İnsanoğlu, kendisine Latince “Homo Sapiens” bilimsel ismini vermiştir. Bunun nedeni zihinsel kapasitemizin günlük yaşantımız ve benlik duygumuz için son derece önemli olmasıdır. “Yapay Zekâ” alanı, akıllı varlıkları anlamaya çalışan bir bilim koludur. Bu nedenle, Yapay Zekâ (YZ) alanında yapılan çalışmaların bir gerekçesi de kendimiz hakkında daha fazla bilgi edinmek diyebiliriz.
Ancak, salt zekâ ile ilgili uğraş alanları olan felsefe ve psikolojinin aksine, YZ akıllı varlıklar veya sistemleri inşa etmenin yanı sıra aynı zamanda onları anlamaya çalışmaktadır. YZ üzerine çalışan bilim insanları, ilk dönemlerde bile birçok önemli ve etkileyici ürünler ortaya çıkardılar. Hiç kimse geleceği ayrıntılı olarak tahmin edemiyor olsa da, insanlar tarafından programlanmış bilgisayarların geleceğe dair öngörülerinin medeniyetimizin üzerine önemli bir etkisi olacağı açıktır.
YZ, günümüzün en yeni ve popüler disiplinlerinden biri gibi görülse de aslında 1950’li yılların başlarından beri üzerinde çalışılan bir alandır. Bu konu, çoğu bilim insanın doğrudan içinde yer almak ya da disiplinler arası çalışma yapmak istediği bir alan olmuştur. Fizik, Matematik gibi temel bilimlere büyük katkılar sağlamanın güç oluşunun aksine, günümüzde yapay zekâ alanında hala büyük boşluklar ve gidilmesi gereken yollar bulunmaktadır.
Akıl-Bilgi çalışması insanoğlunun üzerine çalıştığı en eski disiplinlerden birisidir. İki bin yılı aşkın bir süredir filozoflar; görme, öğrenme, hatırlama ve akıl yürütmenin nasıl olacağını ya da olması gerektiğini anlamaya kafa yormuşlardır. Kullanılabilir bilgisayarların, 1950’lerin başlarında ortaya çıkması ile zekanın ne şekilde kullanılabileceğinin öğrenilmesi bu konuyu teorik ve deneysel bir disipline dönüştürmüştür. O yıllarda birçok bilim insanı: “Elektronik Süper Beyinler” in sınırsız bir zekaya sahip olduklarını düşüyordu. Hatta bu konuda en bilindik slogan “Einstein’dan bile daha hızlı” düşünen makinelerdi. Ancak; bir süre sonra, yapay zekaya sahip mekanizmaları oluşturmak için bilgisayar gibi varlıkları elde etmenin yanında, onları tıpkı insan gibi (belki de insandan daha hızlı ve doğru) çıkarımlar yapabilmeleri için programlamanın önemi fark edildi. Bu aşamadan sonra,- donanımsal yetersizlikler ve deneysel aşamaların zorluğu nedeniyle YZ, ilk yıllardaki popülerliğini kaybettirmiş olsa da bilim insanları hiçbir zaman bu alandaki çalışmalarından vazgeçmemişlerdir.
Günümüzde YZ, bilinen genel amaçların aksine çok farklı alt alanları kapsamaktadır. Algılama, mantıksal akıl yürütme, satranç gibi kombinasyonlu oyunları oynamak, matematiksel teoremleri kanıtlamak, şiirler yazmak, hastalıkları teşhis etmek, anlık yol güzergah önerileri sunmak gibi çok farklı alanlarda YZ’nin kullanıldığını görmekteyiz. Çoğunlukla diğer alanlarda çalışan bilim insanları, yapay zeka konusuna ilgi duyarlar ve kendi alanlarındaki entelektüel birikimlerini buraya aktarırlar. Bir diğer yöntem de YZ çalışan bilim insanları, diğer disiplinleri çalışmalarına dahil ederek bir disiplinler arası çalışma oluştururlar. Bu şekliyle bakıldığında yapay zeka, gerçekten de evrensel bir alandır diyebiliriz.
Bu noktaya kadar YZ’nin neden heyecan verici olduğunu anlatmayı denemiş olsak da ne olduğunu söylememiş bulunuyoruz. Sadece diyebiliriz ki; “YZ akıllı programlama ile çalışabilen bir modüldür”. Ancak bilim tarihi bizlere, doğru hedeflere ulaşmayı amaçlamanın daha faydalı olduğunu göstermektedir. Örneğin; eskiden simyacılar ebedi hayata ulaşmak için bir iksir ya da kurşunu altına çevirmek için formüller aramışlardır. Oysa ki bu uç hedefler sonraları çoğu ölümcül hastalıklara ilaç veya çeşitli metalleri oksitleyerek güçlendirmek gibi daha mümkün hedeflere ulaşmalarını sağlamıştır.
Yukarıda yapmış olduğumuz tanım oldukça geniş bir tanım olduğu için, bazen bir şeyin gerçekten YZ olup olmadığı konusunda bazı argümanlar görmekteyiz. YZ sistemleri tipik olarak insan zekası ile ilgili: planlama, öğrenme, akıl yürütme, problem çözme, bilgi gösterimi, algılama, hareket ile manipülasyon ve daha az sosyal zeka ve yaratıcılık gibi davranışların en azından bir kısmını göstermektedir.
YAPAY ZEKÂ’NIN KULLANIM ALANLARI NELERDİR?
Yapay zeka günümüzde her yerde bulunmaktadır. Örneğin, internet alışverişlerinde müşterilere öneri ve yönlendirmeler yapmak, Amazon’un Alexa, Google’nin Asistant ve Apple’in Siri gibi sanal asistanları ile söylediklerinizi anlamak, spam işlemleri tespit etmek veya olası kredi kartı sahtekarlıklarını tespit etmek için kullanılmaktadır. Bu noktada YZ’nin türlerinden bahsederek bu türlerin kullanım alanlarına daha geniş bir açıdan bakmak yerinde olacaktır.
FARKLI YAPAY ZEKÂ TÜRLERİ
Yapay zeka, dar yapay zeka ve genel yapay zeka olmak üzere iki ana türe ayrılabilir.
Dar YZ bugün bilgisayarlarda açıkça programlanmadan belirli görevlerin nasıl yerine getirileceğini öğretilen veya öğrenen akıllı sistemler olarak her yerde gördüğümüz türdür. Bu tür bir makine zekâsı, Apple iPhone’daki Siri sanal asistanının konuşma ve dil tanımasında, kendi kendine giden otomobillerdeki görüş-tanıma sistemlerinde, geçmişte satın aldığınız ürüne göre beğenebileceğiniz ürünleri gösteren öneri motorlarında belirgin olarak kullanılmaktadır. İnsanlardan farklı olarak, bu tür sistemler yalnızca belirli görevlerin nasıl yapılacağını öğrenebilir veya öğretebilir. Bu yüzden, bu tür algoritmalar için dar türde YZ denir.
Dar YZ için çok sayıda yeni uygulama alanları bulunmaktadır. Petrol boru hatlarının dronlar tarafından çekilen görüntülerini kullanarak altyapının görsel kontrollerinin yapılması, kişisel ve iş ajandalarının organizasyonunun yapılması, telefonla müşteri hizmetleri sorunlarına çözümler getirilmesi, uygun yer ve zaman için otel rezervasyonlarının yapılması, radyologların X-ışınlarındaki potansiyel tümörlerin tespiti, çevrimiçi içeriklerdeki uygunsuz içeriklerin tespiti, IoT cihazları ile toplanan veriler ile asansörlerdeki aşınma ve yıpranmaların tespiti gibi uzayıp giden bir liste yapılabilir.
Buna karşın, genel yapay zekâ çok farklıdır. Genel YZ; saç kesmekten, elektronik kartları oluşturmaya veya çok farklı konularda akıl yürütmeye kadar çok farklı görevleri nasıl gerçekleştirebileceğini birikmiş tecrübeye dayanarak öğrenebilen esnek bir zeka olarak insanlarda bulunan uyarlanabilir zeka türüdür. Bu zeka, geçmişte Space Odyssey 2001 filmindeki HAL veya Terminatör filmindeki Skynet gibi bir zeka türü olarak karşımıza çıkmaktadır. Günümüzde böyle donanımlı bir YZ’nin var olması artık mümkün gözükmektedir.
Bunu biraz açmak gerekirse, YZ araştırmacıları Vincent C Müller ve filozof Nick Bostrom tarafından 2012/13 yıllarında dört farklı araştırma grubunda yapılan çalışmanın sonuç raporunda; 2040-2050’de Genel YZ’nin geliştirilme şansının %50, 2075 yılına kadar %90’a yükselebileceğini bildirdiler. Hatta bir araştırma grubu daha ileri giderek, Bostrom’un “süper zeka” dediği ve neredeyse tüm ilgi alanlarındaki insanların bilişsel performansını büyük ölçüde aşan herhangi bir akıl seviyesine gelebilecek bir Genel YZ’nin yaklaşık 30 yıl sonra beklendiğini tahmin etmektedir.
Bununla birlikte, bazı YZ uzmanları insan beyni hakkındaki sınırlı bilgilerimiz göz önüne alındığında bu tür projeksiyonları çılgınca bularak Genel YZ’nin hala yüz yıllarca uzakta olduğuna inanmaktadır.
MAKİNE ÖĞRENMESİ NEDİR?
YZ, çoğu birbirini besleyen ve tamamlayan geniş araştırma konularından oluşmaktadır. Bugünlerde yeniden gündem olan makine öğrenmesi, büyük veri ile beslenen bir bilgisayar sisteminin daha sonra belirli bir konuda konuşma ya da bir fotoğrafın alt yazısının oluşturulması gibi alanlarda kullanılmasıdır. Bir bakıma eldeki verileri anlayan, bunlardan yeni kurallar dizini oluşturan ve karşısına çıkan yeni ya da benzer durumları analiz ederek karar verebilen bir sisteme sahip bilgisayarlar “makine öğrenmesi” yapmaktadırlar.
SİNİR AĞLARI NEDİR?
Yukarıda belirtilen makine öğrenmesi sürecinin anahtar öğesi, sinir ağlarıdır. Bunlar, tıpkı sinir ağları gibi verileri birbirine besleyen ve katmanlar arasında geçerken giriş verilerine atfedilen önemi değiştirerek belirli görevleri yerine getirmek üzere eğitilebilen, nöronlar adı verilen birbirine bağlı algoritma katmanlarının beyinden ilham almış ağlardır. Bu sinir ağlarının eğitimi sırasında, farklı girdilere bağlı ağırlıklar sinir ağından istenene yakın çıkana değin değişmeye devam edecektir, böylelikle ağ belirli bir görevi nasıl yerine getireceğini “öğrenecektir”.
Makine öğrenmesinin bir alt kümesi ise; sinir ağlarının çok miktarda veri kullanılarak eğitilmiş çok sayıda katmanla ağlara genişletildiği öğrenme olan “derin öğrenme”dir. Günümüzdeki bilgisayarların konuşma tanıma, bilgisayarda görü kabiliyetlerindeki sıçramaları sağlayan derin sinir ağlarıdır.
Güçlü ve zayıf yanları olan çeşitli sinir ağları vardır. Tekrarlamalı sinir ağları, özellikle dil işleme ve konuşma tanıma alanları için çok uygun bir sinir ağı türüdür. Erişimli sinir ağları ise görüntü tanımada daha yaygın olarak kullanılmaktadır. Sinir ağlarının tasarımı da gelişmekte ve kısa zaman önce uzun-kısa süreli bellek (LSTM) adı verilen daha etkili bir sinir ağı formu geliştirerek Google Translate gibi çok hızlı çalışabilen sistemler inşa edilmiştir.
Yapay zeka araştırmalarının bir başka alanı da, Darwin’in doğal seleksiyon teorisi fikrini ödünç alan ve genetik algoritmaların belirli bir soruna en uygun çözümü geliştirmek amacıyla nesiller arasında rastgele mutasyonlara ve kombinasyonlara maruz bırakarak en iyi sonuçları üretmeyi hedefleyen evrimsel hesaplamadır.
Bu yaklaşım, yapay zekâ modellerinin tasarlanmasına yardımcı olmak için kullanılmaktadır. Sinir ağlarını optimize etmek için bu evrimsel algoritmaların kullanımına “sinir evrim” tekniği denir. Teknik, yakın zamanda Uber AI Labs tarafından sergilendi ve bu araştırma, öğrenme problemlerinin çözümünde derin sinir ağlarını eğitmek için genetik algoritmalar kullanma üzerine makaleler yayınladı.
Son olarak, bilgisayarların çok sayıda girdiye dayanan bir dizi karar almasına izin veren ve bu makinenin belirli bir alandaki bir insan uzmanın davranışını taklit etmesine izin veren kurallarla programlandığı uzman sistemler vardır. Bu bilgiye dayalı sistemlerin bir örneği, örneğin, bir uçağı uçuran oto pilot sistemi veya bir hastalığa ait belirtileri ve kararları öğrenerek bir doktorun teşhisine yardımcı olabilecek uzman sistemler olabilmektedir.
YAPAY ZEKA KAYNAKLARININ İYİLEŞTİRİLMESİ
Yapay zeka araştırmaları için son yıllarda en büyük atılımlar makine öğrenimi alanında, özellikle derin öğrenme alanında olmuştur.
Bu, kısmen verilerin kolay bulunabilirliği nedeniyle olsa da, daha çok son yıllarda bilgisayar donanımlarında paralel bilgi işlem gücünde meydana gelen büyük gelişmeler sayesinde olmuştur. Böylelikle makine öğrenme sistemlerini eğitmek için Grafik İşlemci Birimleri (GİB) kümelerinin kullanımı daha yaygın hale geldi.
Bu kümeler yalnızca makine öğrenimi modellerinin eğitimi için çok daha güçlü sistemler sunmakla kalmamış, aynı zamanda artık internet üzerinden bulut hizmetleri olarak da yaygın olarak kullanılmaktadır. Zamanla, Google ve Microsoft gibi büyük firmalar, son zamanlarda eğitim, makine öğrenme modellerine göre uyarlanmış özel yongalar kullanmaya başladılar.
Bu özel yongalardan birine bir örnek olarak, Google’ın TensorFlow yazılım kitaplığı kullanılarak oluşturulan faydalı makine öğrenme modellerinin verileri ve aynı zamanda veri hızını belirleme hızını artıran Google’ın Tensör İşleme Birimi (TİB) verilebilir.
Bu yongalar yalnızca DeepMind ve Google Brain için modelleri eğitmenin yanı sıra, Google Translate ve Google Photo’da görüntü tanımayı destekleyen modeller ve Google’ın TensorFlow Research Cloud’u kullanarak makine öğrenme modelleri oluşturmasına izin veren hizmetleri kullanmak için kullanılmaktadır.
HANGİ YAPAY ZEKA HİZMETLERİ MEVCUTTUR?
Amazon Web Services, Microsoft Azure ve Google Cloud Platform gibi tüm büyük bulut platformları eğitim ve makine öğrenimi modellerini çalıştırmak için GİB dizilerine erişim sağlarken, Google ayrıca kullanıcıların Tensör İşleme Birimlerini özel yongaları kullanmasına izin vermektedir. Bu amaçla, yongalar eğitim ve makine öğrenimi modellerini çalıştırmak için optimize edilmiştir.
Artık bu bulut platformları, özel makine öğrenimi modellerinin oluşturulmasını bile basitleştirmektedirler. Google yakın zamanda Cloud AutoML adı verilen YZ modellerinin oluşturulmasını otomatikleştiren bir hizmet ortaya koyuyor. Bu sürükle ve bırak hizmeti, özel görüntü tanıma modelleri oluşturmakta ve kullanıcının makine öğrenme uzmanlığına sahip olmaması halinde bile çalışmaktadır.
Amazon firması ise 2018’in başından beri bulut tabanlı, makine öğrenimi hizmetlerini sürekli geliştirmekte, makine öğrenimi modellerinin eğitim sürecini kolaylaştırmak için tasarlanmış bir dizi platform ortaya koymuştur.
Microsoft Azure, kendi makine öğrenimi modellerini oluşturmak istemeyen, bunun yerine ses, görüntü ve dil tanıma gibi yapay zeka destekli, isteğe bağlı hizmetleri kullanmak isteyen firmalar için farklı hizmetlerini öne çıkarmaktadır.
Bu arada IBM, genel isteğe bağlı tekliflerinin yanı sıra, sağlık hizmetlerinden perakendeciliğe kadar her şeye yönelik sektöre özgü YZ hizmetlerini satmakta, bu teklifleri IBM Watson şemsiyesi altında bir araya getirmektedir. Son zamanlarda ise YZ hizmetlerini arttırmak için önemli bir veri kilidi olan The Weather’ı satın almak için 2 milyar dolar yatırım yapmaya çalışmaktadır.
Dünya üzerinde büyük firmaların YZ ve bunun kullanımının yaygınlaşması için yaptıkları yatırımlar, önümüzdeki 5-10 yıl içerisinde bu alanda büyük gelişmelerin müjdecisi durumundadır.
YAPAY ZEKA ÇALIŞMALARINDA HANGİ ÜLKELER LİDER?
Sanırım bunca ABD firmalarını örnekledikten sonra liderliğin Amerika’da olduğunu düşünebiliriz ama durum gerçekte bu kadar net değil. Çinli firmalar Alibaba, Baidu ve Lenovo; e-ticaretten otonom sürüşe kadar çok farklı alanlarda yapay zekaya büyük yatırımlar yapmaktadır. Çin 2020 yılının sonuna kadar 22 milyar $ lık değerle YZ’yi ülke için çekirdek bir endüstri konumuna getirmek için üç aşamadan oluşan bir plan ortaya koymaktadır.
Baidu, derin öğrenme algoritmaları kullanarak kendi kendine giden araçları üzerine çalışmakta ve 2021 yılına kadar seri üretime geçmeyi hedeflemektedir. Baidu ayrıca dünyadaki otomobil üreticileri için buluttan-arabaya otonom araba platformu oluşturmak için Nvidia ile ortaklığa gitti.
Baidu, Alibaba ve Tencent gibi büyük firmaların zayıf gizlilik yasaları, büyük yatırım imkanları, uyumlu veri toplama ve büyük veri analizi kombinasyonları sayesinde, bazı analistler, Çin’in gelecekteki AI araştırmaları konusunda ABD’ye avantaj sağlayacağını söylemektedir.
KAYNAKLAR
- Russell, S. J., Norvig, P., & Davis, E. (2010). Artificial intelligence: a modern approach. 3rd ed. Upper Saddle River, NJ: Prentice Hall.
Akademisyen, mühendis ve matematikçi. 1976 yılında Kütahya Tavşanlı’da doğdu. Anadolu Üniversitesi Matematik Bölümü’nü 2000 yılında bitirdi. Aynı üniversitede 2003 yılında Bilgisayar Mühendisliği’nde; “Kaba Kümeler Teorisi Yardımıyla Büyük Veri Topluluklarının Analizi” isimli Yapaz Zekâ konusunda yüksek lisans, 2010 yılında Elektrik Elektronik Mühendisliği’nde; “Hareket Dengelemeli ve Lifting Tabanlı Video Kodlayıcı Tasarımı” isimli Video İşleme konusunda Doktora ünvanı aldı.
2000-2016 yıllarında Anadolu Üniversitesi’nin Bilgisayar Mühendisliği, Matematik ve Elektrik & Elektronik Mühendisliği bölümlerinde öğretim üyesi olarak birçok araştırma yaptı ve kendi alanında dersler verdi.
Özellikle; Yapay Zekâ, Büyük Veri, Sınıflandırma, Biyoinformatik ve Görüntü İşleme konularında çalışmaktadır.
Halen, Eskişehir Organize Sanayi Bölgesi’nde Proje Yöneticisi olarak, sanayinin ihtiyacı olan projeleri hazırlayan ve çeşitli iş birlikleri yürüten Sedat Telçeken evli ve bir çocuk babasıdır.
