AI kod üretim araçları son aylarda büyük sıçramalar yaparken, e-posta yazımı veya sohbet modelleri gibi daha “öznel” görevlerde ilerleme daha ılımlı kalıyor. TechCrunch yazarı Russell Brandom, bunun ardındaki kilit sebebin reinforcement learning (güçlendirici öğrenme) tekniklerine yatkınlık farkı olduğunu öne sürüyor. Kodlama gibi görevlerde çıktıların doğruluğu “geçer/kaldır” kriteriyle kolayca değerlendirilebildiğinden, modeller yüz milyarlarca örnek üzerinden otomatik düzeltme yapabiliyor. Bu da AI’nın kodlama, hata düzeltme, optimizasyon gibi görevlerde hızla ilerlemesini sağlıyor.
Öte yandan, bir metin yazısı, yaratıcı içerik ya da sohbet gibi görevlerde “iyi / kötü” ayrımı objektif ölçütlerle değerlendirmek zor. Bu yüzden modellerin geliştirilmesi için insan yargısına ya da daha karmaşık değerlendirme sistemlerine ihtiyaç duyuluyor — bu da ilerleme hızını sınırlıyor. Yazar, reinforcement gap terimini, “hangi görevlerin otomasyona uygun biçimde iyileştirilebildiğini” belirleyen bu farkı tanımlamak için kullanıyor.
Sonuç olarak, AI ekosisteminde önümüzdeki dönemde kodlama, algoritma optimizasyonu, veri örüntü çıkarımı gibi “test edilebilir” beceriler daha hızlı olgunlaşabilir; buna karşın sosyal iletişim, yaratıcı içerik üretimi gibi “çeşitlilik” ve “öznel değer” barındıran görevlerde ilerleme daha kademeli olabilir. Bu fark, şirket stratejileri, beceri dönüşümleri ve işgücü piyasasındaki rol değişimlerinin yönünü belirleyebilir.
Kaynak: techcrunch