Yapay Zekâ Nedir? Nasıl Öğrenir ve Nerelerde Kullanılır?

Yapay zekâyı tanımlarken 'insan benzeri görev' ne anlama gelir?

Yapay zekâ, tek bir program veya tek bir cihazın adı değildir. İnsan zekâsıyla ilişkilendirilen öğrenme, algılama, dili işleme, problem çözme ve karar verme gibi işlevleri bilgisayar sistemleriyle gerçekleştirmeye yönelik yaklaşımların genel adıdır. Bu nedenle bir sistemin yapay zekâ olarak değerlendirilmesi için insan bilincini kopyalaması gerekmez; belirli bir görevi insanın zekâ gerektirdiğini düşündüğü biçimde yerine getirmesi yeterli olabilir.

Örneğin bir görüntü sisteminin fotoğraftaki nesneleri ayırt etmesi algılama ve sınıflandırma göreviyle, bir dil modelinin soruya yanıt oluşturması doğal dille, navigasyon sisteminin alternatif yolları kıyaslaması ise problem çözme ve karar verme süreçleriyle ilişkilidir. Bu görevler dışarıdan akıllı görünebilir; fakat sistemin çıktıyı hangi matematiksel işlemlerle ürettiği, bilinçli bir özne olduğu anlamına gelmez.

Yapay zekâ kavramı, bir uygulamanın yalnızca otomatik çalıştığını göstermez. Önceden yazılmış sabit kurallarla çalışan basit bir otomasyon ile verilerden örüntü çıkararak yeni girdiler hakkında tahmin üreten sistem aynı şey değildir. Öte yandan her yapay zekâ uygulamasının makine öğrenmesi kullanması da zorunlu değildir; bazı sistemler kurallara ve mantıksal çıkarımlara dayanabilir.

Bir yapay zekâ sistemi veriden sonuca nasıl gider?

Makine öğrenmesi tabanlı bir sistemi açıklamak için veri, eğitim ve çıkarım aşamaları ayırt edilebilir. İlk aşamada sisteme görevle ilgili örnekler sunulur. Hastalık sınıflandırması örneğinde bu örnekler hasta kayıtları ve tanı sonuçları olabilir; görüntü sınıflandırmasında ise etiketlenmiş fotoğraflar kullanılabilir. Verinin doğru, yeterli ve görevle ilgili olması önemlidir. Kural tabanlı yapay zekâ sistemlerinde ise davranış, önceden tanımlanmış kurallar ve mantıksal çıkarımlarla üretilebilir.

İkinci aşama eğitimdir. Model, örneklerdeki girdiler ile beklenen sonuçlar arasındaki ilişkileri matematiksel olarak temsil etmeye çalışır. Kaynaklarda bu süreç, modelin ağırlıklarının veya parametrelerinin çok sayıda örnek üzerinden ayarlanması şeklinde açıklanır. Amaç, eğitim örneklerini ezberlemekten çok, benzer yeni girdilerde işe yarayabilecek örüntüleri yakalamaktır.

Üçüncü aşama çıkarım ya da tahmindir. Eğitilmiş model daha önce karşılaşmadığı bir girdiyi alır ve bir çıktı üretir. Bu çıktı bir sınıf etiketi, olasılıksal bir tahmin, metin, öneri veya görüntü olabilir. Basitleştirilmiş gösterimle süreç $\hat{y}=f_\theta(x)$ biçiminde yazılabilir: $x$ girdi, $\theta$ modelin öğrenilmiş parametreleri, $f_\theta$ model ve $\hat{y}$ üretilen çıktıdır. Bu ifade, modelin sonucu insan gibi düşünerek değil, öğrendiği matematiksel temsil üzerinden hesapladığını gösterir.

Eğitim verisi ile yeni verideki başarı aynı olmayabilir. Eğitim örneklerinde çok başarılı olan bir sistem, farklı veya hatalı verilerle karşılaştığında zorlanabilir. Bu yüzden yapay zekâ çıktısı, özellikle sağlık, finans, eğitim veya güvenlik gibi sonuçları önemli alanlarda insan denetimi ve doğrulamayla birlikte ele alınmalıdır.

Yapay zekâ, makine öğrenmesi ve derin öğrenme arasındaki sınır

Bu üç kavram aynı düzeyde değildir. Yapay zekâ en geniş şemsiye kavramdır. Makine öğrenmesi, sistemlerin açıkça her kural tek tek yazılmadan verilerden örüntü öğrenmesini sağlayan yapay zekâ yaklaşımıdır. Derin öğrenme ise makine öğrenmesinin, çok katmanlı yapay sinir ağlarından yararlanan bir alt alanıdır.

Basit bir ayrım şöyle kurulabilir: Bir e-posta programı belirli kelimeleri içeren iletileri sabit kurallarla işaretliyorsa bu, kurala dayalı otomasyona örnektir. Sistem çok sayıda etiketlenmiş e-postadan istenmeyen iletilerin ortak özelliklerini öğreniyorsa makine öğrenmesi söz konusudur. Aynı görev, çok katmanlı bir yapay sinir ağıyla ve özellikle karmaşık veri temsilleriyle gerçekleştiriliyorsa derin öğrenme yaklaşımından söz edilebilir.

Bu sınıflandırma, "yapay zekâ öğrenir" cümlesinin neden dikkatli kullanılması gerektiğini de açıklar. Öğrenme, bütün yapay zekâ sistemlerinin zorunlu özelliği değil; makine öğrenmesi kullanan sistemlerin temel çalışma biçimidir. Ayrıca derin öğrenme, insan beyninin birebir kopyası değildir. Yapay sinir ağları beyinden esinlenen matematiksel modellerdir; bu benzerlik, modelin bilinçli veya insanla aynı biçimde düşündüğü anlamına gelmez.

Konuya göre kullanılan alt alan da değişir. Metin ve konuşma için doğal dil işleme, fotoğraf ve videolardaki içerikler için görüntü işleme, çok katmanlı ağların ayrıntıları için yapay sinir ağı ve iki öğrenme yaklaşımının karşılaştırması için makine öğrenmesi ile derin öğrenme arasındaki fark sayfalarına bakılabilir.

Metin, görüntü ve öneri sistemlerinde yapay zekâ görevleri

Yapay zekânın yeteneği, uygulandığı veri türüne ve hedeflenen göreve göre değişir. Doğal dil işleme sistemleri metin veya konuşmadaki dil örüntülerini analiz ederek sınıflandırma, özetleme, soru yanıtlama ya da metin oluşturma gibi işlemler yapabilir. Büyük dil modelleri, çok büyük metin koleksiyonlarından dildeki ilişkileri öğrenerek yeni metinler üretir; bu, üretilen her cümlenin doğru olduğu anlamına gelmez.

Görüntü işleme uygulamaları fotoğraflarda yüz, nesne veya yazı tanımaya çalışabilir. Bir telefonun yüz tanıma özelliği, görüntüdeki belirli özellikleri modelin öğrendiği örüntülerle karşılaştırarak karar verir. Görüntünün ışığı, açısı veya kalitesi değiştiğinde performansın etkilenebilmesi, bu tür sistemlerin bağlama duyarlı olduğunu gösterir.

Öneri sistemleri ise geçmiş davranışlardan yararlanarak içerik ya da ürün önerisi oluşturur. Daha önce izlenen videolar, aranan ürünler veya verilen puanlar, kullanıcının ilgisini tahmin etmek için işlenebilir. Ancak öneri, kullanıcının o içeriği kesinlikle beğeneceği anlamına gelmez; sistem yalnızca elindeki veriye dayanarak bir tahmin üretir.

Metin üreten uygulamalar için üretken yapay zekâ, sohbet tabanlı örnekleri anlamak için ChatGPT nedir bağlantıları kullanılabilir. Bu uygulamalarda üretilen içerik akıcı görünse bile kaynak kontrolü ve insan değerlendirmesi gerektirebilir.

Çözümlü örnek: Etiketli veriden sınıflandırma fikri

Verilenler: Bir sistemin meyveleri "elma" ve "portakal" olarak ayırması isteniyor. Eğitim verisinde her meyvenin rengi, şekli ve ağırlığına ilişkin örnekler ile doğru etiket bulunuyor. Yeni gelen bir meyvenin etiketi bilinmiyor.

Çözüm adımları:

1. Girdiyi belirleme: Yeni meyvenin ölçülen özellikleri modele sunulur. Bu özellikler, modelin görev için kullanacağı girdidir.
2. Örüntüleri öğrenme: Eğitim sırasında model, bilinen özellikler ile "elma" veya "portakal" etiketi arasındaki ilişkileri ayarlamaya çalışır. Burada model, tek bir kuralı ezberlemek yerine eğitim örneklerinden bir karar ilişkisi çıkarmayı hedefler.
3. Yeni girdiyi işleme: Model, daha önce görmediği meyvenin özelliklerini öğrendiği örüntülerle karşılaştırır.
4. Çıktıyı yorumlama: Modelin ürettiği etiket "elma" ise sistem, bu girdiyi elmaya daha çok benzeyen sınıfa yerleştirmiştir. Eğer model olasılık benzeri bir güven değeri de veriyorsa, bu değer bir kesinlik belgesi değil, modelin iki sınıf arasındaki tercihini yorumlamaya yarayan bir göstergedir.
5. Sonucu sınama: Eğitimde kullanılmayan örneklerde de doğru sınıflandırma yapılıp yapılmadığı kontrol edilir. Yeni örneklerde başarı düşükse veri, özellikler veya model yeniden değerlendirilmelidir.

Sonuç: Yapay zekâ burada meyvenin ne olduğunu insan gibi anlamaz; özelliklerden sınıf tahmini üretir. Kabuğun rengi olağandışıysa veya görüntü kalitesi düşükse, eğitim verisi bu durumu temsil etmiyorsa hata olasılığı artabilir. Bu örnek, veriden örüntü öğrenme ile sabit bir "şu renkse kesinlikle şu meyvedir" kuralı arasındaki farkı gösterir.

Çözümlü örnek: Bir sohbet sistemi neden doğru görünen yanlış yanıt verebilir?

Verilenler: Kullanıcı bir sohbet sistemine tarih veya fen bilgisiyle ilgili bir soru soruyor. Sistem akıcı bir cümle kurarak yanıt veriyor; ancak yanıtın doğruluğu ayrıca kontrol edilmemiş.

Çözüm adımları:

1. İsteği analiz etme: Sistem sorudaki kelimeleri ve bağlamı işler. Bu işlem, doğal dil işleme kapsamında değerlendirilir.
2. Olası metin örüntülerini kullanma: Büyük dil modeli, eğitim sırasında öğrendiği çok sayıdaki kelime ve ifade ilişkilerinden yararlanarak soruya uygun görünen bir yanıt oluşturur.
3. Akıcılık ile doğruluğu ayırma: Cümlenin dil bilgisi açısından düzgün olması, verilen bilginin kaynaklarla doğrulandığını göstermez. Modelin görevi metin üretmek olabilir; bu, bağımsız bir doğrulama mekanizması olduğu anlamına gelmez.
4. Kaynakla karşılaştırma: Önemli bir bilgi için güvenilir kaynaklara, ders kitabına veya öğretmenin açıklamasına başvurulur. Sayısal sonuç varsa işlem yeniden yapılır.
5. Karar verme: Yanıt doğrulanabiliyorsa yardımcı bilgi olarak kullanılabilir. Doğrulanamıyorsa özellikle sınav, sağlık veya hukuki karar gibi alanlarda tek başına dayanak yapılmamalıdır.

Sonuç: Sohbet sisteminin akıcı yanıtı, yapay zekânın dil örüntülerini başarılı biçimde işlediğini gösterebilir; fakat tek başına gerçeklik kanıtı değildir. Bu nedenle yapay zekâ çıktısı ile doğrulanmış bilgi aynı kavram olarak kullanılmamalıdır.

Yapay zekânın sınırları: veri kalitesi, önyargı ve insan denetimi

Bir yapay zekâ sisteminin çıktısı, yalnızca algoritmaya değil, kullanılan verinin niteliğine ve görevin nasıl tanımlandığına da bağlıdır. Eksik, hatalı veya belirli bir grubu yeterince temsil etmeyen veriler, modelin yeni örneklerde dengesiz sonuçlar üretmesine yol açabilir. Bu nedenle "çok veri" tek başına "iyi veri" anlamına gelmez.

Bir başka sınır, eğitim örnekleriyle gerçek kullanım ortamının farklı olmasıdır. Model, eğitimdeki görüntülerin ışığına, metin biçimine veya kullanıcı davranışına aşırı uyum sağlamışsa daha önce karşılaşmadığı koşullarda zorlanabilir. Bu durum, eğitim başarısının gerçek hayattaki başarının yerine geçemeyeceğini gösterir.

Yapay zekâ insan bilincine sahip bir karar verici olarak sunulmamalıdır. Sistem, kendisine verilen girdiler ve tasarlanan yöntem çerçevesinde çıktı üretir. Bu çıktının önemli bir kararı otomatik olarak belirlemesine izin verilecekse hata maliyeti, denetim yöntemi ve itiraz imkânı ayrıca düşünülmelidir. Özellikle hastalık tanısı gibi alanlarda yapay zekâ önerisi, uzman değerlendirmesinin yerine konulmadan yardımcı araç olarak ele alınmalıdır.

Bu sınırlar yapay zekânın yararsız olduğu anlamına gelmez. Büyük veri kümelerini hızlı işlemek, tekrar eden görevleri desteklemek ve insanın incelemesi gereken seçenekleri azaltmak önemli avantajlar sağlayabilir. Ancak doğru kullanım, hız ile doğrulama arasındaki dengeyi korumayı gerektirir.

Sık yapılan hatalar ve karıştırılan kavramlar

• "Yapay zekâ ile makine öğrenmesi aynıdır" demek: Makine öğrenmesi yapay zekânın bir alt alanıdır. Kural tabanlı bazı yapay zekâ sistemleri makine öğrenmesi kullanmayabilir.

• "Derin öğrenme bütün yapay zekâdır" demek: Derin öğrenme, makine öğrenmesinin ve dolayısıyla daha geniş yapay zekâ alanının bir bölümüdür.

• "Model öğreniyorsa bilinç sahibidir" sonucuna varmak: Parametrelerin veriler üzerinden ayarlanması matematiksel öğrenme sürecidir; bilinç, niyet veya insan benzeri deneyim kanıtı değildir.

• "Çıktı olasılıklıysa kesin doğrudur" sanmak: Bir güven değeri veya tercih sıralaması, modelin kendi hesaplamasını ifade eder. Gerçek dünyadaki doğruluk ayrıca test edilmelidir.

• "Eğitim verisi çoksa hata olmaz" düşünmek: Veri hatalı, yanlı veya görev için yetersiz olabilir. Ayrıca yeni koşullar eğitim verisinden farklı olabilir.

• "Üretken yapay zekâ kaynaktan kopyalamadan her bilgiyi bilir" demek: Üretken sistemler öğrendikleri dil ve veri örüntülerinden yeni içerik oluşturur; bu içerik doğrulanmamış iddialar barındırabilir.

• "Her otomatik uygulama yapay zekâdır" demek: Sabit bir zamanlayıcı veya önceden tanımlanmış tek koşullu komut, veriden örüntü öğrenen bir sistemle aynı değildir. Bir uygulamayı sınıflandırırken veri kullanımı, öğrenme yöntemi ve üretilen çıktının niteliği birlikte incelenmelidir.