YZ Etiği, YZ’nin Sürdürülebilir Kalkınma Hedefleri için Potansiyeli Hakkında Ne Diyor?

I: Olumsuz Etkiler

Küresel Hedefler olarak da bilinen Sürdürülebilir Kalkınma Hedefleri (SKH'ler), Birleşmiş Milletler tarafından 2015 yılında belirlenen 17 birbiriyle bağlantılı hedeften oluşur [1]. SKH’ler, çok çeşitli küresel zorlukların üstesinden gelmek ve ekonomik, sosyal ve çevresel boyutlarda sürdürülebilir kalkınmayı teşvik etmek için kapsamlı bir çerçeve sağlar. Tüm insanlar için daha iyi bir dünya yaratmayı ve aynı zamanda gezegeni korumayı amaçlayan SKH’ler 2030 yılına kadar gerçekleştirilmek üzere tasarlanmıştır.

 

 

Ancak BM Genel Sekreteri'nin Mayıs 2023'te yayınladığı rapor, SKH’lerin çoğunun tehlikede olduğunu gösteriyor [2]. Yani aynı şekilde devam edersek 2030 yılına kadar SKH’leri gerçekleştirmek imkânsız hâle gelecek. Bu noktada yapay zekâ etiğinin insanlara faydalı olması gerektiğini vurguladığı yapay zekânın (YZ) çözüm olup olamayacağı akıllara geliyor. Ancak öyle görünüyor ki YZ, SKH’lerin uygulanmasını hem ilerletme hem de baltalama potansiyeline sahip. Bu sebepten ötürü, ilk aşamada soruyu şu şekilde sormak daha doğru olabilir: YZ, SKH’lere ulaşmaya gerçekten katkıda bulunabilir mi, yoksa zaten gerçekleştirilmekten çok uzak olan SKH’lere ulaşmayı daha da mı zorlaştırıyor/zorlaştırabilir?

YZ SKH’lere ulaşmayı nasıl olumsuz etkileyebilir?

Çevresel Etkiler

Mevcut durumda YZ, özellikle de üretici YZ, küresel su sorunu, iklim değişikliği ve enerji tüketimi açısından yarardan çok zarar veriyor gibi görünüyor. Örneğin, YZ’nin su ayak izi oldukça büyüktür. YZ modellerinin eğitildiği ve dağıtıldığı veri merkezleri, veri merkezi soğutması ve elektrik üretimi için çok büyük miktarda su tüketiyor. Microsoft'un ABD veri merkezlerinde GPT-3'ün eğitilmesinin, 700,000 litre temiz tatlı su tüketimine neden olduğu ve eğer GPT-3 Microsoft'un Asya veri merkezlerinde eğitilseydi bu miktarın 2,100,000 litreye yükseleceği tahmin edilmektedir [3]. Ayrıca, bu hesaba elektrik üretimi için kullanıldığı tahmin edilen 2,8 milyon litrelik tesis dışı su ayak izi de eklendiğinde, GPT-3'ün eğitimi için toplam su ayak izi ABD için 3,5 milyon litre, Asya için 4,9 milyon litre oluyor [3]. Ayrıca, ChatGPT'nin dağıtılma (deploy edilme) zamanına ve yerine bağlı olarak, her 20-50 soru ve cevapta yarım litre su “içmesi” gerekiyor [3]. Araştırmacılar, bu sayıların GPT-4 için büyük olasılıkla önemli ölçüde artacağını tahmin ediyor.

Bunlara ek olarak, GPT-3'ün eğitiminin 1.287 megawatt saat enerji tükettiği ve 552.1 ton karbondioksit eşdeğeri ürettiği tahmin ediliyor [4]; bu, "bir yıl boyunca kullanılan 123 benzinli binek aracın eşdeğeri"dir [5]. Bu sayılar yalnızca tüketicilerin ürünü kullanmaya başlamasından önceki süreci gösterir ve GPT-4 için muhtemelen daha yüksek olacaktır. YZ’de sürdürülebilir uygulamaların yokluğunda, YZ’nin 2025 yılına kadar kolektif insan iş gücünden daha fazla enerji tüketeceği ve böylece sıfır karbon kazanımlarını dengeleyeceği tahmin ediliyor [6].

Olumsuz çevresel etkiler azaltılabilir mi?

            Zorluklar ciddi ve önemli görünse de bu zorluklara çözüm üretmek mümkün görünüyor. Sorunları ele almaya başlamak için en önemli gereksinimlerden biri farkındalığı ve şeffaflığı sağlamaktır. Bu olumsuz etkilerin daha da geliştirilebilecek teknik ilerlemeler yoluyla azaltılması, çevre dostu ve sürdürülebilir YZ’nin geliştirilmesi konusunda farkındalığın teşvik edilmesi ve YZ geliştirme ve kullanımının mevcut çevresel etkilerine ilişkin şeffaflığın sağlanmasıyla mümkün olacaktır.

            Bu modellerin eğitiminin karbon ayak izini azaltmak mümkündür. Örneğin, 176 milyar parametreli bir dil modeli olan BLOOM, 433 megawatt saat enerji tüketmiş ve 30 ton karbondioksit eşdeğeri üretmiştir [7]. Bu umut verici çünkü BLOOM, 175 milyar parametreye sahip GPT-3 ile benzer boyutta. Ayrıca araştırmalar, seçilen derin sinir ağı, veri merkezi ve işlemciye bağlı olarak karbon ayak izinin 100 ila 1000 kat azaltılabileceğini göstermektedir [4].

Bunun yanı sıra, her ne kadar su ayak izi konusunda karbon ayak izi kadar farkındalık olmasa da ilk araştırmalar umut verici görünüyor. Su verimliliğinin bir ölçüsü olan Su Kullanım Etkinliği, farklı alanlar ve zaman dilimleri arasında değişir; bu, büyük bir YZ modelinin eğitimi için zamanlama ve konum hakkında dikkatli kararlar almanın, su kullanımını önemli ölçüde azaltabileceğini gösterir [3].

Teknoloji şirketleri, YZ'nin tüm yaşam döngüsü boyunca tüketilen su ve enerji miktarı ile karbon salınımı konusunda daha şeffaf hale geldiklerinde, çevresel zararlar azaltılabilir. Örneğin, YZ modeli geliştiricileri, veri merkezinin çalışma zamanı su verimliliği hakkında bilgiye sahip olarak model eğitimini etkili bir şekilde planlama yeteneklerini artırabilir ve eğitilmiş modellerin dağıtım konumlarına yönelik bilinçli kararlar alabilirler veya su tasarrufuna öncelik veren bireyler, yüksek su verimliliği dönemlerinde YZ hizmetlerini kullanmayı tercih edebilirler [3].

Dahası, bu konularda şeffaflık olmadığında, şirketleri hesap verebilir tutma ve onları ciddi düzeyde azalmaya teşvik etme yeteneği ulaşılamaz hale gelir ve tüketiciler iklim ve çevre üzerinde daha az olumsuz etkisi olan YZ sistemlerini seçme veya bu tür sistemleri tamamen kullanmaktan kaçınma kapasitesine sahip olamazlar [8]. Son olarak şeffaflık, araştırma topluluğunun çevre dostu ve sürdürülebilir YZ konusundaki çabalarına katkıda bulunabilir ve politika yapıcıların YZ’nin çevreye olumsuz etkilerini düzenlemelerine yardımcı olabilir.

Sosyal ve ekonomik etkiler

YZ’nin çevre üzerindeki olumsuz etkilerinin yanı sıra, sosyal ve ekonomik SKH’leri de zayıflatma potansiyeli var. YZ’nin algoritmik önyargı ve ayrımcılık, derin sahtelerin kötü amaçlarla kullanılması, dezenformasyon, belirli işlerin otomasyonu ve dijital uçurum gibi bazı sosyal ve ekonomik sonuçları "Toplumsal Cinsiyet Eşitliği", "Eşitsizliklerin Azaltılması", "Barış, Adalet ve Güçlü Kurumlar" ve "İnsana Yakışır İş ve Ekonomik Büyüme" gibi bazı sosyal ve ekonomik SKH'ları potansiyel olarak tehlikeye sokabilir. Örnek vermek gerekirse, algoritmik önyargı ve ayrımcılık mevcut eşitsizlikleri sürdürebilir, hatta şiddetlendirebilir ve toplumların ve kurumların daha az adil olmasına yol açabilir.

Dahası, bireylerin bir görselin, metnin, sesin veya videonun gerçek mi yoksa yapay olarak mı oluşturulduğunu ayırt etmekte zorlanabileceği göz önüne alındığında, derin sahte ve dezenformasyonun yaygın şekilde yayılması güveni önemli ölçüde zayıflatma potansiyeline sahiptir. Derin sahtelerin ve dezenformasyonun gün geçtikçe artan yaygınlığının uzun vadeli etkisi, kurumlara ve bireylere olan güveni derinden zedeleyebilir [8].

Son olarak, YZ’nin ekonomik sonuçları arasında aşırı iş otomasyonu, eşitsizliğin körüklenmesi, ücretlerin verimsiz bir şekilde düşürülmesi ve verimliliğin artırılamaması yer alabilir [9]. Yani sıklıkla vurgulanan tehlike iş kaybı olsa da potansiyel risklerin sadece iş kaybının ötesine geçerek emeğin değer kaybetmesini ve ekonomik eşitsizliklerin şiddetlenmesini de kapsadığını belirtmekte fayda var.

Olumsuz sosyal ve ekonomik etkiler azaltılabilir mi?

YZ’nin olumsuz sosyal etkileri muhtemelen YZ etiği bağlamında en kapsamlı şekilde düşünülen konudur. Özellikle de algoritmik önyargı ve ayrımcılık en öncelikli ve dikkat çeken konular arasında yer almaktadır. Regülasyon teklifleri ve etik çerçeveler özellikle bu konulara odaklanırken, risk ve etki değerlendirmeleri ve önyargı denetimleri gibi araçlar bu sorunları ele almayı ve azaltmayı amaçlamaktadır. Bu araçların etkili kullanımı, regülasyonların yürürlüğe girmesi, dünyada bu konuları ele alan regülasyonların sayısının artması ve YZ sistemlerinin geliştirilmesi ve kullanımı sırasında etik çerçevelere bağlılık ile bu riskleri azaltmak mümkün görünüyor.

Ayrıca, derin sahte ve dezenformasyonun yaygınlaşması sorununa yönelik olarak sentetik içeriklere filigran veya etiket eklenmesi gibi teknik çözümler öneriliyor ancak bu sorunu tamamen çözemez. Bu çözümler, ekran görüntüsü alma, kırparak görsel filigranları kaldırma ve açık kaynaklı modellerden sentetik görüntülere filigran ekleme girişimlerini ortadan kaldırma gibi yöntemlerle atlanabilir [8]. Yani, özellikle içerik kasıtlı olarak yanıltıcı olacak şekilde üretildiğinde, bu sorun yalnızca teknik katmanlar eklenerek tamamen çözülemez; bu nedenle, güçlü medya okuryazarlığı ve güvenilir medya kurumları gibi alternatif yaklaşımların araştırılması ve medya ve sosyal bilimler araştırmacılarının bu konuya büyük ilgi göstermesi önemlidir [8].

Son olarak, YZ'nin insanları tekrar eden görevlerden kurtarıp üretkenliğini artıracağı gibi potansiyel faydalarının sürekli konuşulduğu ama bunun doğru bir şekilde nasıl yapılacağına odaklanılmayan bir dünyada, YZ'nin potansiyel ekonomik zararlarını gözden kaçırmak ve potansiyel faydalarını istemeden bir felakete dönüştürmek çok kolay olabilir. Bu yüzden, YZ için regülasyon çalışmaları yapmak ve YZ araştırmalarını, YZ’nin insan üretkenliğini artırabileceği yeni görevler ve işçileri güçlendirebilecek yeni ürünler ve algoritmalar oluşturabileceği alanlara yönlendirmek [9], YZ’nin potansiyel ekonomik zararlarını önlemek için bir strateji sunar.

Sonuç

YZ SKH'lere yönelik birçok risk getiriyor fakat bu riskler azaltılamayacak gibi görünmüyor. Gözden kaçan ya da daha az dikkat edilen sorunların gündeme taşınması, bu konularda bilinç oluşturulması ve araştırma topluluklarının bu konuların ortaya çıkardığı zorlukları da ele alan etik ve sorumlu YZ'nin nasıl geliştirileceği ve kullanılacağı üzerine eğilmesiyle bu riskler azaltılabilir. Bunların yanı sıra, tabii ki de teknoloji şirketlerinin etik ilke ve değerlere bağlılığını geliştirmesi, şeffaf bir şekilde araştırma topluluklarına, politika yapıcılara ve kamuya gerekli bilgileri sağlaması ve bunların sağlandığından emin olmak için regülasyonların yürürlüğe girmesi gerekmektedir.

İnsanlığın ve gezegenin mevcut durumu göz önüne alındığında, YZ'nin her hâlükârda insanlara ve gezegene zarardan çok fayda sağlaması gerektiği aşikârdır. Bir sonraki yazımızda, bu gerçeği aklımızın bir köşesinde tutarak YZ SKH'lere ulaşmamıza katkıda bulunabilir mi sorusuna odaklanacağız.

Referanslar

[1] United Nations. (n.d.). Take action for the sustainable development goals - united nations sustainable development. United Nations. https://www.un.org/sustainabledevelopment/sustainable-development-goals/

[2] General Assembly Economic and Social Council advance ... - United nations. (2023, May). https://hlpf.un.org/sites/default/files/2023-04/SDG%20Progress%20Report%20Special%20Edition_0.pdf

[3] Li, P., Yang, J., Islam, M. A., & Ren, S. (2023, April 6). Making AI less “thirsty”: Uncovering and addressing the secret water footprint of AI models. arXiv.org. https://arxiv.org/abs/2304.03271

[4] Patterson, D., Gonzalez, J., Le, Q., Liang, C., Munguia, L.-M., Rothchild, D., So, D., Texier, M., & Dean, J. (2021, April 23). Carbon emissions and large neural network training. arXiv.org. https://arxiv.org/abs/2104.10350

[5] Saenko, K. (2023, May 25). A computer scientist breaks down generative AI’s Hefty Carbon Footprint. Scientific American. https://www.scientificamerican.com/article/a-computer-scientist-breaks-down-generative-ais-hefty-carbon-footprint/
[6] Gartner unveils top predictions for IT organizations and users in 2023 and beyond. Gartner. (n.d.).

[7] Luccioni, A. S., Viguier, S., & Ligozat, A.-L. (2022, November 3). Estimating the carbon footprint of bloom, a 176B parameter language model. arXiv.org. https://arxiv.org/abs/2211.02001

[8] Ghost in the machine . (2023, June). https://storage02.forbrukerradet.no/media/2023/06/generative-ai-rapport-2023.pdf

[9] Acemoglu, D. (2021, September). Harms of AI - National Bureau of Economic Research. https://www.nber.org/system/files/working_papers/w29247/w29247.pdf

Yazan : Gamze Büşra Kaya