Geride Kalmayın: Transformatör Devrimi Hakkında 7 Şok Edici İstatistik

Transformatör mimarisi bir araştırma makalesinden arama, müşteri hizmetleri, yazılım geliştirme, çeviri ve içerik araçlarına geçti. Aynı sorunu birçok ekipte görüyorum: İnsanlar yapay zeka hakkında çok sayıda bilgi duyuyor ancak hangi rakamların önemli olduğunu veya bu rakamların günlük işleri nasıl etkilediğini hâlâ bilmiyorlar. Aşağıdaki yedi rakam teknik bir fikirden bir iş aracına geçişi göstermektedir. Her sayı pratik bir dersle birlikte gelir. 1. Orijinal Transformer makalesinde 8 yazar vardı Google araştırmacıları, Transformer'ı 2017 tarihli Tek İhtiyacınız Olan Dikkat makalesinde tanıttı. Model, dili ele almanın ana yolu olarak tekrarlanan işlemlere güvenmek yerine dikkati kullandı. Makalenin sekiz yazarı vardı. Temel fikri o zamanlar dar kapsamlı görünüyordu ancak inşa edilen dil sistemlerinin sayısını değiştirdi. Model ayrıca WMT 2014 İngilizceden Almancaya çeviri görevinde 28,4'lük bir BLEU puanı üretti. İngilizceden Fransızcaya görevde, eğitim sonrasında makalede bildirilen daha önceki bazı sistemlerden daha düşük bir maliyetle 41,8 BLEU'ya ulaştı. Bu önemlidir çünkü Transformer bir sohbet robotu olarak yaratılmamıştır. Çeviri için inşa edilmiştir. Kelimeler arasındaki ilişkileri işleme yeteneği, metin oluşturma, görüntü sistemleri, konuşma araçları ve kod yardımcılarına yayılmasına yardımcı oldu. Benim çıkarımlarım basit: Bir araç tek bir kullanım senaryosuyla başlayabilir ve daha sonra pek çok işi destekleyebilir. 2. BERT Large 340 milyon parametreye ulaştı Google, 2018'de BERT'i tanıttı. Daha büyük sürüm yaklaşık 340 milyon parametre içerirken, BERT Base yaklaşık 110 milyon parametre içeriyordu. BERT tipik bir metin oluşturucu gibi çalışmadı. Sistemlerin bir cümlenin her iki tarafından da kelimenin anlamını anlamasına yardımcı oldu. Arama motorları, sorguları sayfa içeriğiyle daha iyi eşleştirmek için bu tür bir dil anlayışını kullanabilir. Bir işletme sahibi için bu yararlı bir ders sunar. Arama görünürlüğü yalnızca bir anahtar kelimenin tekrarlanmasıyla ilgili değildir. Bir sayfanın sorgunun arkasındaki anlamı yanıtlaması gerekir. "Sızıntı yapan bir musluğun nasıl onarılacağını" hedefleyen bir sayfada nedenleri, araçları, güvenlik adımlarını, onarım seçeneklerini ve bir tesisatçıya ihtiyaç duyulabileceğine dair işaretleri açıklamalıdır. “Sızıntı yapan musluk tamiri”ni defalarca tekrarlayan kısa bir paragraf aynı değeri sağlamayacaktır. 3. GPT-3 175 milyar parametre kullandı OpenAI, 2020 araştırma makalesinde GPT-3 için 175 milyar parametre bildirdi. Model, büyük bir dil modelinin metin üretebileceğini, soruları yanıtlayabileceğini, belgeleri özetleyebileceğini, cümleleri çevirebileceğini ve yazılı talimatlardan kod üretebileceğini gösterdi. Parametre sayısı bana bir modelin her zaman yararlı bir yanıt verip vermeyeceğini söylemez. Modelin doğruluğunu, güvenliğini, maliyetini veya belirli bir göreve uygunluğunu değil, ölçeğini gösterir. Ekiplerin kendi verilerini göz ardı ederek model boyutuna odaklandıklarını gördüm. Temiz ürün kayıtlarına bağlı daha küçük bir sistem, destek ekibine eski dosyalarla çalışan daha büyük bir sistemden daha fazla yardımcı olabilir. Daha iyi soru "Model ne kadar büyük?" "Bu model görevimi kabul edilebilir maliyet, hız ve hata riskiyle halledebilir mi?" sorusudur. 4. ChatGPT haftalık 100 milyon kullanıcıya ulaştı OpenAI, Kasım 2023'te ChatGPT'nin haftalık 100 milyondan fazla aktif kullanıcıya sahip olduğunu söyledi. Şekil, genel bir yapay zeka aracının araştırma laboratuvarları ve teknoloji şirketleri dışındaki insanlara ne kadar hızlı ulaşabileceğini gösterdi. Bu sayı, her kullanıcının yetenekli bir yapay zeka operatörü olduğu anlamına gelmiyor. Pek çok kişi hâlâ belirsiz yönlendirmeler kullanıyor, desteklenmeyen yanıtları kabul ediyor veya özel bilgileri kamuya açık araçlara yapıştırıyor. Daha güvenilir bir sonuca ihtiyacım olduğunda basit bir istem yapısı kullanıyorum: - Görevi belirtin. - Gerekli bağlamı verin. - İzleyiciyi tanımlayın. - Formatı ayarlayın. - Sistemden eksik bilgileri tanımlamasını isteyin. - Çıktıyı güvenilir bir kaynağa göre inceleyin. Örneğin: "Küçük restoran sahipleri için 600 kelimelik bir ürün kılavuzu yazın. Bulut tabanlı bir envanter aracının stok seviyelerini nasıl takip ettiğini açıklayın. Sade bir İngilizce kullanın, gelir taleplerinden kaçının, üç kurulum adımı ekleyin ve kaynak gerektiren tüm ifadeleri işaretleyin." Bu istem, modele "Envanter yazılımı hakkında yazmak"tan daha net bir iş verir. 5. Yeni Google kodunun %25'ten fazlasının yapay zeka tarafından oluşturulduğu bildirildi 2024'te Google CEO'su Sundar Pichai, Google'daki yeni kodun %25'ten fazlasının yapay zeka tarafından oluşturulduğunu ve ardından mühendisler tarafından incelendiğini söyledi. Bu rakam yazılım çalışmalarında bir değişikliğe işaret ediyor. Yapay zeka, işlevlerin taslağını hazırlayabilir, testler oluşturabilir, alışılmadık kodları açıklayabilir ve geliştiricilerin rutin görevleri yerine getirmesine yardımcı olabilir. İnsan tarafından yapılan inceleme hâlâ önemlidir çünkü oluşturulan kod, güvenlik açıkları, zayıf mantık veya yalnızca olağandışı koşullar altında ortaya çıkan hatalar içerebilir. Küçük bir ekip, tam kontrolü devretmeden aynı fikri uygulayabilir. Yapay zekayı şu amaçlar için kullanırdım: - Test senaryolarının taslağını hazırlamak - Kodu diller arasında dönüştürmek - Bir hata mesajını açıklamak - Dokümantasyon oluşturmak - Veritabanı sorguları önermek - Kod tabanında tekrarlanan kalıpları bulmak Ödemeler, hesap erişimi, kişisel veriler, tıbbi bilgiler ve diğer hassas alanlar için insan incelemesi adımı uygulardım. Yararlı model "Yapay zeka geliştiricinin yerini alır" değildir. "Yapay zeka bir taslağı yönetirken, sonuçtan geliştirici sorumlu olmaya devam ediyor." 6. GPT-3.5 düzeyindeki model kullanımının maliyeti yaklaşık 280 kat düştü Stanford AI Index 2024, GPT-3.5 düzeyinde performansa sahip bir modeli sorgulamanın maliyetinin Kasım 2022'de milyon token başına yaklaşık 20 dolardan Ekim 2023'te milyon token başına yaklaşık 0,07 dolara düştüğünü bildirdi. Bu yaklaşık 280 katlık bir düşüş. Fiyatlar sağlayıcıya, modele, giriş uzunluğuna, çıkış uzunluğuna ve hizmet planına göre değişir. Genel eğilim hala önemli: gelişmiş dil araçlarının test edilmesi daha ucuz hale geldi. Bu durum daha küçük şirketlerin yolunu değiştiriyor. Bir ekibin yapay zeka iş akışını keşfetmek için sıfırdan büyük bir model oluşturmasına gerek yoktur. Dar bir görevi test edebilir, sonucu ölçebilir ve fayda zayıfsa durabilir. Pratik bir pilot çalışma şu şekilde görünebilir: 1. 100 ortak müşteri sorusunu toplayın. 2. Şirket belgelerinden onaylı yanıtlar oluşturun. 3. Modelden yanıt taslağı hazırlamasını isteyin. 4. Bir personelinizin doğruluk ve üslupla puan vermesini sağlayın. 5. Yanıt süresini ve düzeltme oranını izleyin. 6. Sonucu mevcut süreçle karşılaştırın. Rakamlar bir karara yön vermelidir. Her göreve yapay zeka eklemek için bir neden olmamalıdırlar. 7. Dönüştürücü sistemlerinin hala temel bir sınırı vardır: metin büyüdükçe dikkat pahalı hale gelebilir Standart öz-dikkat, belirteçleri birbirleriyle karşılaştırır. Giriş uzunluğu artarsa ​​jeton ilişkilerinin sayısı giriş uzunluğunun karesine yakın bir oranda artabilir. 1.000 token içeren bir belge, yaklaşık bir milyon ikili pozisyon oluşturur. 10.000 token içeren bir belge yaklaşık 100 milyon token yaratıyor. Kesin maliyet modele ve tasarımına bağlıdır, ancak model, uzun belgelerin neden daha fazla bellek, zaman veya para gerektirebileceğini açıklamaktadır. Bu, sözleşmeleri, kılavuzları, araştırma dosyalarını veya uzun müşteri geçmişlerini işlemek isteyen işletmeleri etkiler. Mantıklı bir iş akışı, büyük dosyaları bölümlere ayırır, en alakalı pasajları alır ve modelden bu pasajlarla çalışmasını ister. Sistem daha sonra kaynak materyale bağlantılar içeren bir yanıt üretebilir. Bu yaklaşımı, bir belgenin tamamını plan olmadan bir modele göndermeye tercih ederim. İncelemeyi kolaylaştırır ve uzun bir bağlam penceresinde önemli bir ayrıntının gözden kaçırılma olasılığını azaltır. Bu yedi rakam daha geniş bir hikayeyi anlatıyor. Transformer bir çeviri modeli olarak başladı, geniş dil sistemleri için temel oluşturdu, geniş bir kitleye ulaştı ve artık arama, kodlama, destek ve belge analizi çalışmalarını destekliyor. Rakamlar aynı zamanda teknolojinin tek başına çözemediği şeyleri de gösteriyor. Büyük parametre sayımı doğru yanıtları garanti etmez. Düşük bir API fiyatı, gizlilik yükümlülüklerini ortadan kaldırmaz. Yüksek benimseme rakamı her iş akışının otomasyondan faydalandığını kanıtlamaz. Bir yapay zeka projesini değerlendirirken dört pratik ölçüye bakarım: - Çıktı görev için yeterince doğru mu? - İnsan hataları gözden geçirebilir mi? - İş akışı özel bilgileri koruyor mu? - Uygulama sonrasında zaman veya maliyette iyileşme oluyor mu? Bu yaklaşım dikkat çekici iddialardan ziyade faydalı çalışmalara odaklanılmasını sağlıyor. Transformatör devrimi zaten gözle görülür durumda, ancak değeri insanların onu ne kadar dikkatli uyguladığına bağlı.

Güç transformatörleri, bir trafo merkezi arızalanana, bir fabrika elektriği kesilene veya bir veri merkezi yeni ekipman için aylarca bekleyene kadar nadiren dikkat çeker. Birçok alıcının teslim süresini, bakım erişimini, enerji kaybını ve gelecekteki yük artışını göz ardı ederek satın alma fiyatına odaklandığını gördüm. Trafo pazarı değişiyor çünkü şebeke daha fazla yenilenebilir enerji, elektrikli araç, endüstriyel yük ve veri merkezi talebi taşıyor. Bu yedi transformatör eğilimi, elektriğin nasıl üretildiğini, taşındığını ve yönetildiğini şekillendirebilir. ## 1. Akıllı transformatörler ekipmanı bir veri kaynağına dönüştürüyor Geleneksel transformatörler esas olarak tek bir görevi yerine getirir: voltajı değiştirirler. Daha yeni sistemler ayrıca sıcaklık, yağın durumu, yük, titreşim ve diğer çalışma sinyalleri hakkında da bilgi sağlayabilir. Bir izleme paketi aşağıdakileri içerebilir: - Sıcaklık sensörleri - Çözünmüş gaz analizi - Burç izleme - Yük izleme - Nem algılama - Uzaktan alarm sistemleri Bunu yaygın bir soruna pratik bir yanıt olarak görüyorum. Bir transformatör, büyük bir arıza meydana gelmeden çok önce küçük gerilim işaretleri gösterebilir. Eğer bir kamu hizmeti sağlayıcısı bu bilgiyi erken alırsa, ekibi bir kesintiye tepki vermek yerine bir inceleme planlayabilir. Bir fabrika ayrıca hafta içi ve hafta sonu yüklerini karşılaştırmak için trafo verilerini kullanabilir. Bu kayıt, tesisin üretim programlarını, soğutma sistemlerini veya bakım planlarını ayarlamasına yardımcı olabilir. Akıllı izleme, yetenekli teknisyenlere olan ihtiyacı ortadan kaldırmaz. Kararlarını desteklemek için onlara daha iyi bilgi verir. ## 2. Yenilenebilir enerji trafo tasarımını değiştiriyor Güneş enerjisi santralleri ve rüzgar projeleri her zaman sabit bir seviyede güç üretmez. Çıkış güneş ışığına, rüzgar hızına, hava durumuna ve şebeke koşullarına göre değişebilir. Bu sistemlere bağlanan transformatörler daha sık yük ve gerilim değişiklikleriyle karşı karşıya kalabilmektedir. Bir proje geliştiricisinin aşağıdakileri incelemesi gerekebilir: - Gerilim değişimi - Harmonik seviyeler - İnvertör davranışı - Kısa devre koşulları - Soğutma kapasitesi - Şebeke bağlantı kuralları Bir güneş enerjisi tesisi için seçilen transformatör, bir rüzgar projesine veya akü tesisine uygun olmayabilir. Her projenin kendi yük çalışmasına ve koruma planına ihtiyacı vardır. Yararlı bir örnek çöl bölgelerindeki büyük güneş enerjisi tesislerinden geliyor. Yüksek gündüz sıcaklıkları soğutma performansını azaltabilir, toz ise dış mekan ekipmanlarını etkileyebilir. Transformatör spesifikasyonu hem elektriksel hem de çevresel koşulları yansıtmalıdır. Bir üniteyi yalnızca nominal kapasitesine bakarak seçmem. Operasyon profili de aynı derecede önemlidir. ## 3. Veri merkezleri büyük transformatörlere olan talebi artırıyor Bulut hizmetleri, yapay zeka iş yükleri ve çevrimiçi platformlar, büyük veri merkezlerine ihtiyaç duyuyor. Bu tesislerin günün her saati istikrarlı elektriğe ihtiyacı var ve bu da orta ve yüksek gerilim transformatörlerine yönelik güçlü bir talep yaratıyor. Bir veri merkezi projesi sıklıkla şunları gözden geçirir: - Mevcut sunucular için kapasite - Gelecekteki genişleme için alan - Yedek güç bağlantıları - Yangından korunma - Gürültü sınırları - Teslimat programları - Bakım yolları Bir tasarım zorluğu, bir transformatörün bina hazır olmadan önce gelebilmesi veya transformatör hala üretimdeyken binanın tamamlanabilmesidir. Birçok alıcı artık üretim programlarını, testleri, nakliyeyi ve saha erişimini çok daha erken tartışıyor. Bu eğilimin veri merkezi sahiplerinden daha fazlasını etkileyeceğine inanıyorum. Yerel kamu hizmetlerinin trafo merkezlerini güçlendirmesi, kabloları yükseltmesi ve yeni büyük yüklerin şebekeye nasıl bağlandığını gözden geçirmesi gerekebilir. ## 4. Kuru tip transformatörler iç mekanlarda dikkat çekiyor Yağlı transformatörler, dış mekan trafo merkezlerinde ve birçok endüstriyel sistemde yaygın olarak kalmaya devam ediyor. Kuru tip transformatörler genellikle binalar, tüneller, hastaneler, ofisler ve petrol yönetiminin ekstra endişeler yarattığı diğer yerler için düşünülür. Kuru tip üniteler şunları sunabilir: - Daha düşük yağ sızıntısı riski - Daha kolay iç mekan yerleşimi - Daha az rutin sıvı kullanımı - Bazı yangın güvenliği planlarıyla uyumluluk Hala dikkatli tasarım gerektirirler. Isı muhafazadan uzaklaşmalıdır ve kurulumun uygun şekilde havalandırılması gerekir. Her yüksek kapasiteli uygulama için kuru tip transformatör doğru seçim olmayabilir. Bir hastane projesi için tedarikçi fiyatlarını karşılaştırmadan önce trafo odası düzenini, acil durum erişimini, gürültüyü, yangın gerekliliklerini ve bakım sürecini gözden geçirirdim. ## 5. Ester sıvıları, yağ dolu transformatör seçeneklerini değiştiriyor Bazı yağ dolu transformatörler, geleneksel mineral yağ yerine ester bazlı sıvılar kullanır. Doğal ve sentetik ester sıvıları, daha yüksek yangın direnci ve iyi biyobozunurluk profilleri sunabildikleri için seçilmiş uygulamalarda kullanılır. Bu seçenek aşağıdakilere uygun olabilir: - Kentsel trafo merkezleri - Kapalı veya yarı kapalı kurulumlar - Yenilenebilir enerji projeleri - Çevre açısından hassas alanlar - Daha sıkı yangın planlaması olan tesisler Alıcının yine de sıvı uyumluluğunu, sıcaklık sınırlarını, servis prosedürlerini, test yöntemlerini ve tedarikçi desteğini kontrol etmesi gerekir. Sıvı değişimi depolamayı, bakımı ve eğitimi etkileyebilir. Bir proje ekibi, gerçek transformatör tasarımıyla eşleşen teknik belgeleri ve test sonuçlarını istemelidir. Genel iddialar yeterli değildir. ## 6. Daha küçük modüler trafo merkezleri projelerin daha hızlı ilerlemesine yardımcı oluyor Bazı sahalar büyük ve kalıcı bir trafo merkezinin inşa edilmesini bekleyemez. Modüler trafo merkezleri ve kompakt trafo sistemleri, geçici gücü, uzak tesisleri, inşaat sahalarını, madencilik operasyonlarını ve dağıtılmış enerji projelerini destekleyebilir. Modüler bir sistem aşağıdakileri birleştirebilir: - Trafo ekipmanı - Şalt donanımı - Koruma cihazları - Kontrol panelleri - Ölçüm - Hava koşullarına dayanıklı muhafaza Asıl fayda, daha kolay proje planlamasıdır. Ekipman sahaya ulaşmadan önce monte edilebilir ve test edilebilir. Bu, saha çalışmalarını azaltabilir ancak taşıma sınırları ve temel tasarımına hala dikkat edilmesi gerekmektedir. Erken saha kontrollerinin birçok sorunu önlediğini buldum. Bir tasarım ekibi, sipariş vermeden önce yol genişliğini, vinç erişimini, kaldırma noktalarını, kablo yollarını, drenajı ve yerel hava koşullarını doğrulamalıdır. ## 7. Transformatör verimliliği ve geri dönüşümü satın alma faktörleri haline geliyor Enerji kaybı, transformatörün hizmet ömrü boyunca devam eder. Kayıpları daha düşük olan bir ünite başlangıçta daha maliyetli olabilir ancak uzun yıllar boyunca daha az enerji kullanır. Alıcılar bu dengeye daha fazla dikkat ediyor. İnceleme şunları içerebilir: - Yüksüz kayıp - Yük kaybı - Beklenen çalışma saatleri - Yük düzeni - Soğutma enerjisi - Bakım maliyeti - Beklenen hizmet ömrü Malzemeler de önemlidir. Transformatör hizmet ömrünün sonuna ulaştığında bakır, çelik, izolasyon, yağ ve diğer parçalar geri kazanılabilir veya işlenebilir. Üreticiler ve kamu hizmetleri, onarım, yeniden kullanım, yenileme ve geri dönüşüme yönelik daha net yaklaşımlar geliştiriyor. Örneğin, eski bir transformatörün hala bir ses tankı ve çekirdeği olabilir ancak yeni burçlara, contalara veya yalıtım çalışmalarına ihtiyaç duyabilir. Durum değerlendirmesi, onarımın mantıklı mı yoksa değiştirmenin mi daha uygun olduğunu gösterebilir. En düşük satın alma fiyatı her zaman en düşük sahip olma maliyetini doğurmaz. Operasyonel tablonun tamamını karşılaştırmayı tercih ediyorum: satın alma, kurulum, enerji kullanımı, bakım, arıza süresi riski ve kullanım ömrü sonu işlemleri. Transformatör endüstrisi, değişen yükleri destekleyebilen, faydalı işletim verileri sağlayabilen, saha risklerini azaltabilen ve daha temiz enerji sistemlerine uyum sağlayabilen ekipmanlara doğru ilerliyor. Alıcıların her yeni özelliği benimsemesine gerek yok. Her seçeneği saha, yük profili, bütçe ve bakım ekibiyle eşleştirmeleri gerekiyor. Dikkatli bir transformatör satın alımı genellikle basit sorularla başlar: Ünite hangi yüke hizmet edecek? Bu yük nasıl değişecek? Transformatör arızalanırsa ne olur? Kim denetleyecek? Ekipman sahaya nasıl ulaşacak? Bu cevaplar, teknoloji seçimini uzun bir ürün özellikleri listesinden daha etkili bir şekilde yönlendirebilir.

Birçok kişi, birkaç ayda bir yeni araçlar, değişen müşteri alışkanlıkları ve yeni iş modelleri ortaya çıktığında baskı hissediyor. Bu duyguyu anlıyorum. Ekiplerin her trendi takip etmek için çok fazla zaman harcadığını, diğer ekiplerin ise müşteriler talep etmeye başlayana kadar yararlı değişiklikleri görmezden geldiğini gördüm. Gelecek hızla ilerliyor ancak ilerleme her yeni platformu benimsemek anlamına gelmiyor. Bu, değişimi nasıl fark edeceğinizi, faydalı fikirleri nasıl test edeceğinizi ve küçük problemler daha büyük problemlere dönüşmeden önce dikkatli seçimler yapmayı öğrenmek anlamına gelir. Müşteriyle başlarım Yeni bir trendi incelerken araçla başlamam. Basit bir soruyla başlıyorum: "Bu, hizmet ettiğimiz insanlar için hangi sorunu çözüyor?" Bir perakendeci yapay zekayı duyabilir ve bir chatbot ekleme konusunda baskı hissedebilir. Daha iyi soru, müşterilerin teslimat, iade veya ürün ayrıntıları hakkında daha hızlı yanıtlara ihtiyaç duyup duymadığıdır. Çoğu soruya destek ekibinden hızlı bir yanıt alınıyorsa, bir sohbet robotunun çok az değeri olabilir. Küçük bir işletme aşağıdakileri kontrol ederek çok şey öğrenebilir: - Müşterilerin en sık sorduğu sorular - Personelin en çok zamanını alan görevler - Müşterilerin satın almayı bıraktığı noktalar - İnsanların birden fazla talep ettiği özellikler - Az dikkat çeken sayfalar veya hizmetler Bu yaklaşım, teknolojiyi gerçek bir ihtiyaçla bağlantılı tutar. Büyük değişikliklerden önce küçük testler kullanırım Bir işletmenin tüm operasyonunu test edilmemiş bir fikir etrafında yeniden inşa etmesine gerek yoktur. Kısa bir duruşma, uzun bir toplantıdan daha fazlasını ortaya çıkarabilir. Örneğin yerel bir giyim mağazası, kişisel alışveriş için basit bir çevrimiçi randevu formunu test edebilir. Sahibi, rezervasyon sayısını, kaçırılan randevuları, personel saatlerini ve müşteri geri bildirimlerini takip edebilir. Süreç hem ekibe hem de alışveriş yapanlara yardımcı oluyorsa mağaza süreci geliştirebilir. Aksi takdirde mal sahibi büyük bir maliyete katlanmadan durabilir. Küçük testler aynı zamanda personeli ani değişimlerden de korur. İnsanların öğrenmek, soru sormak ve endişelerini paylaşmak için zamanları var. Geri bildirimleri genellikle yöneticilerin oluşturduğu bir planın gözden kaçırabileceği sorunları gösterir. Yararlı olmayı sürdüren beceriler geliştiriyorum. Araçlar değişir. Temel beceriler yardımcı olmaya devam ediyor. Anlaşılır yazma, müşteri hizmetleri, veri okuma, problem çözme ve dikkatli planlama neredeyse her türlü işi destekler. Takımları öğrenme zamanlarının bir kısmını bu becerilere ayırmaya teşvik ediyorum. Müşteri ihtiyaçlarını anlayan bir kişi, yeni bir sisteme yalnızca nereye tıklayacağını bilen birine göre daha kolay uyum sağlayabilir. Pratik bir öğrenme planı şunları içerebilir: 1. Her ay bir kısa eğitim oturumu 2. Yeni beceriyle bağlantılı bir iş görevi 3. Neyin işe yaradığına dair basit bir inceleme 4. Personelin yararlı ipuçlarını paylaşabileceği bir yer 5. Hala yanıtlanması gereken soruların net bir kaydı İnsanlar bunu günlük işlerle ilişkilendirebildiğinde öğrenme daha kolay hale gelir. Değişimin insani yönünü koruyorum Yeni teknoloji hızı artırabilir ancak güven ihtiyacını ortadan kaldırmaz. Müşteriler hâlâ dürüst bilgi, net fiyatlar, güvenilir destek ve saygılı iletişim istiyor. Bir banka, sık sorulan soruları yanıtlamak için otomatik mesajlar kullanabilir. Karmaşık bir mali kaygısı olan bir müşterinin yine de bir sonraki adımı dinleyip açıklayabilecek eğitimli bir kişiye ihtiyacı olabilir. Bir sağlık hizmeti dijital rezervasyonu kullanabilir, ancak hastalar kafaları karıştığında veya endişelendiğinde kişisel yardıma ihtiyaç duyabilir. Teknolojiyi yargının yerini alacak bir araç olarak değil, bir destek sistemi olarak görüyorum. Yararlı bir araç, işi insanlar için daha net, daha güvenli veya daha kolay hale getirmelidir. Daha fazla kafa karışıklığı yaratırsa işletmenin süreci duraklatıp gözden geçirmesi gerekir. Gürültüyü kovalamak yerine sabit sinyalleri izliyorum Her popüler fikir ilgiyi hak etmez. Bir değişikliğin müşteri davranışı ve iş ihtiyaçları ile bağlantılı olduğuna dair işaretler arıyorum. Yararlı sinyaller şunları içerir: - Tekrarlanan müşteri talepleri - Hizmet kategorisinde büyüme - Süreç değişikliğinden sonra daha kısa yanıt süreleri - Rutin işlerde daha az hata - Daha iyi personel geri bildirimi - Daha eksiksiz müşteri verileri Bir örnek, çevrimiçi alışverişe geçişten geliyor. Pek çok mağazanın büyük pazar yerleri haline gelmesine gerek yoktu. Bazıları net bir ürün kataloğu oluşturdu, yerel teslim alma olanağı sundu ve teslimat güncellemelerini iyileştirdi. Bu odaklı değişiklikler, günlük operasyonlarının kontrolünü kaybetmeden müşteri alışkanlıklarına yanıt vermelerine yardımcı oldu. İyi uyum sağlayan işletmeler her zaman en büyük bütçelere sahip olanlar olmayabilir. Çoğu zaman dikkat edenler, dikkatli davrananlar ve öğrenmeye devam edenler onlardır. Her değişikliği tahmin etmem gerekmiyor. Değişime yanıt vermek için yararlı bir sürece ihtiyacım var. Müşterileri dinleyin. Fikirleri yönetilebilir bir ölçekte test edin. İnsanları eğitin. Sonuçları kontrol edin. Yardımcı olanı saklayın ve işe yaramayanları kaldırın. Geleceğe doğru hareket etmek acele etmek anlamına gelmez. Bu, eski alışkanlıklar bir sonraki adımı sınırlamadan önce bilinçli kalmak ve düşünceli kararlar vermek anlamına gelir.

Rakamlar halihazırda gerçekleşmekte olan bir değişime işaret ediyor: Transformatör modelleri araştırma laboratuvarlarından arama, müşteri hizmetleri, yazılım, eğitim, sağlık hizmetleri, finans ve yaratıcı çalışmalara doğru ilerliyor. Transformatörleri sihirli bir çözüm olarak görmüyorum. Bunları yeni bir dijital araç katmanı olarak görüyorum. Dili, görüntüleri, sesi, videoyu ve kodu eski sistemlerin yönetemeyeceği ölçekte işleyebilirler. Etkileri tek bir üründen veya tek bir şirketten değil, birçok endüstride tekrarlanan kullanımdan kaynaklanmaktadır. Transformatörün hikayesi Google'ın 2017'de hazırladığı İhtiyacınız Olan Tek Şey Dikkatdir başlıklı araştırma makalesiyle başladı. Makalede kelimeler arasındaki ilişkileri daha verimli bir şekilde inceleyebilecek bir model tasarımı tanıtıldı. Bu tasarım daha sonra ChatGPT, Google Gemini, Claude gibi sistemleri, çeviri araçlarını, kodlama asistanlarını ve birçok iş uygulamasını destekledi. Büyüme ölçülebilir oldu. Stanford'un AI Endeksi 2024, üretken yapay zekaya yapılan özel yatırımın 2023'te yaklaşık 25,2 milyar dolara ulaştığını bildirdi. OpenAI tarafından paylaşılan rakamlara göre ChatGPT, ilk yılında yaklaşık 100 milyon haftalık kullanıcıya ulaştı. Bu rakamlar her yapay zeka kullanımının değer yarattığını kanıtlamaz. İnsanların ve şirketlerin trafo bazlı sistemleri büyük ölçekte test ettiğini gösteriyorlar. ## Dönüştürücüler neden önemlidir? Eski dil sistemleri genellikle metni sabit bir sırayla işlerdi. Transformers birçok kelime arasındaki ilişkileri aynı anda inceleyebilir. Bu, bir soruyu daha önceki ayrıntılarla ilişkilendirmelerine, belgelerdeki kalıpları belirlemelerine ve talebe uygun bir yanıt oluşturmalarına yardımcı olur. Örneğin, bir modelden bir müşteri şikayetini incelemesini istediğimde, ürün sorununu, müşterinin duygusunu, talep edilen çözümü ve sipariş ayrıntılarını tek bir yanıtta tanımlayabilir. Kural tabanlı bir sistem, her görev için ayrı talimatlara ihtiyaç duyabilir. Bu esneklik pratik bir fayda yaratır. Bir model birçok iş akışını destekleyebilir: - Ürün açıklamalarının taslağının hazırlanması - Uzun raporların özetlenmesi - Müşteri mesajlarının çevrilmesi - Destek biletlerinin sınıflandırılması - Kodun gözden geçirilmesi - Faturalardan ayrıntıların çıkarılması - Çalışma materyallerinin oluşturulması - Dahili belgelerin aranması Model, insan ihtiyacını ortadan kaldırmaz. İnsanların zamanlarını geçirdikleri yer değişir. ## Önce müşteri hizmetleri değişiyor Müşteri hizmetleri ekipleri sıklıkla aynı sorunla karşı karşıya kalıyor: çok sayıda tekrarlayan soru ve zor durumlar için sınırlı süre. Bir transformatör modeli bir müşteri mesajını okuyabilir ve bunu doğru kuyruğa gönderebilir. Bir şirketin onaylanmış bilgilerine dayanarak bir yanıt önerebilir. Bir çalışanın vakaya katılmasından önce yapılan uzun bir konuşmayı özetleyebilir. Küçük bir çevrimiçi mobilya mağazası hayal edin. Müşteriler teslimat alanları, iade koşulları, malzeme ve montaj hakkında sorular soruyor. Bir destek asistanı, mağazanın kendi belgelerinden sık sorulan soruları yanıtlayabilir. Bir müşteri hasarlı bir öğeyi bildirdiğinde sistem, genel bir yanıt göndermek yerine durumu insan tarafından incelenmek üzere işaretleyebilir. Bu sistemin kalitesi kaynak malzemeye bağlıdır. Şirketin güncelliğini yitirmiş iade kuralları varsa model, güncelliğini yitirmiş bir yanıt üretebilir. Modeli kontrollü bir bilgi tabanına bağlardım ve bir kişinin hassas vakaları incelemesini isterdim. ## Arama ve içerik çalışmaları da değişiyor Transformers, insanların bilgi arama şeklini değiştirdi. Artık pek çok kullanıcı kısa anahtar kelime öbekleri girmek yerine tam sorular soruyor. Doğrudan yanıtlar, karşılaştırmalar, özetler ve sonraki adımların net olmasını bekliyorlar. Bu, içerik ekipleri için yeni bir görev yaratır. Bir sayfa, okuyucuya yardımcı olmadan anahtar kelimeleri tekrarlamamalıdır. Belirli bir soruya cevap vermeli, konuyu sade bir dille açıklamalı, bilginin nereden geldiğini göstermelidir. Yararlı bir içerik süreci şuna benzer: 1. Aramanın arkasındaki soruyu tanımlayın. 2. Güvenilir kaynakları kontrol edin ve tarihleri ​​onaylayın. 3. Cevabı net örneklerle açıklayın. 4. Okuyucunun karar vermesine yardımcı olacak ayrıntıları ekleyin. 5. Yayınlamadan önce her iddiayı inceleyin. Örneğin evde enerji kullanımıyla ilgili bir web sitesi, yalıtımın ısıtma maliyetlerini nasıl etkilediğini, hangi faktörlerin sonucu değiştirdiğini ve ev sahibinin tesisatçıya hangi soruları sorması gerektiğini açıkladığında daha iyi performans gösterebilir. Tekrarlanan arama terimleriyle dolu bir sayfa daha az değer sunar. Transformers araştırma, taslak ve düzenleme konularında yardımcı olabilir. Kaynak kontrolünün yerini almamalıdırlar. Akıcı bir cümle yine de yanlış bir sayı veya uydurulmuş bir referans içerebilir. ## Yazılım geliştirme daha erişilebilir hale geliyor Kodlama asistanları işlevler oluşturabilir, hata mesajlarını açıklayabilir, testler oluşturabilir ve kodu bir dilden diğerine dönüştürebilir. Bu, deneyimli geliştiricilerin rutin işleri azaltmasına yardımcı olur. Ayrıca yeni başlayanlara alışılmadık kodları anlamaları için bir yol sağlar. Oluşturulan kodu taslak olarak ele alırdım. Geliştiricinin hâlâ güvenlik, performans, veri işleme ve lisanslamayla ilgili endişeleri test etmesi gerekiyor. Basit bir örnek, farklı mağazalardan gelen satış dosyalarını birleştirmek için komut dosyasına ihtiyaç duyan bir mağazadır. Bir kodlama asistanı birkaç saniye içinde çalışan bir başlangıç ​​noktası oluşturabilir. Geliştiricinin yine de komut dosyasının eksik dosyaları, yinelenen siparişleri, özel müşteri verilerini ve olağandışı tarih biçimlerini işleyip işlemediğini kontrol etmesi gerekir. Hız faydalıdır. İnceleme gerekli olmaya devam ediyor. ## Sağlık hizmetlerinin daha yavaş bir yaklaşıma ihtiyacı var Sağlık hizmetleri, dönüştürücülerin hem vaatlerini hem de sınırlarını gösteriyor. Bir model, klinik notların özetlenmesine, tıbbi literatürün düzenlenmesine, genel talimatların tercüme edilmesine veya evrak işlerinin azaltılmasına yardımcı olabilir. Bu görevler profesyonellere doğrudan bakım için daha fazla zaman verebilir. Bir model, desteklenmeyen teşhisler koymamalı veya belirsiz bilgileri tıbbi bir gerçekmiş gibi sunmamalıdır. Hasta verilerinin de dikkatli bir şekilde korunması gerekir. Hastaneler ve kliniklerin erişim kontrollerine, denetim kayıtlarına, açık inceleme kurallarına ve personel eğitimine ihtiyacı vardır. Aynı prensip finans, sigorta, istihdam ve hukuk hizmetleri için de geçerlidir. Bir sistem belgelere veya rutin sorulara yardımcı olabilir, ancak bir kişinin haklarını, parasını, sağlığını veya hizmetlere erişimini etkileyen kararlar insan gözetimine ihtiyaç duyar. ## İşletmeler bundan sonra ne yapmalı Bir şirketin mevcut her sistemi yapay zeka ile değiştirmesi gerekmez. Daha iyi bir başlangıç ​​noktası dar ve ölçülebilir bir görevdir. Bu işlemi kullanırdım: - Bilet sıralama veya belge arama gibi tekrarlanan bir sorunu seçin. - Beklenen sonucu basit terimlerle tanımlayın. - Şirket tarafından onaylanan verileri kullanın. - Sistemin ihtiyaç duymadığı özel bilgileri kaldırın. - Aracı normal durumlarda ve zor durumlarda test edin. - Doğruluğu, yanıt süresini, maliyeti ve kullanıcı memnuniyetini kontrol edin. - Çalışanlara hataları düzeltmeleri için bir yol verin. - Performansı düzenli aralıklarla gözden geçirin. En iyi erken kullanım durumu çoğu zaman en etkileyici olanı değildir. Bu, sıklıkla gerçekleşen, açık kuralları olan ve çok fazla risk almadan kontrol edilebilecek bir görevdir. Bir lojistik şirketi, otomatik rota kararları yerine teslimat e-posta özetleriyle başlayabilir. Bir okul, her öğrenciye inceleme yapmadan not vermek yerine sınav taslakları oluşturmak için yapay zekayı kullanabilir. Bir perakendeci, müşterilere doğrudan yanıt vermesine izin vermeden önce ürün sorularını etiketlemek için bir model kullanabilir. ## Sayıların ardındaki sınırlar Çok sayıda kullanıcı sayısı güvenilir sonuçları garanti etmez. Transformatör modelleri yanlış ifadeler üretebilir, bağlamı kaçırabilir, eğitim verilerinden önyargıları tekrarlayabilir ve eğitim periyodundan sonra değişen bilgilerle mücadele edebilir. Kanıt zayıf olduğunda da kendinden emin görünebilirler. Bu, doğruluğu yazı stiline göre değerlendiren kişiler için özel bir risk oluşturur. Basit bir kural kullanıyorum: Bir hatanın maliyeti ne kadar yüksek olursa, sürecin daha fazla insan tarafından kontrol edilmesi gerekir. Taslak ürün açıklamasının hızlı bir şekilde gözden geçirilmesi gerekebilir. İlaç tedavisi, kredi veya iş başvurusunda bulunan kişiyle ilgili bir mesajın çok daha güçlü bir inceleme sürecine ihtiyacı vardır. Modelin rolü görevin riskine uygun olmalıdır. Transformatörler, dilin ve verilerin geniş ölçekte işlenmesini kolaylaştırdığı için işi yeniden şekillendiriyor. Rakamlar güçlü bir benimsemeyi, artan yatırımı ve geniş kamu ilgisini gösteriyor. Her görevin otomatikleştirilmesi gerektiğini göstermezler. Yararlı soru, bir şirketin yapay zekayı her yerde kullanıp kullanmaması gerektiği değildir. Transformatörün rutin işleri azaltabileceği, bilgiye erişimi iyileştirebileceği ve yine de önemli kararların kontrolünü insanlara bırakabileceği yerdir.

Transformatör patlaması tek bir sohbet robotundan veya tek bir şirketten gelmedi. Model tasarımı, bilgi işlem gücü, iş kullanımı ve kamu erişimindeki bir dizi ölçülebilir değişiklikten doğdu. Çoğu zaman insanların yalnızca model boyutuna odaklandığını görüyorum. Bu büyük resmi kaçırıyor. Dönüştürücü, dili geniş ölçekte işleyebildiği, büyük veri kümelerinden öğrenebildiği ve birçok ürün türünde çalışabildiği için kullanışlı hale geldi. Bu yedi istatistik bu değişimin nasıl gerçekleştiğini gösteriyor. 1. Orijinal transformatör makalesinde yalnızca sekiz yazar kullanıldı Google araştırmacıları, 2017 tarihli Tek İhtiyacınız Olan Dikkat makalesinde transformatör mimarisini tanıttı. Makalede sekiz yazar listelenmiş ve tekrarlanan veya evrişimsel katmanlar yerine dikkat etrafında inşa edilmiş bir model sunulmuştur. Model, WMT 2014 İngilizceden Almancaya çeviri görevinde 28,4 BLEU puanına ulaştı. Ayrıca İngilizceden Fransızcaya görevde 41,8 BLEU'ya ulaştı. Araştırmacılar İngilizceden Almancaya modeli yaklaşık 3,5 gün boyunca sekiz NVIDIA P100 GPU üzerinde eğitti. Bu ayrıntı benim için önemli çünkü ilk transformatörler sınırsız kaynaklara sahip dev bir sistem değildi. Ana değişiklik mimariydi. Model, her bir kelimeyi kesin bir sırayla okumak yerine, bir cümledeki kelimeler arasındaki ilişkileri inceleyebilir. > “Banka toplantı sonrasında faiz oranlarını artırdı.” gibi bir cümle. "banka", "oranlar" ve "toplantı"yı birbirine bağlayacak bir model gerektirir. Dikkat, modelin bu bağlantıları daha doğrudan ölçmesine yardımcı oldu. 2. GPT-3 175 milyar parametreye ulaştı OpenAI, 2020'de 175 milyar parametreyle GPT-3'ü tanıttı. Bu parametreler, modelin bir sonraki metin parçasını tahmin etmesine yardımcı olan ayarlanabilir değerler gibi davranır. GPT-3 ilk büyük dil modeli olmasa da ölçeği kamuoyunun dikkatini çekti. E-posta yazabilir, belgeleri özetleyebilir, kod oluşturabilir, soruları yanıtlayabilir ve kısa istemlerden farklı tarzlarda metinler üretebilir. Sonuç ayrıca daha sonraki yapay zeka gelişimini şekillendiren bir modeli de gösterdi: daha büyük modeller genellikle her görev için ayrı ayrı eğitilmeden yeni yetenekler kazandı. Bunu, şirketlerin müşteri desteği, arama, çeviri, yazılım geliştirme ve belge çalışması için transformatör modellerini test etmeye başlamasının önemli bir nedeni olarak görüyorum. Tek bir model birçok kullanım durumuna hizmet edebilir, ancak yanıtlarının hâlâ gözden geçirilmesi gerekiyor. 3. PaLM 540 milyar parametreye ulaştı 2022 araştırma makalesine göre Google'ın PaLM modeli 540 milyar parametreye ulaştı. Model binlerce TPU çipi üzerinde eğitildi ve dil, muhakeme, matematik ve kodlama kriterlerinde güçlü sonuçlar gösterdi. Sayının kendisi bir modelin kullanışlı olduğunu kanıtlamaz. Daha büyük bir model yine de hatalar üretebilir, eğitim verilerindeki önyargıyı yansıtabilir veya yeni bilgilerle mücadele edebilir. İstatistik, araştırmacıların transformatör sistemlerinin ölçeğini ne kadar hızlı artırdığını gösteriyor. Bu aşamada eğitim artık yalnızca bir araştırma çalışması değildi. Büyük veri merkezleri, özel çipler, depolama sistemleri, ağ bağlantıları ve uzun eğitim süreçlerini yönetebilecek ekipler gerekiyordu. Bu, yeni bir iş ihtiyacını doğurdu: Şirketler, altyapının tamamını kendileri oluşturmadan güçlü modellere erişmek istiyordu. 4. Meta'nın Llama 3'ü 405 milyar parametreye ulaştı Meta, 405 milyar parametreli bir model de dahil olmak üzere Llama 3 ailesini 2024 yılında piyasaya sürdü. Sürüm dikkat çekti çünkü Meta, modeli lisans koşullarına tabi olarak araştırma ve ticari kullanım için kendi lisansı altında kullanıma sundu. Bu, geniş dil modeli geliştirmeye erişimin genişletilmesine yardımcı oldu. İşletmeler, üniversiteler ve bağımsız geliştiriciler, yalnızca kapalı sistemlere güvenmeden modeli inceleyebilir ve onun etrafında hizmetler geliştirebilirler. Açık model hareketi maliyet tartışmasını da değiştirdi. Bir şirket, destek bildirimlerini sıralamak gibi basit görevler için daha küçük bir model kullanabilir ve daha güçlü dil performansı gerektiren işler için daha büyük bir model ayırabilir. Bu yaklaşım, her talebi mevcut en büyük sisteme göndermekten daha pratiktir. Model seçimi artık doğruluk, hız, gizlilik, donanım ve işletme maliyetine bağlı. 5. ChatGPT haftalık 100 milyon kullanıcıya ulaştı OpenAI, Kasım 2023'te her hafta 100 milyondan fazla kişinin ChatGPT'yi kullandığını söyledi. Kullanıcı sayıları değişebilir ve farklı şirketler etkinliği farklı şekillerde ölçebilir. Bu rakam hâlâ kamusal davranışta büyük bir değişime işaret ediyordu. ChatGPT'den önce birçok kişi, doğrudan bir dil modeli kullanmadan makine öğrenimini duymuştu. Konuşmalı bir arayüz, teknik engellerin çoğunu ortadan kaldırdı. Kullanıcılar bir API öğrenmeden soru yazabilir, taslak isteyebilir veya kod örneği isteyebilir. Küçük işletmeler arasında da benzer bir model fark ettim. Bir mağaza sahibi bir yapay zeka sistemi kurmayabilir ancak bu kişi ürün açıklamaları yazmak veya müşteri yanıtı hazırlamak için bir chatbot kullanabilir. Bir öğrenci zor bir konuyu açıklamak için bunlardan birini kullanabilir. Bir geliştirici, bir hata mesajını incelemek için bunlardan birini kullanabilir. Kullanım kolaylığı, transformatör modellerinin bir araştırma konusu olmaktan çıkıp günlük bir yazılım aracına dönüştürülmesine yardımcı oldu. 6. Ankete katılan kuruluşların yüzde altmış beşi, düzenli üretken yapay zeka kullandığını bildirdi McKinsey, 2024'te ankete katılan kuruluşların %65'inin düzenli olarak üretken yapay zeka kullandığını bildirdi; bu, önceki ankete göre neredeyse iki kat fazla bir oran. Bu bir anket sonucuydu, dünyadaki her şirketin sayımı değildi, bu yüzden dikkatle okunmalı. Rakam hala net bir iş eğilimine işaret ediyor. Birçok şirket deneylerin ötesine geçerek yapay zekayı mevcut iş akışlarında test etmeye başladı. Yaygın örnekler arasında şunlar yer alır: - Pazarlama içeriği taslağı hazırlama ve düzenleme - Dahili belgelerde arama - Toplantı notları oluşturma - Hizmet isteklerini sınıflandırma - Yazılım geliştirmeyi destekleme - Müşteri mesajlarını çevirme - Erken araştırma özetleri oluşturma Değer genellikle birçok tekrarlanan görevde küçük miktarlarda zaman tasarrufundan gelir. Bir destek ekibi, personelini değiştiremez. Bir kişi vakayı ele almadan önce soruları sıralamak için bir dönüştürücü model kullanabilir. Bu kullanım modelinin yönetilmesi daha kolay olma eğilimindedir. İnsanlar para, güvenlik, kişisel veriler veya yasal görevleri içeren kararlardan sorumlu olmaya devam eder. 7. NVIDIA, 2024 mali yılı için 47,5 milyar dolar veri merkezi geliri bildirdi NVIDIA, Ocak 2024'te sona eren mali yılı için 47,5 milyar dolar veri merkezi geliri bildirdi. Şirket, büyümenin çoğunu hızlandırılmış bilgi işlem ve yapay zeka sistemlerine olan talebe bağladı. Bu rakam trafo pazarının tamamını temsil etmiyor. Bir tedarikçinin veri merkezi işindeki gelirini yansıtır. Transformatör patlamasının neden donanım endüstrisine ulaştığını açıklamaya hala yardımcı oluyor. Büyük modellerin eğitimi bir model dosyasından daha fazlasını gerektirir. Şirketlerin GPU'lara veya diğer hızlandırıcılara, yüksek hızlı ağ bağlantısına, soğutmaya, veri depolamaya ve güce ihtiyacı var. Çıkarım aynı zamanda sürekli maliyetler de yaratır çünkü her kullanıcı isteği bilgi işlem kaynaklarını tüketir. Donanım talebi, işletmelerin yapay zeka araçlarını nasıl seçeceğini etkiler. Bir model güçlü sonuçlar üretebilir ancak amaçlanan iş akışı için çok yavaş veya pahalıysa yine de zayıf bir uyum sağlayabilir. Yerel donanım üzerinde çalışan daha küçük bir transformatör, özel bir belge sistemine uygun olabilir. Esnek kapasiteye ihtiyaç duyan bir ürün için bulut modeli daha iyi çalışabilir. Doğru seçim, yalnızca parametre sayısından ziyade göreve bağlıdır. Bu rakamlar bana ne anlatıyor? Transformatör bumbasının birbirine bağlı dört parçası vardır. Mimari, dil içindeki ilişkileri incelemeyi kolaylaştırdı. Daha büyük modeller, ölçeğin geniş görev performansını artırabileceğini gösterdi. Herkese açık sohbet araçları, milyonlarca insana teknolojiyi test etmeleri için basit bir yol sağladı. İş dünyasının benimsenmesi güvenilir sistemlere yönelik talebi yaratırken, çip satışları da bunların arkasındaki altyapıyı destekledi. Rakamlar aynı zamanda dikkatli planlamanın neden önemli olduğunu da gösteriyor. Bir şirketin faturaları özetlemek için 400 milyar parametrelik bir modele ihtiyacı yok. Bir ekip temiz verilerden, net talimatlardan, erişim kontrollerinden ve insan incelemesinden daha fazla kazanç elde edebilir. Dar bir amaca sahip daha küçük bir modelin bakımı daha kolay olabilir ve çalıştırılması daha az maliyetli olabilir. Bir trafo projesini beş soru üzerinden değerlendiririm: 1. Model hangi görevi üstlenmeli? 2. Hangi verilere erişebilir? 3. İnsanlar çıktısını nasıl kontrol edecek? 4. İşletme hangi yanıt hızını ve maliyetini kabul edebilir? 5. Hangi sonuç projenin faydalı olduğunu gösterecek? Bu sorular gerçek ilerlemeyi büyük sayılara gösterilen ilgiden ayırmaya yardımcı olur. Transformatör patlaması yalnızca daha büyük modellerle ilgili bir hikaye değil. Bu, teknik tasarımın ölçeklenebilir hale gelmesinin, uygun fiyatlı erişimin daha yaygın hale gelmesinin ve kuruluşların dil otomasyonunun insan işini destekleyebileceği yerler bulmasının bir sonucudur. En güçlü projeler, model boyutunu hedef olarak almak yerine modeli açık bir ihtiyaçla eşleştirme eğilimindedir.

Transformatör çağı, insanların arama, yazma, kodlama, tercüme etme ve müşterilere hizmet etme şeklini şimdiden değiştiriyor. Bu değişimi büyük şirketlerde olduğu kadar küçük ekiplerde de görüyorum. Bir pazarlama yöneticisi müşteri görüşmelerini içerik özetlerine dönüştürebilir. Bir destek ekibi, bir temsilci yanıt vermeden önce tekrarlanan soruları sıralayabilir. Bir geliştirici kodu daha hızlı inceleyebilir. Ancak transformatör tabanlı bir araca erişim tek başına değer yaratmaz. Pek çok ekip hâlâ aynı sorunlarla karşı karşıya: belirsiz veriler, zayıf inceleme süreçleri, artan içerik maliyetleri ve kendinden emin görünen ancak hatalar içeren yanıtlar. Yararlı soru "Hangi yapay zeka aracını satın almalıyım?" değildir. Bu, "Çalışmamın hangi kısmı daha net, daha hızlı veya ölçülmesi daha kolay olmalı?" ## Transformatör neyi değiştirir Eski yazılımlar genellikle sabit kuralları izlerdi. Transformatör modeli, büyük miktarda metin, kod, resim veya diğer verilerdeki kalıplarla çalışır. İsteğe uygun bir yanıt üretmek için önceki sözcüklerdeki bağlamı kullanabilir. Bu tasarım aşağıdaki gibi araçları destekler: - Yalnızca tam anahtar kelimelerle değil, anlamlarla da eşleşen arama sistemleri - Çevreleyen cümleleri kullanan çeviri araçları - Ton ve yapıyı ayarlayan yazma yardımcıları - Müşteri sorularını yanıtlayan sohbet sistemleri - İşlevleri açıklayan ve düzenleme öneren kodlama araçları BERT, aramada dil anlayışının geliştirilmesine yardımcı oldu. ChatGPT, konuşma arayüzünün dil modellerini daha geniş bir kitleye nasıl ulaştırabileceğini gösterdi. Google Çeviri ayrıca birçok dil çiftinde çeviri kalitesini artırmak için sinirsel yöntemlerden de yararlandı. Bu örnekler her cevabın doğru olduğu anlamına gelmez. Bir model, güncel olmayan bilgileri tekrarlayabilir, bir isteği yanlış anlayabilir veya bir kaynak icat edebilir. Çıktısını nihai bir otorite olarak değil, kontrol edilmesi gereken bir taslak olarak ele alıyorum. ## İş hayatında gördüğüm sıkıntılı noktalar Bir şirket ürün sayfaları, e-postalar, raporlar ve destek yanıtları oluşturmak için saatler harcayabilir. İş tekrarlanıyormuş hissi veriyor ama yine de karar verilmesi gerekiyor. Yanlış bir ürün detayı alıcının kafasını karıştırabilir. Zayıf bir yanıt, destek isteklerini artırabilir. Genel AI metniyle dolu bir sayfa, net bir kullanıcı sorununu çözmediğinden çok az arama trafiği çekebilir. Veriler başka bir zorluk yaratıyor. Kamuya açık materyaller üzerinde eğitilmiş bir model, siz onaylı bilgi vermediğiniz sürece şirketinizin özel kurallarını bilemez. O zaman bile erişim kontrol edilmelidir. Müşteri kayıtları, ödeme ayrıntıları, sağlık bilgileri ve dahili belgelerin dikkatli bir şekilde işlenmesi gerekir. Bir de insan sorunu var. Personel, yöneticilere haber vermeden ayrı araçlar kullanabilir. Bir kişi gizli notları bir kamu hizmetine yapıştırabilirken, diğeri güvenli bir süreç izleyebilir. Basit bir politika bu açığı azaltabilir. ## Hazırlanmanın pratik bir yolu ### Adım 1: Net sonucu olan bir görev seçin "Yapay zekayı şirket genelinde kullanın" gibi geniş bir hedefle başlamayın. Sık sık gerçekleşen ve görünür bir ölçümü olan bir görev seçin. Örnekler arasında şunlar yer alır: - Destek özeti oluşturmak için gereken süreyi azaltmak - Satış çağrılarını yapılandırılmış notlara dönüştürmek - Arama sorgularını müşteri amacına göre gruplamak - Onaylanan gerçeklerden ürün açıklamaları hazırlamak - Hizmet bildirimlerinde tekrarlanan sorunları bulmak Bir destek ekibi ortalama işlem süresini, düzeltme oranını ve müşteri memnuniyetini ölçebilir. İçerik ekibi düzenleme süresini, arama gösterimlerini, nitelikli ziyaretleri ve kayıt işlemlerini izleyebilir. ### Adım 2: Güvenilir bir bilgi tabanı oluşturun Sisteme temiz malzeme verin. Bu, ürün kılavuzlarını, hizmet politikalarını, onaylanmış fiyatları, teslimat kurallarını ve sık sorulan soruları içerebilir. Güncelliğini yitirmiş belgeleri etiketleyin. Yinelenen dosyaları kaldırın. Gerçekleri görüşlerden ayrı tutun. Bilgilerin sıklıkla değiştiği tarihleri ​​ekleyin. Bir model, kafası karışmış bir kaynak kitaplığını tek başına düzeltemez. ### Adım 3: Açık talimatlar yazın Yararlı bir bilgi istemi şunları içerebilir: - Aracın üstlenmesi gereken rol - Müşteri grubu - Kullanabileceği kaynak materyal - Gerekli format - Oluşturmaması gereken gerçekler - Eksik bilgileri işaretleme isteği Örneğin: "Yazılım lisansını etkinleştiremeyen bir müşteri için bir yanıt oluşturun. Yalnızca aşağıdaki destek politikasını kullanın. Düz İngilizce olarak üç işlem yapın. Geri ödeme sözü vermeyin. Politika soruyu yanıtlamıyorsa, bir destek temsilcisinin bunu incelemesi gerektiğini söyleyin." Bu tür bir talimat modelin sınırlarını verir. Ayrıca incelemeyi kolaylaştırır. ### Adım 4: İnsan inceleme noktası bulundurun Bir dil modelinin nitelikli inceleme olmadan yasal, tıbbi, finansal veya güvenlikle ilgili tavsiyeler yayınlamasına izin vermem. Aynı özen kamusal ürün iddiaları için de geçerlidir. İncelemeyi yapan kişi adları, fiyatları, tarihleri, kaynakları, üslubu ve eksik bağlamı kontrol edebilir. Amaç her cümleyi yeniden yazmak değil. Amaç güveni, parayı, güvenliği veya itibarı etkileyebilecek hataları yakalamaktır. ### Adım 5: Genişletmeden önce test edin Gerçek ancak kontrollü örneklerle küçük bir pilot çalıştırın. Test setinde sadece kolay istekleri değil, zor vakaları da bulundurun. Müşteri hizmetleri pilotu için geçen aya ait soruları toplayın. Modelin taslaklarını eğitimli personel tarafından yazılan yanıtlarla karşılaştırın. Nerede iyi performans gösterdiğini ve nerede başarısız olduğunu kaydedin. Düşük düzeltme oranı gösterişli bir demodan daha önemlidir. ## Bu, arama içeriğini nasıl etkiler Arama motorları, insanların sorularını yanıtlayan yararlı sayfalara odaklanmaya devam ediyor. Yapay zeka tarafından yazılan içerik araştırmayı, taslakları ve düzenlemeyi destekleyebilir ancak hacim tek başına değer yaratmaz. Müşteri dilini başlangıç ​​noktası olarak kullanıyorum. Arama sorguları, destek biletleri, ürün incelemeleri ve satış çağrıları çoğu zaman insanların kafaları karıştığında kullandıkları kelimeleri ortaya çıkarır. Güçlü bir sayfa açık bir ihtiyaca cevap verir, belirli ayrıntılar verir, sınırları açıklar ve bilgileri kimin oluşturduğunu veya gözden geçirdiğini gösterir. Örneğin proje yönetimi yazılımıyla ilgili bir sayfa, üretkenliğe ilişkin geniş iddiaları tekrarlamamalıdır. Küçük bir ajansın görev sahipliğini, onay adımlarını, kaçırılan son teslim tarihlerini ve müşteri erişimini nasıl ele aldığını açıklayabilir. Kısa bir örnek, belirsiz faydalardan oluşan uzun bir listeden daha fazla yardımcı olabilir. ## Kaçınacağım hatalar Bir görevi seçmeden önce birkaç araç satın almak, ekstra maliyete ve dağınık verilere neden olur. Ham model çıktısının yayınlanması yanlış iddialara, kopya ifadelere ve tutarsız bir marka söylemine yol açabilir. Müşteri araştırmasının yerine yapay zekanın kullanılması, içeriği faydalı kılan ayrıntıları ortadan kaldırır. Yalnızca üretilen metin miktarının izlenmesi, iş değerine ilişkin zayıf bir görüş sağlar. Kazanılan zaman, hata oranları, nitelikli potansiyel müşteriler ve müşteri geri bildirimleri daha iyi sinyaller sunar. Transformatör değişimi her kararı bir makineye vermek için bir neden değildir. Rutin işleri özenle yeniden tasarlamak için bir nedendir. Tekrarlanabilir bir görevle başlar, güvenilir bilgileri kullanır, çıktıyı test eder ve muhakeme gerektiren kararlardan insanları sorumlu tutardım. Bu yolu seçen ekipler, yapay zekayı deneyimin yerine koymadan pratik faydalar elde edebilir. Amy Wu'dan bize ulaşın: amy.wu@ihuagroup.com/WhatsApp +8613612662976.

1. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Łukasz Kaiser ve Illia Polosukhin, 12 Haziran 2017, Attention Is All You Need 2. Jacob Devlin, Ming Wei Chang, Kenton Lee ve Kristina Toutanova, 11 Ekim 2018, BERT Derin Çift Yönlü Ön Eğitimi Dil Anlayışı için Transformers 3. Tom B Brown, Benjamin Mann, Nick Ryder ve ortak yazarlar, 28 Mayıs 2020, Dil Modelleri Birkaç Adımda Öğrenenler 4. Google Araştırması, 2022, Pathways ile PaLM Scaling Language Modeling 5. Stanford İnsan Merkezli Yapay Zeka Enstitüsü, 15 Nisan 2024, AI Index Report 2024 6. McKinsey & Company, 30 Mayıs 2024, 2024 Başlarında Yapay Zekanın Durumu Üretken Yapay Zekanın Benimsenmesi Artıyor ve Değer Üretmeye Başlıyor