Yapay zeka ajanlarına yönelik kurumsal ilgi hızla artarken, modellerin yalnızca yanıt üretme becerisi değil, doğru soruyu sorarak bilgi toplama kapasitesi de önem kazanıyor. MIT Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı ile Harvard SEAS araştırmacıları, dil modellerinin belirsiz ortamlarda daha etkili keşif yapmasını sağlayan yeni bir yöntem geliştirdi. Araştırmada, yapay zeka modellerinin karmaşık problem çözme süreçlerinde nasıl daha iyi soru sorabileceği ve eksik bilgiyi nasıl daha verimli tamamlayabileceği incelendi.
AMİRAL BATTI OYUNUYLA TEST EDİLDİ
Araştırmacılar, yöntemi Battleship olarak bilinen Amiral Battı oyunu üzerinden test etti. Bu oyun, oyuncunun sınırlı bilgiyle rakibin gemilerinin yerini bulmasını gerektirdiği için belirsizlik altında karar verme ve bilgi arama becerilerini ölçmek açısından uygun bir ortam sağlıyor. Ekip, dil modellerinin olası tahminlerini birer “parçacık” gibi değerlendiren Monte Carlo çıkarım stratejisini kullandı. Bu yöntem, modelin hangi sorunun daha fazla bilgi sağlayacağını hesaplamasına yardımcı oldu. Sonuçlar, doğru çıkarım stratejileriyle desteklenen küçük modellerin, çok daha büyük modellere yakın ya da bazı durumlarda daha iyi performans gösterebildiğini ortaya koydu.
DAHA DÜŞÜK MALİYETLE YÜKSEK BAŞARI
Araştırmaya göre Llama 4 Scout gibi nispeten küçük modeller, yeni çıkarım stratejileriyle yüzde 82 başarı oranına ulaştı. Bu sistemlerin, öncü büyük modellerin maliyetinin yaklaşık yüzde 1’iyle benzer veya daha üstün performans gösterebildiği belirtildi. Modellerin soruları kodlanmış komutlara dönüştürmesi de performansı artırdı. Örneğin bir modelin soruyu doğrudan bir arama veya hesaplama komutuna çevirmesi, doğruluk oranlarını ortalama yüzde 15 yükseltti. Hafif sistemlerde GPT-4o-mini için yaklaşık yüzde 30, daha büyük modellerde ise yaklaşık yüzde 8 performans artışı gözlemlendi.
SORU SORMA BECERİSİ ÖNE ÇIKIYOR
Çalışmanın baş yazarlarından MIT doktora öğrencisi Gabriel Grand, bilgilendirici soru sormanın, dünyayı doğru tahmin edebilme becerisiyle yakından ilişkili olduğunu belirtti. Araştırmacılara göre bu bulgu, yapay zeka ajanlarının yalnızca verilen talimatları yerine getirmesinden daha ileri bir aşamaya işaret ediyor. Modellerin kendi bilgi eksiklerini fark edip doğru sorularla tamamlayabilmesi, özellikle bilimsel araştırma ve teknik analiz süreçleri için kritik önem taşıyor. Stanford Üniversitesi’nden Robert Hawkins ise yapay zeka ajanlarında asıl darboğazın yalnızca hesaplama hızı olmadığını, cevaplardan en iyi şekilde yararlanmak için gereken pragmatik akıl yürütme olduğunu vurguladı.
BİLİM VE TIPTA KULLANIM POTANSİYELİ
Araştırmacılar, geliştirilen yaklaşımın yalnızca oyun ortamlarıyla sınırlı kalmayabileceğini belirtiyor. Moleküler yapı belirleme, tıbbi karar destek sistemleri, karmaşık veri madenciliği ve bilimsel keşif süreçleri bu yöntemin uygulanabileceği alanlar arasında gösteriliyor. Özellikle yüksek maliyetli büyük modeller yerine daha küçük ve doğru yönlendirilmiş modellerin kullanılması, yapay zeka tabanlı araştırma sistemlerinde işlem maliyetlerini azaltabilir.
YAPAY ZEKA STRATEJİLERİNİ DEĞİŞTİREBİLİR
Çalışma, yapay zeka alanında yalnızca daha büyük model ve daha fazla işlem gücüyle ilerlemenin tek yol olmadığını gösteriyor. Daha küçük modeller, doğru çıkarım stratejileri ve yapılandırılmış bilgi arama yöntemleriyle yüksek performans sunabiliyor. MIT ve Harvard ekibinin çalışması, yapay zeka ajanlarının ticarileşme sürecinde maliyet-etkin sistemlerin daha fazla önem kazanabileceğine işaret ediyor. Bu yaklaşım, şirketlerin yapay zeka yatırımlarında yalnızca model ölçeğine değil, modelin nasıl düşündüğüne, nasıl soru sorduğuna ve hangi bilgiyi nasıl aradığına da odaklanması gerektiğini gösteriyor.
