Sundar Pichai ve Yapay Zekayı İnternetin Temel Bileşeni Yapma Süreci

"İnternet Primitive" Yapmak Ne Anlama Geliyor

Bir internet primitive orada olacağını varsayabileceğiniz temel bir yapıtaşıdır—bağlantılar, arama, haritalar veya ödemeler gibi. İnsanlar nasıl çalıştığını düşünmez; sadece her yerde, ucuz ve güvenilir şekilde bulunmasını beklerler.

Sundar Pichai’nin büyük iddiası şudur: Yapay Zeka da bu tür bir yapıtaşı olmalı: birkaç üründe saklı özel bir özellik değil, web üzerindeki birçok deneyimin altında yatan varsayılan bir yetenek.

"Güzel özellik"ten "varsayılan yetenek"e

Yıllarca AI eklenti olarak görüldü: burada daha iyi fotoğraf etiketleme, orada daha akıllı spam filtreleme. Pichai’nin ittiği değişim daha yapısaldır. "Nereye AI serpebiliriz?" diye sormak yerine şirketler "Ürünleri AI her zaman varmış gibi nasıl tasarlarız?" diye sormaya başlıyor.

Bu zihniyet öncelikleri değiştirir:

• Hız ve tutarlılık, doğruluk kadar önem kazanır—çünkü varsayılanlar herkes için çalışmak zorundadır.
• Dağıtım önemlidir—AI milyarlarca insana tanıdık araçlar aracılığıyla ulaşmak zorundadır.
• Maliyet ve verimlilik stratejik hale gelir—çünkü primitive'ler devasa ölçekte uygun maliyetli olmalıdır.

Bu makalenin odaklandığı (ve odaklanmadığı) şey

Bu, model mimarileri veya eğitim tariflerine dair teknik bir derin dalış değil. Daha çok strateji ve ürün kararları hakkında: Pichai döneminde Google’ın AI’yı paylaşılan altyapı olarak nasıl konumlandırdığı, bunun insanların zaten kullandığı ürünleri nasıl etkilediği ve dahili platform seçimlerinin neleri mümkün kıldığı.

İlerideki bölümlerde neler öğreneceksiniz

AI’yı primitive haline getirmek için gereken pratik bileşenleri ele alacağız:

• Ürünler: AI'nın ara sıra özellik olmaktan Search, Workspace, Android ve daha fazlasının içinde varsayılan bir katmana nasıl geçtiği.
• Altyapı: AI internet ölçeğinde çalışmak zorunda olduğunda özel çipler, veri merkezleri ve bulut platformlarının neden önemli olduğu.
• Geliştirici platformları: TensorFlow ve sonraki model platformlarının başkalarının Google’ın yaklaşımı üzerine inşa etmesine nasıl yardımcı olduğu.
• Güvenlik ve güven: Milyarlarca insan çıktılara güvendiğinde sorumlu AI, gizlilik ve güvenliğin neden vazgeçilmez olduğunun sebepleri.

Sonunda, organizasyonel ve stratejik açıdan AI’nın modern web kadar temel ve sürekli hissedilmesi için nelerin gerektiğine dair net bir resim elde edeceksiniz.

Pichai’nin Arka Planı: Bir Platform Kurucusunun Zihniyeti

Sundar Pichai’nin Google’daki AI yönelimine etkisini anlamak, kariyerini oluşturan işe bakınca daha kolaydır: sadece kullanıcı kazanmayan, aynı zamanda başkalarının üzerine inşa edebileceği temeller yaratan ürünler.

Ürün göndermekten ekosistem şekillendirmeye

Pichai 2004'te Google'a katıldı ve hızla “varsayılan” deneyimlerle ilişkilendirildi—altyapıyı düşünmeden milyonlarca kişinin güvendiği araçlar. Sadece bir tarayıcı olarak değil, web’e erişmenin daha hızlı ve güvenli bir yolu olarak Chrome’un yükselişinde merkezi bir rol oynadı; bu, standartları ve geliştirici beklentilerini ileri itti.

Daha sonra Android’de büyük sorumluluk aldı. Bu, üretici ekosistemini (cihaz üreticileri, operatörler, uygulama geliştiricileri) dengelerken platformu tutarlı tutmayı gerektiriyordu. Bu, belirli bir ürün liderliği türüdür: sadece tek bir uygulama veya özellik için optimize edemezsiniz—ölçeklenebilir kurallar, API’ler ve teşvikler koymanız gerekir.

AI benimsenmesi için bunun önemi

Bu platform-kurucu zihniyet, AI’yı çevreleyen zorluklara doğrudan uyar.

AI bir platform olarak ele alındığında liderlik kararları genellikle şu öncelikleri vurgular:

• dağıtım (yetenekleri insanların zaten kullandığı ürünlere ulaştırmak)
• tutarlılık (takımlar arasında paylaşılan araçlar ve modeller)
• geliştirici kaldıraç (başkalarının üzerine inşa etmesini kolaylaştırmak)

Pichai 2015'te Google CEO'su (2019'da Alphabet CEO'su) oldu ve şirket çapında bir kaydırma yapma pozisyonuna geldi: AI yan proje değil, paylaşılan altyapı olarak görülmeliydi. Bu bakış sonraki seçimleri—iç araçları standartlaştırma, hesaplamaya yatırım yapma ve AI’yı her seferinde yeniden icat etmek yerine ürünler genelinde yeniden kullanılabilir bir katman haline getirme kararlarını—anlatmaya yardımcı olur.

Google Bağlamı: Ölçek, Ürünler ve Dağıtım

Google’ın AI’yı “temel” hissettirme yolu sadece zeki modellerle ilgili değildi—bu modellerin nerede yaşayabileceğiyle ilgiliydi. Az sayıda şirket, devasa kullanıcı erişimi, olgun ürünler ve uzun süreli araştırma programlarının kesişiminde yer alır. Bu kombinasyon alışılmadık hızda bir geri bildirim döngüsü yarattı: iyileştirmeler gönder, performansını gör, rafine et.

Küçük iyileştirmeleri ödüllendiren ölçek

Milyarlarca sorgu, video ve uygulama etkileşimi birkaç çekirdek hizmetten geçtiğinde, küçük kazançlar bile önem taşır. Daha iyi sıralama, daha az alakasız sonuç, biraz gelişmiş konuşma tanıma—Google ölçeğinde bu artışlar kullanıcılar için fark edilir günlük deneyimlere dönüşür.

"Veri avantajı"nın ne anlama geldiğinde kesin olmakta fayda var. Google’ın internete sihirli bir erişimi yok; büyük olduğu için sonuçları garanti edemez. Avantaj esas olarak operasyoneldir: uzun süredir çalışan ürünler kaliteyi değerlendirmek, regresyonları tespit etmek ve faydalılığı ölçmek için kullanılabilecek sinyaller üretir (politikalar ve yasal sınırlar içinde).

Relevans ve öngörü için çubuk: Search

Search, insanları hızlı, doğru cevaplar beklemeye alıştırdı. Zamanla otomatik tamamlama, yazım düzeltme ve sorgu anlama gibi özellikler, sistemlerin niyeti öngörmesi gerektiği beklentisini yükseltti—sadece anahtar kelimeleri eşleştirmek yerine. Bu zihniyet modern AI’ya doğrudan uyar: bir kullanıcının ne demek istediğini tahmin etmek, genellikle yazdığına tepki vermekten daha değerlidir.

Android: küresel bir dağıtım kanalı olarak

Android, AI destekli özellikleri dünya çapında dağıtmaya pratik bir yol sundu. Ses girişi, cihaz içi zekâ, kamera özellikleri ve asistan benzeri deneyimlerdeki iyileştirmeler birçok üretici ve fiyat segmentine ulaşarak AI’yı ayrı bir ürün olmaktan çok yerleşik bir yetenek haline getirdi.

"Mobil-Öncelikli"den "AI-Öncelikli"ye: Stratejik Kayan

"Mobil-öncelikli" telefon ekranını ve bağlamını varsayılan kabul ederek ürün tasarlamayı ifade ediyordu. "AI-öncelikli" benzer bir düzenleyici ilkedir ama daha geniş: makine öğrenimini, ürünlerin nasıl inşa edildiğinin, iyileştirildiğinin ve sunulduğunun varsayılan bir bileşeni olarak görür—sonradan eklenen özel bir özellik olarak değil.

Basitçe ifade edersek "AI-öncelikli" ne demektir

Pratikte AI-öncelikli bir şirket, birçok kullanıcı sorununu yazılımın tahmin etme, özetleme, çeviri, önerme veya otomatikleştirme yapabildiğinde daha iyi çözeceğini varsayar. Soru "Burada AI kullanmalı mıyız?"dan "Bu deneyimi AI güvenli ve yardımcı olacak şekilde nasıl tasarlarız?"a kayar.

AI merkezi olunca neler değişir

AI-öncelikli duruş günlük kararlarda görünür:

• Ürün yol haritaları: ekipler AI destekli yetenekleri (daha akıllı arama, daha iyi asistanlık, içerik anlama) çekirdek kilometre taşları olarak planlar, isteğe bağlı deneyler olarak değil.
• İşe alım ve organizasyon tasarımı: daha fazla rol uygulamalı ML, veri kalitesi, değerlendirme ve AI çıktılarına yönelik kullanıcı deneyimine odaklanır—sadece model araştırması değil.
• Araçlar ve süreç: ekipler paylaşılan model platformlarına, yeniden kullanılabilir bileşenlere ve ortak değerlendirme yöntemlerine yatırım yapar, böylece AI özellikleri tutarlı şekilde gönderilebilir ve kalite ölçülebilir.

Ayrıca "göndermek" ne demek değişir. Tek bir lansman yerine, AI özellikleri genellikle sürekli ayar gerektirir—performansı izlemek, istemleri veya model davranışını rafine etmek ve gerçek dünya kullanımı kenar durumları ortaya çıkardıkça koruyucu önlemler eklemek.

Liderliğin sinyalleri neden önemli

Şirket çapında dönüşümler slogan seviyesinde kalırsa işe yaramaz. Liderlik, tekrar eden kamusal çerçevelemeler, kaynak tahsisi ve teşviklerle öncelikleri belirler: hangi projelere insan gücü veriliyor, hangi metrikler önem taşıyor ve hangi incelemeler "Bu AI ile nasıl iyileşiyor?" diye soruyor.

Google kadar büyük bir şirkette bu sinyal verme esas olarak koordinasyon içindir. Takımlar ortak bir yön paylaştığında—AI varsayılan bir katman olarak—platform grupları araçları standardize edebilir, ürün ekipleri güvenle plan yapabilir ve araştırmacılar atılımları ölçeklenebilir şeylere dönüştürebilir.

Araştırmayı Paylaşılan Bir Temele Dönüştürmek

AI’nın "internet primitive" gibi hissettirmesi için yalnızca izole araştırma demolarında veya tek seferlik ürün deneylerinde kalmaması gerekir. Ortak temeller—ortak modeller, standart araçlar ve kaliteyi değerlendirmek için tekrarlanabilir yollar—gereklidir, böylece ekipler her seferinde yeniden icat etmek yerine aynı tabanın üzerine inşa edebilir.

Buluşlardan boru hatlarına

Pichai’nin platform-kurucu zihniyeti altında önemli bir değişim, AI araştırmasını bağımsız projeler serisi olarak görmek yerine yeni fikirleri kullanılabilir yeteneklere güvenilir biçimde dönüştüren bir tedarik zinciri gibi ele almaktı. Bu, eğitim, test, güvenlik incelemesi, dağıtım ve sürekli izlemeyi içeren ölçeklenebilir boru hatlarına işi konsolide etmeyi gerektirir.

Paylaşılan bir boru hattı olduğunda ilerleme "hangi ekip en iyi deneyi yaptı" olmaktan çıkar ve "iyileştirmeleri ne kadar hızlı ve güvenli bir şekilde her yere yayınlayabiliriz" haline gelir. TensorFlow gibi çerçeveler modellerin nasıl inşa edilip servis edildiğini standartlaştırmaya yardımcı oldu; iç değerlendirme ve dağıtım uygulamaları ise laboratuvar sonuçlarından üretim özelliklerine geçişi kolaylaştırdı.

Tutarlılık neden önemli

Tutarlılık sadece operasyonel verimlilik değil—AI’yı güvenilir kılan odur.

• Kalite: Ortak bir değerlendirme yaklaşımı model değişikliklerini dürüstçe karşılaştırmayı ve regresyonları yakalamayı sağlar.
• Hız: Paylaşılan araçlar tekrar eden çabayı azaltır, böylece ürün ekipleri gerçek kullanıcı ihtiyaçlarına odaklanır.
• Güven: Standart gizlilik ve güvenlik kontrolleri ürünler arasında davranışı daha öngörülebilir kılar.

Bunlar yoksa kullanıcı AI’yı düzensiz deneyimler olarak yaşar: bir yerde yardımcı, diğer yerde kafa karıştırıcı ve güvenilir olmayabilir.

Elektrik şebekesi benzetmesi

Bunu elektrik gibi düşünün. Her ev kendi jeneratörünü çalıştırmak zorunda kalsaydı, enerji pahalı, gürültülü ve güvenilmez olurdu. Paylaşılan bir şebeke elektriği talep üzerine kullanılabilir kılar, güvenlik ve performans için standartlar sağlar.

Google’ın paylaşılan AI temeliyle hedefi benzer: modeller, araçlar ve değerlendirme için güvenilir bir "şebeke" kurmak, böylece AI birçok ürüne takılabilir—tutarlı, hızlı ve net koruyucularla.

Geliştirici Platformları: AI’yı İnşa Etmeyi ve Dağıtmayı Kolaylaştırmak

AI internetin temel bir yapıtaşı olacaksa geliştiriciler etkileyici araştırma makalelerinden daha fazlasına ihtiyaç duydular—model eğitimi ve dağıtımını normal yazılım işiymiş gibi hissettiren araçlara ihtiyaç vardı.

TensorFlow neden önemliydi

TensorFlow, makine öğrenmesini uzmanlık gerektiren bir zanaatten mühendislik iş akışına dönüştürmeye yardımcı oldu. Google içinde modellerin nasıl inşa edilip gönderildiğini standartlaştırdı; bu, yinelenen çabayı azalttı ve fikirlerin bir ürün grubundan diğerine taşınmasını kolaylaştırdı.

Google dışında TensorFlow, girişimler, üniversiteler ve kurumsal ekipler için engeli düşürdü. Paylaşılan bir çerçeve etrafında öğreticiler, önceden eğitilmiş bileşenler ve işe alım akışları oluştu—bu "ortak dil" etkisi benimsemeyi tek bir ürün lansmanından çok daha hızlı hızlandırdı.

(Eğer daha derine gitmeden önce temel bir tazeleme isterseniz, bkz. /blog/what-is-machine-learning.)

Açık kaynak ekosistemi hızlandırıyor

TensorFlow gibi araçları açık kaynak yapmak sadece cömertlik değildi—bir geri besleme döngüsü yarattı. Daha fazla kullanıcı daha fazla hata raporu, topluluk katkısı ve gerçek dünyada önemli olan performans, taşınabilirlik, izleme ve dağıtım üzerinde daha hızlı yineleme anlamına geldi.

Ayrıca ekosistem çapında uyumluluğu teşvik etti: bulut sağlayıcıları, çip üreticileri ve yazılım satıcıları yaygın olarak kullanılan arayüzlere göre optimize edebildi.

Takaslar: açıklık vs. güvenlik

Açıklık gerçek riskler getirir. Geniş erişimli araçlar suistimali (dolandırıcılık, gözetim, deepfake) ölçeklendirmeyi kolaylaştırabilir veya modeller yetersiz testle dağıtılabilir. Google ölçeğinde bu gerilim sürekli bir dengedir: paylaşım ilerlemeyi hızlandırır, ancak zarar yüzeyini genişletir.

Pratik sonuç orta bir yol oldu—açık çerçeveler ve seçici yayınlar, eş zamanlı olarak politikalar, korumalar ve sorumlu kullanım rehberleriyle eşleştirildi.

AI daha "primitive" hale geldikçe geliştirici deneyimi de değişir: kurucular artık sadece API’lerle değil, doğal dil aracılığıyla uygulama akışları oluşturmayı beklemeye başlar. Bu noktada sohbet tabanlı prototipleme ve gönderim araçları—ör. Koder.ai—takımlara sohbetle web, backend ve mobil uygulamaları prototipleme ve gönderme imkânı sunar; yine de ihtiyaç duyulduğunda kaynak kodu dışa aktarma seçeneği verir.