Büyük dil modelleri yalnızca dil öğrenmekten ziyade, eğitildikleri metinlerde tekrar eden değerleri, öncelikleri, normal kabul edilen davranışları ve dünyayı açıklama biçimlerini de öğrenir. Bu nedenle bir modelin Türkçe cevap vermesi, mutlaka Türkçe düşünce dünyasının içinden konuştuğu anlamına da gelmemektedir.

Bugünkü büyük dil modellerinin eğitiminde kullanılan veri kümeleri ağırlıklı olarak İngilizce metinlerden oluşmaktadır (Brown vd., 2020; Touvron vd., 2023; Wang et al., 2023). Çalışma prensibi dilsel örüntüler üzerine kurulu olan ve eğitildiği veri kümelerine dayanarak otoregresif bir biçimde bağlama yönelik kelimeler kullanan büyük dil modelleri, şüphesiz ki ağırlıklı olarak İngilizce dilinde eğitilse de salt İngilizce istemlere cevap vermemektedir. Bir diğer deyişle büyük dil modelleri, kendilerine pek çok dilden yöneltilen istemlere soruların formüle edildiği dilde dönüşler yapabilmektelerdir.

Büyük dil modellerinin büyük oranda İngilizce diliyle beslenmiş olması da yalnızca bir dil temsiliyeti sorununa teşmil edilmemelidir. Büyük dil modelleri bu metinlerden yalnızca İngilizce grameri öğrenmekten ziyade hangi sorunların önemli sayıldığını, hangi davranışların sağlıklı veya sakıncalı görüldüğünü, hangi kavramların olumlu çağrışımlar taşıdığını ve hangi çözümlerin makul kabul edildiğini de istatistiksel olarak öğrenir.

Bu durum model başka bir dilde cevap verdiğinde de ortadan kalkmamaktadır. Aksine, İngilizce kaynaklarda öğrendiği değer çerçevelerini Türkçe, Almanca, Arapça veya başka bir dilde yeniden üretebilir. Cümleler Türkçe olsa da cevabın ahlaki ve kültürel mimarisi başka bir dünyaya ait olabilir.

Sözgelimi aile içi bir anlaşmazlık sorulduğunda model sıklıkla “kişisel sınırlar”, “bireysel alan”, “toksik ilişki” veya “kendini gerçekleştirme” gibi kavramlara başvurabilir. Esasında bu kavramlar yanlış da değildir; öyle ki, bazı durumlarda son derece yararlı olabilir. Fakat geniş aile ilişkilerinin, karşılıklı bağımlılığın ve toplumsal sorumluluğun güçlü olduğu toplumlarda her sorun yalnızca bireysel özerklik üzerinden açıklanmaktan çok uzaktır.

Benzer bir durumun evlilik, çocuk yetiştirme, din, yaşlılık, mahremiyet ve toplumsal roller gibi alanlarda görülmesi de çok muhtemeldir. Model, belirli bir kültürün değerlerini açıkça savunmasa bile hangi değeri önce söylediği, hangi davranışı sorun olarak tanımladığı ve hangi çözümü doğal kabul ettiği üzerinden bir dünya görüşü taşıyabilmektedir. Öyle ki, sosyal konularda tezahür edebilecek bu kültürel yakınsama, siyasal konularda daha mühim bir hâl de alabilir. Sözgelimi bir kültür ve toplum için özel bir siyasal önem ve hassasiyet taşıyan bir konu, büyük dil modelinin eğitildiği veri kümelerinde aynı ölçüde alımlanmadığı için farklı bir düzlemde ele alınabilir.

Ancak bu noktada yapay zekâyı “Batı ideolojisine inanıyor olmakla” suçlamak doğru olmayacaktır. Öte yandan niyet taşımamaları, ideolojik sonuçlar üretemeyecekleri anlamına da gelmemektedir.

Bir sistem, belirli değerleri daha sık gördüğü için onları daha olağan, daha güvenli ve daha makul kabul edebilir. Böylece bilinçli bir propaganda yapmadan da bir kültürün kabullerini evrensel insanlık ölçüsü gibi sunabilir.

Üstelik bu kültürel aktarım yalnızca ham eğitim verisinden kaynaklanmaz. Eğitim verilerinin seçilmesi, bazı kaynakların daha kaliteli kabul edilmesi, zararlı görülen içeriklerin filtrelenmesi ve insan değerlendiricilerin bazı cevapları diğerlerinden daha iyi bulması da modelin yönelimini belirler.

Öyle ki söz konusu modellerin geliştirilmesi insanların müdahalelerinden azade bir biçimde gerçekleşmemekte ve görünürdeki otomasyonu mümkün kılan devasa bir insan zekâsı sayesinde son kabiliyeti kazandırılmaktadır. Bu bağlamda büyük dil modellerinin geliştirilmesi sırasında hangi kaynakların veri setlerine dâhil edilebilir nitelikte olduğu; bu verilerin model tarafından hangi düzlemde işleneceği ve ne sıklıkla kullanılacağı insan denetiminde gerçekleştirilen süreçlerdir.

Bu süreçleri ağırlıklı olarak belirli ülkelerdeki şirketler, araştırmacılar ve değerlendiriciler verdiğinde ise modellerin varsayılan değer dünyasının bu çevrelerden etkilenmesi işten bile değildir.

Dolayısıyla mesele salt bir “İngilizce veri miktarı” olmaktan çok uzaktır. Mesele, hangi dünyanın dijital ortamda daha fazla metin ürettiği, hangi kaynakların güvenilir sayıldığı ve hangi cevapların ödüllendirildiğidir.

Bu noktada veri kümelerinin yoğunluğunu data-crawling adı verilen, internette yer alan kaynaklar üzerinden veri toplama süreciyle oluşturmak yerine büyük dil modellerinin kullanıcıyla iletişim kurduğu diğer dillerde de yazılmış kaynaklardan mümkün mertebe yararlanmak; muhtemel bir dil ve kültürel değer hegemonyasının önüne geçebilmek için hizmet sunulan diğer dillerin kültürel hassasiyetlerini de modellere tanıtabilmek güzel bir adım olacaktır.

Ancak bununla birlikte her dilde ortak düzeyde yazılı veya görsel-işitsel üretimin olmadığı ve yapay zekânın doğal olarak kimi dillerde daha fazla kaynaktan yararlanırken kimi dillerde daha az veri kümeleriyle sınırlı kalacağı aşikârdır. Bu noktada kaynak eşitliğinin belirli bir oranda sağlanamadığı dillerde farkındalık yaratılması ve neredeyse tüm ülkelerin “Yapay Zekâ Çağı” kavramını sıklıkla dile getirdiği bu dönemde dezavantajlı durumda olan dil ve kültürler için destekleyici politikaların geliştirilmesi önem arz edecektir.

KAYNAKÇA

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language models are few-shot learners. In H. Larochelle, M. Ranzato, R. Hadsell, M. F. Balcan, & H. Lin (Eds.), Advances in neural information processing systems (Vol. 33, pp. 1877–1901). Curran Associates.

Touvron, H., Martin, L., Stone, K., Albert, P., Almahairi, A., Babaei, Y., Bashlykov, N., Batra, S., Bhargava, P., Bhosale, S., Bikel, D., Blecher, L., Canton Ferrer, C., Chen, M., Cucurull, G., Esiobu, D., Fernandes, J., Fu, J., Fu, W., … Scialom, T. (2023). Llama 2: Open foundation and fine-tuned chat models. arXiv.

Wang, W., Tu, Z., Chen, C., Yuan, Y., Huang, J.-T., Jiao, W., & Lyu, M. R. (2024). All languages matter: On the multilingual safety of large language models. In L.-W. Ku, A. Martins, & V. Srikumar (Eds.), Findings of the Association for Computational Linguistics: ACL 2024 (pp. 5865–5877). Association for Computational Linguistics.