Haftanın odağı: Yapay zekâyı ne besliyor?

* Yapay zekâ alanındaki teknolojiler gelişmeye ve yaygınlaşmaya başladıkça teknolojinin arka planına ve teknik boyutlarına yönelik tartışmalar ve araştırmalar da giderek artıyor.

* Bu teknolojiyi pazarlamak isteyenler ve onlara yatırım yapanlar bu tartışmalardan pek memnun olmasa da, bu eleştirel yaklaşım sayesinde teknolojinin daha faydalı ve güvenli bir şekilde gelişmesini sağladığımızı düşünüyorum. 

Son dönemdeki en büyük tartışmalardan birisi de bu yapay zekâ teknolojilerinin kullandıkları veriler ve bunların nereden ve nasıl toplandığı konusu. Geçmiş bültenlerde bahsettiğim gibi bu yapay zekâ teknolojileri büyük veri yığınları ile eğitilmesi gereken araçlar ve bu da ciddi büyüklüklerde verilerin toplanması gerektiği anlamına geliyor.

Midjourney ve Dall-E gibi araçların sanatçılardan büyük tepki görmesinin asıl sebeplerinden birisi de buydu. Bu yapay zekâ sistemlerini geliştirenlerin kimseden izin almadan internette buldukları bütün görselleri sistemlerini eğitmek için toplaması birçok etik ve yasal soru işaretinin ortaya çıkmasına neden oldu. Özellikle rızası alınmadan eserleri çalınan sanatçıların buna tepki göstermesi kaçınılmazdı.

Getty Images görsellerinin sistemde sebep olduğu glitch’ler büyük kurumların yasal mücadeleyi seçmesine sebep olurken, bir grup teknolojist ve sanatçı bu teknolojiyi kendileri için etik ve faydalı hâle getirmenin yollarını arıyor. Bu girişimlerden birisi olan Spawning, yakın zamanda “Have I Been Trained” isimli bir site ile isteyen herkesin kendi eserlerini bu eğitim verileri içerisinde aramasını ve kolayca bu sistemlerden çıkarılmayı talep edebilmesini sağlıyorlar.

Ancak söz konusu yazı temelli yapay zekâlar olduğunda durum daha karışık bir hâl alıyor. Open AI’dan Google’a birçok yapay zekâ teknolojisi geliştiren şirket internetten metin toplamanın kolaylığı sayesinde çok daha büyük veri yığınlarını kimseden izin almadan topluyor ve yapay zekâlarını bunlarla eğitiyor.

Washington Post’un hafta içerisinde yayınladığı büyük araştırma bu rızasız veri toplamanın boyutlarını daha iyi görmemizi sağladı. Google’ın C4 isimli eğitim verisi yığınını inceleyen gazeteciler 15 milyondan fazla websiteden bu amaçla toplam 806 GB boyutuna ulaşan metin toplandığını buldu. Post bu veriyi görselleştirmekle kalmamış aynı zamanda merak ettiğiniz siteleri veritabanında aratıp oradan ne kadar veri çekildiğini görebiliyorsunuz.

Doğal olarak en çok veri toplanan yerler içerisinde büyük haber siteleri, Wikipedia ve büyük blog platformları var. Ancak bunların yanında radikal politik grupların siteleri ve 4chan, kiwifarms gibi internetteki en riskli siteler de veritabanı içerisinde bulunuyor. Ayrıca hem kendi kişisel sitemi hem de NewsLabTurkey’i 15 milyon sitenin arasında görmek çok ilginç bir tecrübeydi.

Tahmin edebileceğiniz gibi bu veriler içerisinde telifli birçok içerik bulunuyor ve bu veri toplama sürecinde kimseden rızası alınmış değil. Bunun ana sebebi ise bu veri toplama sürecinde yeterli kontrollerin ve filtrelemelerin yapılmıyor ya da yapılamıyor olması.

Yapay zekâ teknolojileri gelişmeye ve geliştirilmeye devam ediyor ve edecek. Ancak internetteki verileri bu kadar keyfi ve kontrolsüz bir şekilde kullanıyor olmaları hem etik hem de teknik anlamda birçok soruna kapı aralıyor. Eğer bu konuyu tartışmayı ve çözümler üretmeyi ertelersek, ileride hiç çözemeyeceğimiz bir noktaya gelebilir.