TEKNOLOJİ — OpenAI, yapay zeka modellerinin alışveriş, bütçe yönetimi ve kreş seçimi gibi günlük insan görevlerindeki performansını ölçmek amacıyla geliştirdiği yeni değerlendirme sistemini ve test sonuçlarını açıkladı.
Yapay zeka teknolojilerinde içerik üretiminden kişisel asistanlığa geçiş süreci hızlanırken, OpenAI günlük hayatı kolaylaştırmaya yönelik yeni kıyaslama testini kamuoyuna sundu.
Açıklanan verilere göre OpenAI'ın eylül ayında erişime sunduğu GPT-6 Astra modeli, ev taşıma sonrası uygun kreş bulma testinde yüzde 93,1, sel hazırlığındaki gönüllü koordinasyonunda yüzde 98 ve diyabet teşhisi konulan bir ebeveyn için beslenme planı oluşturmada yüzde 90,4 başarı elde etti. Modelin gündelik görevlerdeki genel performans puanı yüzde 80 olarak ölçülürken, bir önceki nesil GPT-5.2 modelinin aynı testlerde yüzde 49,3 seviyesinde kaldığı bildirildi. OpenAI araştırmacısı Jenny Yang, kullanıcıların teknolojiyi nasıl deneyimlediğini anlamak ve zayıf kalınan alanları tespit etmek amacıyla bu değerlendirme sistemini kurduklarını belirtti.
İş dünyasına yönelik becerileri ölçen önceki testlerin ardından hazırlanan yeni sistem için 4 bin kullanıcı ile anket yapıldı.
Yaklaşık 100 kişilik uzman kullanıcı grubunun katkısıyla kreş seçiminden daire aramaya kadar geniş bir yelpazede test senaryoları ve başarı kriterleri belirlendi. Sistem, yapay zekanın internet sitelerinde gezinme, geçmiş sohbet verilerinden bağlam çıkarma ve kullanıcının beklentilerine uygun sonuçlar üretme yeteneklerini puanlıyor. Meta'nın Muse, Anthropic'in Claude Duet ve Google'ın geliştirdiği yapay zeka ajanlarıyla rekabetin arttığı sektörde, OpenAI ChatGPT'yi sadece metin üreten bir araçtan kullanıcı adına işlem yapan bir asistana dönüştürmeyi hedefliyor.
Geliştirilen sistemlerin güvenlik riskleri ve veri gizliliği tartışmalarını da beraberinde getirdiği belirtilirken, uzmanlar yapay zekanın rutin işleri üstlenerek insanlara zaman kazandırmayı amaçladığını vurguluyor.