Yapay zekâ dünyasının kahve kokulu laboratuvarında yeni bir aroma yükseliyor. Google , araştırma ekibiyle birlikte Nested Learning adını verdiği yepyeni bir yapay zekâ yaklaşımını tanıttı. Bu yöntem, modellerin sürekli öğrenme kabiliyetini geliştirerek, öğrendiklerini unutmadan yeni bilgiler “demlemesini” sağlıyor. Google Research bu paradigma ile yapay zekâ sistemlerine hem hafıza hem de derinlik kazandırmayı amaçlıyor. ☕💻 🔄 Nested Learning: Yapay Zekânın Yeni Demleme Tarifi Geleneksel yapay zekâ modelleri, taze verilerle eğitildiklerinde önceki bilgilerini kaybedebiliyor. Google Nested Learning , bu süreci tıpkı doğru sıcaklıkta demlenen bir kahve gibi dengeye oturtuyor. Modelin her katmanı kendi bağlamında öğreniyor; bir yandan da önceki bilgilerin aroması korunuyor. Bu yaklaşım sayesinde: Modeller farklı zaman ölçeklerinde öğreniyor, “Felaket unutma” (catastrophic forgetting) riski azalıyor, Bilgiler, kahve katmanları gibi iç içe geçerek kalıcı hale geliyor. ...
Herkese selam, meraklı beyinler! ☕
Yapay zekâ gelişmelerini ve haberlerini taze taze demlediğimiz AIBrewLab isimli laboratuvarımızda, bugün sizler için ilgimi çeken bir makaleden bahsetmek istedim.
Bu yazı dizileriyle, bilimsel makaleleri “demleyerek” daha anlaşılır ve keyifli bir şekilde sizlere sunmayı amaçlıyorum.
Yapay zeka kavramlarını daha iyi özümsemek için bir önceki yazımıza göz atabilirsiniz. YZ dünyasına adım atmanın ilk yolu kavramları iyi anlamaktan geçer. Bir önceki blog yazımız için buraya tıklayabilirsiniz.
🧠 Küçük Model, Büyük Başarı: GPT-4o’ya Meydan Okuyan Yapay Zekâ
Bugünkü demlememizde, yapay zekâ dünyasının tüm dengelerini sarsabilecek bir çalışma var.
Konu şu: Yalnızca 3.8 milyar parametreye sahip “Humains-Junior” adlı bir yapay zekâ modeli, GPT-4o kadar doğru cevaplar verebiliyor — hem de yaklaşık 19 kat daha ucuza! Kulağa biraz iddialı geliyor değil mi?
Ama bu defa konu devasa sunucular, milyonlarca dolar ya da uçsuz bucaksız parametre sayıları değil.
Bu başarı, bir modelin nasıl düşündüğünü yeniden tanımlayan bir yaklaşımdan geliyor.
“Exoskeleton Reasoning” adı verilen bu yöntem, modele adeta bir beyin iskeleti kazandırıyor — cevap yazmadan önce bir adım geri çekilip düşünmeyi öğretiyor.
Model, yanıtlamadan önce nefes alıyor; bilgileri tartıyor, gerçeği süzüyor ve sadece doğrulananı söylüyor.
Bu küçük ama disiplinli duraklama, büyük modellerin ham gücünü değil, zekânın rafine hâlini temsil ediyor. ☕
Gelin şimdi makalenin detaylarına birlikte bakalım. Emin olun bu makale konuya dair bakış açınızı derinden etkileyecek.
☕ Bu içerik AIBrewLab tarafından demlendi.
⚙️ Exoskeleton Reasoning Nasıl Çalışıyor?
Modelde bahsedilen "Exoskeleton reasoning nasıl çalışıyor?" ilk olarak bu konudan bahsedelim. Bu model soruyu ve bağlamı ele aldıktan sonra hemen yanıt üretmiyor. Bunun yerine ilk etapta bir iskelet yani prompt şablonu oluşturuyor. Bu prompt şablonu 3 ana aşamadan oluşuyor. Bu aşamaları aşağıdaki gibi sıralayabiliriz:
- İlk olarak verilen bilgi ya da metinde hangi bilgilerin önemli olduğunu analiz ediyor.
- Sonrasında her iddianın gerçekten belgede bulunup bulunmadığını test ediyor.
- Son aşamada ise sadece doğrulanan bilgileri birleştirip nihai yanıt oluşturuyor.
Bu 3 temel adımda klasik LLM'lerin yaptığı gibi düz metin üretmek yerine adım adım kendi düşünce zincirini gözden geçiriyor. Bu sayede halüsinasyon oranı düşüp, doğruluk oranı artıyor. Model hangi bilginin eksik olduğunu fark ediyor, ardından yanıtı sadece sağlam temellere dayandırıyor. Halüsinasyonu azaltıp doğru bilgiyi artırma nedeni makalede buna dayanıyor. Bu “öz farkındalık” (self-monitoring) mekanizması, modelin kendi hatasını fark etmesini sağlıyor.
Sonuç olarak model, “Bu bilgi belgede yok.” diyebiliyor; yani bilmediğini bilme yeteneği kazanıyor.Model Nasıl Eğitiliyor?
Makalede yer alan bilgiye göre model iki aşamalı eğitimden geçiyor. İlk aşama Davranışsal fine-tuning aşaması. Bu aşamada müşteri destek, satış danışmanlığı gibi 300 milyon tokenlik veriler kullanılarak model eğitiliyor. Burada amaç modelin ne cevap vereceğini değil nasıl düşünmesi gerektiğini öğretmek. İkinci aşama ise LoRA fine-tuning denilen Kimlik farkındalığı eğitimi. Modelin kimliğini koruyarak (Humains-Junior olarak tanıtması için) minimal ek ayar yapılmış. Bu süreçte hiçbir şekilde test verisi (FACTS Grounding benchmark) kullanılmamış — yani ezber değil, süreç eğitimi yapılmış.
Peki Elde Edilen Sonuç Ne?
Makaleden elde edilen sonuçlar oldukça dikkat çekici. Humains-Junior adı verien 3.8 milyar parametreli küçük model, belgeye dayalı sorularda GPT-4o ile neredeyse aynı doğrulukta (%72.7 vs %73.5) performans gösteriyor. Hem de 19 kat daha ucuza çalışıyor- 1 000 token için $0.00033 karşısında $0.00625.
Makaleye göre Ayrıştırma (ablation) deneyleri, başarının kaynağını net biçimde ortaya koyuyor: tek başına “Exoskeleton Reasoning” yönlendirmesi doğruluğu yalnızca +3.5 puan artırıyor (anlamsız fark), tek başına fine-tuning hiçbir etki yapmıyor, fakat ikisi bir araya geldiğinde doğruluk +17.7 puan yükseliyor.
Buradan elde edilecek sonuç küçük modellerin büyük modellerle rekabet etmesini sağlayan şey parametre sayısı değil düşünme disiplini. Sonuç olarak çalışma, “doğru düşünmeyi öğrenmiş küçük bir modelin, pahalı dev modeller kadar doğru ve güvenilir olabileceğini” kanıtlıyor.
☕ AI Brew Lab Yorumu:
Bu makale bizlere yapay zeka yarışında bize “büyüklükten çok disiplinin” fark yaratabileceğini kanıtlıyor. Humains-Junior modelinin başarısı daha fazla veriden değil, daha bilinçli düşünmeden geliyor.
“Exoskeleton Reasoning” yaklaşımı, yapay zekânın kendi düşünce zincirini denetlemesini sağlıyor —
tıpkı bir baristanın demleme sürecini kontrol etmesi gibi.
Bu da gösteriyor ki geleceğin AI modelleri sadece güçlü değil, düşünceli olacak.
AI Brew Lab olarak bizce bu çalışma, “küçük ama akıllı” modeller çağının habercisi. 🚀
tıpkı bir baristanın demleme sürecini kontrol etmesi gibi.
Bu da gösteriyor ki geleceğin AI modelleri sadece güçlü değil, düşünceli olacak.
AI Brew Lab olarak bizce bu çalışma, “küçük ama akıllı” modeller çağının habercisi. 🚀
Her gün yapay zeka gelişmeleri, yapay zeka haberleri ve bu alandaki teknik terimleri demleyerek anlaşılır hale getiriyoruz. Gündemden haberdar olmak ve bizleri bu yolculukta yalnız bırakmamak için ücretsiz bir şekilde bloguma abone olabilirsiniz. Bilgiyle kalın.!💖
Kaynak: Makaleyi daha detaylı incelemek isteyenler için linkini aşağıya bırakıyorum.