Yapay zekanın geleceği neye benzeyecek? HPE Fellow ve Hewlett Packard Labs Baş Mimarı Kirk Bresniker, önümüzdeki yıllarda olabileceklere dair düşüncelerini paylaştı.
On yılı aşkın bir süredir yapay zeka (AI) ve makine öğrenimi (ML), kurumların ve araştırmacıların önüne yeni yetenekler koyuyor. İster ekipman bakımını tahmin etmek için farklı analizler kullanmak, ister otomatik montaj hattı robotlarına göz vermek için bilgisayarlı görüş araçları kullanmak veya fabrikaların, şehirlerin ve hatta ekonomilerin davranışlarını simüle etmek için dijital ikizler kullanmak olsun, yapay zeka destekli uygulamaların listesi uzundur ve giderek uzamaktadır.
Ancak bu atılımların hiçbiri, üretken yapay zekanın (GenAI) yaptığı gibi bireylerin ve işletmelerin hayal gücüne etki edemedi. Son iki yılda, GenAI uygulamalarının temelini oluşturan büyük dil modellerinin (LLM’ler) ortaya çıkmasıyla dünya sarsıcı bir değişim geçirdi. Bunun artçı sarsıntıları önümüzdeki on yıllar boyunca da hissedilecek.
Ben Silikon Vadisi’nde büyüdüm. Burada her zaman hayatımızı bir gecede değiştirecek “büyük buluşu” beklerdik. Bu metaforun büyük teknolojilerde zaman zaman kullanıldığını duysam da bu sefer sanırım buna gerçekten denk gelmeyi başardık.
GenAI sohbet robotlarına doğal dilimizi kullanarak soru sorma, onların bugüne dek kayıt altına alınmış insan bilgisinin neredeyse tamamından yararlanarak yanıtlar üretmesini sağlama becerimiz, insanlar tarafından gerçekleştirilen bilgi tabanlı arayışların tamamını etkiliyor. Gelecekte geriye dönüp baktığımızda net bir ayrım göreceğiz: LLM’lerden önceki hayat ve sonraki hayat.
Peki bu gelecek tam olarak neye benzeyecek? Yarının yapay zeka teknolojileriyle nasıl birliktelik kuracağımızı hayal etmek için, önümüzdeki on yılın sonuna doğru bir bakış atmayı uygun görüyorum.
- Yapay zeka modelleri kurumsal işletim sistemlerinin ve uygulamaların yerini alacak
Bugün iyi bildiğimiz araçlar yardımıyla veri tabanlarında arama yapmak, mesaj göndermek veya belge oluşturmak gibi temel işlevleri yerine getirmek için uygulama portföylerini kullanıyoruz. Gelecekte yapay zeka tabanlı bir yönetici temsilcisinden sorumuza yanıt vermesini veya belli görevleri yerine getirmesini isteyeceğiz. O da güvenli ve uyumlu olduğu kanıtlanmış modelleri işe alacak, uygulamaları anında yazacak veya olanları yeniden yazacak, hüküm ve koşulları sizin yararınıza olacak şekilde müzakere edecek. Yapay zeka ajanınız her bir görev dizisini uygulamanın en iyi yoluna karar vermek, diğer modelleri düzenlemek ve gerektiğinde ek kaynaklardan bilgi almak amacıyla aynı anda fizik, ekonomi, hukuk ve daha fazla alanda karşılaşacağı problemleri çözecek. Yapay zeka ajanınız ayrıca geçmiş talepleri hatırlayacak ve gelecekteki talepleri tahmin edecek. Kullanıcıların davranışlarına uyum sağlayacak, onlar için son derece kişiselleştirilmiş sistemler oluşturacak.
- Yapay zeka modellerinin üretimi ve operasyonu daha şeffaf hale gelecek
Günümüzün önde gelen yapay zeka modellerini oluşturan veri bilimciler ve yapay zeka mühendisleri, belirli bir sonuca nasıl ulaştıklarını açıklamakta genellikle zorlanıyorlar. Girdilerin büyüklüğü, eğitim sisteminin doğası ve model üretmek için gereken muazzam hesaplama gücü, yapay zeka modellerini anlaşılması ve açıklanması zor bir yapıya büründürüyor. Bu durum bazı koşullarda tamamen kabul edilebilir olsa da, yüksek düzeyde regülasyona tabi bir kuruluşta belirli bir kullanım için bu teknolojileri benimsemek söz konusu olduğunda, şeffaflık anahtar rol üstlenecek.
Bu modeller kritik karar alma süreçlerinde giderek daha önemli hale geldikçe düzenleyiciler, işletmeler ve faaliyet gösterdikleri toplumlar arasında yinelenen bir mevzuat, dava, müzakere ve inovasyon süreci göreceğiz. Bu süreç muhtemelen sektörden sektöre ve bölgeden bölgeye riskleri, toleransları, değerleri ve önceliklere dair farklılıkları yansıtmaya devam edecek.
Yapay zeka modellerinin tükettikleri kaynaklar konusunda da daha şeffaf hale gelmeleri gerekecek. Öncü bir modeli eğitmek için gereken eşi benzeri görülmemiş miktardaki elektriği, suyu, yeteneği ve parayı göz önünde bulundurmadan yapay zekanın geleceğini konuşmak mümkün değil. Bugün yapay zeka eğitimine ayrılan kaynakların miktarı çok fazla ve kendimizi bunun daha da artacağı gerçeğine hazırlamalıyız. Mevcut altyapılar, kullanıcı/saat başına yüz binlerce çıkarıma göre ölçeklendirilmiş durumda. Peki bu iş iyice yaygınlaştığında 8 milyar insan için her gün, her saat milyonlarca çıkarımı desteklemek için hangi kaynaklar gerekecek?
Bu nedenle temel modellere dayalı operatörlerin enerji, altyapı ve bilgilerinin kaynağı hakkında açık olmaları gerekecek. Bu da kuruluşların yapay zeka modellerinin sunduğu içgörülerin maliyete değip değmeyeceği konusunda bilinçli kararlar vermelerine olanak sağlayacak.
- Sürdürülebilirlik küresel bir öncelik haline gelecek, yapay zeka bunu başarmamıza yardımcı olacak
Dünyanın bilgi işlem altyapısındaki her unsurun, her bir veri merkezinin raflarında bulunan her bir bileşenin sürdürülebilirlik için optimize edilmesi gerekecek. Karar vericilerden her bir iş sonucunun, onu üretmek için gereken enerji harcamasından daha ağır basıp basmadığını belirlemeleri istenecek. Madenlerin çıkarılmasından altyapının işletilmesine, bilgi ve enerjinin bir araya getirilerek modellerin eğitilmesi ve sonuçların çıkarılmasına kadar her bir enerji parçasını, her bir bilginin baytını ve kullanılan her bir litre suyu hesaba katmamız gerekecek.
Hewlett Packard Enterprise’ın yüksek performanslı bilgi işlem sistemlerinde doğrudan sıvı soğutmayı benimsemesinin en büyük nedeni DLC’nin sağladığı enerji verimliliği. Sıvı soğutma, veri merkezlerinin karbon ayak izini ve soğutma maliyetlerini yılda yaklaşık %90 oranında azaltabilir. On yıllardır bu teknolojiyi bilim ve mühendislik alanındaki dünyanın en zorlu süper bilgisayar uygulamaları için geliştirmeye devam ederken, şimdi bu birikimimiz gigawatt yapay zeka kurulumlarında 40 kat daha büyük ölçekte veri merkezlerine taşıyoruz. Bu rakamları bir perspektife oturtmak gerekirse, dünyanın en hızlı exascale süper bilgisayarları olan Frontier, Aurora ve El Capitan yaklaşık 25 megawatt ile çalışıyor ki bu da ortalama 20 bin evin tükettiği enerjiden biraz daha fazlasına eşdeğer. Yarının veri merkezleri, ortalama 833 bin evinin tükettiğine eşdeğer veya daha fazla enerji tüketecek.
HPE bilgi işlem, depolama ve ağ oluşturma gibi bilgi teknolojisinin her alanında verimliliğin sınırlarını zorlamaya kararlı bir tutum sergiliyor. Öğrenme yeteneğine sahip dijital ikizler enerji ekosistemindeki israfı tespit ederek, talepteki dalgalanmaları öngörerek ve yenilenebilir enerji kaynaklarını kullanarak şebekenin nasıl daha verimli yönetileceğine dair önerilerde bulunuyor. Böylece büyük ölçekli sistemlerin enerji, ulaşım ve iletişim ihtiyaçlarını optimize edebiliyor.
- Yeni LLM’ler oluşturmak, yeni hesaplama paradigmalarını gerektirecek
Günümüzün en gelişmiş LLM’leri, modelin tahminlerini daha doğru hale getirmek için ayarlanabilen değişkenlerin sayısı olan trilyonlarca parametreye ölçekleniyor. Burada ucu açık olan soru, daha fazla parametrenin daha da iyi performans gösteren modeller sağlayıp sağlamayacağı. Eğer öyleyse, yeni nesil modeller daha büyük hacimlerde veri ve gigawatt bilgi işlem gücünün yanı sıra çok daha fazla parametre gerektirecektir.
Araştırma enstitüsü Epoch AI, bugüne kadarki en pahalı model olan Gemini Ultra’nın toplam sermaye ve işletme maliyetinin 800 milyon dolar olduğunu tahmin ediyor. LLM geliştirmenin bu mevcut ivmesi devam ederse, on yıl içinde, bir seferde bir modeli eğitmek için yıllık küresel BT bütçesine eşdeğer bir harcamaya ulaşabiliriz. Başka bir deyişle, mevcut teknolojileri kullanarak daha büyük modelleri eğitme kabiliyetimizin sınırına ulaşmak üzereyiz. Yeni teknolojiler ve algoritmalar biyolojik zekaların eğitim verimliliğine yaklaşmaya başlasalar da, 8 milyar insanın her biri için saatte milyonlarca kez bu modeller üzerinden sonuca varmak çok daha büyük bir engel olarak karşımıza çıkacaktır. Herkesin yapay zeka için optimize edilmiş bir geleceğe erişimini sağlayabilir miyiz?
Veri depolama ve işleme için ışık dalgalarını kullanan fotonik hesaplama, uçlardaki noktalarda çıkarım yapmak için düşük gecikmeli, düşük enerjili cihazlar oluşturmamızı sağlayabilir. Ancak yeni nesil LLM’leri eğitmek için, muhtemelen Hewlett Packard Labs’daki gibi hala kuluçka aşamasında olan teknolojiler ve algoritmalar gerekecektir. Nihai hedef, yapay zekayı gerçek tümdengelime dayalı muhakeme yeteneğine sahip kılmaktır. Fiziğe dayalı hızlandırıcılar, bizi yapay genel zekaya götürecek yeni bir yapay zeka davranış boyutunun anahtarı olabilir.
- Yapay zekanın en büyük etkisi insan davranışları üzerinde olacak
Tıpkı insanların son otuz yılda bilgisayarlara, internete ve akıllı telefonlara uyum sağladığı gibi, yapay zekaya da uyum sağlamamız ve onu nasıl etkili bir şekilde kullanacağımızı öğrenmemiz gerekiyor.
HPE CEO’su Antonio Neri, HPE’deki herkesin yapay zeka alanında bir yan dal yapması gerektiğini sıkça dile getiriyor. Kastettiği şey, her ekibin ve her bir ekip üyesinin bu teknolojinin olanaklarını keşfetmesi ve bugün yaptıkları işi bu teknolojiyi kullanarak daha etkili ve verimli bir şekilde yapıp yapamayacaklarını kendilerine sormaları gerektiğidir.
Cevap her zaman evet olmayacak. Ancak her kuruluştaki bireyler bu soruyu ciddi bir şekilde düşünmeye hevesli olmalı. Robotların işlerimizi elimizden alacağını düşünmesem de gelecekte bilim, mühendislik, endüstri ve hatta sanat alanlarında yetkin olmak istiyorsanız, yapay zeka konusunda yetkin olmanız gerektiğine inanıyorum.
Eğer bu teknolojiden nasıl faydalanacağınızı bilmiyorsanız, yakında bilen birilerinin sizin yerinizi aldığını görebilirsiniz.
