Naval Ravikant: Öncü AI laboratuvarları 'flywheel' modeliyle yetenek ve veri topluyor

Öncü yapay zeka laboratuvarlarının, en yetenekli kullanıcıları ve onların ürettiği verileri çekerek model performansını artıran bir 'flywheel' (kendi kendini besleyen döngü) yapısı kurduğu öne sürüldü.

AngelList kurucusu ve yatırımcı Naval Ravikant(Naval Ravikant), 10'unda (yerel saatle) X hesabından paylaştığı gönderide öncü AI laboratuvarlarının stratejisini anlattı. Konuya ilişkin haberi PANews yaptı.

Ravikant paylaşımında, "En yetenekli insanların öncü modeli kullanmasını sağlıyorsunuz; ardından bu kişilerin girdilerini, modelin kendi çıktılarını, buradan üretilen sentetik verileri ve eğitim ortamını çıkarıp yeniden eğitime sokuyorsunuz" dedi. Bu ifadeyle laboratuvarların sadece yetenek toplamakla kalmayıp, kullanım sürecinde ortaya çıkan sonuçları da model geliştirmeye bağladığına işaret etti.

'Flywheel' kavramı, kullanıcı artışı ile hizmet iyileştirmesinin birbirini yeniden beslediği döngüsel yapıyı anlatıyor. Bir AI laboratuvarı nitelikli yeteneği bir araya topladığında yüksek kaliteli girdi ve çıktı birikiyor; bu veriler modelin geliştirilmesinde kullanıldığında yeni kullanıcı girişini tetikleyebiliyor.

Bu yapıda kullanıcı yalnızca bir tüketici değil, model geliştirme sürecinin bir parçası haline geliyor. Farklı görevlerde ortaya çıkan girdi ve çıktılar, modelin hangi taleplere yanıt vermesi gerektiğini belirlemede kullanılabiliyor.

Ravikant, kullanıcıların öncü modelleri kullanmaya devam etmesinin arkasındaki nedeni AI laboratuvarları arasındaki rekabete bağladı. Laboratuvarlar performans yarışına girdikçe modeller hızla gelişiyor, kullanıcılar da daha iyi sonuç almak için öncü modele yöneliyor.

Değerlendirmeye göre rekabet üstünlüğü artık yalnızca model performansıyla belirlenmiyor; yetenek, kullanıcı, veri ve eğitim ortamının birbirine bağlandığı yapı da rekabetçiliğin bir parçası olabiliyor. Kullanıcı sayısı arttıkça görev çeşitliliği genişliyor, bu da laboratuvarların modelin eğitim yöntemini ve değerlendirme ortamını ayarlama alanını büyütüyor.

Özellikle girdi verisiyle model çıktısının birlikte kullanılması öne çıkan nokta olarak gösteriliyor. Buna kullanım sürecinde oluşan sentetik veriler ve eğitim ortamı da eklendiğinde, hizmet kullanımının bir sonraki eğitim döngüsü için kaynağa dönüştüğü bir yapı ortaya çıkıyor.

Bu tablo, AI platformları arasındaki yetenek çekme rekabetiyle de örtüşüyor. Daha önce AI platformları çevresindeki yetenek hareketliliğinin şirketlerin örgüt yapısını ve geliştirici/kullanıcı tercihlerini etkileyebileceği yönünde bir değerlendirme de yapılmıştı.

Ancak bu açıklama, Ravikant'ın AI laboratuvarlarının stratejisine dair kendi yorumu niteliğinde. Belirli bir laboratuvarın verileri aynı yöntemle kullandığına ya da bundan somut bir sonuç elde ettiğine dair doğrulanmış bir bilgi bulunmuyor.

AI laboratuvarları arasındaki rekabet sürdükçe yetenek toplama, model kullanım hacmi ve veri kullanım biçiminin birbirine bağlı bir yapıya dönüşebileceği, bu değerlendirmenin özeti olarak öne çıkıyor. Laboratuvar bazında somut uygulama ve sonuçların ayrıca doğrulanması gerekiyor.