Alphabet çatısı altında faaliyet gösteren otonom araç şirketi Waymo, yapay zeka modellerinin yaygınlaştırılmasında güvenlik ve güvenilirlik için yeni bir mühendislik yaklaşımı benimsedi. Şirketin sistem zekası ve makine öğrenimi mühendislik direktörü Manasi Joshi, VB Transform 2026 etkinliğinde projelerin sadece performans göstermesinin yeterli olmadığını, 'değerlendirme merkezli geliştirme' modelinin esas olduğunu belirtti.

Waymo Değerlendirme Stratejisi

Waymo, bugüne kadar tamamen otonom olarak 220 milyon milden fazla yol katettiğini ve aynı mesafe için insan sürücülere kıyasla ciddi kaza yaralanmalarında 17 kat daha düşük bir orana sahip olduğunu açıkladı. Bu başarının arkasında, değerlendirme sürecini son bir kontrol aşaması değil, mühendisliğin merkezine yerleştiren bir yapı bulunuyor. Şirket, bir projenin olgunluğunu, onu çevreleyen testlerin ne kadar gelişmiş olduğuna bakarak belirliyor.

Sürekli İzleme ve İnsan Denetimi

Eğitim sırasında, eğitim sonrasında ve simülasyonlar üzerinden yürütülen testlerin yayına alma aşamasından sonra da devam etmesi gerektiğini vurgulayan Joshi, değerlendirme işleminin tek seferlik bir görev olmadığını ifade etti. Ayrıca, yazılım sürümleri ve servis alanı genişletmeleri için otomatik sistemler yerine kapsamlı insan denetimi ve güvenlik liderlerinin onayının alındığı belirtildi.

Nadir Senaryoların Test Edilmesi

Güvenliği önceliklendiren şirket; demiryolu geçitleri, inşaat bölgeleri ve savunmasız yol kullanıcılarının bulunduğu karmaşık ortamlar için özelleşmiş veri setleri kullanıyor. Sadece rutin taleplerin değil, finansal, hukuki veya güvenlik açısından risk oluşturabilecek nadir durumların test edilmesine odaklanılıyor. Şirket, performans iddialarını kullandığı veri setlerinin özellikleriyle birlikte sunarak şeffaflık sağlıyor.

Ne anlama geliyor?

Yapay zeka sistemlerinin geliştirilmesinde kullanılan bu yöntem, bir yazılımın sadece doğru sonuçlar vermesini beklemenin ötesine geçer. Sistemin hata payının, sınırlarının ve beklenmedik durumlardaki tepkilerinin matematiksel ve sistematik olarak ölçülmesini sağlar. Bu süreç, genel geçer başarı kriterleri yerine somut sonuçlara dayalı bir doğrulama mekanizması kurmayı hedefler.

Bu yaklaşım, özellikle insan hayatını veya yüksek maddi değerleri etkileyen kritik sistemlerde hayati önem taşır. Yazılımlar gerçek dünyaya aktarılmadan önce milyarlarca yapay senaryoya tabi tutularak, nadir görülen ancak riskli durumlar için önceden hazırlanmış olur. Kullanıcı açısından bu durum, sistemin daha öngörülebilir ve güvenli çalışması anlamına gelir.