
Günümüzde yapay zekâ alanındaki gelişmeler baş döndürücü hızda artış göstermektedir. Otonom otomobillerden video oyunlarına, sağlıktan savunma sanayine yaşamın pek çok alanında önemli bir rol oynamaya başlamıştır.
YAPAY
Yapay, simüle edilen gerçek olmayan bir şeydir. Örneğin yapay olarak düşünebilecek şeylerden biri yapay organdır. Çeşitli nedenlerden dolayı gerçek organın yerine ikame edilerek kullanılır. Yeterli organ donörü bulunamamasından kaynaklı olarak yapay organ, kalp, karaciğer gibi organ yetmezliği durumunda sıklıkla kullanılabilmektedir. Burada vurgulanmak istenen nokta, bir şeyin gerçeği yokken neden yapay bir şeyle ikame edilmek istenmesidir.
ZEKÂ
Zekâ, kompleks bir kavramdır. Pek çok farklı açıdan ele alınabilen zekâ, bazılarına göre mantık, anlama, farkına varma, sınıflama, tümevarım, tümdengelim, öğrenme, planlama, yaratıcılık olarak tanımlansa da bazılarına göre ise problem çözme olarak tanımlanabilmektedir. İnsana özgü zekâ, Türk Dil Kurumu (TDK)’na göre insanın düşünme, akıl yürütme, objektif gerçekleri algılama, yargılama ve sonuç çıkarma yeteneklerinin tamamıdır. Bir diğer tanımda Gardner’a göre insan zekâsı, problem çözme kapasitesi olarak tanımlanmıştır.
YAPAY ZEKÂ
Yapay zekâ, insan beyninin işleyişini akıllı bilgisayar programlarıyla modelleme ve modellenen bu programların akıllı makinelere aktarma bilimi ve mühendisliğidir. Bu kavram, geliştirilmiş bilgisayar zekâsı olarak da tanımlanabilir. 1950’de ortaya konmuş bir kavramdır.
YAPAY ZEKÂ VE İNSAN ZEKÂSI ARASINDAKİ FARKLAR
İnsan zekâsı ile bugün gelinen noktadaki yapay zekâ arasında belirgin farklılıklar öne çıktığı görülmektedir. Öne çıkan bu farklılıklar Tablo 1’de özetlenmiştir.
Tablo 1. Yapay Zekâ ve İnsan Zekâsı Arasındaki Farklar
Yetenekler | İnsan Zekâsı | Yapay Zekâ |
Sensörleri kullanma (Koku, dokunma, işitme, görme) | Yüksek | Düşük |
Yaratıcı düşünme | Yüksek | Düşük |
Deneyimlerden öğrenme | Yüksek | Düşük |
Adapte olma | Yüksek | Düşük |
Bilgi kaynaklarını kullanma | Yüksek | Düşük |
Büyük çapta bilgi edinebilme | Yüksek | Düşük |
Kompleks hesaplamaları yapabilme | Düşük | Yüksek |
Bilgiyi transfer edebilme | Düşük | Yüksek |
Doğru ve hızlı bir şekilde bir dizi hesaplamaları yapabilme | Düşük | Yüksek |
YAPAY ZEKÂ DİSİPLİNLERİ
Bilgisayar bilimi, biyoloji, dil bilimi, psikoloji, matematik ve mühendislik disiplinleri üzerine inşa edilmiş yapay zekâ, içinde makine öğrenme ve derin öğrenme branşlarını da barındıran şemsiye kavram niteliğindedir.
YAPAY ZEKÂ ÖĞRENME TİPLERİ
Yapay zekâ algoritmaları genel olarak üç farklı tipte öğrenme gerçekleştirmektedir.
- Denetimli Öğrenme (Supervised Learning) : Girdi verisinden öngörülebilen çıktı verisinin elde edildiği öğrenme tipidir. Günümüzde en yaygın kullanılan öğrenme tipidir. Yüz tanıma, ve veri analizleri alanında sıklıkla kullanılmaktadır.
- Denetimsiz Öğrenme (Unsupervised Learning) : Veri hakkında keşfin yapıldığı öğrenme tipidir.Denetim öğrenme algoritmalarına örnek olarak kümeleme (clustering) algoritmaları örnek verilebilir.
- Zorlamalı Öğrenme (Reinforcement Learning): Ödüllere, cezalara ve yanlışlara dayalı olan davranış odaklı öğrenme tipidir. Kaynak yönetimi, video oyunları ve endüstriyel simülasyon alanları kullanım alanlarına örnek gösterilebilir.
YAPAY ZEKÂNIN BRANŞLARI
Makine öğrenme (machine learning), istatistiksel teknikleri kullanarak deneyimlerle makinelere kendini geliştirme özelliği kazandıran yapay zekânın bir dalıdır. Makine öğrenmenin veri madenciliği ve analizlerinde kullanılmasıyla birlikte 1980’lerde yaygınlık kazanmaya başlayan öğrenen sistemler bütünüdür.
Yapay zekâ içinde yer alan ve makine öğrenmenin yeni bir alanı olan derin öğrenme (deep learning) ise,çok tabakalı yapay sinir ağları (multi-layer artificial neural networks) ile öğrenmeye imkan tanıyan bir tekniktir. Derin öğrenme, büyük veri (big data) kavramının ve büyük ölçekli veri setlerinin ortaya çıkmasıyla birlikte 2010’dan sonra gelişmeye başlayan bir alandır. Yapay sinir ağları biyolojik sinir hücresinin fizyolojisinden ilham almakta ve onu modellemektedir. Şekil 1’de bir biyolojik sinir hücresinin yapısı, Şekil 2’de ise yapay bir sinir hücresinin yapısına yer verilmiştir.

Şekil 1. Biyolojik Sinir Hücresinin Yapısı
Kaynak: IBM
Şekil 1’de matematiksel ifadeyle, dentritler Şekil 2’de girdi verisi (input data ya da sinir girdileri)’ni, hücre gövdesi (cell body) ve sinapslar (synapses) Şekil 2’de toplam fonksiyonu (summing function)’nu ve aktivasyon fonksiyonu (activation function)’nu, akson (axon) ise Şekil 2’de çıktı verisi (output data)’ni belirtmektedir.

Şekil 2. Yapay Sinir Hücresinin Yapısı
Çok katmanlı sinir ağları, görüntü tanıma, ses tanıma ve doğal dil işleme gibi problemleri gibi birçok problemi çözen bir dizi algoritmalardır. Örneğin, derin öğrenme, strateji oyunu olan Go oyunu eski dünya şampiyonu Lee Sedol’u 2016 yılının başlarında yenen DeepMind’ın iyi bilinen AlphaGo algoritmasıdır. Derin öğrenme algoritması 2017 yılı başlarında da Go oyununda dünya şampiyonu olan Ke Jie’yi de yenmiştir. Burada, “Derin” terimi teknik bir terim olup, bir sinir ağında tabakaların sayısını ifade etmektedir. Basit bir yapay ağ bir gizli katmanı (hidden layer) içerisinde barındırırken, derin bir ağ birden fazla gizli katmanı içerisinde barındırmaktadır. Şekil 3’te çok katmanlı bir sinir ağının mimarisi gösterilmiştir. Şekil 3’te soldaki resimde tek katmanlı yapay bir sinir ağına, sağda ise çok katmanlı sinir ağına yer verilmiştir.

Şekil 3. Çok Katmanlı Bir Sinir Ağının Mimarisi
Kaynak: M. Mitchell Waldrop PNAS 2019;116:4:1074-1077
Çok katmanlı ağlar, veriyi daha az katmanlı ağlara göre daha çok matematiksel işlemden geçirir. Bu yüzden, çok katmanlı ağlarda kullanılan verinin eğitilmesi (training) hem daha uzun süre hem de daha çok matematiksel işlem gerektirmektedir. Hesaplama yoğunluğu derin öğrenmenin en önemli özelliklerinden biridir. Bundan dolayı derin öğrenme modellerini eğitmek için yeni nesil işlemcilere ihtiyaç duyulmaktadır.
YAPAY ZEKÂNIN EVRİMLERİ
Yapay zekâ ilk evriminden son evrimine kadar dört evrim geçirmiştir. Son aşama olan rasyonel hareket etmek günümüzde geçerli olan evrimin son aşamasını oluşturmaktadır. Genel hatlarıyla yapay zekâ evrimi dört aşamada özetlenebilir:
1. Aşama : İnsan gibi düşünmek
2. Aşama: Rasyonel düşünmek
3. Aşama: İnsan gibi hareket etmek
4. Aşama: Rasyonel hareket etmek
YAPAY ZEKÂNIN TEMEL AMAÇLARI
Yapay zekâ inşa edilirken gerçekleştirilmesi gereken iki amaç bulunmaktadır:
- Uzman sistemler yaratmak: Akıllı davranış sergilemek, öğrenmek, göstermek, açıklamak ve tavsiyede bulunmak.
- Makinelere insan zekâsını adapte etmek: İnsanlar gibi anlayan, düşünen, öğrenen ve onların gibi davranabilen sistemler yaratmak.
YAPAY ZEKÂNIN TEMEL YETENEKLERİ
Yapay zekâdan bahsedilebilmesi için, diğer bir deyişle, yapay zekâyı yapay zekâ yapan temel yetenekler vardır. Bu temel yetenekler şöyle özetlenebilir:
- Sorgulama
- Öğrenme
- Problem çözme
- Algılama
- Dilbilimsel zekâ
Görüleceği üzere bu yetenekler birebir insan zekâsı ile benzerlik göstermektedir. Alan Turing’in 1950 yılında yayınlanan “Bilgisayar Mekanizması ve Zekâ” (Computing machinery and intelligence) adlı makalesinde, öğrenen makinelerden bahseden Turing bir makinenin zeki olup olmadığını saptamak için kendi adıyla literatüre geçen Turing Testi geliştirmiştir. Yapay düşünme üzerinde düşünmeye devam ettiği bu süre sonunda 1950 yılında “Bilgisayar Mekanizması ve Zekâ” (Computing machinery and intelligence) adındaki makalesini yayınlayan Turing, tekrar “Yapay Zekâ”ya ve düşünmeye işaret etmiş ve popüler olarak Turing testi olarak bilinen, bir makinenin “zeki” olup olmadığını saptayacak olan bir deney prensibi ortaya atmıştır. Ancak, Turing test, tekrarlanabilir ve matematiksel analize uygun değildir.
YAPAY ZEKÂNIN ARAŞTIRMA ALANLARI
Yapay zekânın araştırma alanları ise 5 başlık altında ele alınabilir:
- Uzman Sistemler: Bu araştırma alanına uçuş izleme ve takip sistemleri ile klinik sistemler örnek olarak verilebilir.
- Doğal Dil İşleme: Konuşma tanıma ve anlık ses çıktısı alabilme.
- Sinir Ağları: Yüz tanıma, karakter tanıma ve el yazısı tanıma sistemleri içeren yetenekler.
- Bulanık Mantık: Tüketici elektronikleri ve otomobiller.
- Robotlar: Temizleyen, boyayan, hareket eden, onay kontrolleri yapan endüstriyel robotlar.
YAPAY ZEKÂNIN GÖREVLERİ
Yapay zekâ görev tipleri resmi görevler, zorunlu görevler ve uzman görevler olmak üzere üç grupta sınıflandırılabilir. Sınıflandırılmış bu görevler tipleri altındaki görevler Şekil 4’te verilmiştir.

Şekil 4. Yapay Zekâ Görev Tipleri
YAPAY ZEKÂ PROGRAMLAMA DİLLERİ
Yapay zekâ geliştirmek için genel kabul görmüş programlama dilleri mevcuttur. Bu programlama dillerinden bazıları şöyledir:
- Lisp
- Python
- Prolog
- Java
- C++
- R
YAPAY ZEKÂ SİSTEMİNİN BİLEŞENLERİ
Yapay zekâ sistemi bir ajan ve onun çevresinden oluşur. Ajanlar onların çevresi dahilinde hareket ederler. Bir ajan sensörleriyle çevresini algılayabilen ve effektörleriyle bu çevrede hareket eden her şeydir. Yapay zekâ ajanları kendi içerisinde 3 grupta incelenebilir:
- İnsan Ajanı: Effektörler için eller, bacaklar ve ağız gibi diğer organlarla sensörlerin yerini alan gözler, kulaklar, burun, dil ve deri gibi duyu organları vardır.
- Robotik Ajan: Sensörlerin yerine kızıl ötesi bulucuların ve kameraların olduğu ve effektörlerin yerine ise motorların ve aktüatörlerin olduğu bir yapıya sahiptir.
- Yazılım Ajanı: Programlar ve eylemler olarak bit dizelerine kodlanır.
YAPAY ZEKÂ UYGULAMA ALANLARI
Yapay zekânın ilk ortaya çıkışından bugüne gelinceye kadar pek çok farklı alanda kullanıldığı görülmektedir. Bu kullanım alanları şöyle özetlenebilir:
- Oyunlar: Sezgisel bilgiye dayalı olarak yapay zekâ satranç, poker gibi strateji oyunlarında çok yaygın bir şekilde kullanılmaktadır.
- Doğal Dil İşleme Süreci (Natural Language Processing) : İnsanlar tarafından konuşulan doğal dili anlayan bilgisayarlarla etkileşime geçmek mümkündür.
- Uzman Sistemler (Expert Systems): Sorgulayan ve önerilerde bulunabilen makineler ve yazılımlar vardır.
- Görsel Sistemler (Vision Systems): Bu sistemler bilgisayardaki görsel girdileri anlamaya, yorumlamaya olanak tanır. Örneğin; polisler işlenen suçların izlerini bulmada ve doktorlar ise hastaya teşhis koyarken bu sistemleri kullanabilir.
- Konuşma Tanıma Sistemleri (Speech Recognition): Bazı akıllı sistemler farklı aksanlara sahip dilleri ve arka plandaki sesleri, seslerdeki değişimleri algılayabilir.
- El Yazısı Tanıma Sistemleri (Handwriting Recognition): El yazısı tanıma yazılımları bir kalemle ya da bilgisayarla kağıt üzerinde yazılı metni okuyabilir, yazılı metinleri daha okunabilir bir seviyeye çıkarabilir.
- Akıllı Robotlar (Intelligent Robots): Robotlar insanlar tarafından verilen görevleri yapabilirler. Onlar ışık, ısı, sıcaklık, hareket, ses, basınç gibi gerçek dünyadan alınan fiziksel verileri belirlemek için sensörleri vardır. Akıllı bir hareket sergileyebilmeleri için etkili işlemcileri, çoklu sensörleri ve devasa hafızaları vardır. Diğer bir özelliği ise hatalardan öğrenebilmeleri ve yeni çevrelere adapte olabilmeleridir.
Günümüzün ve geleceğin teknolojisi yapay zekânın yukarıdaki uygulama alanlarının bir sonucu olarak gerçek yaşam uygulamaları arasında otonom otomobiller, dronlar, navigasyon sistemleri, Boston Dynamics tarafından geliştirilmiş robot, chatbotlar, robot ASIMO, bilgisayar oyunları yapay zekâ uygulamalarına gösterilecek örneklerden sadece birkaçıdır. Yakın gelecekte ise yapay zekâ askeri bir robot, iyi bir avukat, besteci ve sağlık bakım çalışanı olarak öne çıkması öngörülmektedir.
Faydalı olması dileğiyle.
Bilimle ve teknolojiyle kalınız.
Saygılarımla.
YARARLANILAN KAYNAKLAR
- http://www formal.stanford.edu/jmc/whatisai/node1.html
- http://www.hutter1.net/ai/sintro2ai.pdf
- http://deeplearning.net/
- https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_overview.htm
- https://medium.com/towards-data-science/what-is-the-best-programming-language-for-machine-learning-a745c156d6b7
- https://www.slashdata.co
- http://ai-initiative.org/
- https://www.turing.org.uk/scrapbook/test.html
- M. Turing, I.—Computıng Machinery And Intelligence, Mind, Volume LIX, Issue 236, October 1950, Pages 433–460, https://doi.org/10.1093/mind/LIX.236.433
- https://www.abelard.org/turpap/turpap.php
- https://cisse.info/pdf/2019/rr_01_artificial_intelligence.pdf
- Gardner, H and Hatch, T. “Multiple Intelligences Go To School: Educational Implications of the Theory of Multiple Intelligences”. CTE Technical Report Issue NoA http://www.edc.org/CCT/ccthome/ reports/tr4.html(1990)
- https://dev.to/lschultebraucks/a-short-history-of-artificial-intelligence-7hm
- http://tdk.gov.tr/index.php?option=com_gts&arama=gts&kelime=zek%C3%A2&uid=58140&guid=TDK.GTS.5901a6b63382e6.22318161
- http://sitn.hms.harvard.edu/special-edition-artificial-intelligence/
- https://www.coe.int/en/web/artificial-intelligence/history-of-ai
- https://skymind.ai/wiki/ai-vs-machine-learning-vs-deep-learning
- M. Mitchell Waldrop. News Feature: What are the limits of deep learning? Proceedings of the National Academy of Sciences Jan 2019, 116 (4) 1074-1077; DOI: 10.1073/pnas.1821594116
- https://developer.ibm.com/tutorials/iot-deep-learning-anomaly-detection-1/
- http://www.cs.kumamoto-u.ac.jp/epslab/ICinPS/Lecture-2.pdf
- https://www.ee.co.za/article/application-of-machine-learning-algorithms-in-boiler-plant-root-cause-analysis.html
- https://towardsdatascience.com/what-are-the-types-of-machine-learning-e2b9e5d1756f