Block'tan yalnızca insan sesiyle eğitilen yapay zeka modeli: Dessa

Jack Dorsey'in ödeme şirketi Block, sesli yapay zeka alanında alışılmış yöntemleri kökten değiştiren yeni bir modeli tanıttı. Dessa adı verilen model, şirketin iddiasına göre hiçbir metin verisi veya önceden eğitilmiş yapay zeka modeli kullanılmadan, sıfırdan ve yalnızca insanların kendi aralarındaki konuşma kayıtlarıyla eğitildi. Dorsey, Dessa'yı şimdiye kadar geliştirilmiş en gerçekçi tam çift yönlü konuşma modeli olarak tanımlıyor.

Dessa'nın en dikkat çekici yönlerinden biri tam çift yönlü mimarisi. Bugün piyasadaki sesli asistanların büyük bölümü, kullanıcının sesini önce metne çeviriyor, model bu metni işliyor ve üretilen yanıt yeniden sese dönüştürülüyor. Bu üç aşamalı süreç hem gecikmeye yol açıyor hem de ses tonu, vurgu, duraksama gibi metinde taşınamayan bilgileri kaybediyor. Dessa ise ses girişinden doğrudan ses çıkışı üretiyor; arada transkripsiyon katmanı bulunmuyor. Bu sayede model karşısındaki kişinin sözünü bitirmesini beklemeden uygun anda araya girebiliyor, komik bir şeye anında gülüyor ve konuşmanın doğal ritmini yakalayabiliyor.

Modelin eğitim süreci de en az mimarisi kadar sıra dışı. Block'un açıklamasına göre Dessa, tek bir NVIDIA GB200 NVL72 sistemi üzerinde eğitildi. Ekip, bu yaklaşımı bebeklerin yazı görmeden konuşmayı öğrenmesine benzetiyor: model dili yüzlerce kelimelik metinlerden değil, yalnızca dinleyerek öğreniyor. Bu yöntemin zorluğu ortada; tek bir sözcüğün ses olarak kapladığı alan, metindeki karşılığından binlerce kat fazla ve aynı cümlenin her söylenişinde farklı ses verileri ortaya çıkıyor. Ekip, bu karmaşıklığa rağmen modeli eğitmeyi başardıklarını belirtiyor.

Dessa'nın bir diğer öne çıkan özelliği tüketici donanımında çalışabilmesi. Block, modelin M4 Max ve üstü işlemciye sahip bir MacBook Pro'da yerel olarak kullanılabileceğini açıkladı. Şirketin paylaştığı örneklerde Dessa'nın insanlarla yaptığı sohbetler yer alıyor: Christopher Nolan filmleri üzerine bir tartışmada beklenmedik bir Bryan Singer yorumu yapması, bir kullanıcının anlattığı sürpriz Paris seyahatine duygusal bir yanıt vermesi gibi anlar modelin doğallığını göstermeyi amaçlıyor. OpenAI'ın GPT-Live-1 ses modeliyle yapılan karşılaştırmalı bir konuşmada da Dessa'nın daha doğal göründüğü iddia ediliyor.

Block, Dessa'yı geliştirme nedenlerini merak, insanlarla yapay zeka arasında daha iyi anlayış ve güvenlik olarak sıralıyor. Özellikle güvenlik boyutu ekibin altını çizdiği önemli bir nokta. Mevcut sesli yapay zeka sistemlerinin kullanıcının sesindeki duyguyu algılayamadığını belirten ekip, ciddi bir acı içinde olan birinin karşısında yapay zekanın bunu fark etmeden konuşmaya devam etmesini tehlikeli olarak nitelendiriyor. Dessa'nın bu soruna yönelik bir adım olduğu vurgulanıyor. Bu nedenle model şu anda genel kullanıma açık değil; yalnızca küçük bir yapay zeka güvenliği araştırmacısı grubuna erken erişim verilmiş durumda.

Arka plan

Dessa'nın arkasındaki ekip, geçmişte Toronto merkezli derin öğrenme girişimi Dessa'da görev almış araştırmacılardan oluşuyor. Projenin liderliğini Ragavan Thurairatnam üstleniyor. Thurairatnam, sosyal medyada yaptığı paylaşımda modeli konuşma için bir GPT-3 anı olarak tanımlıyor. Bu benzetme, Dessa'nın sesli yapay zeka alanında GPT-3'ün metin tabanlı yapay zekada yarattığı etkiye benzer bir sıçrama yaratabileceği iddiasını taşıyor.

Ne anlama geliyor?

Ancak Dessa hakkında henüz bilinmeyenler, bilinenlerden daha fazla. Modelin parametre sayısı, API erişimi, fiyatlandırması, ağırlıkları ve bağımsız değerlendirme sonuçları yayınlanmış değil. Kamuoyuna sunulan tek kanıt, şirketin paylaştığı demo kayıtları. Bu durum, modelin gerçek dünyadaki performansı hakkında temkinli olmayı gerektiriyor. Sesli modellerin doğallığı, kısa demo kayıtları yerine uzun, karmaşık ve beklenmedik konuşmalarda test edildiğinde gerçek anlamda ortaya çıkıyor.

Yine de Dessa, sesli yapay zeka alanında önemli bir deney olarak değerlendirilebilir. Bugüne kadar konuşma modelleri, devasa metin külliyatları üzerinde eğitilen dil modellerinin üzerine ses katmanları eklenerek inşa edildi. Dessa ise bu paradigmayı tersine çeviriyor: modelin dil bilgisi yalnızca dinlediği insan konuşmalarından geliyor. Bu yaklaşım başarılı olursa, daha küçük ve verimli modellerin yalnızca ses verisiyle etkileyici konuşma yetenekleri geliştirebileceği anlamına gelebilir.

Türkiye açısından bakıldığında, yerelde çalışabilen bu tür konuşma modelleri veri gizliliği kaygısı taşıyan kullanıcılar ve kurumlar için önemli bir alternatif sunabilir. Ses verisinin buluta gönderilmeden cihaz üzerinde işlenmesi, özellikle sağlık, hukuk ve finans gibi hassas sektörlerde sesli asistan kullanımının önünü açabilir. Ancak önce modelin gerçek dünyadaki performansının ve sınırlarının netleşmesi gerekiyor. Şimdilik Dessa'nın bir araştırma önizlemesi olduğunu ve genel kullanıma ne zaman sunulacağının bilinmediğini hatırlatmakta fayda var. Block'un modeli daha geniş bir kitleye açması ve bağımsız değerlendirmelerin yayınlanması, Dessa'nın gerçekten konuşma için bir GPT-3 anı olup olmadığını belirleyecek.