Yapay Zeka Nedir? Alt Dalları, Tarihi ve Uygulama Alanları

Yapay zeka nedir? Yapay zeka, görmek, konuşulanı anlamak, metin yazmak, akıl yürütmek ve karar vermek gibi normalde insan zekası gerektiren görevleri yerine getiren bilgisayar sistemlerinin genel adıdır. Bugünkü sistemlerin çoğu, kuralları elle yazılmak yerine veriden öğrenen makine öğrenmesi yöntemlerine dayanır.

Yapay zeka nedir?

Yapay zeka (YZ) hem bir bilim ve mühendislik alanının hem de bu alanın ürettiği sistemlerin adıdır. Ders kitaplarında çoğu zaman, çevresini algılayıp hedefine ulaşmak için en iyi eylemi seçen “akıllı ajan” kavramıyla tanımlanır (Russell ve Norvig, 2021). İki büyük yaklaşım vardır:

• Kurala dayalı (sembolik) yaklaşım: Uzmanların bilgisi “eğer … ise …” kurallarıyla elle yazılır. Uzman sistemler bu yaklaşımın örneğidir.
• Öğrenmeye dayalı yaklaşım: Sistem, örneklerden örüntü öğrenir. Bugünkü yapay zekanın büyük kısmı bu yaklaşımı, yani makine öğrenmesini kullanır.

Ayrıca dar (zayıf) yapay zeka ile genel yapay zeka ayrılır. Dar yapay zeka belirli bir görevde (satranç, çeviri, görüntüde nesne tanıma) çok başarılı olabilir; insan gibi her alanda öğrenip akıl yürütebilen genel yapay zeka ise henüz yoktur.

Alt dalları

Alt dal	Ne yapar?	Örnek
Makine öğrenmesi	Veriden örüntü öğrenip tahmin yapar	Kredi riski tahmini
Derin öğrenme	Çok katmanlı yapay sinir ağlarıyla öğrenir (LeCun vd., 2015)	Görüntü ve ses tanıma
Doğal dil işleme	İnsan dilini anlar ve üretir	Makine çevirisi, sohbet botları
Bilgisayarlı görü	Görüntü ve videodan bilgi çıkarır	Tıbbi görüntüde bulgu saptama
Robotik	Fiziksel dünyada algılayıp hareket eder	Depo robotları
Bilgi temsili ve akıl yürütme	Bilgiyi kurallar ve ilişkilerle temsil eder	Uzman sistemler, planlama

Bu dallar iç içedir: derin öğrenme makine öğrenmesinin bir koludur, bugünkü doğal dil işleme ve bilgisayarlı görü sistemleri de büyük ölçüde derin öğrenmeye dayanır.

Kısa tarihi

Yıl	Gelişme
1943	McCulloch ve Pitts, yapay nöronun ilk matematiksel modelini önerdi
1950	Alan Turing, “Makineler düşünebilir mi?” sorusunu ve taklit oyununu (Turing testi) ortaya attı (Turing, 1950)
1956	Dartmouth yaz çalışması düzenlendi; “yapay zeka” adı bu çalışmanın önerisiyle yerleşti
1958	Frank Rosenblatt, veriden öğrenebilen perceptronu tanıttı
1970’ler ve 1980’lerin sonu	Beklentilerin karşılanmaması ve kaynakların azalmasıyla yaşanan “yapay zeka kışları”
1980’ler	Uzman sistemlerin yaygınlaşması; geri yayılımla çok katmanlı ağların eğitilmesi
1997	IBM’in Deep Blue’su, satranç dünya şampiyonu Garry Kasparov’u yendi
2012	Derin bir evrişimli ağ, ImageNet görüntü sınıflandırma yarışmasında hatayı büyük ölçüde azalttı (Krizhevsky vd., 2012/2017)
2016	DeepMind’ın AlphaGo’su, Go ustası Lee Sedol’u yendi
2017	Dönüştürücü (Transformer) mimarisi önerildi (Vaswani vd., 2017); bugünkü büyük dil modellerinin temelidir
2022 ve sonrası	ChatGPT ile büyük dil modelleri geniş kitlelerce kullanılmaya başlandı

Uygulama alanları ve örnekler

Alan	Örnek uygulamalar
Sağlık	Radyoloji ve patoloji görüntülerinde bulgu saptamaya destek, hastalık riski tahmini, ilaç keşfinde molekül taraması
Finans ve bankacılık	Dolandırıcılık tespiti, kredi riski skorlama, müşteri hizmetlerinde sohbet botları
Otomotiv ve ulaşım	Şeritte tutma ve acil fren gibi sürücü destek sistemleri, rota ve trafik tahmini
E-ticaret ve pazarlama	Ürün önerisi, talep tahmini, arama sonuçlarının sıralanması
Eğitim	Öğrencinin düzeyine göre alıştırma önerme, yazı geri bildirimi, ders bırakma riskini erken saptama
Bilimsel araştırma	Alanyazın taraması, veri analizi kodu yazma, protein yapısı tahmini

Örnek: günlük hayatta yapay zeka

Yapay zekayı çoğu zaman fark etmeden kullanırız:

• Telefonun yüz tanıma kilidi: Bilgisayarlı görü ve derin öğrenme.
• E-postadaki istenmeyen posta klasörü: Metin sınıflandırma, yani denetimli makine öğrenmesi.
• Haritaların varış süresi tahmini: Geçmiş ve anlık trafik verisinden regresyon.
• Çeviri uygulamaları ve sohbet asistanları: Dönüştürücü mimarili büyük dil modelleri.
• Video ve müzik önerileri: Benzer kullanıcıların davranışından öğrenen öneri sistemleri.

İstatistik analizinde de yapay zeka kullanılır, ama burada sınırı bilmek önemlidir. Büyük dil modelleri bir metni akıcı biçimde yazabilir, ancak sayısal doğruluğu garanti etmez; olasılığa dayalı metin üretir ve yanlış bir sayıyı ya da var olmayan bir kaynağı da aynı akıcılıkla yazabilir. Bu yüzden güvenilir bir iş akışında sayılar istatistik yazılımıyla hesaplanır, yapay zeka yalnızca bu sayıları açıklamaya yardım eder. Basira’da da istatistiksel sonuçlar analiz motorunda (SciPy, statsmodels gibi kütüphanelerle) hesaplanır; yapay zeka bu sonuçları sade bir dille yorumlamaya yardım eder. Sonuçların hangi testle elde edildiğini ve yorumun doğru olup olmadığını denetlemek araştırmacının işidir.

Sınırlılıklar ve gelecek

• Uydurma (halüsinasyon): Dil modelleri doğru gibi görünen ama yanlış bilgi üretebilir; kaynak ve sayılar mutlaka doğrulanır.
• Veri bağımlılığı ve yanlılık: Sistem, eğitildiği verideki hataları ve toplumsal yanlılıkları öğrenebilir.
• Açıklanabilirlik: Derin öğrenme modellerinin bir kararı neden verdiğini açıklamak zordur; sağlık ve kredi gibi alanlarda bu ciddi bir sorundur.
• Genelleme: Eğitildiği koşullardan farklı bir ortamda başarı düşebilir.
• Kaynak tüketimi: Büyük modelleri eğitmek ve çalıştırmak yüksek enerji ve donanım gerektirir.
• Gizlilik ve hukuk: Kişisel verilerin kullanımı ve yapay zekanın sorumluluğu yasal düzenlemelerle (Türkiye’de KVKK, Avrupa Birliği’nde Yapay Zeka Yasası) şekillenmektedir.

Önümüzdeki dönemde metin, görüntü ve sesi birlikte işleyen çok kipli modellerin, bilimsel keşifte yapay zeka desteğinin ve yapay zekanın denetimine ilişkin kuralların gelişmesi beklenmektedir. Bir yapay zeka projesinin hangi adımlarla yürüdüğü veri bilimi süreci yazısında anlatılmaktadır.

Sık sorulan sorular

Yapay zeka ile makine öğrenmesi aynı şey mi?

Hayır. Makine öğrenmesi, yapay zekanın veriden öğrenen kısmıdır. Kurallarla çalışan bir uzman sistem yapay zekadır ama makine öğrenmesi değildir.

Yapay zeka nasıl öğrenir?

Çoğu sistem, çok sayıda örnekte tahmin yapıp hatasını ölçer ve bu hatayı azaltacak biçimde iç parametrelerini günceller. Bu süreç, istatistikteki model kestirimine benzer: amaç, veriye en iyi uyan ve yeni veride de iyi çalışan parametreleri bulmaktır.

Yapay zeka istatistik analizini tümüyle yapabilir mi?

Uygun testi önermek, kod yazmak ve sonucu açıklamak gibi işlerde yardımcı olur; ama araştırma sorusunu kurmak, verinin nasıl toplandığını değerlendirmek ve sonuçların anlamını yorumlamak araştırmacının sorumluluğudur. Sayıların doğruluğu her zaman bir istatistik yazılımıyla doğrulanmalıdır.

Yapay zeka öğrenmeye nereden başlamalıyım?

Temel istatistik ve olasılık, bir programlama dili (çoğunlukla Python) ve makine öğrenmesinin temel kavramları iyi bir başlangıçtır. Russell ve Norvig (2021) alanın genel bir haritasını veren temel ders kitabıdır.