Sonuçta, yapay zekâ destekli tarayıcıların ilk sürümlerinden bazıları temelde Chromium motorunu alıp, biraz değiştirilmiş bir kullanıcı arayüzü ekledi ve ana sayfadaki geleneksel arama çubuğunu bir sohbet robotu komutuyla değiştirdi. Tam olarak devrim niteliğinde sayılmaz.
Ancak zamanla, yapay zekâ tarayıcılarının çok daha fazlasını yapma potansiyeline sahip olduğu açıkça ortaya çıkıyor. Aslında, bence bunlar, cihaz içi yapay zekâyı çok çeşitli tüketici ve işletme kullanıcıları için anlamlı ve etkili hale getirecek tetikleyici olabilirler. Bunun ötesinde, dağıtılmış, hibrit yapay zekâ mimarileri ve uygulamalarını yönlendirmede kritik bir unsur olarak hizmet edebilirler.
Başlangıçta düşünmediğim şey, yapay zeka tarayıcılarının sadece bir uygulama olmaktan çok daha fazlası olduğuydu; esasen, üzerinde bir dizi başka uygulama ve hizmetin çalışabileceği platformlar haline geliyorlar. Kabul etmek gerekir ki, bir tarayıcının platform olarak düşünülmesi yeni bir fikir değil ve web sitelerinin veya HTML sayfaları koleksiyonlarının bağımsız uygulamalar olarak işlev görmesi kavramı uzun zamandır mevcut.
Ancak şimdi farklı olan şey, belirli unsurların bir ortamda, diğer unsurların ise başka bir ortamda çalıştığı dağıtılmış uygulamaların ön plana çıkmaya başlamasıdır. Bu durum mutlaka bulut tabanlı, yapay zeka destekli uygulamaların yükselişinden kaynaklanmasa da, güçlü bir korelasyon olduğu kesinlikle görülüyor. Başlangıçta, elbette, bunun büyük bir kısmı, chatbot gibi yapay zeka uygulamalarını çalıştıran temel LLM'lerin yalnızca devasa, bulut tabanlı veri merkezlerinde bulunmasından kaynaklanıyordu. Chatbot komut istemlerinin terminal benzeri arayüzü, bu büyük modellerle doğrudan etkileşim kurmanın basit bir yolu olarak işlev görüyordu.
Model Bağlam Protokolü'nün (MCP) geliştirilmesi ve yaygınlaşmasıyla birlikte, yapay zeka modellerini tek parça halindeki uç noktalar gibi değil, farklı ortamlarda erişilebilen birlikte çalışabilir kaynaklar gibi ele almak mümkün hale geldi. Başka bir deyişle, MCP koordinasyonu mümkün kılarak, bir uygulamanın tek bir iş akışının parçası olarak, farklı konumlarda çalışan birden fazla modeli dinamik olarak dahil etmesine olanak tanır.
Bu kavram, uzman karışımı (MoE) modellerine ve isteklerin akıllıca, gerçek zamanlı olarak daha küçük görevlere "parçalara ayrılmasına" ve bu görevlerin uzmanlaşmış modellere yönlendirilmesine uygulandığında daha da güçlü hale gelir. Kritik olarak, bu önemli bir mimari soruyu gündeme getiriyor: Bu yönlendirmeyi gerçekleştiren zeka aslında nerede yer almalı?
Karar alma mantığını bulut hizmetinin derinliklerine değil, kullanıcıya yakın bir yere yerleştirmek, tamamen bulut tabanlı bir uygulama için görünmez olabilecek yerel bağlamdan, mevcut cihaz kaynaklarından ve hatta kurumsal altyapıdan yararlanma fırsatları yaratır.
Bu mimari türünün doğasında, bir problemi daha küçük iş yüklerine nasıl böleceğini ve her birinin nerede yürütüleceğini belirleyebilecek bir orkestrasyon motoruna duyulan ihtiyaç vardır. İşte bu noktada yapay zeka tarayıcıları ilk bakışta göründüğünden çok daha önemli hale gelmeye başlar.
Şöyle bir düşünün: Bu orkestrasyon motoru doğrudan tarayıcıya, yani zaten kullanıcı niyeti, veri erişimi, kimlik ve cihaz kaynaklarının kesişim noktasında yer alan bir uygulamaya entegre edilmiş olsaydı. Başka bir deyişle, tarayıcılar, her yerde bulunmaları, sık sık güncellenmeleri, kimlik, veri ve izinler konusunda zaten güvenilir olmaları ve doğaları gereği platformlar arası olmaları nedeniyle yapay zeka orkestrasyon platformları haline gelmek için benzersiz bir konumdalar.
Resmi tamamlamak için, dikkate alınması gereken iki kritik unsur daha var. Birincisi, tüm yapay zeka tarayıcıları, kendi öncü yapay zeka modellerine sahip olan ve bu modellerin doğrudan cihazlarda çalışacak şekilde optimize edilmiş daha küçük sürümlerini de oluşturmuş veya en azından üzerinde çalışan şirketler tarafından geliştiriliyor.
Bu cihazlara özgü Küçük Dil Modellerini (SLM'ler) tarayıcılarına yerleştirerek, orkestrasyon aracısını, sınır modelleri aralığında hangi kaynakların mevcut olduğunu akıllıca anlayacak şekilde özelleştirebilir ve böylece işlem gücünün en verimli şekilde kullanılmasını sağlayabilirler. Ayrıca, tarayıcılar çok sık güncellendiğinden, bu, satıcılar için bu yerel modelleri güncel tutmak için kolay bir mekanizma sağlar. İşletim sistemi üreticileri şüphesiz bu orkestrasyon katmanını kendilerine mal etmeye çalışacak olsalar da, tarayıcının çevikliği ve platformlar arası tutarlılığı, onu bu görevler için daha pratik bir yürütme motoru haline getiriyor.
İkinci ve son kritik unsur ise, modern bilgisayarların ve akıllı telefonların, daha güçlü CPU'ların, GPU'ların ve yepyeni bir NPU sınıfının entegrasyonu sayesinde bu yerel modelleri çalıştırmak için artık çok daha iyi donanımlı olmalarıdır. Dağıtılmış hibrit yapay zeka mimarisini mümkün kılmak için donanım desteği şarttır ve bu cihazların kurulu tabanı kritik kütleye ulaşmaya başlamıştır.
Dolayısıyla, tüm bu farklı parçaları bir araya getirdiğinizde, çok önemli sonuçlar doğuracak bir dizi ilgi çekici olasılığı hayal etmeye başlayabilirsiniz. İlk olarak, bir orkestrasyon aracısının bir cihazda yerel olarak çalışabilmesi ve örneğin, bir sorgunun hangi öğelerine kendi yerel modellerini kullanarak cevap verebileceğini ve hangi öğelerin diğer ortamlara gönderilmesi gerektiğini belirleyebilmesi, bilgi işlem verimliliğini büyük ölçüde artırabilir ve güç tüketiminde önemli bir azalma sağlayabilir. Her şeyi buluta göndermek yerine, iş yükleri kendilerine sunulan tüm bilgi işlem kaynaklarından yararlanabilir.
Bu arada, bu iş yükü bileşenlerinin gönderilebileceği kaynaklar arasında yalnızca bulut değil, yapay zeka altyapısıyla donatılmış kurumsal veri merkezleri de yer alıyor. Kendi amaçları için özel uygulamalar geliştiren kuruluşlar, tescilli veya ince ayarlı modellere erişmek için bu kurumsal yapay zeka kaynaklarından yararlanmak isteyebilirler.
Ayrıca, elektrik şebekesinin beklenen tüm yapay zeka trafiğini destekleme kapasitesiyle ilgili ciddi soruların hızla arttığı bir döneme girerken, yerel veri merkezlerinden ve kişisel cihazların işlem gücünden yararlanma yeteneği büyük bir fark yaratacaktır. Yapay zeka hesaplama çağına daha derinlemesine girdikçe, daha fazla kontrol ve güvence (sadece güç değil, aynı zamanda işlem gücü kullanılabilirliği üzerinde de) isteği şüphesiz daha da önem kazanacaktır.
İşlem verimliliği ve güç tasarrufunun yanı sıra, yapay zeka iş yüklerini cihaz üzerinde başlatmanın ve yerel verilere erişebilmenin sağladığı gizlilik ve güvenlik avantajları, özelleştirme ve kişiselleştirme için çok geniş bir fırsat yelpazesi açmaktadır.
Son olarak, yapay zekâ tarayıcıları için asıl oyun değiştirici unsur, yapay zekâ ajanlarının çalıştırıldığı ve kontrol edildiği bir merkez görevi görme yetenekleridir. Görünüşe göre herkes, ajan tabanlı yapay zekânın görevleri nasıl yerine getirdiğimiz, bilgi edindiğimiz ve cihazlarımızla nasıl etkileşim kurduğumuz konusundaki kuralları tamamen yeniden yazacağını bekliyor. Bu etkileşimlerin tam olarak nasıl (ve nerede) gerçekleşeceği ise şimdiye kadar tamamen net değildi.
Bu hafta Google, Chrome tarayıcısına Gemini'nin kenar çubuğunda çalışmasına izin vermekle kalmayıp, yerel kaynaklardan yararlanan ajan tabanlı uygulamaları da çalıştırabilen önemli eklentiler duyurdu . Ajan tabanlı yapay zekayı tarayıcı üzerinden çalıştırma konsepti, daha önce belirttiğim noktaya geri dönüyor: Yapay zeka tarayıcıları, gerçek işlerimizin giderek daha fazlasını yaptığımız platform haline geliyor.
Açıkça söylemek gerekirse, kişisel cihazlarda ajan çalıştırmak söz konusu olduğunda güvenlik ile ilgili birçok zorluk olması kaçınılmaz ve süreç boyunca bir dizi aksaklık bekliyorum. Ayrıca, yapay zeka tarayıcıları ve ajan tabanlı uygulamalar hakkındaki bu argümanların çoğu teoride kulağa hoş gelse de, gerçek şu ki, bu tür geçişler birçok kişinin başlangıçta beklediğinden daha uzun sürüyor, bu yüzden çok fazla umutlanmayın.
Sonuç olarak, bir tarayıcı gibi tanıdık bir uygulamayı daha akıllıca kullanma fikri, yapay zekayı ve ajanları günlük iş akışlarımıza ve cihazlarımıza entegre etmenin en mantıklı yolu gibi görünüyor. Diğerleri gibi ben de başlangıçta ofis verimliliği ve yaratıcı uygulamalardaki yapay zeka destekli özelliklerin cihaz içi yapay zeka deneyimlerini yönlendirmenin anahtarı olduğunu düşünmüştüm, ancak giderek daha çok yeni bir yolun olduğuna ve yapay zeka tarayıcılarının bu yola ulaşmanın yolu olduğuna ikna oluyorum.
Kaynak :
https://www.techspot.com/news/111136-ai ... ernet.html
