Sade anlatım
Eski yapay zeka çoğunlukla bir şeyler hakkında hüküm verirdi: bu e-posta spam mi, bu müşteri ayrılır mı, bu fotoğrafta ne var. Üretken yapay zeka ise bir şeyler yapar: yanıtı yazar, resmi çizer, müziği besteler, kodu üretir. İstediğinizi gündelik dille anlatırsınız, saniyeler içinde bir taslak alırsınız.
Neden önemli
Yapay zekayı uzman ekiplerden her masaya taşıdı, çünkü kullanmak için ne kendi eğitim veriniz ne de programlama gerekir. Ekonomik etkisi bilgi işinde görülür: taslak yazma, özetleme, analiz, kodlama, arama. Kendine özgü riski de yenidir: çıktı doğru olsun olmasın akıcı ve inandırıcıdır. Kurumlar onu kendi verileriyle, ürettiği şeyin denetimiyle ve değiştirmesi beklenen işe dair net bir fikirle birleştirdiklerinde değer elde eder.
Örnek
Bir pazarlama ekibinin 3.000 ürün için dört dilde ürün açıklamasına ihtiyacı var. Elle yazılsa yaklaşık dört aylık iş. Üretken bir model ilk taslakları ürün verisinden bir gecede çıkarıyor; iki editör üç hafta boyunca bunları gözden geçirip düzeltiyor. Tasarruf gerçek, gözden geçirme ihtiyacı da öyle: yaklaşık on beş açıklamadan birinde ürün verisinin desteklemediği bir iddia vardı.
Bununla en çok karıştırılan kavram
GenAI ve Tahmine dayalı yapay zeka arasındaki fark
Ayırt edici ya da geleneksel yapay zeka da denen tahmine dayalı yapay zeka, dar bir soruyu bir skorla yanıtlar: dolandırıcılık mı değil mi, kaç adet, hangi kategori. Üretken yapay zeka ise açık uçlu içerik üretir. Farklı sorunları çözerler ve çoğu zaman birlikte kullanılırlar. Yapılandırılmış veri üzerinde tahmin ve skorlama için tahmine dayalı modeller hâlâ daha doğru, daha ucuz ve denetlemesi daha kolaydır.
Köken: Teknoloji 2010'lar boyunca gelişti; terim, ChatGPT'nin Kasım 2022'de yayımlanmasının ardından gündelik kullanıma girdi.
Teknik katman
Ana model aileleri: büyük dil modelleri (metni ve kodu token token üreten transformer'lar), difüzyon modelleri (görsel, video, ses) ve birden çok içerik türünü alıp üretebilen çok kipli modeller. Hepsi çok büyük veri kümeleri üzerinde kendi kendine denetimli öğrenmeyle eğitilir, sonra istemle, getirmeyle ya da ince ayarla uyarlanır. Çıktı bir olasılık dağılımından örneklenir; bu yüzden aynı istek farklı sonuçlar verebilir. Kendine özgü sorunlar: halüsinasyon, telif hakkı ve eğitim verisi ile çıktıların kaynağı, yanlılık, prompt injection ve çıkarım maliyeti. Kurumlardaki tipik örüntüler, artan karmaşıklık sırasıyla: asistanlar, şirket bilgisi üzerinde RAG, iş akışı otomasyonu ve ajanlar.