Yapay zekâyla tasarlanmış bir yemek menüsü ilk bakışta profesyonel görünebilir, ancak birçok kullanıcı onda rahatsız edici bir şey fark ediyor: gereğinden fazla simetrik sandviçler, tamamen yuvarlak dondurma topları, çizime daha çok benzeyen biçimde akan peynir ya da kuyruğunu yiyor gibi görünen karides. Bu ayrıntılar görüntünün açıkça sahte olduğu anlamına gelmeyebilir, ancak ona gerçek yemekten farklı, tekdüze ve cilalı bir görünüm kazandırır.
Makale bu olguyu yalnızca bir restoran menüsü tasarımındaki görsel hata olarak değil, yapay zekâ çıktılarındaki yakınsama sorunu olarak ele alıyor. Üretken modeller, çok büyük miktarlardaki verilerden kalıpları öğrenir ve ardından hamburger restoranı için menü oluşturmak gibi bir isteğe uygun gördüğü yanıtı üretir. Eğitildiği materyaller zaten birbirine benziyorsa, ortaya çıkan sonuç tek bir görsel zevkin yeniden dönüştürülmesine daha çok yaklaşır.
Eğitim verileri tanıdık biçimi teşvik ediyor
Reality Defender’ın teknik direktörü Alex Lisle, bu görüntülerin bazılarının, temel ilkelerini anlamadan pizza hazırlamaya çalışan yabancı bir varlık tarafından yapılmış gibi göründüğünü söylüyor. Ona göre bunun nedeni, modellerin işlevlerini çıkardığı verilerle bağlantılı. Hızlı servis restoranı için menü tasarlaması istendiğinde modeller, Wendy’s, Burger King ve McDonald’s gibi tanınmış menülerden ve zincirlerden yararlanabilir; bu materyaller de zaten birbirine yakın görsel tarzları paylaşır.
Sonuç belirli bir menünün birebir kopyası değil, en yaygın özellikleri yeniden üreten bir karışımdır: kusursuz aydınlatma, simetrik düzen, pürüzsüz yüzeyler ve daha iştah açıcı olduğu varsayılan renkler. Elon University’deki Imagining the Digital Future Center’ın yöneticisi Lee Rainie, verilerin iyileştirilmesinin kabul edilebilir ve rahatsız edici görünmeyen unsurlara odaklandığını, bunun da farklılıkları ve keskin kenarları silen bir homojenliğe dönüşebileceğini belirtiyor.
Yapay zekâ tarafından üretilen materyaller sonraki eğitim kümelerine girdiğinde sorun daha da büyür. Lisle bu durumu Model Collapse’tan (Model Çöküşü) ayırıyor. Model çöküşü, bir modelin çıktılarının tekrar tekrar aynı modele beslenmesiyle ortaya çıkan ve kalitede geniş çaplı bozulmaya yol açan daha ağır bir senaryodur. Ona göre yemek menülerinde görülen şey ise sonuçların çeşitliliğini ve kalitesini azaltan, ancak modeli bütünüyle kullanılamaz hâle getirmeyen bir yakınsama veya homojenleşmedir.
Tekrarlanan düzenlemeler kusurları artırabilir
Sorun her zaman ilk görüntünün oluşturulmasından kaynaklanmaz. X platformunda Labtec adını kullanan bir kullanıcı, ChatGPT aracılığıyla bir menü oluşturduğu ve ardından onu 100 kez düzenlediği bir deneyi paylaştı. Düzenlemeler tekrarlandıkça yemek görselleri gerçek yemeğe daha az benzerken daha yuvarlak ve pürüzsüz görünmeye başladı. Makaleye göre TechCrunch deneyi tekrarladı ve benzer bir sonuç buldu.
Bu senaryo, öğelerin fiyatlarını, adlarını veya menüdeki küçük ayrıntıları değiştirmek için üretim araçlarını kullanan restoranlar açısından önem taşıyor. Her bir düzenleme sınırlı görünebilir, ancak bunların birikmesi görüntüyü aşamalı olarak doğal görünümünden uzaklaştırabilir. Bu durumda yapay zekâ yalnızca zaman kazandıran bir araç değil, tasarımcının gizlemeye çalıştığı yapay özellikleri güçlendirebilen bir düzenleme döngüsünün parçasıdır.
İnsanlar sahte olma hissini neden yakalıyor?
Rainie, insanların bazen açıklaması zor olan bir yetenekle, şüpheli unsuru belirleyemeseler bile üretilmiş bir görüntü ile gerçek bir görüntüyü ayırt edebildiğini düşünüyor. Makale bu rahatsızlığı Uncanny Valley (Tekinsiz Vadi) etkisiyle ilişkilendiriyor. Almanya’daki Duisburg-Essen Üniversitesi’ndeki araştırmacılar, neredeyse gerçek görünen yemek görüntülerinin, açıkça sahte görüntülere kıyasla daha fazla tiksinme ve huzursuzluk yaratabildiğini buldu.
Yemek söz konusu olduğunda çelişki daha belirgindir: Geleneksel reklamcılıkta da yemek, gerçektekinden daha iyi görünmesi için genellikle düzenlenir ve aydınlatılır; Big Mac sandviçlerinin reklam görsellerinde olduğu gibi. Ancak yapay zekâ çıktıları bu güzelleştirmeyi, yemeğin tanıdık özelliklerini yitirdiği bir düzeye taşıyabilir. Müşteri peynirin, ekmeğin veya karidesin görsel olarak beklediği gibi davranmadığını fark ettiğinde, amaçlanan iyileştirme itici bir unsura dönüşür.
Pratikte ne değişiyor?
Restoranlar açısından çıkarılacak ders, tasarımda yapay zekâ kullanımının her zaman başarısız olduğu değil, yalnızca kusursuz görünüme güvenmenin güvene zarar verebileceğidir. Gerçek yemeği doğru biçimde temsil etmeyen görüntüler, müşterinin beklentileri ile deneyimi arasında bir boşluk yaratabilir. Bu da modelin “güzel görüntü” ölçütlerinin indirgemediği ayrıntıları fark edebilen insan denetimine duyulan ihtiyacı ortaya koyar.
Bu anlam, yemek menülerinin ötesine geçiyor. Lisle, mahkeme sistemleri de dâhil olmak üzere tarihsel olarak görme ve işitmeyi güvenilir kanıt kabul etmenin ve kayıtlarla görüntülere özel bir statü vermenin artık aynı ölçüde güvenli olmadığını söylüyor. Gerçek bir yemek görüntüsü ile üretilmiş bir görüntüyü ayırt etmek bazen zorsa, daha hassas alanlarda görsel ve işitsel içeriği doğrulamak yalnızca estetik değil, pratik bir soruna dönüşür.
Kaynak bu soruna kesin bir teknik çözüm sunmuyor ve yapay zekâ tarafından üretilen her menünün reddedilmeye yol açacağını da kanıtlamıyor. Ancak mevcut modellerdeki önemli bir sınırlamayı açıklıyor: Geniş ölçekte kabul edilebilir çıktılar üretme çabası, yerel ve bireysel özelliklerin ortadan kaldırılmasıyla sonuçlanabilir; ardından da yiyeceklerin veya başka herhangi bir içeriğin nasıl görünmesi gerektiğine dair tek bir imge yeniden üretilir.