Yapay Zekâ Nedir, Ne Değildir?

Yapay zekâ artık yalnızca teknoloji uzmanlarının konuştuğu bir konu değil. Telefonlarımızdan bankacılık uygulamalarına, sağlık hizmetlerinden üretim tesislerine kadar hayatımızın birçok alanında yapay zekâ sistemleriyle karşılaşıyoruz.

Peki yapay zekâ nedir? Bir bilgisayar gerçekten düşünebilir mi? Yapay zekâ insan gibi öğrenir mi? Kendisine sorulan her sorunun doğru cevabını bilir mi?

Yapay Zekâ: Sıfırdan Derine yazı dizisinin ilk bölümünde, yapay zekânın ne olduğunu, nasıl çalıştığını, makine öğrenmesiyle ilişkisini ve sınırlarını günlük hayattan örneklerle ele alıyoruz.

Yapay zekâ nedir?

Yapay zekâ (Artificial Intelligence – AI), bilgisayar sistemlerinin normalde insan zekâsı gerektirdiğini düşündüğümüz bazı görevleri yerine getirebilmesini sağlayan yöntem ve teknolojilerin genel adıdır.

Yapay zekâ sistemleri farklı alanlarda şu işlerde kullanılabilir:

• Görüntülerdeki nesneleri tanımak
• İnsanların konuşmalarını yazıya dönüştürmek
• Metinleri farklı dillere çevirmek
• Müşteri taleplerini sınıflandırmak
• Geleceğe yönelik tahminler üretmek
• Belgeleri karşılaştırmak
• Sorulara doğal dilde cevap vermek
• Belirli kurallara göre öneriler sunmak

Buradaki önemli nokta şudur: Yapay zekâ tek bir program, ürün veya cihaz değildir. Farklı amaçlar için geliştirilen çok sayıda yöntem, model ve sistemden oluşan geniş bir teknoloji alanıdır.

Günlük hayattan bir örnek: Kedi ile köpeği ayırt etmek

Bir çocuğa kedi ile köpek arasındaki farkı öğretmek istediğimizi düşünelim. Ona çok sayıda kedi ve köpek fotoğrafı gösterir, her fotoğraftaki hayvanın hangisi olduğunu söyleriz.

Çocuk zamanla kulak, yüz, gövde ve tüy yapısı gibi özellikleri fark ederek daha önce görmediği bir hayvanın kedi mi yoksa köpek mi olduğunu tahmin etmeye başlar.

Bir makine öğrenmesi sistemi de çok sayıda örnek üzerinden belirli örüntüleri bulmaya çalışır. Ancak bilgisayar gördüğü görüntüyü bizim gibi anlamlandırmaz. Görüntüyü sayısal değerler olarak işler ve bu değerler arasındaki ilişkileri öğrenir.

Yeni bir görüntü verildiğinde de daha önce öğrendiği matematiksel ilişkilerden yararlanarak bir tahmin üretir.

Yapay zekâ nasıl çalışır?

Makine öğrenmesine dayalı bir yapay zekâ sisteminin çalışma sürecini basitleştirerek dört aşamada düşünebiliriz:

1. Veri: Sisteme örnekler sunulur. Bu örnekler metin, görüntü, ses, video, tablo veya sensör verisi olabilir.
2. Öğrenme: Algoritma, veriler içindeki tekrarları, benzerlikleri ve ilişkileri tespit etmeye çalışır.
3. Model: Öğrenme sürecinin sonunda verilerdeki ilişkileri temsil eden matematiksel bir yapı oluşur. Bu yapıya model adı verilir.
4. Tahmin veya üretim: Model, yeni bir veriyle karşılaştığında öğrendiği ilişkilere dayanarak sınıflandırma, tahmin, öneri veya içerik üretimi yapar.

Bu nedenle yapay zekâ sistemlerinin sonuçları yalnızca kullanılan modele bağlı değildir. Verinin kalitesi, güncelliği, çeşitliliği ve sistemi geliştiren kişilerin aldığı kararlar da sonucu doğrudan etkiler.

Yapay zekâ, makine öğrenmesi ve derin öğrenme arasındaki fark nedir?

Bu üç kavram sık sık birbirinin yerine kullanılsa da aynı değildir.

• Yapay zekâ: Makinelerin insan zekâsıyla ilişkilendirilen görevleri yerine getirmesini amaçlayan geniş teknoloji alanıdır.
• Makine öğrenmesi (Machine Learning): Yapay zekânın alt alanlarından biridir. Bilgisayarların her kuralın tek tek yazılmasına gerek kalmadan verilerden örüntü öğrenmesini sağlar.
• Derin öğrenme (Deep Learning): Makine öğrenmesinin alt alanlarından biridir ve çok katmanlı yapay sinir ağlarından yararlanır.

Bir başka ifadeyle yapay zekâ genel alanı, makine öğrenmesi bu alan içindeki yöntemlerden birini, derin öğrenme ise makine öğrenmesinin daha özel bir yaklaşımını ifade eder.

Üretken yapay zekâ nedir?

Yapay zekâ sistemleri sınıflandırma, tahmin veya öneri gibi farklı görevler için kullanılabilir. Örneğin bir işlemin riskli olup olmadığını belirleyebilir ya da bir e-postayı ilgili kategoriye ayırabilir.

Üretken yapay zekâ (Generative AI) ise öğrendiği örüntülerden yararlanarak yeni içerikler oluşturabilir.

Bu içerikler metin, görsel, ses, video, yazılım kodu, sunum veya tasarım biçiminde olabilir.

ChatGPT gibi büyük dil modelleri de üretken yapay zekâ sistemlerine örnektir. Bu sistemler büyük miktarda metin üzerinde eğitilerek kendilerine verilen girdiye göre olası dil dizilerini üretir.

Yapay zekâ ne değildir?

Yapay zekâyı doğru anlayabilmek için ne olmadığını da bilmek gerekir.

İnsan zihninin dijital bir kopyası değildir

Yapay zekâ sistemlerinin gerçekleştirdiği işlemler zekice görünebilir. Ancak bu durum, sistemin insanlar gibi bilinçli olduğu veya dünyayı insanlar gibi anladığı anlamına gelmez.

Her zaman doğruyu bilen bir otorite değildir

Bir yapay zekâ sistemi yanlış, eksik veya güncelliğini yitirmiş cevaplar verebilir.

Özellikle üretken yapay zekâ, gerçekte bulunmayan bilgileri ikna edici bir dille sunabilir. Bu durum yapay zekâ halüsinasyonu olarak adlandırılır.

Tarafsız olduğu garanti edilen bir sistem değildir

Yapay zekâ, öğrendiği verilerdeki eksiklikleri veya önyargıları sonuçlarına yansıtabilir. Bu nedenle veri seçimi, sistemin test edilmesi ve çıktıların düzenli değerlendirilmesi önemlidir.

Her problemi tek başına çözemez

Bazı problemler yapay zekâ kullanımına uygun olmayabilir. Bazen açık bir iş kuralı, basit bir yazılım veya doğru tasarlanmış bir süreç çok daha etkili sonuç verebilir.

İnsan sorumluluğunu ortadan kaldırmaz

Özellikle hukuk, sağlık, finans, insan kaynakları ve kamu hizmetleri gibi kritik alanlarda yapay zekâ çıktıları doğrudan nihai karar olarak değerlendirilmemelidir.

İnsan kontrolü, açıklanabilirlik ve sorumluluk mekanizmaları korunmalıdır.

Yapay zekâ neden bugün bu kadar yaygınlaştı?

Yapay zekâ fikri yeni değildir. Bu alandaki çalışmaların geçmişi onlarca yıl öncesine dayanır.

Günümüzdeki hızlı gelişimin arkasında üç temel etken bulunmaktadır:

• Çok büyük miktarda dijital verinin oluşması
• Bilgisayarların işlem gücünün artması
• Makine öğrenmesi yöntemlerinin gelişmesi

Bulut teknolojileri, güçlü grafik işlemciler ve büyük veri kaynakları sayesinde geçmişte uygulanması zor olan birçok yöntem bugün gerçek sistemlerde kullanılabilir hale gelmiştir.

Yapay zekâyı güvenilir biçimde kullanmak için hangi soruları sormalıyız?

Bir yapay zekâ sistemini yalnızca verdiği etkileyici cevaplara göre değerlendirmek yeterli değildir.

Şu soruların da mutlaka sorulması gerekir:

• Sistem hangi verilerle çalışıyor?
• Kullanılan veriler güncel ve güvenilir mi?
• Veriler nerede işleniyor ve saklanıyor?
• Üretilen sonuç hangi kaynağa dayanıyor?
• Hata yapılması halinde insan kontrolü var mı?
• Sisteme kimler ve hangi yetkilerle erişebiliyor?
• Verilen kararlar açıklanabiliyor mu?

Gerçek değer, yalnızca güçlü bir model kullanmaktan değil; doğru veri, doğru süreç, güvenlik, şeffaflık ve insan denetimini birlikte sağlamaktan doğar.

Yapay zekâ hakkında sıkça sorulan sorular

Yapay zekâ ile makine öğrenmesi aynı şey mi?

Hayır. Yapay zekâ geniş bir teknoloji alanıdır; makine öğrenmesi ise bu alan içindeki yöntemlerden biridir. Derin öğrenme de makine öğrenmesinin alt alanıdır.

Yapay zekâ insan gibi düşünebilir mi?

Yapay zekâ insan zekâsıyla ilişkilendirilen bazı görevleri yerine getirebilir. Ancak bu yetenekler, bir sistemin insan gibi bilinçli olduğunu veya insan zihnini birebir kopyaladığını göstermez.

Üretken yapay zekâ ile geleneksel yapay zekâ arasındaki fark nedir?

Sınıflandırma veya tahmin odaklı sistemler mevcut veriler üzerinde sonuç üretirken, üretken yapay zekâ metin, görüntü, ses ve yazılım kodu gibi yeni içerikler oluşturabilir.

Yapay zekâ her zaman doğru sonuç verir mi?

Hayır. Yanlış, eksik ya da güncel olmayan sonuçlar üretebilir. Özellikle kritik karar süreçlerinde kaynak doğrulaması ve insan denetimi gerekir.

Yapay zekâ günlük hayatta nerelerde kullanılır?

Konuşmayı yazıya dökme, görüntü tanıma, çeviri, müşteri taleplerini sınıflandırma, belgeleri karşılaştırma ve tahmin üretme gibi pek çok alanda kullanılır.

Sonuç: Yapay zekâyı doğru anlamak

Yapay zekâ; verilerdeki örüntülerden ve farklı hesaplama yöntemlerinden yararlanarak sınıflandırma, tahmin, öneri veya içerik üretimi yapabilen sistemleri kapsayan geniş bir alandır.

Çok güçlü bir araçtır fakat bilinçli, hatasız veya her şeyi bilen bir varlık değildir.

Yapay zekâyı doğru kullanabilmenin ilk koşulu, ona olduğundan daha fazla ya da daha az anlam yüklemeden nasıl çalıştığını anlamaktır.

Bir sonraki bölümde:

Bir makine gerçekten nasıl öğrenir?

Makine öğrenmesi kavramını, günlük hayattan örnekler ve temel çalışma adımlarıyla inceleyeceğiz.

Yapay zekâ konusunda en çok merak ettiğiniz kavramı yorumlarda paylaşabilirsiniz. İlerleyen bölümlerde bu kavramlara da yer vereceğim.

Dr. Mert Dönerçark

Yapay Zekâ Araştırmacısı ve Yazılım Stratejisti

Yayın destekçisi ve şeffaflık notu

Bu yayın, MicroDestek katkılarıyla hazırlanmaktadır. Yazılarımda zaman zaman örneklerine yer verdiğim KolayOfis, ContractFlow ve MicroDestek Yapay Zekâ Asistanı, görev yaptığım MicroDestek tarafından geliştirilmektedir. Paylaştığım değerlendirmeler ise akademik ve uygulamalı çalışmalarım doğrultusunda oluşturulmuş kişisel görüşlerimi yansıtmaktadır.

Kaynakça

1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org/
2. Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), 1–38. https://doi.org/10.1145/3571730
3. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444. https://doi.org/10.1038/nature14539
4. Mitchell, T. M. (1997). Machine learning. McGraw-Hill.
5. Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
6. Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1
7. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. https://doi.org/10.48550/arXiv.1706.03762