Yapay Zekanın Temelleri

Tüm popüler teknoloji konularından hiçbiri, halkın hayal gücünde yapay zeka kadar etkili değildir. Bunun nedeni, Yapay Zeka’nın hayal gücümüzü olasılıklarla doldurması olabilir. Telefonumuzu örnek alalım. Bugün yapabileceği şeyler sadece on yıl önce imkansız görünüyordu: yüz tanıma, sesli komutlar, fotoğrafları gruplamak veya portreleri izole etmek için araçlar. Artık bugün, bu şeyler standart olarak görülüyor.

Hepimiz AI unsurlarını çalışırken gördük ve buna hayran kaldık. Ancak pek çoğumuz bunun nasıl çalıştığını gerçekten bilmiyoruz – ve bizim de aynı derecede şaşıracağımıza hiç şüphe yok. Yapay zekayı daha iyi anlamanıza yardımcı olmak için, temel bilgileri ele alarak başlayalım.

Çoğu insan AI’yı düşündüğünde, herhangi bir insandan daha akıllı ve öğrenebilen akıllı bir robot hayal eder. Görünen o ki bu tür bir yeteneğe çok yakın değiliz. Bununla birlikte, Google ve OpenAI (Microsoft ve Tesla’nın finansmanıyla) dahil olmak üzere birçok şirket, AGI veya yapay genel zeka olarak da adlandırılan bu tür AI’yı araştırıyor. Genel, bu durumda birçok alanda uzman olan zeka türünü ifade eder. Düşünülmesi gereken büyüleyici bir teknoloji olsa da günümüz ekonomisinde çok az pratik kullanımı var.

Daha yaygın olanı, dar AI veya güçlü bir kullanım durumuna sahip yapay zekadır. İstenmeyen posta algılama veya yüz tanıma için AI var. Arama motorları veya öneri sistemleri gibi çok büyük miktarda veriyi tarayabilen ve bu veriler hakkında bilgi sağlayan yapay zekaya sahibiz. Dar AI ile, bir bilgisayar programının bir istenmeyen e-postayı algılamada veya anormal bir kalp ritmini tanımada mükemmel olabilmesinin, aynı programın satranç oynayabileceği, bir sone oluşturabileceği ve bir sonraki TV şovunu önerebileceği anlamına gelmediği anlaşılmaktadır.

Dar AI, genellikle makine öğrenimi adı verilen belirli bir AI mekanizmasını kullanır. Makine öğrenimi, yapay zekanın yalnızca bir alt kümesidir ve özellikle diğer bilgisayar programlarına kıyasla tanımlanması biraz daha kolaydır.

Normal bir bilgisayar programında, genellikle if/then ifadelerinden ve koşullarından oluşan bir dizi kural oluşturursunuz. Aslında çoğu bilgisayar programı, video oyunu ve uygulaması bu şekilde çalışır. Bir dizi kural karşılandığı için bir sonuç üretilir. Öte yandan, makine öğrenimi, kural tabanlı algoritmalardan vazgeçerek, bunun yerine verilerdeki örneklerden öğrenir.

El yazısıyla yazılan 3 basamağı tanıyabilecek bir program istediğinizi varsayalım. Şimdi, geleneksel bir programda, görüntüyü piksel piksel incelemek için bir algoritma yazabilir, açık mı yoksa karanlık mı olduğunu anlayabilir ve ardından insanların bu ızgaraya 3 rakamını yazabilecekleri tüm farklı yolları deneyebilir ve düşünebilirsiniz. Yolların sayısı sonsuzdur ve algoritma hepsini açıklamakta güçlük çekebilir.

Bunu makine öğrenimi ile başarmak için gerçek verilerle başlarsınız. 3 rakamının binlerce örneğini el yazısıyla programa gösteriyorsunuz. Ayrıca, öğrenen olarak adlandırılan algoritmaya olumsuz örnekler verirsiniz, böylece neyi aramaması gerektiğini bilir. Araç sınıflandırmayı öğrenir ve verileri işledikçe daha akıllı hale gelir.

Makine öğrenimine başlamak için ekibinizin öğreniciyi veya algoritmaları oluşturmasına gerek yoktur. Bu araçlar Microsoft Azure, AWS, Google Cloud vb. gibi bulut hizmeti sağlayıcıları tarafından sunulmaktadır. Aslında giriş engeli oldukça düşüktür ve şirketinizin yalnızca veri setini sağlaması yeterlidir.

Makine öğrenimi yapay zekanın bir alt kümesi olduğu gibi, derin öğrenme adı verilen ve aynı zamanda sinir ağı olarak da bilinen bir makine öğrenimi alt kümesi de vardır. Bu algoritmaların aslında beyni modellediğini söylemek abartı olur. Beynimizin tüm bu nöronlara ve sinaptik bağlantılara, diğer nöronlarla çoklu bağlantıları olan nöronlara sahip olduğu fikrinin ufacık bir kısmından ilham aldıklarını söylemek daha doğru olur.

Bir yapay sinir ağı, birden çok matematiksel olasılık katmanından oluşur. Makine öğrenimi gibi eğitmek için büyük veri örnekleri gerektirir. Derin öğrenme genellikle konuşma tanıma ve dili anlama gibi şeyler için kullanılır.

Doğal Dil İşleme veya NLP, hem doğal dili anlamak hem de ona yanıt vermek için derin öğrenmeyi kullanır. Muhtemelen evinizde veya cebinizde sesle etkinleştirilen bir asistanınız vardır. Alexa, Google Home veya Siri’nizi düşünün. Bu cihazlar dikkat çekicidir. Bir soru milyonlarca şekilde sorulabileceğinden, cümlenin kendisine bakmazlar. Bunun yerine, anlambilimi düşünmek için eğitilmişlerdir (Bu bir soru muydu? Emretmek?). Elbette, en iyi yanıtı vermek için anahtar kelimelere, konulara ve dilin diğer bölümlerine nasıl öncelik vereceklerini biliyorlar.

“NLP, ev cihazlarına güç sağlayan niş bir araç gibi görünüyor” diye düşünüyor olabilirsiniz. Bununla birlikte, kullanımı bundan daha geniş kapsamlıdır. NLP, pazarlamada olduğu kadar müşteri destek durumlarında da giderek daha önemli hale geliyor. Duygu analizini duydunuz mu? Hem destek hem de pazarlamada, duygu analizi yazılı metne (destek biletleri, yorumlar, incelemeler, sosyal medya gönderileri) bakar ve içeriğin olumlu, tarafsız veya olumsuz olup olmadığını belirler.

Başka bir kullanım durumu, sohbet botlarıdır. Birkaç yıl önce sohbet botları geleneksel bir algoritma gibi işlev görüyordu. Kural tabanlı parametrelerle programlandılar ve yalnızca bir avuç müşteri talebini karşılayabiliyorlardı. Bugüne ve geleceğe hızlı bir atlayışla bugün, sohbet botları çok farklı görünüyor. Sohbet ve daha karmaşık istekleri yerine getirebilirler.

Burada tartışılan yapay zeka, büyük miktarda veri gerektirir. Tüm bu makine öğrenimi sürecinin en önemli kısmı, verileri hazırlamak, ne aradığınızı anlamak ve ardından bu verileri filtrelemek, temizlemek ve etiketlemektir. Verileriniz çöp, geçersiz değerler, eksik değerler ve çelişkili bilgilerle doluysa makine öğrenmesi algoritmalarının ne kadar iyi olduğunun bir önemi yoktur.

AI ile ilgili dikkate alınması gereken etik bir risk, bir algoritmanın nasıl çalıştığını genellikle tam olarak bilmemenizdir. Araç, veri örneklerinden öğrendiği için, sizin bile farkında olmayabileceğiniz bir tür önyargı veya kriter alabilir. Bunun gerçek bir örneği, bir bilgisayar rolü için en iyi adayı seçmeye çalışan bir AI işe alma aracından gelir. 10 yıllık işe alım verileriyle eğitildi. Ancak adayların çoğu erkek olduğu için aslında erkek olmak olumlu bir nitelik olarak görülüyordu. Algoritma, yaygınlığı yetkinlik ile karıştırdı.

Bu durumda, önyargıyı görmek oldukça açık. Diğer durumlarda bu kadar basit olmayabilir. Yapay zekayı veya makine öğrenimini her kullandığınızda, ona bir kehanet değil bir araç olarak davranmak daha mantıklı olabilir.