Louis Amira, Circuit & Chisel’ın Kurucusu – Röportaj Serisi

Louis Amira, yapay zekâ, kripto ve ödemeler alanlarında ürünler ve iş ortaklıkları geliştirme deneyiminden yararlanarak Circuit & Chisel’ın kuruculuğunu yapıyor. Kariyerinde Google’ın Area 120 kuluçka programında bir girişime ortak kurucu olarak imza atmak, Chainlink’te çalışmak ve Stripe’ta kripto ve yapay zekâ iş ortaklıklarına liderlik etmek yer alıyor. İşletmeler için güvenilir ve faydalı işler yapmalarını engelleyen altyapı eksiklerini gidermek amacıyla Circuit & Chisel’ı David Noël-Romas ile birlikte kurdu.

Circuit & Chisel, yapay zekâ ajanlarına yönelik altyapı geliştiriyor ve ATXP, Unbiased ile Pareto’nun arkasındaki şirket. ATXP, ajanlara kimlik ve ödeme özellikleri sağlarken Pareto, yapay zekâ çıkarımının kalitesini ve maliyetini iyileştirmek için öncü ve açık ağırlıklı modelleri bir araya getiriyor. Unbiased, platformu üzerinden Pareto’ya erişim sağlıyor. Bu röportajda Amira; model orkestrasyonunu, değerlendirmeyi, çıkarım ekonomisini, verilerin saklanmasını ve güvenilir ajan muhakemesiyle otonom ödemeler arasındaki ilişkiyi ele alıyor.

Kariyeriniz sizi Google’ın Area 120 kuluçka programından Stripe’ta kripto ve yapay zekâ iş ortaklıklarına liderlik etmeye, oradan da Circuit & Chisel’ı kurmaya götürdü. Bu deneyimler, yapay zekâ ajanlarının ihtiyaç duyacağı altyapı konusunda size neler öğretti ve şirketi kurmanız için nihayetinde ne ilham verdi?

Google’da Area 120 bünyesinde bir şirketin kurucu ortaklarından oldum. Oradan çıkardığım ders şuydu: Önce ne inşa ettiğiniz, daha sonra neler inşa edebileceğinizi belirler. Chainlink ve Stripe’ta da aynı örüntüyü bu kez diğer taraftan gördüm. Yeni teknoloji, demo ortamında güneşli günlerde ve kusursuz koşullarda çalışıyor, ancak gerçek dünyada ihtiyaç duyulan altyapı henüz hazır olmadığı için sonrasında tıkanıyordu.

David’le birlikte, gerçek işletmeler için gerçek işler yapan ajanlar geliştirmek üzere Circuit & Chisel’ı kurduk. Bu ajanlar, sıradan nedenlerle başarısız olup duruyordu. Bir ajan kimliğini kanıtlayamıyor, hiçbir şey için ödeme yapamıyordu. Bu nedenle ajanlara kimlik ve ödeme yapma olanağı kazandırmak için ATXP’yi geliştirdik.

Sonra bir sonraki engelle karşılaştık. Eyleme geçebilen bir ajanın, yaptığı işin gerektirdiği makul bir maliyetle doğru sonuç vermesi de gerekiyor. Pareto bu ihtiyaca yanıt veriyor. Her iki durumda da içgüdümüz aynıydı: Eksik parçayı bulup geliştirmek.

Circuit & Chisel, başlangıçta yapay zekâ ajanları arasında otonom ödemeleri mümkün kılmak üzere tasarlanmış bir protokol olan ATXP’ye odaklanmış, ardından Unbiased ve Pareto ile yapay zekâ modeli altyapısına yönelmişti. Bu değişime ne yol açtı ve bu teknolojiler, ajan ekonomisine ilişkin daha geniş vizyonunuzla nasıl örtüşüyor?

Müşterilerimiz (ve onların ajanları), ATXP’nin işe yaradığını bize gösterdi. Ajanlar bir kimliğe sahip olabiliyor ve para harcayabiliyordu. Ancak işletmelerle bir araya geldiğimizde ilk sorunlarının ödeme olmadığını gördük. Sorun, çıktılara duyulan güvendi. İş için yanlış modeli seçen ya da yanlış yanıt veren bir ajana kimse bütçe emanet etmez.

Bu nedenle bu yılın başlarında kalite ve maliyet konusundaki çalışmalarımızı hızlandırdık. Bu çalışmalar Pareto’ya dönüştü.

İkisi hâlâ birbirini tamamlıyor. Pareto, bir ajanın görevi nasıl ele alıp muhakeme edeceğine karar veriyor. ATXP ise onun eyleme geçmesini ve ödeme yapmasını sağlıyor. İkisine de, üstelik bu sırayla, ihtiyacınız var; çünkü kimse muhakemesine güvenmeden bir ajana cüzdanını emanet etmez. Biz yalnızca bunları yanlış sırayla geliştirdik.

Pareto, tek bir modele ya da geleneksel bir yönlendirme sistemine dayanmak yerine birden fazla öncü ve açık ağırlıklı modelin çıktılarını birleştirerek geleneksel büyük dil modellerinden farklı bir yaklaşım benimsiyor. Bu mimarinin nasıl çalıştığını, özellikle birbiriyle çelişen yanıtları daha doğru veya faydalı bir sonuca nasıl dönüştürdüğünü anlatabilir misiniz?

Pareto tek bir model değil, bir sistem. İşleri farklı laboratuvarların hem öncü hem de açık ağırlıklı modellerine dağıtıyor ve her birine belirli bir görev veriyor. Birden fazla model bu işi yapabilecek kapasitede olabilir; ancak bazen işler karmaşıklaşır ve modellerden birinin yanıtı gözden geçirip önerilerde bulunması gerekir. Hangi modellerin çağrılacağına, bu tür görevlerde yetkinlik, maliyet, hız ve güvenilirlik bakımından aldıkları puanlara göre karar veriliyor. Görevin ne ölçüde denetim gerektirdiği de belirleniyor.

Yanıtların ortalamasını almıyoruz. Ortalama almak, hataları birbirine karıştırıp belirsizleştirir. Modellerin anlaşmazlığa düşmesini istiyoruz; çünkü hatalar bu anlaşmazlıklarda ortaya çıkıyor. Kullanılabilir modellerin bileşimi değiştiğinde yeniden test yapıyor ve Pareto’nun yeni, numaralandırılmış bir sürümünü yayımlıyoruz.

Pareto’nun temel vaatlerinden biri, öncü düzeyde zekâyı çok daha düşük maliyetle sunmak. Bir yanıtı oluşturma sürecine birden fazla model katılabildiğine göre bu verimliliği nasıl sağlıyorsunuz ve çıkarım maliyetleri, gecikme süresi ile çıktı kalitesi arasında ne gibi ödünleşimler söz konusu?

Pareto’nun amacı, öncü düzeyde yanıtlar sunmak. Daha düşük maliyet, bu yanıtlara nasıl ulaştığından kaynaklanıyor.

İnsanların yapay zekâya gönderdiği isteklerin çoğu rutin nitelikte. Daha ucuz bir model, bu istekleri en pahalı model kadar sık doğru yanıtlıyor. Pareto, bu istekleri daha ucuz modellere yönlendiriyor; öncü modelleri veya birlikte çalışan birkaç modeli ise bunlara ihtiyaç duyan istekler için saklıyor. Yayımladığımız testlerde bu model bileşimi, görev başına %30-70 daha düşük maliyetle, önemli kıyaslamaların çoğunda GPT-6 Astra ve Claude Opus 5.5’in birkaç puan yakınında sonuç verdi.

Kayda değer bir ödünleşim yok. Pareto her isteği kusursuz biçimde yönlendiremeyebilir; ancak yönlendirme hatalarının ne sıklıkta yapıldığını ölçüyor ve sonuçları iyileştirip yayımlıyoruz.

Ekibiniz, GPT-6 Astra ve Claude Opus 5.5’in de yer aldığı karşılaştırmalarla Pareto’yu önde gelen tescilli ve açık ağırlıklı modellerle rekabet edebilecek bir konumda gösteren kıyaslama sonuçları yayımladı. Bu değerlendirmelerin, kıyaslamalara özel optimizasyonu değil gerçek dünyadaki performansı yansıttığından nasıl emin oluyorsunuz ve öncü modeller hangi alanlarda hâlâ Pareto’ya kıyasla kayda değer bir avantaja sahip?

Değerlendirme kodunu yayımlıyoruz; böylece herkes sonuçlarımızı yeniden elde edebilir. Pareto dâhil her model aynı test düzeneğinden geçiriliyor. Ayrıca Pareto’nun kayıplarını da kazançlarıyla aynı ölçüde görünür kılıyoruz. Evin her zaman kazandığı bir skor tablosu, reklamdan ibarettir.

Birden fazla yapay zekâ ağ geçidinde kullanıma sunulduk ve her ölçekten şirkete yeni modellerin ön izleme erişimini sağladık. Model performansını sürekli iyileştirmek için geri bildirimlerini neredeyse gerçek zamanlı olarak değerlendiriyoruz.

Pareto’nun ilk 48 saati içinde iki trilyondan fazla token işlediği bildiriliyor. Başlangıçtaki bu talep, uygun maliyetli yapay zekâ çıkarımına yönelik pazar hakkında ne gösterdi ve bu ölçekte performansı, güvenilirliği ve ölçeklenebilirliği korumanın başlıca teknik zorlukları nelerdi?

Talep, bizim ve iş ortaklarımızın beklediğinin birkaç katıydı; ne yazık ki bu talebi gerektiği gibi karşılayacak yeterli bilgi işlem kapasitemiz yoktu. İlk gün talep dakikada 5 ila 10 milyar tokenı aştı. Biz yaklaşık 1,6 milyar token sunabiliyorduk. Tüm bu talebi ücretsiz olarak gerektiği gibi karşılamak, günde milyonlarca dolara mal olurdu.

Bize gösterdiği şey şuydu: fiyat, yapay zekânın çok sayıda kullanımını kısıtlıyor. Ürünü belirli bir fiyatta işe yarayan, ancak bu fiyatın beş katına çıktığında işe yaramayan geliştiriciler var. Fiyatı düşürün, kullanıcılar geliyor.

En zor kısmı basitti: kapasitemiz tükendi. İlk gün model o kadar yavaşladı ki bazı kişiler kullanmaktan vazgeçti. Gece boyunca daha fazla kapasiteyi devreye aldık ve piyasaya çıkıştan iki gün sonra ücretli erişime geçtik; talebi sınırlamanın dürüst yolu buydu.

Şeffaflık konusunda da bir şey öğrendik. Bazı kullanıcılar, Union Alpha’nın tek bir model değil, birlikte çalışan birkaç modelden oluştuğunu öğrendiklerinde kendilerini yanıltılmış hissetti. İş ortaklarımızla birlikte ürünü “başka bir model” olarak piyasaya sürmemizin amaçlarından biri de buydu: Kullanıcıların bir yönlendiricinin çıktısını deneyimleme biçimi açısından pratikte bir fark yok.

Sıfır veri saklama, özellikle işletmeler hassas bilgilerin üçüncü taraf yapay zekâ sağlayıcılarından geçmesi konusunda giderek daha fazla endişe duymaya başladıkça, Pareto’nun öne çıkan özelliklerinden biri hâline geliyor. Birden fazla temel model kullanıldığında bu korumaları nasıl uyguluyor ve doğruluyorsunuz; kurumsal müşteriler verilerinin nasıl işlendiği konusunda ne tür güvenceler alabiliyor?

Sıfır veri saklama planlarımızda istemlerinizi veya çıktılarınızı saklamıyoruz; bunları gönderdiğimiz hiçbir sağlayıcı da saklamıyor.

İşin içinde birden fazla model olduğunda, sıfır veri saklama (ZDR) taahhüdü en zayıf halka kadar güvenilirdir. Bu nedenle ZDR istekleri yalnızca sıfır saklama koşullarıyla çalışan modellere yönlendirilir. Bir sağlayıcı bu koşulları karşılayamıyorsa ZDR kapsamındaki istekleri almaz.

Kurumsal müşteriler bu taahhüdü yazılı olarak alıyor: bir veri işleme sözleşmesi ve bir ZDR eki. Ayrıca hangi planların ZDR kapsamında olmadığını açıkça belirtiyoruz; böylece kimse yanlış grupta yer almıyor. Verilerinin kendi binalarının dışına hiç çıkmamasını isteyen şirketlerin kendi donanımlarında çalıştırabileceği bir sürüm üzerinde çalışıyoruz. Yakında daha fazla bilgi paylaşacağız.

Yapay zekâ ajanları soru yanıtlamaktan karmaşık, çok adımlı iş akışlarını yürütmeye geçerken, küçük akıl yürütme hataları birikerek ciddi başarısızlıklara yol açabilir. Pareto; halüsinasyonlar, modellerin çelişen çıktıları ve uzun süren ajan görevlerindeki güvenilirlik gibi sorunları nasıl ele alıyor? Birden fazla modeli bir araya getirmek, kendine özgü yeni başarısızlık türlerine yol açabilir mi?

İlk karşılaştığımız sorun buydu. Bir gösterim ortamının dışına çıkınca ajanlar dağılıyor. İkinci adımdaki küçük bir hata, onuncu adımda büyük bir hataya dönüşüyor.

Birden fazla model, zor adımlarda yardımcı oluyor. Aynı sorun üzerinde ayrı ayrı çalışabilir, birbirlerinin yanıtlarını denetleyebilir veya ajan ilerlemeden önce bir sonucu doğrulayabilirler. Tek bir modelin ikinci bir görüş alma imkânı yoktur. Pareto’da ise bu imkân var.

Kullanıcı memnuniyetini ve gerçek görevlerdeki performansı ölçüyor, kötü sonuçlar da dâhil olmak üzere sonuçları yayımlıyor ve tespit ettiğimiz sorunları gideriyoruz. Her seferinde aynı davranışın sergilenmesi gereken müşteriler, Pareto’nun bir sürümünü sabitleyerek beklenmedik değişiklikleri önleyebilir.

ATXP ve Unbiased aracılığıyla Circuit & Chisel, otonom ajanların karşılaştığı iki önemli zorluğu ele alıyor: zekâya verimli biçimde erişmek ve tükettikleri hizmetlerin ödemesini yapmak. Bu yeteneklerin nasıl birleşeceğini öngörüyorsunuz? Ajanların performans, maliyet ve görev gereksinimlerine göre yapay zekâ modellerini ve harici araçları bağımsız olarak seçip satın aldığını ve bunları koordine ettiğini görebilir miyiz?

Evet. İşte gidişat bu yönde.

Bugün hangi modelin kullanılacağına, hangi araçların çağrılacağına ve bunların ödemesinin nasıl yapılacağına bir kişi karar veriyor. Bu kararları giderek daha fazla ajanlar verecek. Her adım için doğru modeli seçecek, ihtiyaç duyduğu araçları bulacak, her sağlayıcıya ödeme yapacak ve ilerlemeden önce sonuçları kontrol edecek.

Bunun için iki şey gerekiyor. Her görev için doğru zekâya erişmenin bir yolu; Pareto bunu sağlıyor. Bir de kimliğini kanıtlayıp ödeme yapmanın bir yolu; ATXP başlangıçta bu amaçla geliştirildi.

Birçok şirket, insanlar ajanlara paralarını emanet etmeden önce limitler, sorumluluk ve benzeri konular üzerinde çalışıyor. Bu yüzden işe muhakemeyle başladık. Ödeme bileşeni, onu kullanan ajana duyulan güven arttıkça daha faydalı hale geliyor.

İleriye baktığınızda, yapay zekâ alanındaki bir sonraki büyük atılımın esas olarak giderek daha güçlü bireysel modeller eğitmekten mi, yoksa mevcut modelleri ve yetenekleri akıllıca bir araya getiren sistemler geliştirmekten mi geleceğine inanıyorsunuz? Bu ayrımın, önümüzdeki birkaç yıl içinde yükselen yapay zekâ şirketleriyle önde gelen temel model sağlayıcıları arasındaki rekabeti nasıl şekillendireceğini düşünüyorsunuz?

Her ikisi de. Laboratuvarlar daha iyi modeller üretmeye devam edecek ve bu çok önemli. İnsanların her bir modeli araştırıp deneme ihtiyacı duymamasını sağlıyoruz. Her görev için doğru modeli, doğru yatırım getirisiyle sunmalıyız. Model yorgunluğuna son.

Eğitim için laboratuvarlardan daha fazla harcama yapmamız mümkün değil; onların çalışmalarını temel alıyor ve modelleri yaygınlaştırmalarına yardımcı oluyoruz. Bir laboratuvar daha iyi bir model sunduğunda Pareto da gelişiyor.

Laboratuvarlar bunu kendileri geliştirebilir ve bazıları geliştirecek. Ancak bir laboratuvarın yönlendiricisi kendi tarafını tutar. Bizim kendi modelimiz yok; dolayısıyla kazanmanın tek yolu, müşterinin ödediği paranın karşılığında en iyi yanıtı alması. Model sayısı arttıkça bunun önemi de artıyor.

Harika röportaj için teşekkür ederiz. Pareto, ajan altyapısı ve yapay zekâ muhakemesini kimlik ve ödemelerle buluşturan araçlar hakkında daha fazla bilgi edinmek isteyen okurlar Circuit & Chisel sitesini ziyaret edebilir.