ChatGPT’nin Ötesinde: AI Ajanı – Yeni Bir Çalışan Dünyası

Derin öğrenme, doğal dil işleme (NLP) ve yapay zeka alanındaki gelişmelerle, yapay zeka ajanlarının küresel işgücünün önemli bir bölümünü oluşturabileceği bir döneme giriyoruz. Bu yapay zeka ajanları, sohbet botları ve ses asistanlarını aşan bir şekilde, endüstriler ve günlük yaşantımız için yeni bir paradigmaya şekil veriyor. Ancak, bu “çalışanların” dünyasında yaşamak gerçekten ne anlama geliyor? Bu makale, bu gelişen manzaranın içine dalıyor, önümüzdeki etkileri, potansiyeli ve zorlukları değerlendiriyor.

AI Çalışanlarının Evrimi: Kısa Bir Özeti

Gelecek devrimi anlamak için, zaten gerçekleşmiş olan yapay zeka destekli evrimi tanımak çok önemli.

• Geleneksel Bilgisayar Sistemleri: Temel bilgisayar algoritmalarından başlayan bu yolculuk, önceden tanımlanmış görevleri sabit bir kural seti kullanarak çözebilen sistemlerle başladı.
• Chatbot’lar ve İlk Ses Asistanları: Teknoloji ilerledikçe, arayüzler de değişti. Siri, Cortana ve ilk sohbet botları gibi araçlar, kullanıcı-yapay zeka etkileşimini basitleştirdi ancak sınırlı anlama ve yeteneklere sahipti.
• Yapay Sinir Ağları ve Derin Öğrenme: Yapay sinir ağları, bir dönemeç noktası oldu, insan beyni fonksiyonlarını taklit etti ve deneyim yoluyla evrimleşti. Derin öğrenme teknikleri bunu daha da geliştirdi, sofistike görüntü ve konuşma tanıma olanakları sağladı.
• Transformer ve Gelişmiş NLP Modelleri: Transformer mimarilerinin tanıtılması, NLP manzarasını devrimleştirerek, ChatGPT, BERT ve T5 gibi sistemlerin dil ve bağlamın derin bir şekilde anlaşılmasını mümkün kıldı. Bu modeller, anlamlı sohbetler yapabilir, içerik oluşturabilir ve karmaşık soruları önceki görülmemiş bir doğrulukla cevaplayabilir.

AI Ajanı: Sadece Bir Sohbetin Ötesinde

Bugünün yapay zeka manzarası, sohbet araçlarından daha geniş bir şeyin ipuçlarını veriyor. AI ajanları, sadece sohbet fonksiyonlarının ötesinde, görevleri gerçekleştirebiliyor, çevrelerinden öğrenebiliyor, kararlar alabiliyor ve hatta yaratıcılık gösterebiliyor. Sadece sorulara cevap vermiyorlar, sorunları çözüyorlar.

Geleneksel yazılım modelleri net bir yol izlerdi. Paydaşlar bir hedefi yazılım yöneticilerine iletiyor, onlar da özel bir plan tasarlıyorlardı. Mühendisler bu planı kod satırlarıyla gerçekleştiriyordu. Bu “miras paradigm” yazılım işlevselliği açıktı, çok sayıda insan müdahalesi içeriyordu.

AI ajanları ise farklı çalışır. Bir ajan:

1. Hedefleri vardır ve bunları gerçekleştirmeye çalışır.
2. Çevresiyle etkileşime girebilir.
3. Gözlemlerine dayanarak hedefini gerçekleştirmek için bir plan oluşturur.
4. Gerekli eylemleri gerçekleştirir ve yaklaşımını çevrenin değişen durumuna göre ayarlar.

AI ajanlarını geleneksel modellerden ayıran şey, bir hedefi gerçekleştirmek için bağımsız olarak adım adım bir plan oluşturabilmesidir. Esasen, daha önce programcı planı sağlarken, bugünün AI ajanları kendi yol haritalarını çiziyorlar.

Her gün karşılaştığımız bir örneği düşünün. Geleneksel yazılım tasarımında, bir program önceden belirlenmiş koşullara göre kullanıcıları geciken görevler hakkında bilgilendirirdi. Geliştiriciler bu koşulları ürün yöneticisi tarafından sağlanan özelliklere dayanarak ayarlayacaklardı.

AI ajanı paradigmalarında, ajan kendisi kullanıcıyı ne zaman ve nasıl bilgilendireceğini belirler. Kullanıcının alışkanlıklarını, uygulamanın durumunu değerlendirir ve en iyi eylem planını belirler. Süreç böylece daha dinamik, daha anlık hale gelir.

ChatGPT, eklentilerin entegrasyonu ile geleneksel kullanımından ayrıldı, böylece birden fazla isteği gerçekleştirmek için dış araçları kullanabilme yeteneği kazandı. Bu, ajan kavramının erken bir tezahürüydü. Bir kullanıcı New York City’nin hava durumunu sorduğunda, ChatGPT, eklentileri kullanarak dış bir hava durumu API’si ile etkileşime girerek verileri yorumlayabilir ve alınan yanıtlara göre self-correct yapabilirdi.

AI Ajanlarının Güncel Manzarası

AI ajanları, Auto-GPT, AgentGPT ve BabyAGI ile birlikte, geniş yapay zeka evreninde yeni bir çağı müjdelemektedir. ChatGPT, insan girdisi gerektiren Generatif AI’yi popülerleştirirken, AI ajanlarının arkasındaki vizyon, AI’lerin insan müdahalesi olmadan çalışabilmesini sağlamaktır. Bu dönüşümsel potansiyel, Auto-GPT’nin altı hafta içinde GitHub’da 107.000 yıldızla rekor bir büyüme göstermesiyle vurgulandı, bu da kurulmuş projelere kıyasla görülmemiş bir büyüme anlamına geliyor.

AI Ajanları vs. ChatGPT

Gelişmiş AI ajanlarının çoğu, Auto-GPT ve BabyAGI gibi, GPT mimarisini kullanır. Birincil odakları, AI görevlerinin tamamlanmasında insan müdahalesini en aza indirmektir. “GPT döngüsü” gibi terimler, AgentGPT ve BabyAGI gibi modellerin işleyişini karakterize eder. İteratif döngülerde çalışırlar, böylece kullanıcı taleplerini daha iyi anlar ve çıktılarını iyileştirirler. Auto-GPT, internet erişimi ve kod yürütme yetenekleri ekleyerek, sorun çözme kapasitesini önemli ölçüde genişletir.

AI Ajanlarında Yenilikler

1. Uzun Süreli Hafıza: Geleneksel LLM’ler sınırlı bir hafızaya sahiptir, sadece son etkileşim parçalarını tutar. Kapsamlı görevler için, tüm konuşmayı veya önceki konuşmaları hatırlamak kritik hale gelir. AI ajanları, metin konuşmalarını numeric dizilere dönüştüren iş akışlarını benimseyerek, hafıza kısıtlamalarına bir çözüm sunar.
2. Web Tarayıcı Yetenekleri: Auto-GPT, Google (GOOGL ) Arama API’sini kullanarak güncel olaylar hakkında bilgi sahibi olmak için web tarayıcı yetenekleriyle donatılmıştır. Bu, AI’nin bilginin kapsamı hakkında AI topluluğu içinde tartışmalara neden olmuştur.
3. Kod Çalıştırma: Kod oluşturmanın ötesinde, Auto-GPT hem shell hem de Python kodlarını çalıştırabilir. Bu, diğer yazılımlarla arayüze olanak tanır ve böylece işlevsel alanını genişletir.

Bu diyagram, bir Büyük Dil Modeli ve Ajanlar tarafından güçlendirilen bir AI sisteminin mimarisini görselleştirir.

• Girdiler: Sistem, kullanıcı komutları, yapılandırılmış veritabanları, web içeriği ve gerçek zamanlı çevresel sensörlerden gelen verileri alır.
• LLM & Ajanlar: Çekirdekte, LLM bu girdileri işler ve Auto-GPT, AgentGPT, BabyAGI ve HuggingGPT gibi uzman ajanlarla işbirliği yapar.
• Çıktılar: İşlenen bilgi, kullanıcıların eylemde bulunabileceği veya dış çevreyi etkileyebilecek bir forma dönüştürülür.
• Hafıza Bileşenleri: Sistem, hem geçici hem de kalıcı olarak bilgileri saklar, kısa süreli önbellekler ve uzun süreli veritabanları aracılığıyla.
• Çevre: Bu, AI sisteminin eylemlerinden etkilenen ve sensörleri etkileyen dış dünyadır.

Gelişmiş AI Ajanları: Auto-GPT, BabyAGI ve daha fazlası

AutoGPT ve AgentGPT

AutoGPT, Mart 2023’te GitHub’da yayınlanan bir Python uygulamasıdır. GPT’nin gücünü kullanır ve otomatik olarak görevleri gerçekleştirebilecek bir şekilde tasarlanmıştır. Kullanıcılar sadece bir üst hedef tanımlamak zorundadır ve AutoGPT, bu hedefi gerçekleştirmek için gerekli talimatları oluşturur.

Özellikleri, internet bağlantısından, hafıza yönetiminden ve GPT-3.5 kullanarak dosya depolama yeteneklerine kadar uzanır. Bu, geniş bir görev yelpazesi için uygun bir araçtır, geleneksel görevlerden, genellikle daha fazla insan katılımı gerektiren karmaşık görevlere kadar.

AgentGPT de GPT çerçevesi üzerine inşa edilmiştir. Kullanıcı merkezli bir arayüze sahiptir ve kullanımı için geniş kapsamlı kodlama bilgisi gerektirmez. AI hedeflerini tanımlar ve bunları yönetilebilir görevlere ayırır.

AgentGPT Arayüzü

AgentGPT, esnekliği ile dikkat çeker. Sadece sohbet botları oluşturmakla sınırlı değildir. Platform, Discord botları gibi çeşitli uygulamalar oluşturur ve Auto-GPT ile sorunsuz bir şekilde entegre olur. Bu, kodlama deneyimi olmayanların bile tam özerk kodlama, metin oluşturma, dil çevirisi ve problem çözme gibi görevleri gerçekleştirebileceği anlamına gelir.

LangChain, Büyük Dil Modellerini (LLM) çeşitli araçlarla bağlar ve görevleri belirlemek ve gerçekleştirmek için ajanları kullanır. Bu ajanlar, dış kaynaklarla sorunsuz bir şekilde entegre olurken, LangChain’de bir vektör veritabanı, LLM’ler için hızlı bilgi geri çağırma sağlar.

BabyAGI

Sonra, BabyAGI var, bir dijital proje yöneticisi gibi, verilen hedeflere odaklanarak görevleri otomatik olarak oluşturur, organize eder ve gerçekleştirir. BabyAGI’nin gücü, sadece önceden eğitilmiş bilgiden değil, deneyimlerden de öğrenme ve adapte olma yeteneğidir. Geri bildirimi anlamak ve kararları deneme yanılma yoluyla temel almak gibi insanlara benzer bir yeteneğe sahiptir.

BabyAGI’nin altındaki güç, sadece esnekliği değil, aynı zamanda belirli hedefler için kod çalıştırma yeteneğidir. Kripto para ticareti, robotik ve otonom sürüş gibi karmaşık alanlarda parlak bir araçtır.

https://yoheinakajima.com/task-driven-autonomous-agent-utilizing-gpt-4-pinecone-and-langchain-for-diverse-applications/

Süreç üç ajandan oluşur:

1. Yürütme Ajanı: Sistemlerin kalbidir, OpenAI’nin API’sini görev işleme için kullanır. Bir hedef ve görev verildiğinde, OpenAI’nin API’sine bir istem gönderir ve görev sonuçlarını alır.
2. Görev Oluşturma Ajanı: Bu fonksiyon, önceki sonuçlara ve güncel hedeflere dayanarak yeni görevler oluşturur. OpenAI’nin API’sine bir istem gönderilir ve potansiyel görevler, sözlüklerin bir listesi olarak döndürülür.
3. Görev Önceliklendirme Ajanı: Son aşama, görevleri önceliklerine göre sıralamaktır. Bu ajan, OpenAI’nin API’sini kullanarak görevleri en kritik olanların ilk önce gerçekleştirilmesi için yeniden düzenler.

BabyAGI, OpenAI’nin dil modelinin yeteneklerini kullanarak, Pinecone ile bağlam odaklı görev sonuçlarını depolama ve geri çağırma yeteneğine sahiptir.

Aşağıda BabyAGI’nin bu bağlantı ile gösterimi vardır.

Başlamak için, geçerli bir OpenAPI anahtarı gerekir. Kullanıcı arayüzünde, OpenAPI anahtarının girilebileceği bir ayar bölümü vardır. Ayrıca, maliyetleri yönetmek istiyorsanız, yineleme sayısını sınırlamak için bir sınır ayarlayın.

Uygulamayı yapılandırdıktan sonra, küçük bir deney yaptım. BabyAGI’ye bir istem gönderdim: “Kişisel büyümenin yolculuğuna odaklanan bir dizi tweet yazın, kilometre taşlarını, zorlukları ve sürekli öğrenmenin dönüştürücü gücünü vurgulayın.”

BabyAGI, iyi düşünülmüş bir planla yanıtladı. Sadece bir şablon değil, talebin nüanslarını gerçekten anladığına işaret eden kapsamlı bir yol haritasıydı.

Deepnote AI Kaptanı

Deepnote AI Kaptanı, defterlerde veri keşfini yeniden şekillendirir. Peki, onu diğerlerinden ayıran nedir?

Temelde, Deepnote AI, veri bilimcilerinin iş akışını güçlendirmeyi amaçlar. Temel bir talimat verdiğiniz anda, AI stratejiler geliştirir, SQL sorgularını çalıştırır, Python kullanarak verileri görselleştirir ve bulgularını açık bir şekilde sunar.

Deepnote AI’nin bir gücü, çalışma alanınızı kapsamlı bir şekilde anlamasıdır. Entegrasyon şemalarını ve dosya sistemlerini理解 ederek, uygulama planlarını organizasyonel bağlamla mükemmel bir şekilde hizalar, böylece fikirleri her zaman ilgili olur.

AI’nin defter ortamlarıyla entegrasyonu, benzersiz bir geri bildirim döngüsü oluşturur. Kod çıkışlarını aktif olarak değerlendirir, sonuçların her zaman belirlenen hedeflerle tutarlı olmasını sağlar.

Deepnote AI, şeffaf operasyonları ile dikkat çeker, işlemlerine ilişkin net içgörüler sağlar. Kod ve çıkışların birleşmesi, eylemlerinin her zaman sorumlu ve tekrarlanabilir olmasını sağlar.

CAMEL

CAMEL, AI ajanları arasında işbirliğini teşvik etmeyi amaçlayan bir çerçevedir, böylece insan denetimi en aza indirilerek görevlerin verimli bir şekilde tamamlanmasını sağlar.

https://github.com/camel-ai/camel

İşlemelerini iki ana ajan tipine ayırır:

• AI Kullanıcı Ajanı, talimatları belirler.
• AI Asistan Ajanı, verilen direktiflere göre görevleri gerçekleştirir.

CAMEL’in bir amacı, AI düşünce süreçlerinin karmaşıklıklarını çözmek, böylece birden fazla ajan arasındaki sinerjileri optimize etmektir. Rol yapma ve inception prompting gibi özelliklerle, AI görevlerinin insan hedefleriyle uyumlu olmasını sağlar.

Westworld Simülasyonu: AI’ya Hayat Verme

Unity yazılımından esinlenen ve Python’da uyarlanan Westworld simülasyonu, çoklu AI ajanlarının etkileşimlerini simüle etme ve optimize etme adımlarını atar, neredeyse bir dijital toplum gibi.

Üretken Ajanlar

Bu ajanlar sadece dijital varlıklar değildir, inandırıcı insan davranışlarını simüle eder, günlük rutinlerden karmaşık sosyal etkileşimlere kadar. Mimari, büyük bir dil modelini deneyimlerini depolamak, üzerine düşünmek ve dinamik davranış planlaması için kullanır.

Westworld’un etkileşimli kum havuzu ortamı, The Sims’i andıran bir kasabayı canlandırır, burada kullanıcılar bu ajanlarla etkileşime girerek, gözlemlerini ve karmaşık sosyal dinamikleri izler.

Westworld simülasyonu, hesaplama gücünün insan benzeri inceliklerle uyumlu bir şekilde birleşmesini gösterir, böylece AI deneyimleri yaratmak için bir yol çizer, bunlar gerçeklikten neredeyse ayırt edilemez.

Sonuç