Röportajlar

Clairvoyance AI’nin Kurucusu ve CEO’su Brad Wardell ile Röportaj Dizisi

Antoine Tardif
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Brad Wardell, Founder and CEO of Clairvoyance AI
Öne çıkan noktalarWardell, iş yükünün yerel ve bulut donanımı arasında yönlendirilmesinin ham model…
Daha fazla göster
  • Wardell, iş yükünün yerel ve bulut donanımı arasında yönlendirilmesinin ham model boyutundan daha önemli olduğunu savunuyor.
  • Clairvoyance, ajan anılarını bir grafikte saklar, böylece güncellemeler yayılır ve güncel kalır.
  • Wardell, yapay zeka işinin %90 ila %95'inin 18 ay içinde yerel olarak çalışacağını öngörüyor.

Brad Wardell, Clairvoyance AI’nin kurucusu ve CEO’su, ayrıca Stardock’un kurucusu ve CEO’sudur. Fences ve Galactic Civilizations gibi ürünler de dahil olmak üzere masaüstü yazılımları ve strateji oyunları geliştirmek için otuz yılı aşkın süre çalıştı. Oyun geliştirme süreçleri, yaratıcı içerikler ve günlük iş raporlaması üzerine çalışmaları, doğrudan yerel dosyalar ve uygulamalarla çalışabilen kalıcı yapay zekâ ajanlarına ilgi duymasını sağladı.

Clairvoyance AI, sürekli görevleri ve belleği olan, isim verilmiş yapay zekâ çalışanları için bir çalışma alanı geliştiriyor; yerel dosyaları ve geliştirme araçlarını bulut hizmetleriyle ve kullanıcının kendi donanımında çalışan modellerle bir araya getiriyor. Stardock bünyesinde geliştirilen ürün, yeniden kullanılabilir notlar, raporlar ve diğer çıktılar üreten iş akışlarını destekliyor. Wardell bu röportajda, oyun geliştirmenin ürüne nasıl yön verdiğini, yerel modellerin günlük işlerdeki yerini ve ajanları kullanışlı kılmak için gereken yönlendirme, bellek ve izin denetimlerini ele alıyor.

Stardock’ta Fences ve Galactic Civilizations gibi ürünler de dahil olmak üzere masaüstü yazılımları ve strateji oyunları geliştirerek otuz yılı aşkın süre geçirdiniz. Kendi işinizde karşılaştığınız hangi sorun Clairvoyance AI’yi geliştirmenize yol açtı ve bunun başlı başına bir şirkete dönüşebileceğini ne zaman fark ettiniz?

Asıl baskı yaratan konu, Stardock’un Microsoft ve Oxide Games’e tamamlamasında yardımcı olduğu Ara: History Untold’du. Yaratıcı içerikleri oyuna aktarmak bile çok büyük zaman alıyordu. Yazılı içerikler .DOCX dosyaları olarak geliyordu ve bunları XML’e veya CSV’ye elle, büyük bir titizlikle dönüştürmek gerekiyordu. 3D varlıkların da dikkatle motorumuza aktarılması gerekiyordu. Tek bir denge değişikliği, bir düzine farklı dosyada işlem yapmayı gerektiriyordu. Yerelleştirme için çevrilmiş metinleri doğru dosyalardaki doğru anahtarlarla elle eşleştirmek gerekiyordu. Clairvoyance AI tüm bunları zahmetsiz hâle getirdi ve oyunu zamanında yayımlamamızı sağladı.

2025’in sonlarına doğru, ürünü kamuya açıp açmamamız gerektiğini şirket içinde tartışıyorduk. Bu, OpenClaw benzeri bir şeyin daha kapsamlı bir sürümüne bir yıl önceden sahip olmak gibi, gerçek bir rekabet avantajıydı. Bizi ürünü kamuya açmaya yönelten şey, arkadaşlarımızın ve meslektaşlarımızın yapay zekâ otomasyonu yüzünden işlerini kaybettiğini görmekti; daha iyi araçları olsaydı bu işleri koruyabilirlerdi. O noktada Clairvoyance AI’yi kamuya açmak istediğimizi biliyorduk.

Birçok yapay zekâ ajanı aracının, tüketici yazılımlarını piyasaya sunma deneyiminden yoksun olunduğunu gösterdiğini savundunuz. En sık hangi hataları görüyorsunuz ve kendi kariyerinizden çıkarılan hangi dersler yapay zekâ geliştiricilerine yol göstermeli?

Bunu en çok ele veren şey terminolojidir. Düğmedeki küçük grafik için kullanılan “glif” gibi terimleri bilmiyorsanız, bir yapay zekâyla konuşurken ciddi bir dezavantaj yaşarsınız; çünkü yapay zekâ, bu terminolojiye zaten hâkim kişilerden öğrendikleriyle eğitilmiştir. Bu araçları geliştiren ekiplerin çoğu çok zeki ama çok genç ve kullanılabilirlikle ilgili tercihlerinde bu belli oluyor. Anthropic’in bir terminal oturumundan diğerine metin sürükleme özelliğini eklemesi buna iyi bir örnek; bu özellik milyonlarca kez görüntülendi. Oysa bizim, işi otomatik olarak devretmek için adını @ işaretiyle etiketleyebileceğiniz ajanlarımız vardı; herhangi bir şeyi sürüklemeniz gerekmiyordu. Anthropic’in çözümü, kullanıcının yapay zekânın yapması gereken işi kendisinin yapmasını gerektiriyor.

Masaüstü yazılımlarını 30 yıl boyunca piyasaya sunmaktan çıkardığım ders şu: Şirket dışından biri görmeden önce, geliştirdiğiniz ürünü gerçek teslim tarihleriyle karşı karşıyayken her gün bizzat kullanmalısınız. Pek çok yapay zekâ ürünü, kendi yazılımlarını kullanmak zorunda kalmamış kişiler tarafından geliştirilmiş gibi hissettiriyor.

Yapay zekânın bir sonraki aşamasını, hangi işlemlerin cihazda, yerel ağda ya da bulutta yürütüleceğine karar vermeyi gerektiren bir yönlendirme sorunu olarak tanımlıyorsunuz. Gerçek bir iş akışından örnek verip bu kararların nasıl alınması gerektiğini açıklayabilir misiniz?

Yönlendirme artık gerçekten bireysel bir karar değil; şirket düzeyinde alınan bir karara dönüşüyor. Bunu somutlaştıran Hivemind adlı bir özelliği yakında kullanıma sunacağız. Çoğu kuruluşun, her gece boşta kalan çok sayıda güçlü makinesi zaten var. Hivemind, bir şirketin kendi makinelerindeki boşta kalan GPU’ları ortak kullanıma açmasını sağlıyor; böylece ekipteki herkes yapay zekâ işlerini buluta göndermek yerine bu makinelerde yürütebiliyor. Bir tedarik zincirinde on binlerce sevkiyatı izliyorsanız ya da bir şirketin parasının nereye gittiğini denetliyorsanız, bunun için en ileri düzeyde bir bulut modeline ihtiyacınız yok. Yeterli işlem gücüne ihtiyacınız var; çoğu şirketin de mesai saatleri dışında kullanılmadan duran yeterli işlem gücü zaten mevcut.

Aynı mantık bireysel düzeyde de geçerli; yalnızca daha küçük ölçekte. Her gece gösterge panolarını, çökme raporlarını, duygu analizlerini ve satış verilerini bulut modeli yerine yerel bir modelde işliyorum. Eskiden aynı iş yükünü Claude üzerinden çalıştırıyordum ve token maliyeti ayda yaklaşık 100 dolara ulaşıyordu. Artık zaten sahip olduğum donanımda gece boyunca ücretsiz çalışıyor ve sonuçları sabah okuyorum.

Dolayısıyla asıl karar “yerel mi, bulut mu?” değil; “Birinin ekrana bakarken bu işlemin yapılması gerekiyor mu ve şirket, token başına ödeme yapmadan bunu gerçekleştirecek donanıma zaten sahip mi?” sorusudur.

Ajan tabanlı günlük işlerin önemli bir bölümünün bugün bile yerel donanımda yürütülebileceğine inanıyorsunuz. Bunu hangi görevlerde, hangi donanımlarla gösterdiniz ve başarının ölçütünü, bir modelin kulağa makul gelen bir yanıt üretip üretmemesinin ötesinde nasıl belirliyorsunuz?

Dosyalarımıza üstveri eklemek için yerel yapay zekâdan yararlanma konusunda büyük başarı elde ettik. Birçok şirket gibi bizim de ağımızda terabaytlarca veri var. Stardock hem yazılım hem oyun geliştiriyor; oyun tarafında ise onlarca yıllık 3B ve 2B sanat varlıkları, videolar, iş ürünleri ve benzeri içerikler bulunuyor.

Şirket genelinde AMD ve NVIDIA’nın oldukça iyi ekran kartlarından çok sayıda var. 8B ila 12B parametreli modellerin ihtiyaç duyduğumuz her şeyi yapmaya fazlasıyla yettiğini ve görece eski donanımlarda bile çalışabildiğini gördük. Şu anda Qualcomm Snapdragon X2’li bir dizüstü bilgisayar, akşamları bu işlerin bir kısmını arka planda yapıyor.

Yerel yapay zekâ, bu dosyaları ağır ağır tarayıp incelemekte ve onlara üstveri eklemekte gerçekten çok başarılı. Böylece bir şeyi bulmamız gerektiğinde arayıp hızla bulabiliyoruz. Bu sayede kurtların 16 farklı 3B modeline sahip olduğumuzu keşfettik. Off.

Daha küçük bir yerel modelden daha yetkin bir bulut modeline geçişi ne tetiklemeli? Yerel modelin önemli sonuçları olabilecek bir hata yapmadan önce zorlandığını nasıl anlarsınız?

Şu anda, açık uçlu değerlendirme gerektiren her şey muhtemelen buluta yönlendirilmeli. En gelişmiş modeller halüsinasyon sorununu büyük ölçüde çözdü. Daha küçük (yerel) modellere geçtiğinizde halüsinasyonlar yeniden ortaya çıkıyor. Bu nedenle yerel modellerde çok sayıda koruyucu kısıtlama kullanmamız gerekiyor.

Clairvoyance, ajanları kalıcı belleğe ve devam eden görevlere sahip yapay zekâ çalışanları olarak düzenliyor. Eskimiş talimatların, yanlış varsayımların veya çelişen anıların birikmesine izin vermeden, zaman içinde yararlı bağlamı koruma konusunda neler öğrendiniz?

Clairvoyance, perde arkasında anılarını bir grafik yapısında saklıyor. Böylece bir şey güncellendiğinde bu işlem genellikle diğer düğümlerin de yinelemeli olarak güncellenmesini tetikliyor. Bu, anıların düzenli ve güncel kalmasına yardımcı oluyor.

Sonsuz yinelemeyi önlemek zor oldu ve bunun için son birkaç yılda çok sayıda deneme yanılma gerekti.

Ajanlara dosyalara, uygulamalara ve geliştirme araçlarına erişim vermek onları daha yararlı kılıyor, ancak hataların sonuçlarını da ağırlaştırıyor. Bir ajan yanlış bir işlem yaptığında izinleri, insan onayını ve kurtarma süreçlerini nasıl yapılandırıyorsunuz?

Elimizdeki somut güvenlik önlemi File Protection: Clairvoyance, ajanların dizinleri silmesini engelleyebiliyor. Bu koruma, ajanın aşabileceği kancalar aracılığıyla değil, uygulama düzeyinde uygulanıyor.

Bir iş akışı yerel çalıştırma ile bulut çıkarımını bir araya getirdiğinde “önce yerel” yaklaşımı farklı anlamlara gelebilir. Kullanıcının makinesinden hangi bilgiler çıkıyor ve kullanıcılar bu sınırı nasıl anlayıp kontrol edebilir?

Bulut güvenliği, başkalarını sistemin dışında tutmakla ilgilidir. Ancak model sağlayıcısının en başta şirketinizin sırlarına sahip olup olmaması gerektiği sorusunu yanıtlamaz. Clairvoyance tasarımı gereği önce yerel çalışır: notlarınız, projeleriniz ve çalışanlarınızın belleği kendi makinenizde kalır. Bir bulut modeline ne gönderileceğine siz karar verirsiniz; bu karar genel bir ayar olarak değil, her çalışan için ayrı ayrı verilir. Yerel bir model çalıştırdığınızda hiçbir şeyin donanımınızdan çıkması gerekmez. İşlerini halletmek için tüm gizli iş akışlarını Anthropic’e veya OpenAI’a yüklemek zorunda kalmaktan rahatsızlık duyan kurumsal müşterilerden bunu doğrudan duyuyoruz.

Clairvoyance’ın 40.000’den fazla kullanıcısı var. İnsanların Clairvoyance’ı gerçekte nasıl kullandığından neler öğrendiniz? Sürekli değer sağladığı yinelenen bir iş akışına ilişkin ölçülebilir bir örnek paylaşabilir misiniz?

Kullanıcıyı elde tutma oranı, kullanıcının oturumları sırasında ürettiği veri miktarına büyük ölçüde bağlı.

Yapay zekâ kullanıcılarının çoğu, yapay zekânın ürettiği veriyi alıp bunun üzerine yeni çalışmalar inşa etme eşiğini henüz gerçekten aşmış değil. Kullanıcıların çoğu hâlâ istemler üzerinden düşünüyor. Clairvoyance’ı kullanmayı sürdürenler, çok sayıda Ek ve Rapor üreten; bunları da sonraki çalışmalar için temel olarak kullanan kişiler.

Bir yıl sonrasına baktığınızda, ajanların yerel olarak güvenilir biçimde üstlenebileceği işleri en çok hangi gelişmeler genişletir? Yönlendirmenin model boyutundan daha önemli olduğu görüşünüzü yeniden değerlendirmeniz için ne olması gerekir?

Bence 18 ay içinde yapay zekâ çalışmalarının %90 ila %95’i yerel olarak yürütülecek; öncü işler için buluta ihtiyaç duyanların oranı belki %5 olacak. Bunun başlıca nedeni, özgeçmişleri konum açısından taramak veya sevkiyat zamanlamasını kontrol etmek gibi basit işler bile dâhil olmak üzere, henüz yapay zekâya neredeyse hiçbir şeyin devredilmiyor olması; bunlar hâlâ elle yapılıyor. Oysa 4B’lik bir model bunları şimdiden bir dizüstü bilgisayarda yapabiliyor. Bunu mümkün kılacak gelişmeler arasında Hivemind tarzı ortak işlem gücü (bir şirketin yeterince kullanılmayan GPU’larının etki alanındaki herkese hizmet etmesi) ve yönlendirmenin, hiç kimsenin 4B’lik bir modelin ya da Opus’un ne olduğunu bilmek zorunda kalmayacağı kadar iyi hâle gelmesi var.

Harika röportaj için teşekkürler. Bilgisayarlarında kalıcı yapay zekâ ajanlarını yönetmek için bir masaüstü uygulamasını denemek isteyen okurlar Clairvoyance AI‘ı ziyaret edebilir.

Antoine, Unite.AI'nin vizyoner lideri ve kurucu ortağıdır. Yapay zekâ ve robotiğin geleceğini şekillendirmeye ve ilerletmeye yönelik sarsılmaz bir tutku taşır. Birden fazla şirket kurmuş bir girişimci olarak yapay zekânın toplumu elektrik kadar köklü biçimde dönüştüreceğine inanır ve çığır açan teknolojiler ile yapay genel zekânın (AGI) potansiyelinden sık sık heyecanla söz eder.

Bir fütürist olarak bu yeniliklerin dünyamızı nasıl şekillendireceğini araştırmaya kendini adamıştır. Ayrıca geleceği yeniden tanımlayan ve tüm sektörleri dönüştüren ileri teknolojilere yatırım yapmaya odaklanan Securities.io platformunun kurucusudur.