yapay zekâ ajanlarının yalnızca yanıt üretmek yerine giderek daha karmaşık ve çok aşamalı görevleri yerine getirmesi gerekiyor. Bu sistemleri eğitmek ve değerlendirmek, geleneksel büyük dil modellerini geliştirmek için gereken çalışmalardan nasıl farklılaşıyor?

En büyük fark, görevin uzunluğu. Bir ajanın yararlı bir sonuca ulaşmadan önce farklı araçlarla pek çok işlem yapması gerekebilir. İlk birkaç adımı iyi atsa bile hatalar birbirini izleyerek biriktiği için görevin tamamında başarısız olabilir.

Bu nedenle modelin tüm iş akışını deneyebileceği ortamlar ve nerede aksadığını gösteren değerlendirmeler gerekiyor. Doğru bilgiyi buldu mu? Aracı doğru kullandı mı? İstediğimiz sonuca gerçekten ulaştı mı?

Bir de şirketin kendi bağlamı var. Bir işletmede çalışan ajanın, o işletmenin süreçlerini ve beklentilerini anlaması gerekir. Genel yetkinlik, ancak bir yere kadar yeterli olur.

Alan uzmanları bu noktada büyük önem kazanıyor. Başarısızlıkların nedenlerini belirlememize ve sistemleri geliştirecek verileri oluşturmamıza yardımcı oluyorlar. Değerlendirme yapıyor, eksikleri buluyor, bu eksiklere yönelik eğitim veriyor ve yeniden değerlendirme yapıyorsunuz. Ajan daha fazla iş üstlendikçe bu süreç devam ediyor.

En gelişmiş modeller daha yetkin hâle geldikçe ihtiyaç duydukları, insanlar tarafından üretilen verilerin türü nasıl değişiyor? Önümüzdeki birkaç yılda hangi uzmanlık ve değerlendirme biçimlerinin değerinin önemli ölçüde artmasını bekliyorsunuz?

Giderek daha fazla önem kazanan iki unsur var: görevin ne kadar uzun olduğu ve gerçek dünyayı ne ölçüde yansıttığı. Modeller geliştikçe yararlı eğitim verileri; daha fazla karar, daha çok bağlam ve hata yapma fırsatı içeren karmaşık iş akışlarına yöneliyor.

Bu da operasyonel uzmanlığı çok değerli kılıyor. Bir işi yıllarca yapmış biri, bir görevi dışarıdan tasarlarken gözden kaçması kolay olan istisnaları ve bağımlılıkları anlar. Ayrıca bir ajanın ürettiği sonucun işletme içinde gerçekten işe yarayıp yaramayacağını da söyleyebilir.

Kurumsal değerlendirmelerin zamanla muazzam büyüklükte bir pazara dönüşeceğini, yıllık hacminin potansiyel olarak bir trilyon dolara ulaşabileceğini düşünüyorum. Ajanları devreye alan her şirketin, bunların nerede işe yaradığını, nerede başarısız olduğunu ve nasıl iyileştirilebileceğini anlaması gerekecek. Bilgilerini işe yarar değerlendirmelere dönüştürebilen kişiler bu konuda merkezi bir rol oynayacak. Şirketler, modeller ve işler sürekli değiştiği için bu ihtiyaç da sürecek.

Bazı profesyoneller, kendi işlerinin belirli bölümlerini yerine getirmeleri için yapay zekâ sistemlerini eğitmeye fiilen katkıda bulunuyor olabilir. Bu gerilimi nasıl değerlendiriyorsunuz? Önümüzdeki üç ila beş yılda insan uzmanlığı ile yapay zekâ arasındaki ilişkinin nasıl şekilleneceğini düşünüyorsunuz?

İnsanların bu araçlara sahip olduklarında ne kadar çok yeni iş yaratacağını hafife aldığımızı düşünüyorum.

İşe alım süreçlerini ele alalım. Bir ajan ilk eleme aşamasının daha büyük bir bölümünü üstlenebilirse, işe alım uzmanı adaylarla ilişki kurmaya veya şirketin daha önce ulaşamadığı kişileri nasıl çekebileceğini düşünmeye daha fazla zaman ayırabilir. Uzmanın rolü değişir ve aynı süre içinde daha fazlasını yapabilir.

Pek çok meslekte de benzer bir dönüşüm yaşanacağını düşünüyorum. Önümüzdeki üç ila beş yılda ajanlar, insanların yönlendirdiği, bağlam sağladığı ve değerlendirdiği çalışma arkadaşlarına giderek daha fazla dönüşecek. Bu süreçte insanlar yeni sorumluluklar üstlenecek.

Bu yüzden iyimserim. Yapay zekâyı eğitme ve değerlendirme alanında yeni işlerin ortaya çıktığını şimdiden görüyoruz. İnsanlar bu teknolojiyle neler inşa edip başarabileceklerini keşfettikçe çok daha fazlasının ortaya çıkacağını düşünüyorum.

Harika röportaj için teşekkürler. Uzmanların yön verdiği eğitim verileri, yapay zekâ değerlendirmesi ve alan bilgilerine katkıda bulunma fırsatları hakkında daha fazla bilgi edinmek isteyen okurlar micro1 sitesini ziyaret edebilir.