YOLO'yu lisansla
Ultralytics Sözlüğüne dön

AI Literacy

Yapay zeka okuryazarlığı, yapay zekayı anlamak, sorgulamak ve iyi kullanmak için gereken bilgi ve muhakeme becerisidir. Temel beceriler, okul çerçeveleri ve AB Yapay Zeka Yasası'nın 4. Maddesi.

Yapay zekâ okuryazarlığı, insanların yapay zekâyı iyi kullanmak için ihtiyaç duyduğu bilgi ve muhakeme becerisidir: yapay zekâ sistemlerinin çıktılarını nasıl ürettiğine dair işlevsel bir anlayış, bu çıktıları eleştirel değerlendirme alışkanlığı ve ne zaman güvenileceğine karar verme becerisi. Okuma yazma veya matematiksel okuryazarlık gibi, yapay zekâyla işte, okulda ya da evde karşılaşan herkes için genel bir beceridir; model geliştirme veya programlama yeteneği gerektirmez. Duri Long ve Brian Magerko'nun 2020 CHI makalesi, yaygın biçimde alıntılanan bir tanım sundu: insanların yapay zekâyı eleştirel değerlendirmesini, onunla iletişim kurup iş birliği yapmasını ve onu bir araç olarak kullanmasını sağlayan yetkinlikler.

Yapay zekâ okuryazarı biri, bir sohbet robotunun akıcı yanıtının yine de yanlış olabileceğini, bir yüz tanıma sisteminin bazı gruplarda diğerlerinden daha kötü performans gösterebileceğini, gerçekçi bir videonun deepfake olabileceğini ve gizli belgeleri çevrimiçi bir asistana vermenin bu belgeleri açığa çıkarabileceğini bilir. Bu farkındalıklar, araçlar arasında geçerli olan az sayıdaki temel fikre dayanır.

Yapay Zekâ Okuryazarlığının Kapsamı#

Çoğu çerçeve, yapay zekâ okuryazarlığını üç beceri etrafında düzenler. Anlama, makine öğrenimi sistemlerinin eğitim verilerinden örüntüler öğrendiğini, dolayısıyla davranışlarının bu verilerin kapsama alanını ve eksiklerini yansıttığını; üretken yapay zekânın ise olguları denetlemeden öğrendiği örüntülerden makul görünen metin veya görseller ürettiğini bilmektir. Değerlendirme, çıktıları bağımsız kaynaklarla karşılaştırmayı, uydurmaları ve yapay zekâdaki önyargıyı fark etmeyi ve modelin güven puanını modelin kendi tahmini olarak ele almayı, bu tahminin hatalı kalibre edilmiş olabileceğini bilmeyi içerir. Sorumlu kullanım ise hangi verilerin paylaşılacağına, önemli kararları kimin gözden geçireceğine, yapay zekâ desteğinin ne zaman açıklanacağına ve hangi görevlerin yapay zekâya hiç devredilmemesi gerektiğine karar vermektir.

Okullar için 2024'te yayımlanan UNESCO Öğrenciler için Yapay Zekâ Yetkinlik Çerçevesi, dört boyuttaki 12 yetkinliği tanımlar: insan merkezli bir zihniyet, yapay zekâ etiği, yapay zekâ teknikleri ve uygulamaları ile yapay zekâ sistemi tasarımı. Her boyut, yapay zekâyı anlamaktan uygulamaya ve yapay zekâyla üretmeye doğru ilerler. OECD ve Avrupa Komisyonu tarafından hazırlanan Yapay Zekâ Okuryazarlığı Çerçevesi, 2025 taslağının ardından 2026'da son hâlini aldı; yetkinlikleri yapay zekâyla etkileşim, yapay zekâyla üretim, yapay zekâyı yönetme ve yapay zekâyı şekillendirme olmak üzere dört alanda gruplandırır ve 2029'da yapılacak ilk medya ve yapay zekâ okuryazarlığı PISA değerlendirmesinin temelini oluşturur. İlgili kavramlar birbiriyle örtüşür: veri okuryazarlığı veri ve istatistikleri yorumlamayı, dijital okuryazarlık genel olarak teknoloji kullanmayı kapsar; istem mühendisliği ise yapay zekâ okuryazarlığının uygulamaya dönük becerilerinden biridir.

İş Yerinde Yapay Zekâ Okuryazarlığı ve AB Yapay Zekâ Yasası#

Avrupa Birliği'nde işyeri yapay zekâ okuryazarlığı, AB Yapay Zekâ Yasası'nın 4. Maddesi 2 Şubat 2025'te uygulanmaya başladığında yasal bir konu hâline geldi. Yasa, yapay zekâ okuryazarlığını sağlayıcıların, kullanıma sunanların ve etkilenen kişilerin yapay zekâ sistemlerini kullanıma sunma konusunda bilinçli kararlar almasını ve bu sistemlerin fırsatları, riskleri ve olası zararları hakkında farkındalık kazanmasını sağlayan beceri, bilgi ve anlayış olarak tanımlar. Temmuz 2026'da Yapay Zekâya İlişkin Dijital Omnibus ile değiştirilen 4. Madde, yapay zekâ sistemi sağlayan veya kullanan kuruluşların; teknik bilgi, deneyim, eğitim ve sistemin kullanıldığı bağlamı göz önünde bulundurarak, bu sistemleri kendi adlarına işleten personel ile diğer kişilerin yapay zekâ okuryazarlığını destekleyecek önlemler almasını gerektirir; ancak herhangi bir birey için belirli bir okuryazarlık düzeyini garanti etmeleri gerekmez. Bu yükümlülük, risk kategorisinden bağımsız olarak tüm yapay zekâ sistemlerini kapsar ve Yasada yer alan en geniş kapsamlı gerekliliklerden biridir.

4. Madde herhangi bir müfredat veya sertifika öngörmediğinden, kuruluşlar eğitimi genellikle role göre ölçeklendirir, kayıtlarını tutar ve yapay zekâ yönetişimi programlarına dâhil eder. Sohbet robotu kullanan bir destek temsilcisinin uydurma yanıtları nasıl fark edeceğini ve hangi müşteri verilerinin istemlere eklenmemesi gerektiğini bilmesi gerekir; bu, gölge yapay zekâ kullanımını da azaltır. Otomatik denetim hattında çalışan bir kalite mühendisinin yanlış pozitifleri, yanlış negatifleri ve eşik ayarlarının bunlar arasındaki dengeyi nasıl değiştirdiğini anlaması gerekir. Yapay zekâ sistemlerinin kullanıma sunulmasını onaylayan yöneticiler, sistemin nasıl ve hangi verilerle değerlendirildiğini sorabilecek kadar bilgi sahibi olmalıdır.

Uygulamalı Çalışmalarla Yapay Zekâ Okuryazarlığını Geliştirme#

Okuryazarlık, bir modelin doğru, yanlış ve kararsız olduğu durumları doğrudan deneyimleyerek en hızlı gelişir. Önceden eğitilmiş bir Ultralytics YOLO26 nesne algılama modelini tek bir fotoğrafta iki farklı güven eşiğiyle çalıştırmak, kesinlik ile duyarlılık arasındaki ödünleşimi somutlaştırır:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Run the same image at a permissive and a strict confidence threshold
for conf in (0.1, 0.7):
    results = model("https://ultralytics.com/images/bus.jpg", conf=conf)
    result = results[0]
    print(f"conf={conf}: {result.verbose()}")
    result.save(filename=f"bus_conf_{conf}.jpg")

0.1 eşiğinde model, kısmen görünür aynı yaya için ikinci bir düşük güvenli kutu dâhil beş kişiyi ve ayrıca aslında park yapılmaz levhası olan bir "dur levhası" bildirir. 0.7 eşiğinde otobüsü ve net biçimde görünen üç kişiyi korur, ancak sol kenarda kesilmiş yayayı kaçırır. Kaydedilen iki görüntüyü karşılaştırmak, eşiğin sistemin hangi tür hatayı yapacağını belirlediğini gösterir: karmaşıklık matrisi yanlış alarmları ve kaçırılan nesneleri sayar; doğru ayar ise belirli bir uygulamada kaçırılan bir nesnenin mi yoksa yanlış alarmın mı daha maliyetli olduğuna bağlıdır.

Aynı çalışma, yapay zekâ eğitiminde daha küçük yaştaki öğrencilerle kod kullanmadan da yapılabilir: modelin doğru etiketlediği fotoğrafları yanlış etiketlediklerinden ayırmak ve ardından nedenlerini tartışmak, bir yapay zekâ çıktısının hangi kanıtlara dayandığını sorgulama alışkanlığı kazandırır.

Çözümleri keşfet

Sporda bilgisayarlı görü

Sporda bilgisayarlı görü

Ultralytics YOLO'nun oyuncu ve top takibi, performans analitiği, antrenörlük içgörüleri ve sporcu rehabilitasyonuyla spor alanında görsel yapay zekâyı nasıl güçlendirdiğini keşfet.
Daha fazla bilgi edin
Hava görüntüleri için bilgisayarlı görü

Hava görüntüleri için bilgisayarlı görü

İHA ve hava görüntülerini Ultralytics YOLO ile tarım, su ürünleri yetiştiriciliği, koruma çalışmaları ve jeo-uzamsal analiz için gerçek zamanlı içgörülere dönüştür.
Daha fazla bilgi edin
Havacılıkta bilgisayarlı görü

Havacılıkta bilgisayarlı görü

Uçak denetimi, pistteki yabancı madde tespiti, havaalanı yer operasyonları ve kompozit malzeme kusurlarının tespiti için Ultralytics YOLO ile havacılık ve uzay sektöründe bilgisayarlı görü uygula.
Daha fazla bilgi edin
Güvenlikte bilgisayarlı görü

Güvenlikte bilgisayarlı görü

Ultralytics YOLO modelleriyle her sahayı koru. Görsel yapay zekâ; çevre izleme, tehdit tespiti, plaka tanıma ve iş yeri güvenliğini destekler.
Daha fazla bilgi edin
Robotikte bilgisayarlı görü

Robotikte bilgisayarlı görü

Ultralytics YOLO modelleriyle daha akıllı makinelere güç ver. Robotikte görsel yapay zekâ; otonom navigasyonu, algılamayı, nesne takibini ve gerçek zamanlı kontrolü destekler.
Daha fazla bilgi edin
Lojistikte bilgisayarlı görü

Lojistikte bilgisayarlı görü

Ultralytics YOLO modelleriyle lojistiği kolaylaştır. Görüntü yapay zekâsı; paket denetimini, ayrıştırmayı, araç takibini ve gerçek zamanlı depo güvenliği izlemeyi mümkün kılar.
Daha fazla bilgi edin
Perakendede bilgisayarlı görü

Perakendede bilgisayarlı görü

Ultralytics YOLO modelleriyle perakendeyi yeniden tasarla. Görüntü yapay zekâsı; envanter takibini, raf izlemeyi, kuyruk yönetimini ve daha kapsamlı müşteri analizlerini mümkün kılar.
Daha fazla bilgi edin
Sağlık hizmetlerinde bilgisayarlı görü

Sağlık hizmetlerinde bilgisayarlı görü

Ultralytics YOLO modelleriyle sağlık çözümleri geliştir. Sağlık hizmetlerinde görüntü yapay zekâsı; daha hızlı tıbbi görüntüleme, daha akıllı tanı ve hasta takibini mümkün kılar.
Daha fazla bilgi edin
Üretimde bilgisayarlı görü

Üretimde bilgisayarlı görü

Ultralytics YOLO modelleriyle üretimi optimize et. Görsel yapay zekâ; kalite kontrolünü, kusur tespitini, kişisel koruyucu donanım uyumunu ve montaj hattı otomasyonunu destekler.
Daha fazla bilgi edin
Otomotivde bilgisayarlı görü

Otomotivde bilgisayarlı görü

Ultralytics YOLO modelleriyle otomotivde bilgisayarlı görüden yararlan. Görsel yapay zekâ; daha akıllı yollar için yol güvenliğini, sürüş desteğini ve araç otomasyonunu ileri taşır.
Daha fazla bilgi edin
Tarımda bilgisayarlı görü

Tarımda bilgisayarlı görü

Ultralytics YOLO modelleriyle akıllı tarıma görüntü yapay zekâsı kazandır. Daha yüksek ve akıllı verim için mahsul izleme, hayvan takibi ve hassas tarımı destekle.
Daha fazla bilgi edin

Geleceğin yapay zekasını birlikte inşa edelim!

Makine öğreniminin geleceğine yolculuğuna başla