Yapay Zeka Sektörü: Son Teknoloji Gelişmeleri ve Yatırım Fırsatları

Kaynak: 36Kr Tanrı Çeviri Bürosu

Resim kaynağı: Sınırsız Yapay Zeka tarafından oluşturulmuştur

Editörün notu: Yapay zeka teknolojisi hızla gelişiyor ve yapay zeka alanında öne çıkan birçok start-up şirket var. Bu makalede, Sequoia Capital ve Kleiner Perkins Caufield & Byers gibi yatırımcıların gelecek vaat eden yapay zeka girişimlerinden hangilerini seçtiğine bir göz atalım. Bu makale derlemeden alınmıştır ve umarım size ilham verebilir.

Sadece birkaç dakikanız varsa, işte yatırımcıların, operatörlerin ve kurucuların bilmesi gereken, yapay zeka konusunda en heyecan verici girişimler.

• İnsan sağlığını iyileştirir. Startup'lar tıbbi sonuçları iyileştirmek ve yeni tedaviler tasarlamak için yapay zeka teknolojisini kullanıyor. Örneğin Alife şirketi, tüp bebek tedavilerini iyileştirmek ve hastalara daha iyi hamile kalma şansı sağlamak için yapay zekayı kullanıyor. Zamanla şirketin yaklaşımı sektörün maliyet yapısını temelden altüst edebilir. NewLimit, yapay zeka teknolojisinden yararlanan başka bir sağlık hizmeti girişimidir. Şirketin ekibi, daha önce tedavisi zor olan inatçı hastalıkları tedavi etmenin daha iyi yollarını arıyor. *Yapay zeka işletmelere hizmet etsin. Üretken yapay zeka ürünlerinin çoğu tüketicilere yöneliktir. Düzenli internet kullanıcıları artık karmaşık modellerle oynayabilir, metin ve görseller oluşturabilir. Gelecek vaadeden birçok şirket, kurumsal ihtiyaçları daha doğrudan ele alıyor ve kurumsal yönergelere göre dahili verileri içeren ürünler geliştiriyor. Glean, Lamini, Dust ve Lance bu eğilimin temsilcileridir.
• Yapay Zekayı sınırlamak için Yapay Zekayı kullanın. Yapay zeka devrimi birçok yeni fırsat getirebilir ancak aynı zamanda birçok tehdidi de beraberinde getirecektir. Özellikle üretken yapay zeka, gerçekçi yazılı mesajlar oluşturmayı kolaylaştırarak, alıcılardan kişisel bilgiler elde etmek için tasarlanan "hedef odaklı kimlik avı" dolandırıcılıklarının sayısını ve karmaşıklığını artırıyor. Abnormal Security gibi şirketler, bu tür saldırıları önlemek amacıyla kötü niyetli AI mesajlarını tespit etmek için yapay zekayı kullanabiliyor. *Yapay zeka girişimleri tüm dünyaya yayılmıştır. Amerika Birleşik Devletleri, OpenAI ve Google gibi birçok endüstri devine ev sahipliği yaparken, dünya çapında gelecek vaat eden girişimler de ortaya çıkıyor. Mistral, Paris'teki genel merkezinde açık kaynaklı, büyük ölçekli bir dil modeli inşa ediyor ve kurucularından biri, bunların OpenAI'ye rakip olacağına inanıyor. Alman şirketi Sereact da etkileyici yapay zekalı robot ürünleri geliştirdi ve sanayi devleriyle sözleşmeler imzaladı.

Yapay zeka bu yılın teknoloji hikayesinin ana konusunu oluşturuyor. Son “Yapay Zekada Nelere Dikkat Etmeli” serisinden bu yana bu alan sermaye, yetenek ve ilgi çekmeye devam etti. Elbette her ilgi olumlu değildir. Teknolojinin yetenekleriyle ilgili yaygın heyecana rağmen, son dört ay içinde sektörün önde gelenleri endişelerini dile getirdi ve düzenleyiciler bazı önlemler almaya başladı. Önümüzdeki aylarda ve yıllarda yapay zeka hayatlarımızda büyük bir etki yaratacak ve dünya çapında yeni kazananlar ve kaybedenler yaratacak.

"Ne İzlemeli" serimiz okuyucuların önümüzdeki döneme hazırlanmalarına ve geleceği daha net hayal etmelerine yardımcı olmak için tasarlandı. Bu, yapay zeka alanında ortaya çıkan teknolojileri anlamak ve meydana gelen değişikliklerden yararlanmak isteyenler için harika bir başlangıç noktası. Bunu yapmak için yapay zeka alanındaki en etkileyici yatırımcıları ve kurucuları, en umut verici olduğuna inandıkları girişimleri tanıtmaya davet ettik.

1. Hayatta

IVF teknolojisini geliştirmek için yapay zekanın kullanılması

Herhangi bir üreme sürecinde insanın karar vermesini gerektiren anlar vardır ve IVF ile en alakalı iki bağlantı "yumurtalıkların uyarılması" ve "embriyo seçimi"dir.

"Yumurtalık stimülasyonu", bir hastanın yumurtalıklardaki foliküllerin büyümesini uyarmak için aldığı ilaç dozunun belirlenmesini ve foliküllerin yumurta salmasını uyarmak için tetikleyici enjeksiyonun ne zaman yapılması gerektiğini belirlemeyi ifade eder. Tetik atışının zamanlaması çok önemlidir; eğer çok erken olursa, olgunlaşmamış yumurtalar alabilirsiniz; çok geç olursa, çok olgun yumurtalar alabilirsiniz veya mümkün olduğu kadar çok yumurta alamayabilirsiniz.

"Embriyo seçimi", hangi döllenmiş yumurtanın kullanılacağını ve implante edileceğini seçmek anlamına gelir. Şu anda, çoğu tıp uzmanı gibi klinisyenler ve embriyologlar da kararlarını kendi deneyim ve eğitimlerinin, morfolojik derecelendirme sistemlerinin ve deneme yanılma kombinasyonuna dayandırıyorlar. Bir döngüde doz veya zamanlama doğru değilse, bir sonraki döngüde bunu ayarlayacaklardır. Bu, doktorların mesleki yeterliliklerinin çok yüksek olmasını gerektirir ve bu noktada doktorların farklı beceri düzeyleri vardır ve onların becerileri, sonuçlar açısından çok önemlidir. Arzın ciddi şekilde kısıtlı olduğu bir pazar olan doğurganlık açısından bu, özellikle en iyi sonuçları görmek istiyorsanız, yüksek bir fiyat etiketi anlamına gelir.

Alife, in vitro fertilizasyon (IVF) sonuçlarını iyileştirmek için yapay zeka araçları geliştiriyor. Şirket, uygulayıcılara büyük girdi ve sonuç veri kümelerinden yararlanarak karar verme doğruluğunu artırmak için "süper güçler" sağlamak amacıyla yapay zeka araçlarını kullanıyor. Artık doktorlar, basit bir arayüz aracılığıyla hastanın özelliklerini girebiliyor ve doğurganlık yolculuğunun önemli anlarında önceki binlerce döngünün sonuçlarından elde edilen kesin öneriler alabiliyor. Bu veri setleri halihazırda mevcut olan çok sayıda hasta bilgisinden geliyor ve her hasta Alife ürünlerini kullandıkça daha da iyileşiyor.

Bu araçlar doğurganlık endüstrisinin doğasını değiştirecek. Alife'ın araştırması, makine öğrenimi modelinin doktorların tetikleme zamanlamasını %50 oranında optimize etmesine ve ortalama üç olgun yumurta, iki döllenmiş yumurta ve bir embriyo daha almasına yardımcı olabileceğini gösteriyor. Alife ürünleri kısırlık tedavilerine erişimi önemli ölçüde genişletebilir, gerekli ilaç dozajını azaltarak ve IVF döngülerinin başarı oranını artırarak hasta başına maliyetleri azaltabilir. Aynı zamanda doktorlar için de oyun alanını eşitleyecek ve ilk elden deneyime sahip olmayanların daha geniş bir yelpazedeki bilgi ve bilgilere erişmesini sağlayacak.

Sonuçta, Alife'ın araçlarının bir süreçteki değerlendirme anları için tüm bilgileri sağladığını ve doktorlar dışındaki pratisyenlerin çalışmasına olanak tanıyarak sektörün maliyet yapısını ve kullanılabilirliğini önemli ölçüde değiştirdiğini hayal edebilirsiniz. Dahası, kişinin muhakemesini kişiselleştirilmiş önerilerle güçlendiren (veya sonunda değiştiren) veriye dayalı hassas tıp, IVF dünyasına özgü değildir. Tıp dünyasında, sonuçları önemli ölçüde değiştirmek ve kritik prosedürlere ve tedavilere erişim sağlamak için verileri kullanma fırsatına sahip olduğumuz bunun gibi binlerce an var.

—Rebecca Kaden, genel ortak, Union Square Ventures

2. Toplama

Kurumsal Arama

İşyerinde tam olarak ihtiyacınız olan bilgiyi ihtiyaç duyduğunuz anda bulmanız hızlı ve kolay olmalıdır. Herkes işini yapmak için çok sayıda uygulama kullandığından ve bunun sonucunda da çok fazla veri ve belge ürettiğinden, durum her zaman böyle olmuyor. “Bilgi” katlanarak büyüdükçe ve işin doğası giderek daha fazla dağıtıldıkça, mevcut bilgiyi bulmak giderek daha uzun sürüyor. Başka bir deyişle, iş yerinde "bir şeyler aramak" oldukça zordur.

İşverenlerin bu sorunu çözmesine yardımcı olmak için Arvind Jain ve ekibi, yapay zeka destekli bir birleşik işyeri arama platformu olan Glean'ı kurdu. Çalışanlara tam olarak ihtiyaç duydukları şeyi bulmalarına ve bilmeleri gerekenleri proaktif olarak keşfetmelerine yardımcı olan sezgisel bir çalışma asistanı sağlar.

Şirketin misyonu başından beri basitti: İnsanların iş yerindeki tüm sorularına daha az hayal kırıklığı ve zaman kaybıyla daha hızlı yanıt bulmalarına yardımcı olmak. Ancak şirketin sonuçları daha sonra aramanın çok ötesine geçti. Örneğin, Glean yalnızca tüm işyeri uygulamalarını ve bilgi tabanlarını (Slack, Teams, Google Drive, Figma, Dropbox, Coda vb.) aramakla kalmaz, aynı zamanda insanların rollerine ve şirket içi/harici ilişkilerine dayalı olarak doğal dili ve bağlamı da anlar. etkileşimler. Şirketinizin en popüler ve doğrulanmış bilgilerini akıllı bir şekilde görüntüleyerek ekibinizin bildiklerini keşfetmenize ve tutarlı kalmanıza yardımcı olur, üstelik izin verilen bir şekilde.

Kuruluşlar daha dağınık hale geldikçe ve bilgi daha parçalı hale geldikçe, Glean gibi sezgisel çalışma asistanları artık sahip olunması hoş bir araç değil, çalışan verimliliğini artırmak için kritik bir araç haline geldi. Şirketin büyümesi, ilerlemeyi engelleyen engelleri ortadan kaldıracak ve daha olumlu, üretken bir iş deneyimi yaratacaktır.

Ayrıca Glean'ın arama teknolojisi, işletmenin katı izinlerine ve veri yönetimi gereksinimlerine bağlı kalarak üretken yapay zekayı işyerine getirmesine olanak tanıyor. Günümüzde şirketlerin yapay zeka uygulamalarını üretime sunmalarının önündeki en büyük engellerden biri, uygun yönetişim kontrollerini uygulayamamalarıdır. Glean, bir kuruluşun şirket içi ortamına gerçek zamanlı veri izinleri ekleyerek, kuruluşların yönetişim sorunlarını geniş ölçekte çözmelerine yardımcı olan ve kuruluşların model eğitimi ve çıkarımı için dahili verilerinden güvenle yararlanmasını sağlayan ve böylece kurumsal düzeyde bir yönetimden yararlanan ideal bir çözüm haline geldi. AI veri platformu /Vektör depolamanın rolü.

Zamanla her şirketin, işin ve çalışanlarının inceliklerini anlayan kendi yapay zeka sürümüne sahip olacağına inanıyoruz. Glean'ın bu fırsatı değerlendirdiğine inanıyoruz. —Josh Coyne, Ortak, Kleiner Perkins

3. Mızrak

Çok Modlu Verilerin Saklanması ve Yönetimi

Hepimiz Midjourney oynadık ve çoğumuz GPT-4'ün demosunu izledik. Yolculuğun ortasında (metinden resme) ve GPT-4 (resimden metne/koda), modellerin çok modlu hale geldiği ve metin, resim ve ses gibi farklı medya biçimleri arasında köprü oluşturduğu olasılıkları gösterir. Mevcut yapay zeka çılgınlığının çoğu metin tabanlı modeller etrafında dönerken, çok modlu modeller dünyanın daha doğru temsillerini oluşturmanın anahtarıdır.

Robotik, sağlık hizmetleri, üretim, eğlence ve reklamcılık gibi sektörlerde yapay zeka uygulamalarının bir sonraki dalgasına başlarken, giderek daha fazla şirket çok modlu modeller geliştirecek. Runway ve Flair.ai gibi şirketler, ürünlerine yönelik yoğun kullanıcı talebi gören, kendi alanlarında yeni ortaya çıkan liderlerin iyi örnekleridir; Google gibi mevcut şirketler ise benzer çok modlu yetenekleri piyasaya sürmeye başlamıştır.

Ancak çok modlu modellerin kullanılması bir zorluk teşkil ediyor: Veriler nasıl depolanacak ve yönetilecek? Parquet gibi geleneksel depolama formatları, yapılandırılmamış veriler için optimize edilmediğinden büyük dil modeli ekipleri, verileri yüklerken, analiz ederken, değerlendirirken ve hata ayıklarken yavaş performansla karşılaşır. Ek olarak, büyük dil modeli iş akışları, tek bir doğruluk kaynağının bulunmaması nedeniyle incelikli hatalara daha yatkındır. Lance, bu zorluğun üstesinden gelmek için ortaya çıkan en son şirkettir. Midjourney ve WeRide gibi şirketler, petabayt ölçekli veri kümelerini Lance formatına dönüştürüyor; bu, Parquet ve TFRecords gibi geleneksel formatlara kıyasla önemli performans iyileştirmeleri ve çok daha düşük artan depolama maliyetleri sağlıyor.

Lance depolamayla yetinmiyor; yapılandırılmamış, çok modlu verilerin bir kuruluşun en değerli varlığı haline geleceği, ilerlediğimiz dünyayla daha iyi uyum sağlamak için tüm veri yönetimi yığınlarını yeniden oluşturma ihtiyacının farkına vardılar. İlk platform ürünleri LanceDB (şu anda özel beta sürümünde), uygulamalarına çok modlu işlevsellik kazandırmak isteyen geliştiriciler için kusursuz bir yerleşik deneyim sağlıyor.

Lance, şirketlerin geliştiricileri çok modlu bir geleceğe nasıl getirdiğinin yalnızca bir örneği ve çok modlu uygulamaları geliştirmek için başka teknolojilerin ortaya çıktığını görmek beni çok heyecanlandırıyor. Yapay zekanın gelişmesiyle birlikte böyle bir geleceğin gerçeğe dönüşmesi çok uzun sürmeyecek. ——Saar Gür, Genel Ortak, CRV

4. Anormal Güvenlik

Yapay zeka destekli siber saldırı dalgasını içerir

Üretken yapay zeka konusunda utanmaz bir iyimserim ama bu konuda saf değilim. Örneğin, hassas bilgileri çıkarmak için sıklıkla e-postayı kullanan hedef odaklı kimlik avı gibi "sosyal mühendislik" saldırılarının yaygınlaşmasından endişe duyuyorum. ChatGPT'nin geçen yıl popüler hale gelmesinden bu yana bu tür saldırıların görülme sıklığı önemli ölçüde arttı.

Abnormal Security'ye göre geçtiğimiz yıl 1.000 kişi başına düşen saldırı sayısı 500'den 2.500'ün üzerine çıktı. Saldırıların karmaşıklığı da çarpıcı biçimde artıyor. Tıpkı herhangi bir öğrencinin mükemmel bir makale yazmak için ChatGPT'yi kullanabileceği gibi, ChatGPT de dilbilgisi açısından mükemmel, tehlikeli derecede kişiselleştirilmiş sahte mesajlar göndermek için kullanılabilir.

FBI'a göre, bu tür hedefli "iş e-postası ihlali" saldırıları, 2013'ten bu yana 50 milyar dolardan fazla kayba neden oldu. Ve durum daha da kötüleşecek. Her gün sayısız siber suçlu ve diğer kötü aktörler, en inandırıcı ve büyük ölçekli dolandırıcılık kampanyalarını düzenlemek ve dolandırıcılık faaliyetleri yürütmek amacıyla kötü amaçlı yazılım verilerini incelemek üzere tasarlanmış bir sohbet robotu olan "WormGPT" gibi siyah şapka araçlarından yararlanıyor.

Neyse ki Abnormal kurucu ortakları Evan Reiser ve Sanjay Jeyakumar, bu tehditle mücadele etmek için yapay zekayı kullanmak için çok çalışıyorlar. Bunu yapay zekayla savaşmak için yapay zekayı kullanmak olarak düşünebilirsiniz. Geçmişte e-posta güvenlik sistemleri, belirli IP adresleri veya kişisel olarak tanımlanabilir bilgilere (PII) erişme girişimleri gibi bilinen kötü davranışların imzalarını tarardı.

Anormal, yapay zekanın gücünden yararlanarak tüm bunları alt üst ediyor. Yapay zeka sayesinde birçok saldırı meşru göründüğü için Abnormal'in yaklaşımı, bilinen iyi davranışları tam olarak anlamak ve böylece ince sapmaların bile fark edilmesini sağlamaktır. Şirket, genellikle kimin birbirleriyle konuştuğu ve hangi içerik etrafında etkileşimde bulunabilecekleri gibi dijital iç ve dış işleyişinin ayrıntılı temsillerini oluşturmak için büyük ölçekli dil modelleri kullanıyor. Ortağım Reid Hoffman bana bir e-posta gönderip "Hey, lütfen bana Inflection.AI ile ilgili en son bilgileri gönder" derse Anormal'in yapay zeka motoru bunu hemen anlar. Reed nadiren "hey" ile başlar, nadiren tek bir cümle gönderir, ve benden kendisine Inflection.AI hakkında bir dosya göndermemi hiç istemedi. (Şirketin kurucu ortağı ve yönetim kurulu üyesi olarak onun bu belgelere benden daha fazla erişimi vardı!).

Üretken yapay zekayla ilgili güvenlik endişeleri artmaya devam ettikçe Abnormal'in kurumsal müşterilerden gelen talebinin de artması şaşırtıcı değil. Anormal'in başarısının çok memnuniyet verici olduğunu düşünüyorum çünkü yapay zekanın hızlandırdığı sorunları çözmek için yapay zekadan çok hızlı bir şekilde yararlanabildi. Yıkıcı teknolojik değişim dönemlerinde, kötü aktörler genellikle uzun süreli ilk hamle avantajlarından yararlanır. Sonuçta ürün kalitesi, güvenlik veya henüz yeni kanunlar çıkarmamış düzenleyiciler hakkında endişelenmelerine gerek kalmadan inovasyonun avantajlarından yararlanabilirler.

Aynı zamanda, teknoloji startupları anlaşılır bir şekilde yasa dışı veya yıkıcı yenilikleri engellemek yerine, yenilikleri için güçlü yeni kullanım senaryoları geliştirmeye odaklanıyor. Ancak yapay zekayla ilgili tüm sorunlar gibi, yapay zekanın yanlış kullanımının yol açabileceği siber zararlar da şaşırtıcı. Anormal ekibinin öngörüsü sayesinde siber suçların yeni normalinin ortaya çıkma olasılığı en azından azalabilir. —Sam Motamedi, Ortak, Greylock

5. Toz

Bilgi çalışanlarını güçlendirin

Büyük dil modellerinin bilgi çalışanlarının verimliliğini artıracağı açıktır. Fakat bunun tam olarak nasıl yapılacağı belli değil. Dust bunu çözmeye çalışıyor. Bilgi yöneticilerinin, eğer dahili verilere erişemezlerse, kurum içinde pek bir faydası olmaz. Dust, bir kuruluşun dahili verilerini (Notion, Slack, Drive, GitHub) gerçek zamanlı olarak indeksleyen, yerleştiren ve güncelleyen ve bunları büyük dil modelleriyle desteklenen ürünlere sunan bir platform oluşturdu.

Dust'ın kurucu ortakları Gabriel Hubert ve Stanislas Polu, bir şirketi Stripe'a sattılar ve orada beş yıl çalıştılar. Hızlı büyüyen şirketlerin ölçekle nasıl mücadele ettiğini ilk elden gördüler. "Bilgi borcu" olarak adlandırılan şeyi ilk elden gördüler ve şimdi bununla ilgili önemli sorunlardan bazılarını çözmek için geniş dil modellerini uygulamaya odaklandılar. Dust şu anda platformunda aşağıdaki uygulamaları araştırıyor:

• Cevap motoru. Yaygın benimsenmenin anahtarı olduğundan, vurgu gerçekçilik üzerinedir.
• Asistan oluşturun. İçerik oluştururken şablonlu yardım sağlar. Örneğin, dahili verilere dayanarak eksik paragraflar oluşturun. *Belgeler otomatik olarak güncellenir. Şirket içinde belgenin güncellenmesi gereken bir bilgi ortaya çıktığında, belge sahibine bildirim ve öneriler gönderilir.
• Yapılandırılmış olay çıkarma. Kullanıcılar, önceden tanımlanmış şablonlara dayalı olarak yapılandırılmamış verilerden (Slack iş parçacıkları gibi) yapılandırılmış etkinlikler oluşturabilir.
• Dahili veri izleme. Kurumsal verileri akıllı kurallarla izleyin. Örneğin, kişisel olarak tanımlanabilir bilgilerin (PII) yanlışlıkla olmaması gereken bir yerde ortaya çıkması durumunda bir uyarı alın.

Çok fazla içerik olmasına rağmen Dust'ın kurucuları bu veri akışlarının çoğunun eninde sonunda birleşik bir üründe birleşeceğine inanıyor. Henüz keşif çalışmalarının ilk aşamalarındalar ve Dust'ın son resmini oluşturuyorlar. İlk yinelemelere dayanarak, temel hipotezlerini doğruladıklarına inanıyorlar: bilgi çalışanlarının yeteneklerinin büyük ölçekli dil modelleriyle (değiştirilmek yerine) artırılabileceği ve yeni bir 'ekip işletim sisteminin' bunun üzerine inşa edilebileceği. Bu. ——Konstantine Buhler, Sequoia Capital'in ortağı

6. Etiket Kutusu

İş verilerini yayınlayın

"Büyük verinin yükselişi" 20 yılı aşkın bir süredir devam ediyor ve şirketler sürekli olarak her zamankinden daha fazla veri alıyor olsa da birçok şirket hâlâ bu verileri yapay zeka modellerinden içgörü elde etmek için kullanmakta zorlanıyor. Veri işleme ve yorumlama, yapay zeka sürecinin en sıkıcı ve pahalı kısımları olmaya devam ediyor, ancak aynı zamanda yüksek kaliteli sonuçlar için de en önemli kısımlar. Önceden eğitilmiş büyük dil modellerindeki artışa rağmen şirketlerin, farklılaştırılmış hizmetler ve içgörüler sunmak ve operasyonel verimliliği artırmak amacıyla benzersiz bir şekilde konumlandırılmış üretken yapay zeka oluşturmak için kendi özel verilerini (birden fazla yöntemde) kullanmaya odaklanması gerekecek.

Labelbox, işletmelerin veri kümelerini yapay zeka modellerine besleme şeklini basitleştirerek bu zorluğu çözüyor. Veri ve makine öğrenimi ekiplerinin doğru verileri bulmasına, işlemesine ve yorumlamasına, modelleri uygulamalara aktarmasına ve performansı sürekli olarak ölçüp iyileştirmesine yardımcı olur.

Labelbox'ın yeni platformu üretken yapay zekanın avantajlarından yararlanıyor. Model Foundry, ekiplerin tüm büyük kapalı ve açık kaynak sağlayıcıların AI temel modelleriyle hızlı bir şekilde deneme yapmasına olanak tanıyarak, verileri önceden etiketlemelerine ve yalnızca birkaç tıklamayla hızlı bir şekilde deneme yapmalarına olanak tanır. Bu şekilde, hangi modelin verilerinde en iyi performansı gösterdiğini anlayabilirler. Model Foundry, sonuçların versiyonlarını oluştururken her deneme çalıştırması için otomatik olarak ayrıntılı performans ölçümleri oluşturur.

Etki geniş kapsamlı olabilir. Geleneksel olarak insanlar, birden fazla paragraf metin içeren bir e-ticaret listesini sınıflandırmak gibi basit ama zaman alıcı bir görevi tamamlamak için günler harcarlardı. GPT-4 ile bu görev saatler içinde tamamlanabilir. Model Foundry, şirketlerin bu verimli yolları kendilerinin keşfetmesine olanak tanır.

Bu tek örnek değil. İlk sonuçlar, etiketleme görevlerinin %88'inden fazlasının bir veya daha fazla temel modelle hızlandırılabileceğini göstermektedir. Labelbox, kodlamaya ve bir modele veri girmeye gerek kalmadan herkesin yalnızca birkaç tıklamayla verileri önceden etiketlemesine olanak tanır. Bu araç, ekiplerin işbirliği içinde çalışmasını güçlendirmek ve veri kalitesi güvencesinin manuel gözetimini sürdürmek için işlevler arası uzmanlıktan yararlanmak üzere tasarlanmıştır. Bu yetenek, dil modeli uzmanlarının ve küçük ve orta ölçekli işletmelerin modelleri kolayca değerlendirmesine, veri kümelerini zenginleştirmesine ve akıllı uygulamalar oluşturmak için işbirliği yapmasına olanak tanıyarak yapay zekaya erişimi demokratikleştirir.

Labelbox'ın Walmart, Procter & Gamble, Genentech ve Adobe dahil dünyanın en büyük şirketleri için maliyetleri önemli ölçüde azalttığı ve model kalitesini artırdığı kanıtlanmıştır.

Artık işletmelerin iş sorunlarını çözmek için bu temel modellerin gücünü kendi özel verileri üzerinde ortaya çıkarmaları bir rekabet haline geldi. Labelbox'ın, işletmelerin daha yüksek verimlilikle daha iyi ürünler sunmak için verilerin kilidini açmasına nasıl yardımcı olacağını görmek için sabırsızlanıyoruz. ——Robert Kaplan, Ortak, SoftBank

7. Pist

Yeni Yaratıcı Paket

Yapay zeka her yerde ve giderek bir meta haline geliyor. Çoğu durumda şirketler, mevcut uygulamaları zenginleştirmek için yapay zekayı sohbet robotları olarak kullanıyor. Tıpkı Google'ın arama motorunun internette gezinme şeklimizi değiştirmesi veya Instagram'ın telefonlarımızdan fotoğraf paylaşma şeklimizi değiştirmesi gibi, teknolojiyi ürünlerle etkileşim şeklimizi temelden değiştirmek için kullanan çok az AI uygulaması ürün deneyimlerini yeniden keşfediyor. Bu yapay zeka uygulamaları, mevcut kullanıcı deneyiminin, ileri görüşlü ürün düşüncesinin ve en son teknolojinin derinlemesine anlaşılmasını gerektirir.

Runway, yaratıcı deneyimleri yeniden tasarlamak ve tamamen yeni bir yaratıcı paket oluşturmak için uygulamalı yapay zeka araştırmalarını kullanan şirketlerin önde gelen bir örneğidir.

• Kullanıcı deneyiminin derinlemesine anlaşılması. Kurucular Cristobal Valenzuela, Anastasis Germanidis ve Alejandro Matamara-Ortiz Alejandro Matamala-Ortiz, New York Üniversitesi'nde interaktif telekomünikasyon alanında uzmanlaşan bir araştırmacıdır ve uzun yıllara dayanan tasarım deneyimine sahiptir. Runway'deki ekip, yaratıcı araçlar ekosistemini doğrudan deneyimlerden ve kitlesel benimsemenin önündeki engellerden anlıyor. Örneğin, yaratıcı film prodüksiyonu genellikle pahalı makineler, yazılım kaynakları ve yüksek düzeyde eğitim gerektirir. Sonuç olarak, yaratıcı film yapımcılığı tarihsel olarak büyük stüdyolarda yoğunlaşmıştır. Runway, ihtiyaç duyulan yaratıcı araçların erişilebilirliğini genişletme ve iyileştirme fırsatını gördü.
• Uzak görüşlü ürün düşüncesi. Runway, yapay zekadaki bir dönüm noktasının, yalnızca mevcut yaratıcı araçları geliştirmekle kalmayıp aynı zamanda bu araçların çalışma şeklini de temelden değiştirerek kullanıcı deneyimini önemli ölçüde iyileştirebileceğini erkenden fark etti. Örneğin, kullanıcılar basit metin istemlerini kullanarak sıfırdan tamamen yeni video içeriği oluşturabilirler. Daha da önemlisi, bu video profesyonel kalitededir ve masaüstü veya mobil cihaz üzerinden paylaşılabilir. Beceri seviyesi, arka plan veya kaynaklar ne olursa olsun Runway, saatlerce veya günlerce süren düzenleme emeğinden tasarruf sağlayabilir. Basit hatırlatmaları canlı ve dokunaklı hayata dönüştüren ileri görüşlü bir üründür.
• Önde gelen yapay zeka teknolojisi uzmanı. Runway, vizyon sahibi bir ürünle yalnızca bir sorunu çözmekle kalmadı, aynı zamanda temeldeki araştırma ve teknoloji altyapısını da yeniden tasarladı. Runway'in şirket içi araştırma organizasyonu, görüntü ve video sentezi için derin sinir ağlarında öncülük ediyor. Şirket, şu anda piyasada bulunan her şeyden daha güçlü, çok modlu bir yapay zeka video modeli olan Gen-2'yi geliştirdi. Bu, metni videoya dönüştürebilen ilk genel modeldir. Bundan önce Runway, yüksek kaliteli çıktı üreten video oluşturma araçlarında paradigma değişikliğine yol açan bir model olan Gen-1'i piyasaya sürdü. Pist araştırmacıları aynı zamanda metinden görüntüye modeli Stable Diffusion'a da öncülük etti.

Runway, Ekim 2022'den bu yana video, görsel, 3D ve metinleri kapsayan ve prodüksiyon öncesinden prodüksiyon sonrasına kadar yaratıcı sürecin tüm yönlerine hizmet eden 30'dan fazla yapay zeka "sihirli aracı" geliştirdi. Müşteri tabanları arasında CBS'nin The Late Show with Stephen Colbert, New Balance, Harbour Picture Video, Publicis ve Google gibi Fortune 500 ve Global 2000 şirketleri bulunmaktadır. Platform aynı zamanda Hollywood'un hiti Her Şey Her Yerde Hepsi Aynı Anda gibi Oscar adayı filmlerin kurgusu için de kullanıldı.

En heyecan verici yapay zeka uygulamaları mevcut ürün deneyimlerini dönüştürüyor ve kullanıcıların ürünlerle nasıl etkileşim kurduğunu yeniden düşünüyor. Runway ile kullanıcılar, ister ilk kez video çekiyor olsun, ister profesyonel olarak stüdyoda olsun, yeni video yaratımlarını saniyeler içinde tamamlayabiliyor. Bu devrim niteliğinde bir değişim ve yapay zekanın farklı endüstrileri nasıl yeniden şekillendirdiğinin bir örneği. —Grace Isford, Lux Capital'in ortağı

8. Yeni Sınır

Hücre kaderini yeniden şekillendirmek

Hücreler dünyadaki en karmaşık bilgisayar sistemleridir. Bilgisayar çipleri gibi DNA da karmaşık işlevler yaratan temel birimlerden oluşur. Bit tabanlı kodların aksine atom tabanlı kodlar rastgele ve hiyerarşiktir. Bir sistem diğerine bağlıdır, bu da her biri ısıdan, asitlikten ve hücrenin mikroçevresindeki moleküllerden etkilenen diğer fiziksel sistemlere bağlıdır.

Bu karşılıklı bağımlılıklara rağmen hücresel makine kodu (DNA) farklı programları verimli bir şekilde çalıştırabilir. Karaciğer hücreleriniz ve cilt hücreleriniz aynı genomu içermesine rağmen, bu hücre tipleri farklı görünür, hissedilir ve işlev görür. Neden? Çünkü farklı epigenetik programlar yürütüyorlar.

2006 yılında Takahashi ve arkadaşları, olgun hücreleri kök hücrelere yeniden programlamak için dört transkripsiyon faktörü (TF) proteininin bir kombinasyonunu kullanarak epigenetik yeniden programlama alanına öncülük etti. Transkripsiyon faktörleri, genleri düzenleyen, esasen çalışan "programı" değiştiren proteinlerdir. Takahashi ve Yamanaka'nın keşfi, uyarılmış pluripotent kök hücrelerin (iPSC'ler) yaratılmasına yol açtı ve onlara Nobel Ödülü'nü kazandırdı. O zamandan beri birçok araştırma grubu, hücresel durumları değiştirmek, hasarlı hücreleri gençleştirmek ve genç hücre fenotiplerini eski haline getirmek için benzersiz TF kombinasyonları uygulamaya başladı.

Epigenetik yeniden programlama daha kolay takip edilebilir hale gelse de bu hala önemsiz bir konu değil. Ekip, hücrelerin A durumundan istenen B durumuna geçişinde hangi TF kombinasyonunun etkili olduğunu anlamak zorundaydı. Örneğin gelecekteki TF kombinasyonları, hastalıklı hücreleri sağlıklı hücrelere dönüştürmemize ve böylece yeni bir ilaç sınıfı geliştirmemize olanak sağlayabilir. Birçok uygulama alanında TF'lerin tam kombinasyonu bilinmediğinden çok büyük ölçekli yeniden programlama ekranlarına ihtiyacımız var. 1.500'den fazla yerli insan TF'si vardır, bu nedenle daha etkili bir arama yöntemine ihtiyaç vardır. NewLimit'in böyle bir yaklaşım tasarladığına inanıyoruz.

Tek hücreli sıralama ve makine öğrenimi teknolojilerindeki gelişmelerden güç alan NewLimit, önceden manuel olarak yürütülen bir disiplini veri odaklı bilime dönüştürüyor. Şirket, moleküler biyologlar ve hesaplamalı biyologlar arasında sağlıklı bir işbölümüne sahip ve giderek daha verimli bir kapalı döngü platformu oluşturmak için gerekli kültürel temeli oluşturuyor. Uzmanlığı ve çok modlu okumaları (scRNA-Seq, scATAC-Seq, vb.) birleştiren NewLimit, daha önce tedavi edilemeyen hastalıkları tedavi etmek için terapötik yeniden şekillendiriciler keşfetmeyi amaçlamaktadır.

NewLimit, deneylerin her turunda makine dili teknolojisini aşağıdaki amaçlar için kullanır:

• Çoklu algılama okumalarını, hücrenin mevcut A durumunu ve istenen B durumunu içeren düşük boyutlu bir optimizasyon alanına birleştirin ve sıkıştırın.
• Optimizasyon alanı boyunca üniteyi istenen duruma itebilecek yeni TF kombinasyonlarını numaralandırın.
• Hangi tür verilerin modellerin geliştirilmesine yardımcı olacağını ve daha pahalı, daha düşük verimli deneysel yöntemlerin ne zaman/nerede uygulanacağını önerin.
• Harcanan her dolar karşılığında üretilen yararlı bilgileri en üst düzeye çıkarmak için platformda yapılması gereken değişiklikleri önerin.

Olağanüstü ekibine, teknik becerisine ve iddialı vizyonuna ek olarak NewLimit'in pragmatik ruhuna da hayranız. Şirket, başlangıçtaki iş stratejisinin ayrıntılarını kamuya açıklamamış olsa da, bu yaklaşımın yaratıcı olduğuna, riski makul düzeyde azalttığına ve insanlık için dönüştürücü olma potansiyeline sahip olduğuna inanıyoruz. Kurucu ekip, platform biyoteknolojilerinin kısa vadeli varlıklar yaratmadan pahalı bilimsel projelere benzetilebileceği konusunda hemfikir. Bu amaçla NewLimit, başlangıcından bu yana şeffaf davrandı ve teknolojik ilerlemesini katalogladı.

Doğanın karmaşıklığı karşısında alçakgönüllü olmalıyız. Elbette biyolojiyi programlamak, kendi tasarladığımız silikon cihazları programlamaktan daha zordur. Dimension'ın amacı, NewLimit gibi girişimci öncüleri teknoloji ve biyoloji arayüzündeki olasılıkların sınırlarını keşfetmeye teşvik etmektir. —Simon Barnett, Araştırma Direktörü, Dimension

9. Havuz Başı

Yazılım Geliştirme için Temel Yapay Zeka

OpenAI genel yapay zekaya odaklanır, DeepMind bilimsel keşfe odaklanır ve yapay zekanın üçüncü temel kullanım durumu yazılımı anlamak ve oluşturmaktır.

GPT-4, hem deneyimli hem de acemi geliştiricilerin iş akışlarına yerleşmiştir. Ancak bu paradigma değişimi henüz başlangıç aşamasındadır. Geçtiğimiz birkaç aydan yola çıkarak, yapay zeka destekli programlamanın yakında her yerde yaygınlaşacağını düşünüyoruz. Bu eğilim daha da geliştikçe doğal dil, yazılımın üzerine inşa edildiği soyut temel haline gelecektir.

Her ne kadar diğer şirketler StarCoder gibi büyük ölçekli saf kod modellerini piyasaya sürse de henüz hiçbir yöntem GPT-4'ün performansına yaklaşamadı. Bunun nedeninin sadece kodla eğitilmiş bir modelin güçlü yazılım geliştirme yetenekleri üretememesi olduğunu düşünüyorum. Poolside'la böyle tanıştım. Şirket, GitHub'un eski baş teknoloji sorumlusu Jason Warner ve dünyanın ilk araştırma kodu yapay zeka şirketi olan source{d}'nin eski kurucusu Eiso Kant tarafından kuruldu. Akıllı şirket.

Poolside, OpenAI temel model yaklaşımını benimsemeleri ancak tek bir işleve odaklanmaları açısından benzersizdir: kod oluşturma. Teknoloji stratejileri, öğrenme süreci sırasında anında ve otomatik geri bildirime izin veren kodun çalıştırılabileceği gerçeğine dayanıyor. Bu, insan geri bildirimine (RLHF) dayalı takviyeli öğrenmeye cazip bir alternatif olan kod yürütme yoluyla takviyeli öğrenmeyi mümkün kılar. Bu, Esso'nun 2017 gibi erken bir tarihte keşfetmeye başladığı bir şey.

Yapay genel zekanın (AGI) insanlığa fayda sağlama potansiyeli yadsınamazken, gerçekleşmesi henüz çok uzakta. Peki neden AGI'yi bekleyesiniz? Yazılım geliştirme gibi yapay zekanın ilerlemesinin belirli alanlarına odaklanarak yaratıcılığın önündeki daha fazla engeli ortadan kaldırabiliriz. Poolside ekibinin özel bir yazılım altyapı modeli oluşturma vizyonunu gerçekleştireceği günü sabırsızlıkla bekliyorum. ——Matan Grinberg, Factory'nin kurucu ortağı ve CEO'su

10. Mistral

Fransa'daki OpenAI rakipleri

Son zamanlarda Paris, üretken yapay zeka alanındaki projelerin patlamasıyla aydınlandı. Belki nedenini soracaksınız? Benim düşüncem, Paris'in, OpenAI'nin olay ufkunun dışında, üretken yapay zeka alanında dünya standartlarında en büyük yetenek havuzuna sahip olduğu yönünde. Bu projelerden en cesur olanı şüphesiz Mistral'dir. Mistral, Guillaume Lample, Arthur Mensch ve Timothe Lacroix tarafından en iyi açık kaynak dil modellerini oluşturma misyonuyla kuruldu.Hedef, bu modeller etrafında gelişen bir ekosistem oluşturmaktır.

Guillaume'u dört yıldır tanıyorum ve ikimiz de geniş dil modellerini matematik alanlarına, özellikle de formal matematiğe uygulama konusunda derin bir şekilde ilgileniyoruz. OpenAI ve Meta'da çalışırken dostane, rekabetçi bir ilişki geliştirdik. Guillaume, şimdiye kadar birlikte çalışmaktan keyif aldığım en yetenekli araştırmacılardan biri ve onun Meta'daki araştırmasından Mistral'ı kurmaya geçişini izleme ayrıcalığına sahip oldum. Bu süreçte Arthur Mensch ile de tanıştım. Çalışmalarından her zaman etkilenmişimdir, özellikle de büyük dil modellerini verimli bir şekilde eğitmenin ne anlama geldiğini yeniden tanımlayan Chinchilla ve geri getirmeyle geliştirilmiş dil modellemeye yönelik bir yaklaşım olan RETRO'nun hala tam olarak araştırılmadığını söyleyebilirim.

Şimdi Mistral Mistral'ı neyin oluşturduğuna bakalım. Girişimin vizyonu, sınıfının en iyisi açık kaynak modeline dayalı bir ekosistem oluşturmaktır. Bu ekosistem, projeler, ekipler ve şirketler için bir başlangıç noktası görevi görerek inovasyonun hızını ve büyük dil modellerinin yaratıcı kullanımını hızlandıracak.

Örnek olarak insan geri bildirimine (RLHF) dayalı takviyeli öğrenmeyi ele alalım. Tipik olarak RLHF'nin gerçekleştirilmesi zaman alıcıdır ve dolayısıyla maliyetlidir. Çok fazla çalışma gerektirebilecek yapay zeka eylemlerinin manuel olarak "işaretlenmesini" içerir. Bu çaba ancak bir yapay zeka modelinin vaadinin yeterince iyi olması durumunda değerli olacaktır. OpenAI gibi büyük bir kuruluş için bu sürece yatırım yapmak mantıklıdır ve şirket bunu gerçekleştirecek kaynaklara sahiptir. Ancak geleneksel açık kaynak topluluklarının öne çıkıp bu önemli sorumluluğu üstlenmesi için genellikle bir "lider"e ihtiyacı vardır.

Mistral, RLHF için açık kaynaklı bir modele yatırım yaparak tam da bunu yapma fırsatına sahip. Mistral bunu yaparak Kambriyen dönemindeki yenilik patlamasının kapısını açacak. Açık kaynak geliştiricileri, farklı ihtiyaçlara göre uyarlayıp özelleştirebilecekleri, açıkça etiketlenmiş modellere erişebilecek. Nihai kazanan, daha geniş bir pazar olacak ve kapalı bir şirketin tek başına üretebileceğinden daha spesifik ve ilgi çekici kullanım senaryolarına erişimimiz olacak.

Kim en iyi açık kaynak modeline sahipse o daha fazla ilgi ve değer çekecektir. Mistral konusunda iyimserim çünkü ekip aktif olarak verimlilik/performans sınırını zorluyor. Aynı zamanda Mistral’in bu alandaki yeteneği açık ara dünyanın en iyisidir.

Mistral bu ilk vizyonu hayata geçirecek ekibi ve kaynakları güvence altına aldı. Şirket ayrıca bu modelleri kurumsal düzeydeki kullanım durumlarında değerlendirecek ortaklar da buldu. Mistral'a göz kulak olun, OpenAI'ye meydan okumaya hazırlar. ——Stanislas Polu, Dust'ın kurucu ortağı

11. Sakin ol

Daha Akıllı Endüstriyel Robotlar

Uzun vadede yapay zeka ve robot teknolojisinin insan görevlerini artıracağı veya otomatikleştireceği yönündeki tahminleri sıklıkla duyuyoruz. Günümüzde bu giderek acil bir iş zorunluluğu haline geldi.

2030 yılına gelindiğinde Avrupa'nın çalışma çağındaki nüfusunun 13,5 milyon azalması bekleniyor ve işgücü maliyetleri 20 yılı aşkın süredir en hızlı şekilde artıyor. E-ticaretin yükselişiyle birlikte depolar her zamankinden daha fazla baskı altında ve işletmelerin rekabetçi kalabilmesi giderek zorlaşıyor.

Depo işletim giderlerinin %55'i sipariş toplamadan kaynaklanıyor ancak durum, otomatik sistemlere geçmek isteyen şirketler için pek de iyimser değil. Yapay zeka destekli SaaS'ta (hizmet olarak yazılım) aşina olduğumuz gösterişli uygulamaların hiçbiri veya ekosistemin diğer kısımlarında gördüğümüz çok sayıda açık kaynaklı ürün henüz robotiğe uygulanmadı.

Bunun yerine, toplama ve paketlemeyi otomatikleştirmek isteyen işletmeler pahalı, esnek olmayan robotik çözümleri tercih etmekle karşı karşıya kalıyor. Önemli programlama süresi ve uzmanlık gerektiren bir dizi özel arayüzde gezinmeleri gerekir. Bu sistemler aynı zamanda değişen ürün karışımlarıyla başa çıkmakta zorlanır, düzenli insan müdahalesi gerektirir ve aşırı durumlarla baş ederken düşük performans gösterir.

Secret bu sorunları çözer. Yazılımı, güçlü simüle edilmiş ortamlara ve herhangi bir potansiyel gerçek dünya ortamının mekansal ve fiziksel nüanslarını anlamak için robotik kolları eğitmeye dayanmaktadır. Sistem devreye alındıktan sonra gerçek dünya verilerinden sürekli olarak öğrenilerek optimize edilecektir. Bu aynı zamanda elektronik, tekstil, meyve, fayans ve ahşap gibi geleneksel olarak zor eşyaları yakalama zorluğunun üstesinden gelebilecekleri anlamına da geliyor.

En heyecan verici olanı, robotik yığınlarının, robotların sezgisel doğal dil kontrolünü mümkün kılmak için büyük dil modelleri kullanmasıdır. Kullanıcıların sesli veya yazılı olarak robota talimat ve geri bildirim vermesini sağlayan "PickGPT" adı verilen bir dönüştürücü modeli geliştirdiler. Bu sayede teknik bilgi düzeyi ne olursa olsun herkes robottan istenilen görevi gerçekleştirmesini isteyebilir.

Secret, kurucu ortaklarının iki uzmanlık alanını birleştiriyor. CEO Ralf Gulde yapay zeka ve robot biliminin kesiştiği noktada çalışırken, CTO Marc Tusher derin öğrenme konusunda uzmanlaşıyor. İkili, otomasyon ve endüstriyel üretim alanında Almanya'nın en prestijli üniversitelerinden biri olan Stuttgart Üniversitesi'nde bu konularda hakemli araştırmalar yürüttü.

Genç bir şirket olmasına rağmen Sereact, aralarında Daimler Truck, Schmalz, Zenfulfillment, Zimmer Group ve Material Bank'ın da bulunduğu etkileyici bir ortak listesinin ilgisini çekmiş durumda. Bu, toplama ve paketleme endüstrisinde büyük bir potansiyel pazar fırsatının bulunduğunu gösteriyor.

E-ticaret depolarındaki bariz kullanım durumlarının ötesinde, ister sipariş toplama ister kutuları açma olsun, bir dizi başka kullanım durumu da vardır. Örneğin, geleneksel imalatta, montaj adı verilen, montaj için gereken hassas parçaların zahmetli bir şekilde toplanmasını içeren, zaman alıcı bir süreç vardır. Robotik kollar, tarihsel olarak küçük parçaları kavramak ve karmaşık ortamlarda tek tek parçaları ayırmakta zorluk çekmiştir. Sereact'ın yazılımı bu parçaları tanımlayabilir ve bunları seçmek için doğru tutucuyu seçebilir.

Sereact ekibi yalnızca yüksek vasıflı olmakla kalmıyor, aynı zamanda müşterinin çalışma ortamını da çok iyi anlıyor ve müşterilerin iş gücü eksikliğini aşmalarına ve verimli, sürdürülebilir operasyonlar gerçekleştirmelerine yardımcı olma konusunda gerçek bir istek duyuyor. Büyük dil modelleri ve toplama paketleme kombinasyonunu akademik olasılıktan gerçek dünya etkisine taşıyan ilk şirket olarak, robot teknolojisine meydan okuyan gerçek bir robotu hayata geçirme ve ölçeklendirme becerilerine tam güvenim var. ——Nathan Benaich, Genel Ortak, Air Street Capital

12. Lamini

Özel hazırlanmış büyük ölçekli dil modeli motoru

Artık her şirket yapay zekayı kendi işlerine entegre etmeye çalışıyor. Dünyanın en büyük şirketleri yapay zekanın potansiyelinin farkında; S&P 500'deki CEO'ların %20'si ilk çeyrek kazanç görüşmelerinde yapay zekadan bahsediyor. Büyük dil modelleri, müşteri desteği, giden satışlar ve kodlama gibi temel işlevleri hızlandırarak iş verimliliğini önemli ölçüde artırabilir. Büyük dil modelleri, müşteri sorularını yapay zeka tabanlı asistanlarla yanıtlayarak temel ürün deneyimlerini de iyileştirebilir veya müşterileri memnun edecek yeni üretken yapay zeka iş akışları oluşturabilir.

Büyük şirketlerin yeni teknolojileri benimseme konusunda yavaş olduğu göz önüne alındığında, işletmelerin yapay zeka ile inşaat yapmaya bu kadar hızlı başlamasına şaşırdık. Pek çok işletmenin kendi yapay zeka modellerini ve çözümlerini şirket içinde oluşturmak istemesi şaşırtıcı değil. Her işletmenin, genellikle ana iş hendeğinin bir parçası olarak, özel bir müşteri verileri hazinesi vardır. Bu işletmeler, en değerli verilerini altta yatan model API'lerine veya güvenilirliği belirsiz olan startuplara göndermenin risklerini görüyor. Veri gizliliği sorunları ne olursa olsun, GPT-4 veya Claude gibi halka açık büyük ölçekli dil modelleri tamamen açık veriler üzerinde eğitilmektedir ve bu nedenle kuruluşa özel kullanım durumları ve müşteri segmentleri için özelleştirme yeteneklerinden yoksundur.

Shopify ve Canva gibi bazı teknoloji şirketleri, yapay zekayı işin tüm bölümlerine entegre etmek için hazır açık kaynak modellerini kullanmak üzere dahili "AI Tiger Teams" oluşturdular. Ancak çoğu şirket, kendi verilerine dayalı olarak özel büyük ölçekli dil modelleri oluşturup dağıtacak kaynaklara veya deneyimli yapay zeka araştırmacılarına sahip değil. Bu yapay zeka dalgasının, işletmelerinin geleceği için dönüşümsel bir an olabileceğinin farkındalar ancak şu ana kadar kendi yapay zeka gelişimlerinden yararlanamadılar veya bunları kontrol edemediler.

Bu yüzden Sharon Zhou, Greg Diamos ve ekibinin Lamini'de yaptıkları konusunda çok heyecanlıyız. Lamini, geliştiricilerin insan geri bildirimleriyle kendi modellerini hızlı bir şekilde eğitmelerini, ince ayar yapmalarını, dağıtmalarını ve geliştirmelerini kolaylaştıran büyük ölçekli bir dil modeli motorudur. Bu araç, yapay zeka modellerinin karmaşıklığını ortadan kaldıran keyifli bir geliştirme deneyimi sağlar ve daha da önemlisi, kuruluşların yapay zeka araştırmacılarını işe almak veya veri sızıntısı riskini göze almak zorunda kalmadan, kendi verilerinin üzerine yapay zeka çözümleri oluşturmasına olanak tanır. Sharon ve Greg'le ilk kez geçen sonbaharda çalıştık. O zamandan bu yana, işletmelerin yapay zekayı benimseme biçimini dönüştürmeye yönelik iddialı vizyonlarını hayata geçiren bu teknik açıdan yetkin, müşteri odaklı kurucu ekibi destekleme fırsatı bulduk.

Özellikle, özel geniş dil modellerinin Lamini ile dağıtılması, genel çözümlerin kullanılmasına kıyasla çok çeşitli avantajlar sunar. Oluşturma sürecini şirket içi bir mühendislik ekibinin yürütmesi, veri gizliliğini sağlar ve model seçiminde ve tüm bilgi işlem ve veri yığınında daha fazla esneklik sağlar. Lamini kullanılarak oluşturulan modeller aynı zamanda yapaylıkları azaltır, gecikmeyi azaltır, güvenilir çalışma süreleri sağlar ve kullanıma hazır API'lere kıyasla maliyetleri düşürür. Bu performans iyileştirmeleri, Lamini ekibinin, yapay zeka modelleri ve GPU optimizasyonu konusunda onlarca yıllık araştırma ve endüstri deneyimine dayanarak ürüne dahil ettiği temel teknik bilgilerden kaynaklanmaktadır.

Tanınmış startup'lar ve büyük kuruluşlar, büyük dil modellerini şirket içinde ve müşterilerle dağıtmak için zaten Lamini'yi kullanıyor ve kurulum hızı, performans ve güvenilirlik konusunda heyecan duyuyorlar. Gelecekte her kuruluşun işlerinde ve ürünlerinde yapay zekayı kullanacağına inanıyoruz, ancak yalnızca birkaç işletmenin özel yapay zeka ekipleri olacak. Lamini, oyun alanını eşitleyen ve tüm şirketlere bu dönüştürücü teknolojiden yararlanma şansı veren bir girişimdir. Databricks ile yakın zamanda yapılan ortaklık sayesinde, işletmelerin Lamini'yi doğrudan mevcut Databricks veri gölleri ve bilgi işlem kümeleri üzerine kurarak yapay zeka çözümlerini kurup çalıştırmaları artık her zamankinden daha kolay. ——James Wu, First Round Capital yatırımcısı; Todd Jackson, First Round Capital ortağı

13. Fabrika

Kodlamanız “Robot”

Bugün, bir bilgisayarın sizin için bir şeyler yapmasını istiyorsanız, düşüncelerinizi derleyicinin anlayabileceği bir hiper metin kodu olan "bilgisayar diline" çevirmeniz gerekir. Mühendis olmak için beyninizi bir makine gibi döndürmeniz gerekir. Ancak yapay zekanın insan dilini koda dönüştürebileceği bir dönüm noktasına ulaşıyoruz. İnsan mühendislerden dijital mühendislere geçiş muhtemelen hayatımızın en önemli teknolojik dönüm noktalarından biri haline gelecektir.

Bu dönüşümün henüz başlangıç aşamasındayız. BabyAGI ve AutoGPT gibi yapay zeka araçları halkın hayal gücünü yakaladı. Ancak Github Copilot gibi kodlama asistanları bir gelişmeyi temsil etse de, bunlar hâlâ çok sınırlıdır ve esasen kodda zaten uygulanmış olan fikirlerin otomatik tamamlanmasına hizmet eder.

Fabrika farklı. Şirket, 2023 yılında eski sicim teorisyeni Matan Grinberg ve makine öğrenimi mühendisi Eno Reyes tarafından kuruldu. Mattan'la tanıştığımda hemen onun vizyonuna kapıldım: Mühendislerin can sıkıcı görevleri devrederek ve zorlu sorunlara odaklanarak işleri eğlenceli hale getirebilecekleri bir gelecek. Bunu yapmak için Matan ve Eno otonom kodlama "robotları" yarattılar.

Botlar, kod inceleme, hata ayıklama ve yeniden düzenleme gibi günlük görevleri yerine getiren yapay zeka mühendisleridir. Mevcut ürünlerden farklı olarak Factory'nin botları herhangi bir şey yapmanızı gerektirmez; bağımsız olarak kodu inceleyebilir, hataları işleyebilir ve soruları yanıtlayabilirler. Ayrıca, genç geliştiriciler gibi botları beyin fırtınası yapmak ve özellik çalışmalarını paylaşmak için kullanabilirsiniz. Robotların güçlü koruma mekanizmaları vardır ve zekaları kullanıcı ihtiyaçlarını hedef alır, bu da onların yanlış yanıtları "halüsinasyona uğramasını" zorlaştırır.

Kod oluşturma, yapay zeka devriminin en dönüştürücü alanlarından biri olacak ve Factory, başarılı olmak için gerekli tüm araçlara sahip.

*Takım. Factory'nin CEO'su Mattan, Princeton Üniversitesi'nde kara delik tekilliklerini hayal eden bir sicim teorisyenidir. Eno, Hugging Face'te makine öğrenimi mühendisi olarak çalıştı ve sıkıcı mühendislik sürecini kişisel olarak üstlendi. Bu eşsiz bir takım.

• Pratiklik. Robotlar henüz görevleri insan mühendisler kadar iyi yerine getiremese de, hâlâ mühendislerin nefret ettiği görevleri yerine getirebiliyorlar. Mühendisler sıkıcı ve tekrarlayan işleri Fabrikaya bırakabilirler.
• hız. Fabrika sadece birkaç ay içinde dikkate değer bir şey başardı. Diğerleri hala yapay zeka mühendisleri hayal ederken, Matan ve Eno onları zaten geliştiriyordu. Zaten mükemmel olan bu ürünü hızla geliştiriyorlar.

İnsan gelişiminin hikayesi, tekrarlanan görevlerin yükünü hafifleterek daha karmaşık görevlere geçmemize olanak sağlamasıdır. İnsanlar tarımı icat ettiğinde aslında şehir inşa etme yeteneğimizi serbest bıraktılar. Sanayi Devrimi'nden sonra insanları aya götüren roketler yaptık. Gelecek nesil, insanları çevrimiçi angaryalardan kurtarma ve teknolojik sınırı daha da ileri taşıma misyonunda.

Tek sınır insanın hayal gücü olduğunda, bundan sonra ne inşa edeceğiz? — Markie Wagner, Delphi Labs'ın kurucusu ve CEO'su

Çevirmen: Jane