Yapay Zekâ Nedir ve Nasıl Çalışır?

Yapay zekâ (artifical intelligence – AI), en basit tabiriyle insan zekâsının yürütebildiği süreçlerin bilgisayar sistemleri tarafından simüle edilmesine verilen isimdir. Bu, böyle bir sistemin öğrenebileceği ve kendini giderek iyileştirebileceği anlamına da gelir. Çoğu kişi “yapay zekâ ne” sorusunu duyduğunda ilk olarak “dünyayı ele geçiren robotları” düşünür ancak bu teknolojinin amacı insanoğlunun “alternatifini” oluşturmak değildir.

Yapay zekâ teknolojileri farklı türlere ayrılır, farklı şekillerde çalışır ve genellikle akıllı asistanlık, müşteri hizmetleri, otomatik hisse takası gibi hizmetler için pek çok farklı işkolunda kullanılır. Uygun fiyatlı yüksek bilgi işlem gücü sağlar, çok büyük miktarlarda veriyi hızlı şekilde analiz edebilir ve hem ticari, hem de günlük hayattaki pek çok işlemi otomatikleştirmek için kullanılabilir.

“Yapay zekâ nedir kısaca” sorusunu cevapladığımıza göre, yapay zekâ nasıl çalışır sorusuyla devam edebiliriz. Bu teknoloji çoğunlukla “makine öğrenimi” terimiyle aynı anlama geliyormuş gibi kullanılır, ancak bu yalnızca yapay zekanın bir bileşenidir. Yapay zekâ, makine öğrenimi algoritmalarını yazmak için kullanılan bir dizi özel donanım ve yazılımdan oluşur. AI yaratmak için kullanılan tek bir programlama dili yoktur, Python, R ve Java da dahil olmak üzere birden çok dil kullanılır. Dolayısıyla, yapay zekâ nasıl yapılır sorusunun tek bir cevabı bulunmaz: Birden çok programlama dili kullanılarak makine öğrenimi algoritmaları yazılır ve bunlar özel bir donanım üzerinde kullanılır.

AI sistemleri, büyük miktarlarda verileri korelasyonlar ve modeller yaratmak için analiz eder ve elde edilen sonuçları belirli durumlar hakkında tutarlı tahminler yapmak için kullanır. Örneğin, bir sohbet robotu, yarattığı modelleri kullanarak gerçek bir insan gibi iletişim kurmayı öğrenebilir. Aynı şekilde, milyonlarca örneği tarayarak görüntülerdeki nesneleri tanımlamayı da öğrenebilir. Bu bağlamda, AI programlama sistemleri üç bilişsel beceri üzerine kurulmuştur:

• Öğrenme süreci. Bu süreçte büyük miktarda veri toplanır ve bunların kullanılabilir bilgilere nasıl dönüştürüleceğine dair kurallar oluşturulur. “Algoritma” adı verilen bu kurallar, yapay zekaya belirli bir görevi nasıl tamamlayabileceğine dair adım adım talimatlar verir.
• Akıl yürütme süreci. Bu süreçte, yapay zekaya istenen sonuca ulaşmak için doğru algoritmayı nasıl seçebileceği gösterilir.
• Kendi kendini düzeltme süreci. Bu, sürekli devam eden bir süreçtir: Algoritmalara düzenli olarak ince ayar yapılır ve böylelikle mümkün olan en doğru sonuçları vermeleri sağlanmaya çalışılır. Zaman geçtikçe, yapay zekâ giderek daha tutarlı sonuçlar vermeye başlayacaktır.

Artık artificial intelligence ne demek (veya AI ne demek) sorusunun cevabını biliyorsunuz ve bu teknolojinin nasıl çalıştığına dair temel bilgilere sahipsiniz. Yapay zekâ örnekleri vererek devam edebiliriz: Bu örnekler, konu hakkında daha net bir fikir edinmenizi sağlayacaktır.

Makine öğrenimi, bir bilgisayarın toplanan verilerde kendini tekrar eden durumları (şablon modeller) tespit etmesi ve bu şablon modelleri belirli görevleri yerine getirmek veya sorunları çözmek için kullanmasıdır. Böyle bir sistem, algoritmalar aracılığıyla öğrenir ve önceden programlanmamış olsa bile tahminler yapabilir veya kararlar verebilir. Makine öğrenimi, büyük miktarlarda veriyi çok hızlı bir şekilde işleyebilir ve bu nedenle pek çok sektörde kullanılabilir. Örneğin, makine öğrenimi kullanan siber güvenlik sistemleri, saldırıları daha doğru bir şekilde tahmin edip önleyebilir.

Uzman sistemler, farklı sorunları çözmek için insan zekasının karar verme sürecini taklit eden programlardır. Bilgi kümeleri kullanarak akıl yürütmek ve karmaşık sorunları bu şekilde çözmek için tasarlanmışlardır. Uzman sistemlerin genellikle iki alt sistemi vardır: çıkarım motoru ve bilgi tabanı. Bilgi tabanı, gerçekleri ve kuralları temsil eder. Çıkarım motoru ise, yeni gerçekler çıkarmak için bu kuralları kullanır.

Yapay nöral ağları, bir bilgisayarın gözlemsel verilerden öğrenmesini sağlayan paradigmalar üzerine kurulmuştur. İnsan beyninin biyolojik süreçlerini taklit ederek çalışır. Kullanılan ağ, birbirlerine sinyal gönderen yapay nöronlardan oluşur ve bu bakımdan insanların sinir sistemine benzer. Nöronların ayrıca öğrenme devam ettikçe değişebilen bir ağırlığı vardır. Ağırlık seviyesi, bir sinyali güçlendirebilir veya zayıflatabilir. Yapay nöral ağlar, sistem tanımlama, kuantum kimyası, yüz ve görüntü tanıma, sekans tanıma, veri madenciliği ve benzeri durumlar için kullanılır.

Derin öğrenme, yapay nöral ağlara ve temsili öğrenmeye dayalı makine öğreniminin bir alt kümesini oluşturur. Birden çok katman kullanarak, toplanan verilerden daha yüksek katman özelliklerini aşamalı olarak çıkarabilir. Bu, derin öğrenmenin, veriler arasındaki farklılıkları ve onların kendine özgü niteliklerini tanımlayabileceği anlamına gelir. Yapay zekanın bu örneği, görüntü tanıma (örneğin yüz tanıma) için kullanılır.

Yukarıda, yapay zekanın birden çok türü olduğundan bahsetmiştik. Bunlar, geliştirilen AI’nin nasıl çalışacağını ve yeteneklerinin ne olacağını belirler. Bu bağlamda, üç temel yapay zeka türü olduğunu söylemek mümkündür.

Destekli zekâ, AI teknolojisinin en temel seviyesini oluşturur. Buradaki amaç, Big Data, bulut bilişim ve veri bilimini bir arada kullanarak farklı süreçleri otomatikleştirmek ve belirli konularda karar vermeye yardımcı olmaktır. Destekli zekâ kendi kendine (otonom) çalışabilen bir sistem değildir, zira insan kullanıcıların sürekli müdahalesini gerektirir. Yapay zekanın bu türü, sadece halihazırda çalışmakta olan süreçleri iyileştirmek için tasarlanmıştır. Yani, zaten yaptığımız şeylerde daha üretken ve verimli olmamızı sağlar.

Örneğin, Waze gibi navigasyon sistemleri, rota bulma ve mesafe hesaplama işlemlerini hızlandırmak için destekli zekâ kullanır. Bu navigasyonu yapay zekâ olmadan da kullanabilirdik, ancak bu daha uzun sürerdi ve daha zor olurdu. Destekli zekâ, bu süreci çok daha pratik hale getirir.

Artırılmış zekâ, insanoğlunun diğer türlü yapamayacağı şeyleri yapmalarını sağlamak için tasarlanmıştır. Onu makineler ve insanlar arasındaki bir iş birliği olarak düşünebilirsiniz. Artırılmış zekâ platformları, analiz edilen bir problem hakkında çok yönlü bilgiler sağlamak için büyük miktarda karmaşık veriyi işleyebilir. İnsan zekasının yerini almak için değil, ona destek olmak için kullanılır ve makine öğrenimi ile tahmine dayalı analitik sistemler üzerine kurulmuştur. Artırılmış zekâ, örneğin tıp dünyasında doktor hatası olasılığını azaltmak veya finansal hizmetlerde riskleri hesaplamak için kullanılabilir.

Otonom zekâ, insan müdahalesi olmadan (kendi kendine) çalışabilen sistemlerin adıdır. Yapay zekanın en gelişmiş türüdür zira gerçekten “düşünebilir”. Bu türden bir yapay zekâ artık sadece bir bilimkurgu fantezisi değildir, ancak ticari veya günlük hayatta kullanılmaya hazır da değildir. Otonom zekâ sistemleri, genellikle bir danışman olarak kullanılır.

“Düşünebilen makineler” fikrinin antik çağlarda ortaya çıktığını söyleyebiliriz, ancak günümüzdeki anlamıyla onu ilk kez kullanan kişi, modern bilgisayarların da mucidi olan Alan Turing’di. Turing, 1950 yılında bir makinenin herhangi bir mantıksal çıkarımı matematiksel formüllerle simüle edebileceğini öne sürdü ve hatta bir test geliştirerek makine ve insanı birbirinden ayırt edebilmeyi teklif etti. Günümüzde, bunu “Turing Testi” olarak biliyoruz ve bir bilgisayarın ne kadar “zeki” olduğunu anlamak için kullanılıyor. (Ancak bu test hakkında halen pek çok tartışma olduğunu da belirtelim.)

50’li yılların sonunda, John McCarthy “yapay zekâ” terimini ilk kez kullandı ve Dartmouth Kolejinde dünyanın ilk yapay zekâ konferansını düzenledi. Konferansa katılanlar (ve onların öğrencileri), AI teknolojisinin kurucuları ve liderleri oldular. Örneğin, Allen Newell, Herbert A. Simon ve Marvin Minsky dünyanın ilk AI yazılımını tasarladı: Bu yazılımın adı Logic Theorist olarak seçilmişti.

1967 yılında, Frank Rosenblatt “Mark 1 Perception” adında nöral ağ üzerine kurulu ilk bilgisayarı üretti. 70’li yılların başında, otonom yapay zekanın çok kısa bir süre içinde ortaya çıkacağına inanılıyordu, ancak bu teknoloji üzerinde çalışanlar bunun ne kadar zor bir iş olabileceğini fark edememişti. 80’ler ve 90’lar boyunca nöral ağlar üzerinde çalışmaya devam edildi ve IBM’in Garry Kasparov’u yenen “Deep Blue” bilgisayarı da aslında nöral ağ üzerine kurulmuş bir sistemdi.

2000’li yıllardan itibaren, bilgisayarlar daha güçlendi ve internet sayesinde daha fazla veriye erişebilir hale geldi, bu da nöral ağ – makine öğrenimi gibi tekniklerin çok daha verimli şekilde çalışabilmesini sağladı. Dahası, derin öğrenme gibi internet olmasa var olamayacak yeni teknikler de geliştirildi.