Skip to main content

Bir projenin gerçekten AI'ya sahip olup olmadığı nasıl anlaşılır

Not: Bu belge orijinal İngilizce versiyonun otomatik bir çevirisidir.

Bir projenin gerçekten AI'ya sahip olup olmadığı nasıl anlaşılır

AI kullandığını iddia eden bir kripto projesine bakıyorsunuz. Web sitesi "AI destekli" diyor. Sunum dosyası sinir ağlarından bahsediyor. Token adında "AI" geçiyor. Peki bu iddiaların arkasında gerçek, çalışan bir AI bileşeninin var olup olmadığını ya da "AI"nın yalnızca bir pazarlama etiketi olup olmadığını nasıl bilebilirsiniz?

Bu, DecAIHub'ın yanıtlamak için inşa edildiği temel sorudur. Gerçek AI ile AI-washing arasındaki fark yüzeyden görünmez. Pazarlama ekipleri "AI"nın kriptodaki en güçlü anahtar kelimelerden biri olduğunu bilir ve birçok proje, teknolojinin gerçekte ne yaptığından bağımsız olarak bu terimi kullanır. Gerçek inovasyon, boş iddialarla yan yana durur ve yapılandırılmış bir yöntem olmadan bunları ayırt etmek, her proje için saatlerce bağımsız araştırma gerektirir. Bu rehber, ister hype'tan kaçınmaya çalışan bir yeni başlayan olun ister hızlı bir tarama çerçevesine ihtiyaç duyan deneyimli bir katılımcı, işe yarayan pratik bir araç seti sunar.

Kısaca: AI component alanını belirginlik açısından kontrol edin, sayısallaştırılmış bir hüküm için ai_score'a bakın, kanıt katmanını inceleyin, iddiaları doğrulanabilir artefaktlarla karşılaştırın, beş soru testini uygulayın ve AI-washing'e işaret eden kırmızı bayraklara dikkat edin.

Beş soru testi

Tam bir kart incelemesine dalmadan önce hızlı bir teşhis yapın. Her soru, AI doğrulamasının belirli bir katmanını hedefler.

# Soru Güçlü yanıt Zayıf yanıt
1 AI tam olarak ne yapıyor? Model türünü, görevi ve mekanizmayı adlandırır "Her şeyi optimize etmek için AI kullanıyoruz"
2 Çalıştığını nerede görebilirim? Canlı demo, herkese açık API, kayıtlı çıktılar "Yakında geliyor" veya artefaktsız özel beta
3 Kod veya model nerede? Eğitim/çıkarım koduna sahip herkese açık depo, model kartı Boş depo, bir öğreticinin çatalı, kamuya açık hiçbir şey yok
4 Kaliteyi nasıl ölçüyorsunuz? Adlandırılmış kıyaslama, veri kümesi, sürüm, tarih "Sektördeki en iyi doğruluk" veya hiç metrik yok
5 AI'yı kaldırırsanız ne olur? "Ürün onsuz çalışamaz" "Yine çalışır, sadece daha az akıllı olur"

1-2. sorular belirginliği ve varlığı test eder: proje AI'sını tanımlayıp gösterebilir mi? 3-4. sorular doğrulanabilirliği ve titizliği test eder: dışarıdan biri kanıtları inceleyebilir mi? 5. soru merkeziliği test eder: AI mimari açıdan zorunlu mu yoksa kozmetik mi?

Beş soruya da güçlü yanıtlar veren bir projenin yüksek bir ai_score'a sahip olması muhtemeldir. Üç veya daha fazla zayıf yanıt, yakın inceleme gerektirir.

Adım adım doğrulama rehberi

Adım 1: AI component alanını kontrol edin

Proje Pasaportundaki AI component alanı, projenin içindeki belirli AI teknolojisini tanımlar. İçeriğin en hızlı tek göstergesidir.

inference engine for LLM routing veya AI agent platform (workflows/tools/KB) gibi somut değerler, AI'nın gerçekte ne yaptığını söyler. Özel değerler boşluklara işaret eder: positioning only, AI'nın pazarlamada göründüğü ancak çalışan hiçbir bileşenin doğrulanmadığı anlamına gelir; none veya unknown, mevcut kaynaklardan hiçbir AI tespit edilmediği anlamına gelir. Bunlar kalıcı hükümler değildir; inceleme anında mevcut olan kanıtı yansıtırlar. Bkz. Kanıt yokluğu neden teknoloji yokluğu değildir.

Adım 2: ai_score'u kontrol edin

ai_score (0-3), bir projenin AI iddiaları için ne kadar doğrulanabilir kanıt bulunduğunu sayısallaştırır. DecAI Fit metriğinin bir parçasıdır ve min(3, AI_0 + AI_1 + AI_2 + AI_3 + AI_4) olarak hesaplanır — 3 ile sınırlandırılmış beş ikili bayrak.

ai_score Anlamı
0 Doğrulanmış AI varlığı yok. DecAI Fit zorunlu olarak sıfırdır.
1 Tier-1 niyet beyanı var, ancak çalışan bir AI doğrulanmadı.
2 Kısmi kanıt: AI tanımlanmış ve bazı artefaktlar veya demolar mevcut.
3 Güçlü kanıt: herkese açık kod, kıyaslamalar, mimari belgeleri, çalışan demolar.

ai_score = 0 ise, AI iddiası şu anda desteklenmemiştir. Bu, projeye yönelik bir suçlama değildir; ancak hiçbir Tier-1 kaynak iddiayı doğrulamamaktadır.

Adım 3: Tier-1 kanıt arayın

Tier-1 kanıt, projenin gerçek durumuna en yakın artefaktlardan oluşur:

  • AI ile ilgili kod içeren herkese açık kod depoları: model tanımları, eğitim betikleri, çıkarım işlem hatları — yalnızca bir README değil.
  • Model mimarisini, veri işlem hattını veya sistem tasarımını sürümler ve tarihlerle tanımlayan teknik dokümantasyon.
  • Yayımlanmış ağırlıklar, model kartları veya Hugging Face girdileri gibi model artefaktları.
  • Metodoloji, karşılaştırma temelleri, veri kümesi spesifikasyonu ve sürüm bilgisi içeren kıyaslamalar.
  • AI bileşeninin gözlemlenebilir, test edilebilir çıktılar ürettiği çalışan demolar.

Tier-2 (agregatör açıklamaları, röportajlar) yararlı bağlam sağlar; ancak AI'yı doğrulamanın tek dayanağı olmamalıdır. Tier-3 (influencer paylaşımları, PR makaleleri, söylentiler) çok az ağırlık taşır.

Adım 4: İddiaları artefaktlarla çapraz kontrol edin

Projenin söylediklerini, bağımsız olarak doğrulanabileceklerle karşılaştırın. "Gerçek zamanlı tahmin için tescilli sinir ağı" iddia eden bir projenin, bu yeteneği gösteren kodu, dokümantasyonu veya en azından bir demosu olmalıdır. Pazarlama dili iddialı ancak doğrulanabilir artefaktlar zayıfsa, bu boşluğun kendisi bir sinyaldir.

Yaygın kırmızı bayraklar

Belirli desenler, AI iddialarının gerçek olmayabileceğine işaret eder. Bunların hiçbiri tek başına projeye yönelik bir suçlama değildir; ancak her biri daha derin bir inceleme gerektirir.

  • Yalnızca pazarlamada AI. İsimde ve sunum dosyasında "AI" var; ancak hiçbir yerde mimari, model adı veya veri işlem hattı tanımlanmamış. Bu, AI-washing'in en yaygın biçimidir.
  • Boş veya alakasız depo. Bir GitHub bağlantısı var; ancak AI ile ilgili kod yok, sürüm yok veya kod iddia edilen bileşenle ilgisiz.
  • Metodolojisiz metrikler. Kıyaslama, veri kümesi, değerlendirme yöntemi veya sürüm belirtilmeden "%99 doğruluk" gibi iddialar.
  • Saf API wrapper. Tüm "AI", üzerinde tescilli mantık, ince ayar veya alana özgü işleme olmayan üçüncü taraf bir API çağrısıdır.
  • Lansman sonrası AI markalaması. "AI", token lansmanından sonra, karşılık gelen hiçbir teknik değişiklik olmadan proje adına eklendi.
  • Sürüm veya zaman çizelgesi yok. AI ile ilgili iddialarda tarih, sürüm numarası veya izlenebilir geliştirme geçmişi yok.
  • Döngüsel kanıt. Proje, kanıt olarak kendi pazarlama materyallerini gösteriyor veya yalnızca projenin basın bültenini tekrarlayan makalelere atıfta bulunuyor.
  • Sonsuz yol haritası. AI özellikleri, aylarca var olmasına rağmen teslim edilmiş kilometre taşları veya herkese açık artefaktlar olmadan hep "yakında geliyor".
  • Uyumsuz karmaşıklık. Proje ileri yetenekler (doğrulanabilir çıkarım, federatif öğrenme) iddia ediyor; ancak ekip ve kod tabanı bu karmaşıklıkla örtüşmüyor.

Yaygın yeşil bayraklar

Gerçek AI projeleri, tanınabilir ortak özellikler taşır. Bir proje bunlardan ne kadar çoğunu sergilerse, AI iddialarının içerikli olma olasılığı o kadar yüksektir.

  • Belirgin, test edilebilir iddialar. Proje; model mimarisini, eğitim yaklaşımını ve veri kaynaklarını, teknik bir incelemecinin değerlendirebileceği kadar ayrıntıyla adlandırır.
  • Aktif, alakalı kod. Model eğitimi veya çıkarım kodu, anlamlı commit geçmişi, testler ve yakın tarihli etkinlik içeren herkese açık bir depo.
  • Yeniden üretilebilir metrikler. Performans sonuçları kıyaslama adını, veri kümesini, metodolojiyi, sürümü ve tarihi içerir.
  • Mimari dokümantasyonu. Teknik belgeler; sistem tasarımını, veri akışını ve zaman içinde evrilen sürümlü yazarlık bilgisini içerir.
  • Çalışan, test edilebilir demolar. Herkesin bağımsız olarak test edebileceği AI çıktıları üreten canlı bir uygulama veya herkese açık API.
  • Doğrulanabilir AI/ML geçmişine sahip ekip. Yayımlanmış makaleler, açık kaynak katkıları veya doğrulanabilir profesyonel geçmiş.
  • Model kartları veya veri sayfaları. Proje, modelleri belgelemek için yerleşik uygulamaları izler: amaçlanan kullanım, sınırlamalar, eğitim verileri, değerlendirme sonuçları.

Gerçek dünya desenleri

Sezgi geliştirmek için şu zıt arketipleri düşünün. Belirli projeler adlandırılmıyor; amaç yapısal farklılıkları tanımaktır.

Desen A: Güçlü kanıtlara sahip gerçek AI. Model eğitim kodu, değerlendirme betikleri ve belgelenmiş çıkarım işlem hattı içeren aktif depo. Metodolojiyle yayımlanmış kıyaslamalar. Gözlemlenebilir AI çıktıları üreten canlı demo. ai_score 3'tür.

Desen B: Kısmi kanıtlara sahip erken aşama AI. Resmî belgeler, AI kilometre taşları içeren bir yol haritasıyla AI'nın ne yapacağını tanımlıyor. Bir prototip var; ancak herkese açık değil. Henüz kıyaslama yok. ai_score 1-2'dir. Bu AI-washing değildir; kanıtların henüz somutlaşmadığı erken aşama bir projedir.

Desen C: İçeriksiz AI-washing. Markalamada "AI" öne çıkıyor. Sunum dosyası "tescilli sinir ağlarından" bahsediyor. Pazarlamanın ötesinde teknik dokümantasyon yok. Depo, demo, kıyaslama veya model artefaktı yok. ai_score 0'dır.

Desen D: Tescilli AI olarak sunulan API wrapper. AI bileşeni tamamen üçüncü taraf bir sağlayıcıya yapılan çağrılardan oluşuyor. İnce ayar yok, özel işlem hattı yok, alana özgü işleme yok. Bu, projeye yönelik bir suçlama değildir; ancak buna "tescilli AI" demek teknik gerçekliği yanlış temsil eder. Bkz. Otomasyon ve gerçek AI bileşeni.

DecAIHub bunu nasıl çözüyor

DecAIHub, "bu AI gerçek mi?" sorusunu yanıtlamanın her proje için saatlerce bağımsız araştırma gerektirmemesi gerektiği için var. Platform, gerçek AI'yı AI-washing'den ayırmak için yapılandırılmış bir çerçeve kullanır.

DecAI Fit

DecAI Fit, bir projenin Merkeziyetsiz AI ilkeleriyle ne kadar uyumlu olduğunu ölçen bileşik bir endekstir (0-6). Dört boyutu birleştirir: AI reality, Onchain necessity, Token necessity ve Evidence.

Kritik kural: ai_score = 0 ise, diğer boyutlardan bağımsız olarak DecAI Fit = 0'dır. Doğrulanmış AI yoksa, proje Merkeziyetsiz AI sınıflandırması eşiğini karşılamaz. Bu tek kural, AI-washing'in en yaygın biçimini puanlama sisteminden eler.

AI reality bayrakları (AI_0'dan AI_4'e)

AI reality, her biri giderek derinleşen bir doğrulama katmanını yakalayan beş ikili bayraktan oluşur:

Bayrak Neyi kontrol eder Kanıt örneği
AI_0 AI niyetine dair Tier-1 beyan AI planlarından bahseden yol haritası veya resmî belgeler
AI_1 AI'nın ne yaptığına dair açıklama Modelin işlevini açıklayan teknik belgeler
AI_2 Çalışan demolar veya örnekler Herkese açık demo, canlı API, kayıtlı çıktılar
AI_3 Metrikler ve kıyaslamalar Adlandırılmış bir veri kümesinde sürümüyle yayımlanmış F1 puanı
AI_4 Mimari ve model sürümleri Mimari diyagramları, model kartları, sürüm geçmişi

Beş bayrağın da 1 olması, gerçek AI'ya dair güçlü, çok katmanlı kanıt anlamına gelir. Yalnızca AI_0 = 1 ise, henüz doğrulanabilir hiçbir şey olmadan beyan edilmiş niyet anlamına gelir.

Tier-1, Tier-2, Tier-3 kanıt sistemi

Bir proje kartındaki her iddia, sınıflandırılmış kaynaklara dayandırılır:

  • Tier-1 (kanıt): kod, sözleşmeler, resmî dokümantasyon, denetimler, zincir üstü olgular. En yüksek ağırlık.
  • Tier-2 (bağlam): agregatör açıklamaları, ekosistem katalogları, analitik panolar, röportajlar. Çapraz kontrol için yararlı, tek başına kanıt olarak yetersiz.
  • Tier-3 (gürültü): influencer paylaşımları, PR makaleleri, söylentiler, kaynaksız iddialar. Yalnızca Tier-3 kaynaklar varsa, DecAI Fit 2 ile sınırlandırılır.

Bu hiyerarşi, yalnızca pazarlama materyallerinin bir projenin değerlendirmesini yükseltememesini sağlar.

AI-washing tespiti

DecAIHub, projelere suçlayıcı veya aklayıcı etiketler atamaz. Bunun yerine iddialar ile kanıtlar arasındaki boşluğu ölçer. Pazarlama iddiaları doğrulanabilir artefaktları önemli ölçüde aştığında, bu boşluk kartta görünür hale gelir: positioning only veya ai_score = 0 ile eşleşen iddialı bir AI kullanım senaryosu, ölçülebilir, nesnel bir sinyaldir. Sonucu okuyucu kendisi çıkarır.

Hızlı doğrulama kontrol listesi

Kontrol Nereye bakmalı Ne beklemeli
AI component belirginliği AI component alanı Moda sözcükler değil, somut mekanizma
AI puanı DecAI Fit içindeki ai_score Doğrulanmış herhangi bir AI için 0'ın üzerinde
Kanıt katmanı Kanıt tablosu Güçlü iddialar için Tier-1 artefaktlar
Kodun varlığı Bağlantılı depolar Commit geçmişine sahip AI ile ilgili kod
Metrik kalitesi Dokümantasyon, kıyaslamalar Metodoloji, veri kümesi, sürüm, tarih
Demo erişilebilirliği Ürün bağlantıları, herkese açık API'ler Gözlemlenebilir AI çıktıları
Ekibin AI uzmanlığı Ekip bölümü, yayımlanmış makaleler Doğrulanabilir ML/AI geçmişi
Sürümleme Dokümantasyon, değişiklik günlüğü Tarihler, sürüm numaraları, geçmiş

Doğrulama tek başına neyi kanıtlamaz

Kapsamlı bir doğrulamanın bile sınırları vardır:

  • Yüksek bir ai_score, AI'nın iyi olduğu anlamına gelmez. Doğrulanabilir artefaktların var olduğu anlamına gelir. Kalite ayrı bir sorudur.
  • Yüksek bir ai_score, projenin başarılı olacağı anlamına gelmez. Teknolojik değer ve yaşayabilirlik farklı boyutlardır.
  • Düşük bir ai_score, projeye yönelik bir suçlama değildir. Bazı projelerin gerçek teknolojisi vardır; ancak dokümantasyonu zayıf veya geliştirme modeli kapalıdır.
  • Doğrulama, belirli bir zaman noktasını yansıtır. Değerlendirmeler tarihlidir (Last verified) ve yeni kanıtlar ortaya çıktığında güncellenir.
  • AI doğrulaması; iş modelini, ekip kalitesini veya pazar uyumunu değerlendirmez. Bunlar önemlidir ancak AI reality değerlendirmesinin kapsamı dışındadır.

Sık sorulan sorular

Bir kripto projesinin gerçek AI'ya sahip olup olmadığını ne kadar hızlı doğrulayabilirim?

DecAIHub'daki proje kartını kullanarak temel bir kontrol beş dakikadan kısa sürer. AI component alanına, ai_score'a ve kanıt katmanına bakın. AI component positioning only diyorsa ve ai_score = 0 ise, zaten güçlü bir sinyaliniz var demektir. Beş soru testi ve depo incelemesiyle daha derin bir kontrol 15-30 dakika sürer.

Bir projenin GitHub'da AI kodu varsa ama çalışan bir ürünü yoksa ne olur?

Kod olumlu bir sinyaldir; ancak bağlama ihtiyaç duyar. Aktif olarak bakımı yapılıyor mu? İddia edilen ürünle ilgili mi? İki yıldır güncellenmemiş eğitim betikleri içeren veya projenin beyan edilen işlevselliğiyle ilgisiz görünen bir depo, CI/CD ve yakın tarihli commit'lere sahip aktif, iyi belgelenmiş bir kod tabanından daha zayıf bir kanıttır.

Bir demoya sahip olmak AI'nın gerçek olduğunu kanıtlar mı?

Demo güçlü bir kanıttır (AI_2 bayrağını ayarlar), ancak kesin değildir. Perde arkasında üçüncü taraf bir API kullanıyor veya dar bir prototipi sergiliyor olabilir. En güçlü doğrulama, demoyu kod, dokümantasyon ve metriklerle birleştirir: tutarlı bir hikâye anlatan birden fazla bağımsız katman.

Bir proje açık kaynak kod olmadan DecAI Fit'te iyi puan alabilir mi?

Evet. Açık kaynak kod en güçlü Tier-1 kanıttır, ancak tek tür değildir. Bir proje; ayrıntılı teknik dokümantasyon, yayımlanmış kıyaslamalar, çalışan demolar ve model artefaktları aracılığıyla anlamlı bir ai_score elde edebilir. Ancak hiçbir Tier-1 kanıt yoksa, yönetişim tavanları maksimum puanı sınırlar.

Kriptodaki en yaygın AI-washing biçimi nedir?

En yaygın desen yalnızca pazarlamada AI'dır: isimde ve materyallerde "AI" var; ancak teknik açıklama, kod, demo veya metrik yok. İkinci en yaygın olanı API wrapper'dır: üçüncü taraf bir AI sağlayıcısını çağırıp bunu ince ayar veya alana özgü mantık olmadan tescilli teknoloji olarak sunmak.

Bir projenin gerçek AI'ya sahip olup düşük bir DecAI Fit alması mümkün mü?

Evet. DecAI Fit, kapalı kapılar ardındaki teknolojinin gerçek durumunu değil, doğrulanabilir kanıtı ölçer. Hiçbir şey yayımlamayan, gelişmiş AI'ya sahip bir proje düşük puan alır; çünkü doğrulanacak bir şey yoktur. DecAI Fit, tasarımı gereği şeffaflığı ödüllendirir. Böyle bir proje daha sonra artefaktlar yayımladığında puan güncellenir.

Ayrıca bakınız

Dış kaynaklar

No comments to display

Back to top