OpenAI 'LifeVal' Kıyaslama Testini Duyurdu: Yapay Zekanın 'Günlük Yaşam Becerileri' Ölçülüyor

Teorik Matematikten Gerçek Dünyanın Kaosuna: LifeVal Kriteri

Yapay zeka modellerinin akademik sınavlarda, kodlama yarışmalarında ve tıp sınavlarında insanları geride bırakması artık olağan bir haber haline geldi. Ancak en yetenekli modeller dahi günlük hayatta basit bir evrak işini takip etmekte veya bir ailenin bütçesine uygun planlama yapmakta zorlanabiliyor. OpenAI, bu boşluğu doldurmak amacıyla yapay zekanın pratik günlük yaşam problemlerini çözme yeteneğini ölçen yeni değerlendirme standardı LifeVal'ı resmi olarak tanıttı.

Şirket, LifeVal'ın amacını "Yapay Genel Zekayı (AGI) insanların günlük yaşamlarında en çok ihtiyaç duyduğu faydalı ve somut bir kişisel yardımcıya dönüştürmek" olarak tanımlıyor. Sistem, modelin sadece teorik tavsiye verip vermediğini değil; görevi doğrudan "uygulanabilir ve teslim edilebilir" (actionable and deliverable) nihai bir sonuca ulaştırıp ulaştırmadığını sınıyor.

"LifeVal, yapay zekanın bir kreş listesi çıkarmasını değil; ailenin aylık gelirini, işe gidiş-geliş toplu taşıma saatlerini ve ev ortamını hesaba katarak çocuğa en uygun kreşi seçip kayıt evraklarını hazırlamasını bekler."

4.000 Kişilik Kamuoyu Araştırması ile Belirlenen Görevler

OpenAI, LifeVal test setindeki görev senaryolarını kurgularken ABD ve çok uluslu Zaman Kullanım Araştırmaları'ndan (Time Use Survey) faydalandı. Ayrıca farklı demografik katmanlardan 3.995 gerçek vatandaşla anket yapılarak, bir yapay zeka asistanından en çok hangi konularda yardım beklendiği belirlendi:

Kullanıcı Bağlamı ve Web Taramasını Birleştirme Şartı

LifeVal testinde başarılı olabilmek için modellerin; geçmiş sohbet kayıtlarındaki ipuçlarını doğru hatırlaması, gerçek zamanlı web taraması yaparak en güncel fiyat ve mevzuat verilerine ulaşması ve birden fazla kaynaktan gelen çelişkili bilgileri süzerek kullanıcıya özel bir reçete sunması gerekiyor.

Bununla birlikte bağımsız araştırmacılar, LifeVal'ın şu an için yalnızca OpenAI'ın şirket içi bir değerlendirme aracı olduğunu, değerlendirme kodlarının ve test setlerinin kamuoyuna açık kaynaklı olarak sunulmadığını belirterek, sonuçların bağımsız denetimden geçene kadar temkinli değerlendirilmesi gerektiğini ifade ediyor.