Görsel üreten yapay zeka uygulamaları yazmayı ne zaman öğrenecek?

Yapay zeka matematik problemlerini çözebiliyor, kitap özetleri çıkarıp makale yazabiliyor, ressamlarla rekabete giriyor. Öte yandan özellikle görsel üreten versiyonlarının bir ilkokul çocuğundan fazla imla hatası yapma sorununa çare bulunamadı. Eğer Midjourney'den yaşlı bir adam portresi isterseniz, yüzündeki kırışıklıklardan gözündeki ifadeye, gerçeğinden ayırt etmesi zor bir görüntü üretebiliyor ama üzerinde yazı olan herhangi bir istekle karşılaştığında çuvallayıp, A'yla B'yi karıştırıyor.

Aynı durum, ChatGPT için de geçerli. ChatGPT şiir bile yazabiliyor, ama "İçinde A ve E harflerinin olmadığı 10 harfli bir kelime üretir misin?" diye sorulduğunda doğru cevap veremiyor. Örneğin bize "kömürleme" dedi; bunun içinde "e" harfi olduğunu hatırlattığımızda da özür dileyerek, "korunmaması" kelimesini önerdi. 

Kibarlığı bir yana, bunun arkasında, yapay zeka modellerinin örüntülerle çalışması yatıyor. Metin oluşturan büyük dil modelleri, insan beyni gibi komutunuzu anlayıp onu yanıtlıyor gibi görünse de aslında komuttaki örüntüyü kompleks matematik yoluyla kendi latent alanındaki örüntüyle eşleştirip, bunu bir cevapla devam ettiriyor. Görüntü oluşturmak için kullanılan difüzyon modeli de verilen girdiyi yeniden inşa eden bir algoritmaya dayanıyor. 

Her iki durumda da yapay zeka daha büyük örüntüleri öğrenirken harfler, yazılar gibi detaylar geri planda kalıyor. Bu algoritmalar, eğitim verilerinde gördüklerine benzer şeyleri yeniden üretebilirken bir kelimenin nasıl yazıldığı, insan elinin beş parmaklı olduğu gibi, insanların düşünmeden bildiği şeyler onlara yabancı olabiliyor. Geçen yıla kadar yapay zeka ile üretilen görsellerde fark edilen insan elleriyle ilgili sorunlar da imla hatalarıyla aynı nedene dayanıyor. 

Mühendislerin veri setlerini geliştirip yapay zekaya insan elinin nasıl göründüğünü öğretecek eğitim modelleri oluşturması mümkün ama imla hatası yapmaması için bir eğitim modeli oluşturmak kolay bir iş değil.

Çünkü AI, örneğin "ip" kelimesini gördüğünde onun ne anlama geldiğini biliyor, ama "İ" ve "P"nin ne olduğuna dair bir fikri yok. Tabii, isterseniz "İ" harfinin tarihine ilişkin ayrıntılı bir ansiklopedi maddesi sunabilir.

Bu sorun karşısında Adobe Firefly gibi bazı modellere hiç metin üretmemeleri öğretiliyor. Örneğin "restoranda bir menü" gibi bir komut girdiğinizde, karşınıza yemek masasında boş bir kağıt çıkıyor. Ama yeterince ayrıntılı bir komutla insanlar bu engelleri aşabiliyorlar. 

• Öte yandan: Tüm bunlar, yapay zekanın ürettiği imajların gerçeğinden ayırt edilemez hâle geldiği bir dünyada yaşamanın risklerini bertaraf etmek için de kullanılabilir. Böylece dikkatli bir şekilde inceleyerek endişe verici bir hızla gelişen yapay zekanın açıklarını yakalayabilirsiniz.