Two systems of thinking – when AI leverages human psychology

Bu, kalabalıkta birini tanımak, kafanızda uzun hesaplamalar yapmak, satranç oynamak vb. eylemleri içerir.

Son zamanlarda, iki sistem kavramı, Bard (Google’ın yapay zeka sohbet robotu) tarafından matematiksel ve dize işlemlerini iyileştirmek için kullanılıyor ve yanıtını daha dinamik ve doğru hale getiriyor.

Ancak Bard, kendi yapay zeka sistemini geliştirmek için bu psikolojik konsepti nasıl kullanıyor?

Düşünme İlkeleri Yapay Zekaya Nasıl Yardımcı Olur?

Hemen dalmadan önce, her sistemin ana avantajlarını ve dezavantajlarını anlayalım.

Kitap, Sistem 1 düşüncesinin tüm düşüncelerimizin %98’inden sorumlu olduğuna, Sistem 2 düşüncesinin ise kalan %2’den sorumlu olduğuna ve Sistem 1’in kölesi olduğuna dikkat çekiyor.

Ancak her iki sistemin de avantajları ve dezavantajları vardır ve karar verme becerilerimizi büyük ölçüde etkiler.

Her Sistemin Dezavantajları

1. Sistem düşüncesine çok fazla güvenmek önyargılara ve hatalara yol açabilir. 1. Sistem düşüncesinin uyarılarından bazıları şunlardır:

• Onaylama yanlılığına aşırı düşkünlük
• Somut ve önemli detayları gözden kaçırma eğilimi
• Sevmediğimiz kanıtları görmezden gelmek, cehalete yol açar
• Görünüşte basit veya alakasız kararları fazla düşünmek
• Kötü kararlar için sorgulanabilir gerekçeler üretmek

ve benzeri.

Öte yandan, 2. Sistem düşüncesine çok fazla güvenmek de hatalara ve olumsuz sonuçlara yol açabilir. Bunlar şunları içerir:

• Basit kararları fazla düşünmek ve çok fazla zaman kaybetmek
• Hızlı karar verememe
• Çok şüpheci olmak ve çok fazla yargılamamak
• Karar verme yorgunluğu ve bilişsel aşırı yüklenme yaşamak
• Çok mantıklı ve duyguları hesaba katmayan kararlar vermek

İki Düşünme Sistemi: Yapay Zekaya Uygulanır

İnsan alanında bu oldukça psikolojik olsa da, bu kavram AI ve Bilgi İşleme uygulandığında işler oldukça ilginç hale geliyor.

LLM’lerin (Bard ve CHatGPT gibi sohbet robotlarına güç sağlayan yapay zeka modeli) Sistem 1’de çalıştığı düşünülebilir.

Nasıl?

LLM’ler (bu sohbet robotlarını çalıştıran AI modelleri), daha önce üzerinde eğitildiği milyarlarca eğitim verisinde kalıplar bularak çalışır ve ortak kalıpla eşleşen bir yanıt üretir. Örneğin, bir chatbot’a “İklim Değişikliği üzerine bir makale yaz” dediğinizde, arka uçtaki süreç şu şekildedir –

• Geniş eğitim veritabanında eşleşen sorguları bulun. Chatbot, “iklim değişikliği” ve “denemeler” anahtar kelimelerini içeren ortak bir sorgu bulmaya çalışır.
• Bir trend veya model bulma. Chatbot daha sonra seçilen tüm veriler arasında ortak bir eğilim veya model bulmaya çalışır. Örneğin, model, neredeyse tüm verilerin “karbon emisyonları”, “karbon ayak izi”, “plastik kirlilik”, “küresel ısınma” vb.’den bahsetmesi olabilir. Dahası, makalelerin başlık ve paragraf biçimleri de kendi içinde bir kalıptır (şiir, blog vb. diğer biçimlerin aksine).
• Desene göre bir metin oluşturma. Bu eğlenceli kısım. Bu süreci bir yapbozu çözmek gibi düşünün.
  Bot, veri parçalarını (yapboz parçaları) kullanarak metni oluşturmaya çalışır ve bu durumda iklim değişikliği üzerine bir deneme olan benzer bir makalenin (son resimler) modeline benzetmeye çalışır. Verdiğiniz istemin birkaç yinelemesini (yani çıktılarını) oluşturur ve bunu, iklim değişikliği üzerine önceden yazılmış bir makale olabilecek referans verilerle karşılaştırır.
• çıktı vermek. İstenilen sonuca en yakın iterasyon seçilir ve ekrana yazdırılır.

Bu süreç uzun görünebilir, ancak geleneksel LLM’lerde gerçekleştirilmesi yalnızca birkaç saniye sürer. 1. adım, milyarlarca veri içeren veri kümeleri üzerinde eğitilen yapay zeka modelinden oluşan LLM’lerin geliştirme ve eğitim aşamasında çok daha önce yapılır. Bu devasa veri kümesinden öğrendikten ve hepsindeki modeli bulduktan sonra, LLM sürecinin tıknaz ve zor kısmı yapılır.

Adımın geri kalanı, büyük ölçüde modelin üzerinde eğitildiği verilerin kalitesi nedeniyle oldukça hızlıdır. Genel olarak, sağlanan eğitim verileri ne kadar iyi olursa, tahminler ve üretim de o kadar iyi olur.

Böylece LLM, fazla ‘düşünmeden’ metinleri zahmetsizce üretir. Sadece modeli bulur ve çıktıyı referansla karşılaştırır.

Bu nedenle, LLM’ler, hızlı ve verimli olan Sistem 1’de yer alır. Bununla birlikte, bunun dezavantajı, LLM’lerin yanlış ve önyargılı çıktılar üretebilmesi ve hatta kendi gerçeklerini ve rakamlarını oluşturabilmesidir (AI halüsinasyonu).

Bu, Ozanın bazen zor istemler için zahmetsiz sonuç gösterdiği, ancak aşağıdaki gibi kolay görevlerde sefil bir şekilde başarısız olduğu aşağıdaki durumun nedenidir –

Bunun nedeni, belirli bir matematik problemini çözmenin, benzer matematik problemlerinin ‘kalıplarına’ güvenmek yerine belirli bir adım dizisini takip ettiğinizde verimli olmasıdır.

Geleneksel bilgi işlemin daha iyi çalıştığı yer burasıdır. Örneğin, bilgisayarınızdaki hesap makinelerinin çalışma şekli.

Geleneksel bilgi işlem, kod veya basit bir algoritma biçimindeki bir sırayı veya yapıyı takip eder. Bu bakımdan, geleneksel hesaplama, matematiksel problemler yapmak, dizi işlemlerini değiştirmek, dönüştürmeler yapmak ve benzeri görevleri yapmak için tercih edilir. Dezavantajı, belirli bir formatı izlediği için çoğu zaman hızlı veya verimli olmayabilir. Geleneksel bilgisayar 12*24 = 288 gibi soruların cevabını bulabilir ancak matematikle ilgili soruları yapmak daha uzun zaman alır.

Ancak buradaki artı nokta, çoğu zaman doğru cevabı almanın neredeyse kesin olmasıdır.

LLM’lere kıyasla Geleneksel bilgi işlemin oldukça yavaş, daha mantıklı ve yapılandırılmış olduğunu gözlemleyin

Bu nedenle, Geleneksel hesaplama 2. sistem kapsamına girer. Nispeten yavaş, çok daha sistematik ve mantıklıdır. Bir algoritma, kod veya başka herhangi bir sabit kodlu yürütme sisteminden oluşur.

Google’dan Bard, oldukça ilginç bir şekilde, sohbet robotlarının yanıtını daha optimum hale getirmek için her iki sistemi de kullanmaya çalışıyor.

Bard bunu nasıl kullanır?

Bard piyasaya sürüldüğünde zor bir başlangıç ​​yaptı. Bard’ın yeteneğini sergileyen ilk tanıtım videosu, yanıtın yanlış bilgilerden oluşmasının ardından büyük eleştirilere maruz kaldı.