Yapay zeka ile çalışan herkesin karşılaştığı bir sorun var: Modellerden aldığımız çıktılar çoğu zaman 'idare eder' düzeyinde kalıyor. Bunun sebebi modelin yetersizliği değil; tek seferlik bir üretim talep etmemiz. Model, size en az dirençli yolu sunuyor: istatistiksel olarak en olası yanıtı üretip duruyor. Kalite standardınızı, okuyucunun beklentisini veya mantıksal boşlukları bilmiyor. Sonuç? Saatler süren düzeltmeler. Neyse ki, AI'nın eleştiri yeteneğinin üretim yeteneğinden daha keskin olduğu gerçeğine dayanan daha iyi bir yöntem var: Özyinelemeli Yansıma Çerçevesi.
Araştırmalar gösteriyor ki (Madaan ve ark., 2023), LLM'ler kendi çıktılarını eleştirip iyileştirmeye yönlendirildiğinde kalite puanları önemli ölçüde artıyor. Bunun ardındaki mekanizma basit: Eleştiri, yeniden yazma aşamasını yönlendiren token'lar üretiyor. Bu token'lar çalışma bağlamı haline geliyor ve model, belirlenen kriterlere daha uygun bir çıktı üretiyor. Tek seferlik üretimde model, sadece prompt'a bağlı olarak en yüksek olasılıklı yolu seçerken; eleştiri aşaması, modelin çıktı dağılımını kısıtlayarak kaliteyi artırıyor. Bu, zincirleme düşünme ve anayasal AI geri bildirim döngülerinin arkasındaki aynı boyut azaltma ilkesidir.
Özyinelemeli Yansıma döngüsü üç aşamadan oluşur: Taslak, Eleştiri ve Yeniden Yazma. İlk aşamada model, istenen çıktının ilk versiyonunu üretir. İkinci aşamada model, belirli bir değerlendirici bakış açısıyla kendi taslağını eleştirir ve somut, numaralandırılmış kusurlar belirler. Üçüncü aşamada ise model, tespit edilen tüm kusurları gideren revize bir versiyon oluşturur. Bu döngü istenildiği kadar tekrarlanabilir; her geçiş, kalite tabanını ölçülebilir şekilde yükseltir. Önemli olan, her aşamanın bir öncekinin çıktısını girdi olarak kullanması ve sıralamanın asla atlanmamasıdır.
Detaylar ve Etkileri
İşte kullanabileceğiniz şablon: İlk olarak '## Görev' başlığı altında ne istediğinizi, hedef kitlenizi ve amacınızı belirtin. Ardından '## Adım 1: Taslak' ile tam bir ilk taslak oluşturun. '## Adım 2: Eleştiri' aşamasında, belirli bir değerlendirici persona (örneğin '20 yıllık deneyime sahip alaycı bir CTO') belirleyin ve taslaktaki tam olarak 3 ölümcül kusuru belirtin. Her kusur için ne olduğunu, neden önemli olduğunu ve nasıl düzeltileceğini tek cümleyle açıklayın. Son olarak '## Adım 3: Yeniden Yazma' ile tüm kusurları gideren son versiyonu oluşturun. Şablondaki '[← ÖZELLEŞTİR: ...]' işaretlerini kendi metninizle değiştirin; geri kalan kısım aynen kalır.
Eleştiri aşamasında kullanacağınız persona, kalite çarpanıdır. İyi belirlenmiş bir eleştirmen, taslak aşamasında aktif olmayan bir bakış açısı getirir. Örneğin, 'Alaycı Domain Uzmanı' (20 yıllık deneyime sahip, her şeyi görmüş bir CTO), 'Kullanıcı Deneyimi Avukatı' (kullanıcıyı en ufak sürtüşmede kaybedecek bir UX direktörü) veya 'Mantık Polisi' (tutarsızlıkları anında yakalayan bir analist) gibi personlar kullanabilirsiniz. Her biri, çıktının farklı bir boyutunu iyileştirir. Önemli olan, eleştirinin somut, eyleme dönüştürülebilir ve doğrudan olmasıdır; 'şu geliştirilebilir' gibi muğlak ifadelerden kaçının.
Nasıl Önlem Alınmalı?
Bu yöntem, özellikle yüksek kalite beklentisi olan profesyonel yazılar, teknik dokümantasyon, pazarlama metinleri ve kod üretimi için idealdir. Örneğin, bir blog yazısı taslağı hazırlarken önce modelden bir taslak isteyin, ardından 'hedef kitleniz olan yazılım geliştiriciler adına eleştiren bir persona' belirleyin ve son olarak eleştirileri gideren revize metni alın. Sonuç, tek seferde elde edebileceğinizden çok daha rafine bir çıktı olacaktır. Unutmayın: AI modelleri iyi yazarlar değil, iyi eleştirmenlerdir. Bu gerçeği kullanarak çıktı kalitenizi bir üst seviyeye taşıyabilirsiniz.
Kaynak: dev.to
