Yapay zeka modellerine 'beğeni' ve 'estetik anlayışı' kazandırmayı hedefleyen Design Arena platformunun geliştiricisi Intelligence, erken aşama yatırım turunda 7,9 milyon dolar fon topladı. Index Ventures liderliğinde gerçekleşen yatırıma Conviction, A* ve Valkyrie gibi önemli yatırımcılar da katıldı.

Kullanıcı Geri Bildirimleriyle Yapay Zeka Gelişimi

Şu an dünya genelinde 5,3 milyon kişi tarafından kullanılan Design Arena, yapay zeka tarafından üretilen içerikleri insan yargısıyla değerlendirerek modellerin iyileştirilmesini sağlıyor. Platform, kullanıcılara iki farklı çıktı arasında seçim yaptırarak en iyiden en kötüye doğru bir sıralama oluşturmalarına olanak tanıyor. Bu süreç sayesinde şirket, yapay zeka laboratuvarlarına ölçeklenebilir ve dürüst insan geri bildirimleri sağlıyor.

Yıllık 60 Milyon Dolarlık Gelir Elde Ediyor

Intelligence şirketi, sunduğu bu değerlendirme verileri sayesinde yıllık tekrarlanan gelirinin (ARR) 60 milyon dolara ulaştığını açıkladı. Platform, sadece genel tercihleri değil, aynı zamanda farklı kıtalardaki tasarım tercihlerini de takip edebiliyor. Örneğin, Asya'daki kullanıcıların web panellerinde daha maksimalist bir tasarım stilini tercih ettiği tespit edildi.

Otomatik Metriklerin Ötesinde Bir Yaklaşım

Şirket kurucusu Grace Li, insan odaklı değerlendirmelerin, manipülasyona açık olan otomatik benchmark testlerini tamamlayan kritik bir unsur olduğunu belirtiyor. Sektörde benzer yaklaşımlar sergileyen LM Arena gibi girişimlerin de yüksek yatırımlar aldığı görülürken, Intelligence platformu görsel formatlar, web siteleri ve görüntüler üzerinde uzmanlaşmış bir model yönlendiricisi gibi çalışıyor.

Ne anlama geliyor?

Yapay zeka sistemleri teknik olarak doğru çıktılar üretse bile, bu çıktıların estetik açıdan tatmin edici veya kullanışlı olması her zaman mümkün olmuyor. Bu durum, makine öğrenmesi süreçlerinde sadece veriye değil, aynı zamanda öznel insan tercihlerine ihtiyaç duyulduğunu gösteriyor. Kullanıcıların iki seçenek arasından birini tercih etmesi yöntemiyle çalışan sistemler, algoritmaların hangi görsel veya yapısal özelliklerin daha çok beğenildiğini öğrenmesini sağlıyor.

Sektörde bu tür geri bildirim mekanizmaları, modellerin sadece hız veya doğruluk üzerinden değil, kullanıcı deneyimi ve görsel kalite üzerinden geliştirilmesine imkan tanıyor. Teknik olarak bu süreç, modelin ağırlıklarının gerçek insan tercihleri doğrultusunda optimize edilmesini sağlayarak, son kullanıcının karşılaştığı arayüzlerin veya görsellerin daha doğal ve çekici hale gelmesine yardımcı oluyor.