Artificial Narrow Intelligence (ANI)

Yapay dar zekâ (ANI), dar yapay zekâ veya zayıf yapay zekâ olarak da adlandırılır; görüntülerde nesne algılama, video önerme veya konuşmayı yazıya dökme gibi tek bir görevi ya da sınırları kesin biçimde belirlenmiş bir görev kümesini yerine getirmek üzere geliştirilmiş yapay zekâdır (AI). Bir ANI sistemi kendi alanında insan performansına yetişebilir veya onu aşabilir; ancak yeni eğitim verileriyle yeniden eğitilmeden bu beceriyi ilgisiz bir probleme aktaramaz. Standart tanıma göre, spam filtrelerinden otonom araçlara yön veren bilgisayarlı görü modellerine kadar bugün dağıtıma alınan tüm yapay zekâ sistemleri dar kapsamlıdır.

ANI, AGI ve ASI Karşılaştırması#

Yapay zekâ genellikle üç yetenek düzeyinde tanımlanır. ANI ilk düzeydir: Tek bir alanda yetkindir ve eğitildiği veri ile hedef tarafından belirlenir. Yapay genel zekâ (AGI), bilişsel görevlerin neredeyse tümünde insanlarla aynı düzeye ulaşan ve göreve özel mühendislik olmadan yeni görevler öğrenen varsayımsal bir sistemdir. AGI'ye genellikle, filozof John Searle'ün zayıf yapay zekâ terimiyle birlikte 1980 tarihli Çin Odası argümanında ortaya attığı bir terim olan güçlü yapay zekâ denir; bu argümanda terim, gerçekten zihne sahip bir bilgisayar anlamına geliyordu. Yapay süper zekâ (ASI), her alanda en iyi insanları geride bırakan varsayımsal bir sistemdir ve teknolojik tekillik fikrinin ardındaki senaryodur.

Büyük dil modelleri (LLM'ler), dar kapsamlı kategorinin sınırlarını zorluyor. Tek bir model kod yazıyor, çeviri yapıyor, özet çıkarıyor ve görüntülerle ilgili soruları yanıtlıyor; AB Yapay Zekâ Yasası da bu tür sistemleri genel amaçlı yapay zekâ modelleri olarak adlandırarak bu durumu kabul ediyor. Ancak becerileri, pürüzlü zekâ olarak bilinen örüntüde dengesiz kalıyor: Aynı model olimpiyat düzeyinde matematik problemlerini çözebiliyor, ardından iki ondalık sayıdan hangisinin daha büyük olduğunu yanlış değerlendirebiliyor; ayrıca eğitim bittiğinde ağırlıkları öğrenmeyi bırakıyor.

Dar Yapay Zekâ Nasıl Çalışır#

Bir ANI sistemi, tek bir hedef için verilerle eğitilmiş bir modeldir; dolayısıyla yetkinliği iki unsurla sınırlıdır: eğitim verilerinin dağılımı ve üretebildiği çıktılar. COCO veri kümesinin 80 sınıfı üzerinde eğitilmiş bir nesne algılama modeli, "bu yeni bir şey" deme olanağına sahip değildir. Bilinmeyen bir nesne gösterildiğinde ya nesneyi görmezden gelir ya da bildiği en yakın sınıfı bildirir:

Ultralytics YOLO26 bu sınırı doğrudan gösterir: COCO üzerinde önceden eğitilmiş model tam olarak 80 sınıfı adlandırabilir. Belirli bir makine parçası gibi yeni bir nesneyi öğretmek için o parçanın etiketli görüntüleriyle ince ayar yapmak gerekir; bu işlem modelin sınıf listesini yeni veri kümesinin sınıflarıyla değiştirir.

from ultralytics import YOLO

# A COCO-pretrained detector: its whole vocabulary is fixed at training time
model = YOLO("yolo26n.pt")
print(f"Classes this model can name: {len(model.names)}")

# Every detection it returns must carry one of those labels
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
print(result.verbose())

İlk satır modelin tüm söz dağarcığının boyutunu yazdırır; ikinci satır ise aynı sabit kümeden seçilen ve görüntüde bulduğu sınıfları listeler.

Gerçek Dünya Uygulamaları#

Dar yapay zekâ, insanların her gün kullandığı yazılımların çoğuna güç verir:

• Öneri sistemleri: Yayın ve alışveriş platformları, izleme ve satın alma geçmişine göre her kullanıcı için öğeleri sıralar.
• Konuşma tanıma: Sesli asistanlar ve dikte araçları, konuşulan sesi metne dönüştürür.
• Üretim denetimi: Görü sistemleri, üretim hattındaki her parçayı belirli kusur türleri açısından kontrol eder.
• Tıbbi görüntü analizi: Modeller, tek bir görüntüleme yönteminde akciğer nodülleri veya diyabetik retinopati gibi bulguları işaretler.
• Otonom araçlar: Otonom sürüş sistemi; şerit bölümleme, yaya algılama, nesne takibi veya yol planlama gibi tek bir işi yapan çok sayıda dar kapsamlı modeli birleştirir.

Dar Yapay Zekânın Güçlü ve Zayıf Yönleri#

ANI kendi alanında insanüstü, hızlı ve yorulmak bilmez olabilir. IBM'in Deep Blue'su 1997'de dünya satranç şampiyonu Garry Kasparov'u yendi; DeepMind'ın AlphaGo modeli ise 2016'da Go şampiyonu Lee Sedol'ü 4–1 mağlup etti. Bu alanın dışında aynı sistemlerin hiçbir becerisi yoktur. Ayrıca dağıtıma alındıktan sonra modellerin performansı, eğitim verilerinden farklı girdilerde düşer; bu sorun veri kayması olarak bilinir. Dar kapsamlı sistemler işledikleri şeyi de anlamaz; girdileri, verilerden öğrenilmiş istatistiksel örüntüler aracılığıyla çıktılara eşler. Satranç, şogi ve Go'yu tek bir algoritmayla öğrenen DeepMind'ın AlphaZero'su bile her oyun için ayrı bir ağla eğitildi; satranç ağı Go oynayamaz.