Artificial Intelligence (AI)

Yapay zekâ (AI), görüntü ve ses algılama, dili anlama ve üretme, akıl yürütme, planlama ve deneyimlerden öğrenme gibi insan zekâsıyla ilişkilendirilen görevleri yerine getirebilen sistemler geliştiren bilgisayar bilimi dalıdır. AB Yapay Zekâ Yasası'nın yakından izlediği OECD tanımı, yapay zekâ sistemini girdilerinden yola çıkarak tahmin, içerik, öneri veya karar gibi çıktılar üretmeyi çıkarımlayan makine tabanlı bir sistem olarak tanımlar. Günümüzde kullanılan yapay zekânın çoğu bu davranışı örnek verilerden makine öğrenimi (ML) yoluyla öğrenir.

Yapay Zekânın Kısa Tarihi#

Alan Turing'in 1950 tarihli "Computing Machinery and Intelligence" makalesi, makinelerin düşünüp düşünemeyeceğini sordu ve günümüzde Turing testi adı verilen taklit oyununu önerdi. John McCarthy, Marvin Minsky, Nathaniel Rochester ve Claude Shannon, alanı kuran 1956 Dartmouth yaz atölyesi için 1955'te hazırladıkları öneride "yapay zekâ" terimini ortaya attı. Sonraki otuz yıl boyunca sembolik yapay zekâ, mantık, arama ve kural tabanlı uzman sistemlerle alana hâkim oldu. Sonuçların vaatleri karşılamadığı 1970'lerde ve 1980'lerin sonlarında yaşanan "yapay zekâ kışlarında" fonlar iki kez keskin biçimde azaldı.

Verilerden öğrenen istatistiksel yapay zekâ yöntemleri 1990'larda öne çıktı. 1997'de IBM'in Deep Blue'su, saniyede yaklaşık 200 milyon satranç konumunu tarayan özel amaçlı donanımıyla dünya satranç şampiyonu Garry Kasparov'u yendi. 2012'de AlexNet evrişimli sinir ağı, ImageNet görüntü sınıflandırma yarışmasını açık farkla kazandı ve derin öğrenme (DL) dönemini başlattı. 2017'de tanıtılan Transformer mimarisi, büyük dil modellerinin (LLM'ler) önünü açtı. ChatGPT'nin Kasım 2022'de yayımlanmasıyla üretken yapay zekâ yüz milyonlarca kullanıcıya ulaştı.

Yapay Zekâ, Makine Öğrenimi ve Derin Öğrenme Arasındaki İlişki#

Yapay zekâ şemsiye alandır. Sembolik yapay zekâ ve makine öğrenimi, bu alanın iki temel yaklaşımıdır: İlki bilgiyi açık kurallar biçiminde kodlar, ikincisi ise örneklerden örüntüler öğrenir. Derin öğrenme, çok katmanlı sinir ağları kullanan makine öğrenimi alt kümesidir; görüntü işleme, dil ve görüntü üretimindeki neredeyse tüm modern atılımlar bu temele dayanır.

Makine öğrenimi sistemleri birkaç temel yöntemle öğrenir. Denetimli öğrenme, içerdikleri nesnelerle etiketlenmiş görüntüler gibi etiketli örneklerden yararlanır. Denetimsiz öğrenme, etiketsiz verilerdeki yapıyı bulur. LLM ön eğitimlerinin temelindeki yöntem olan öz denetimli öğrenme, ham verilerden kendi eğitim sinyalini üretir. Pekiştirmeli öğrenme ise bir ortamda eyleme geçerek elde edilen ödüllerden öğrenir.

Yeteneklerine Göre Yapay Zekâ Türleri#

• Yapay dar zekâ (ANI) veya zayıf yapay zekâ: Belirli bir görev veya görev kümesi için geliştirilmiş yapay zekâdır. Görevi kapsamında insanüstü performans gösteren sistemler de dâhil, dağıtıma alınmış her sistem bu gruptadır.
• Yapay genel zekâ (AGI): Bilişsel görevlerin neredeyse tümünde insanlarla aynı düzeye ulaşan varsayımsal bir sistemdir; genellikle güçlü yapay zekâ olarak adlandırılır.
• Yapay süper zekâ (ASI): Neredeyse her alanda en iyi insanları geride bırakan varsayımsal bir sistemdir ve teknolojik tekillik fikrinin ardındaki senaryodur.

Genel amaçlı LLM'ler ilk sınırı belirsizleştiriyor. Tek bir model kod yazabilir, çeviri yapabilir ve görüntüleri betimleyebilir; ancak pürüzlü zekâ adı verilen bu örüntüde modelin görevler arasındaki becerileri dengesizdir.

Yapay Zekâ Uygulamaları#

• Bilgisayarlı görü: Otonom araçlar, fabrika denetimi, perakende analizleri ve tıbbi görüntü analizi için nesne algılama, sahne bölümleme ve hareket takibi.
• Dil ve konuşma: Sohbet botları, makine çevirisi, belge özetleme ve konuşmayı metne dönüştürme.
• Tahmin ve sıralama: Dolandırıcılık tespiti, talep tahmini ve yayın ile alışveriş platformlarında kullanılan öneri sistemleri.
• Bilim: DeepMind'ın AlphaFold'u protein yapılarını tahmin eder ve geliştiricilerine 2024 Nobel Kimya Ödülü'nün bir kısmını kazandırdı.
• Ajanlar ve robotik: Çok adımlı görevleri planlayıp yazılım araçlarını kullanan yapay zekâ ajanları ve algılamayı denetimle birleştiren robotlar.

Bir önceden eğitilmiş görü modelini çalıştırmak, bir derin öğrenme sisteminin işleyişini görmenin en hızlı yoludur. Ultralytics YOLO26, etiketlenmiş COCO görüntülerinden 80 günlük nesne sınıfını öğrenmiş bir nesne algılayıcısıdır:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26 nesne algılayıcısı yükle
model = YOLO("yolo26n.pt")

# Modelin daha önce hiç görmediği bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Tahmin edilen kutuları, sınıf etiketlerini ve güven puanlarını içeren görüntüyü kaydet
result.save(filename="bus_detections.jpg")

Kaydedilen görüntüde algılanan her nesne, örneğin otobüs ve yanındaki insanlar, bir kutu, sınıf etiketi ve güven puanıyla işaretlenir; bunların tümü örneklerden öğrenilmiştir.

Riskler, Etik ve Düzenlemeler#

Yapay zekâ sistemleri, verilerinin ve hedeflerinin kusurlarını devralır. Modeller, eğitim verilerinde yeterince temsil edilmeyen veya kötü muamele gören gruplara karşı önyargı barındırabilir; LLM'ler yanlışları akıcı biçimde ifade edebilir; üretken modeller deepfake üretebilir ve kapalı modelleri açıklanabilir yapay zekâ (XAI) olmadan denetlemek zordur. Yapay zekâ etiği ve yapay zekâ güvenliği araştırmaları bu riskleri ele alır. Gönüllü NIST Yapay Zekâ Risk Yönetimi Çerçevesi, kuruluşlara bu riskleri yönetmek için bir süreç sunar. Ağustos 2024'ten beri yürürlükte olan AB Yapay Zekâ Yasası, sosyal puanlama gibi az sayıdaki uygulamayı tamamen yasaklar ve işe alım, kredi puanlaması ve tıbbi cihazlarda yapay zekâ gibi yüksek riskli kullanımlara katı gereklilikler getirir.