Yapay zeka ajanları günümüzde popüler olsa da, vaat ettikleri kadar yetenekli değiller. Karmaşık görevlerdeki performanslarını ölçme çalışmaları, bu ajanların genellikle yakın gözetim olmadan güvenilir şekilde çalışamadığını gösteriyor. LiveBench 2.0'a göre Claude Fable 5.2 ve ChatGPT-6 Astra, 100 görevden sırasıyla 82.9 ve 75.6'sını başarıyla tamamladı. Yapay zeka altyapı şirketi EON'un simüle edilmiş bir kurumsal ortamda ajanları test etme çabası ise en başarılı model olan Claude Opus 4.8'in görevleri %76.8 doğrulukla yerine getirdiğini ortaya koydu. Şimdi ise Plurai adlı bir startup, otonom araçların yollara çıkmasını sağlayan yöntemlerle bu sayıları artırmayı hedefliyor. Bu yöntem, şirketin kendi dijital sistemlerine dayanan sentetik verilerle simülasyonlar kullanarak modelleri zorlu uç durumlarla başa çıkmaya hazırlamayı amaçlıyor.
Otonom sürüş deneyimi
Plurai'nin kurucu ortakları Ilan Kadar ve Elad Levi, daha önce otonom sürüş teknolojileri geliştiren Nexar'da çalışmıştı. Kadar, Waymo ile uçtan uca derin öğrenme sürüş yazılımlarını simüle edip değerlendirme konusunda çalışmıştı. Kadar, TechCrunch'a verdiği demeçte, “Yapay zeka ajanları dalgasını gördüğümüz an, aynı deseni fark ettik: Bir demo oluşturmak çok kolay, ancak güvenilir ve uygun maliyetli bir şey elde etmek [zor]” dedi. “Aynı deseni gördüğümüz için, aynı iddia bu simülasyon katmanını inşa etmek istediğimizdi.” Şirket, Çarşamba günü bu hedefe ulaşmak için 13 milyon dolarlık tohum yatırımı aldığını duyurdu. Yatırım turuna Team8 liderlik etti, U&I, Velocity ve Mercer de katıldı.
Simülasyonla daha güçlü ajanlar
Araçları sürmek için eğitilen uçtan uca modellere benzer şekilde, yapay zeka ajanları da öngörülemeyen ortamlarda çalışan olasılıksal sistemlerdir. Müşteriler tarafından zorlandıklarında, seyahat rezervasyonu yapma görevindeki ajanlar harcama politikalarını göz ardı edebilir. Veya bir veritabanını sorgulama görevi verilen ajanlar güvenilir bir yanıt verebilir, ancak birden fazla veri kümesinden bilgi birleştirmek işleri karıştırabilir. Bir müşteri hizmetleri botuyla uzun bir sohbet, ajanı aşırı bağlamla yükleyip yanlış yönlere sevk edebilir. Bunu düzeltmek için Plurai, ajanın üretimde erişebileceği bilgi tabanı ve araçları da dahil olmak üzere şirketin elektronik sistemlerinin bir dijital ikizini oluşturuyor. Ardından, ajanların olası tüm akışlarını haritalandırıyor ve bu grafiği, olası uç durumlar için değerlendirmeler ve düzeltmelerle modeli hazırlamak üzere kullanıyor. Platform, Claude Code, Codex, Copilot ve Cursor gibi mevcut ajanlık araçlarıyla birlikte çalışıyor. Ancak Kadar, şirketin asıl vaadinin topladığı verileri kullanarak bireysel müşteri ihtiyaçlarına göre uyarlanmış küçük, açık ağırlıklı modelleri sonradan eğitmek olduğunu söylüyor. Nvidia ve Nebius ile yapılan testler, şirketin modellerinin daha düşük maliyetlerle orta düzey öncü modellerden daha iyi performans gösterdiğini ortaya koydu. Kadar, “Büyük bir dil modelini alabiliriz, görevi alıp simülasyonu kullanarak daha küçük bir göreve ayırabiliriz, [açık ağırlıklı] bir model eğitebiliriz ve simülasyonu kullanarak kalitenin öncü modelden daha yüksek veya karşılaştırılabilir olduğunu ve maliyetin bir veya iki kat düşürüldüğünü doğrulayabiliriz” dedi. Plurai'ye melek yatırımcı olarak destek veren Google DeepMind araştırmacısı Reah Miyara, şirketin avantajının üretimdeki hata modlarını anlamaktan ve modelleri ayarlamak için sentetik veri üretmekten geldiğini belirtti. İşletmeler yapay zeka harcamalarını optimize etmeye çalıştıkça, Plurai'nin yaklaşımı gerçek bir avantaj sağlayabilir, çünkü BT liderleri "sınır yetenekli modellerin kendi özel verileriyle dağılım dışı olduğunu ve bunların maliyetinin uzun vadede sürdürülebilir olmadığını" görüyorlar. Plurai, yapay zeka ajanlarının fiziksel ve dijital ortamlar arasındaki analojilerin tahminci olabileceğini umuyor: Güçlü genel yapay zeka modelleri robotlara büyüleyici yetenekler kazandırsa da, henüz yaygın olarak konuşlandırılacak kadar güvenilir değiller. Bu arada, belirli görevler için üretilmiş yapay zeka modelleriyle desteklenen robotlar şu anda sahada çalışıyor, müşterilere hizmet veriyor ve değerli gerçek dünya verileri topluyor. Kadar, “Benim görüşüm, OpenAI ve Anthropic modelleri ne kadar akıllı olursa olsun - ve çok daha akıllı olacaklar - sizin işinizi ve politikanızı bilmeyecekler” dedi.
