Yapay zekânın temel kavramları
Makine öğrenmesi, sinir ağı, derin öğrenme, üretken yapay zekâ... Bu kavramlar ne anlama geliyor? Sekiz kısa kartla temelleri öğren.
- 11 / 8
Yapay zekâ ne demek?
Britannica yapay zekâyı, dijital bir bilgisayarın ya da bilgisayar kontrollü bir robotun, genellikle zeki varlıklarla ilişkilendirilen görevleri yerine getirebilme yeteneği olarak tanımlar. Bazı yapay zekâ sistemleri belirli görevlerde insanlar kadar iyi performans gösterebiliyor. Ancak Britannica'nın Ekim 2026 itibarıyla yayında olan değerlendirmesine göre, geniş alanlarda insanın esnekliğine tam olarak ulaşan bir yapay zekâ henüz yok.
Kaynak: Britannica - 22 / 8
Bir alanın doğuşu: Dartmouth, 1956
Yapay zekâ bir araştırma alanı olarak 1956 yazında doğdu. Küçük bir bilim insanı grubu, ABD'deki Dartmouth College'da Yapay Zekâ Üzerine Dartmouth Yaz Araştırma Projesi için bir araya geldi. Toplantıyı John McCarthy düzenledi. McCarthy önerisinde, öğrenmenin ve zekânın her yönünün ilke olarak bir makinenin taklit edebileceği kadar kesin biçimde tanımlanabileceği varsayımından yola çıkacaklarını yazmıştı.
Kaynak: Dartmouth College - 33 / 8
Makine öğrenmesi: kural yazmadan öğretmek
Makine öğrenmesi, yapay zekânın bir alt alanı ve onu kullanmanın yollarından biri. Yapay zekâ öncüsü Arthur Samuel 1950'lerde makine öğrenmesini, bilgisayarlara açıkça programlanmadan öğrenme yeteneği kazandıran çalışma alanı olarak tanımlamıştı. Yani her durum için tek tek kural yazmak yerine, bilgisayara örnekler verilir ve bilgisayar bu örneklerdeki kalıpları kendisi bulur. MIT Sloan'a göre bu tanım bugün de geçerliliğini koruyor.
Kaynak: MIT Sloan School of Management - 44 / 8
Eğitim verisi ve sınav verisi
Bir makine öğrenmesi modeli veriyle beslenir: sayılar, fotoğraflar, metinler, banka işlemleri ya da sensör kayıtları olabilir. Toplanan veriler hazırlanır ve modelin üzerinde eğitileceği eğitim verisine dönüşür. Programcılar bir model seçer, veriyi verir ve modelin kalıpları bulmasını sağlar. Verinin bir kısmı ise eğitimde kullanılmayıp ayrılır. Bu değerlendirme verisi, modelin daha önce görmediği verilerde ne kadar doğru çalıştığını sınamak için kullanılır.
Kaynak: MIT Sloan School of Management - 55 / 8
Üç öğrenme biçimi
Makine öğrenmesinin üç alt türü vardır. Denetimli öğrenmede model, insanların etiketlediği verilerle eğitilir; örneğin köpek olarak işaretlenmiş fotoğraflardan köpekleri tanımayı öğrenir. Bugün en yaygın kullanılan tür budur. Denetimsiz öğrenmede model etiketsiz verilerde kendi başına kalıp arar. Pekiştirmeli öğrenmede ise makine deneme yanılma yoluyla, doğru kararlarının ödüllendirildiği bir sistemle en iyi hamleyi bulmayı öğrenir.
Kaynak: MIT Sloan School of Management - 66 / 8
Beyinden ilham alan yapay sinir ağları
Yapay sinir ağlarının ilham kaynağı beyindir. Bu bilgisayar modellerinde beyindeki nöronları farklı değerler alan düğümler, sinapsları ise güçlenip zayıflayabilen bağlantılar temsil eder. Ağın bağlantıları, eğitim denen bir süreçle güncellenir. Bu alanın temellerini atan çalışmaları nedeniyle John Hopfield ve Geoffrey Hinton, 2024 Nobel Fizik Ödülü'ne layık görüldü. Nobel Komitesi, bu yöntemlerin bugünkü güçlü makine öğrenmesinin temelini attığını vurguluyor.
Kaynak: NobelPrize.org - 77 / 8
Derin öğrenme: katman üstüne katman
Derin öğrenme ağları, çok sayıda katmana sahip yapay sinir ağlarıdır. Bu katmanlı yapı çok büyük miktarda veriyi işleyebilir ve ağdaki her bağlantının ağırlığını belirleyebilir. Örneğin bir yüz tanıma sisteminde bazı katmanlar göz, burun ya da ağız gibi tek tek özellikleri algılarken başka bir katman bunların bir yüz oluşturup oluşturmadığına karar verir. Derin öğrenme ise ciddi miktarda işlem gücü gerektirir.
Kaynak: MIT Sloan School of Management - 88 / 8
Üretken yapay zekâ ve sınırları
Klasik makine öğrenmesi modelleri veriye bakıp tahmin yapar; üretken yapay zekâ ise eğitildiği verilere benzeyen yeni içerik üretmeyi öğrenir. MIT News'e göre ChatGPT gibi sistemlerin temelindeki modeller, internetteki kamuya açık metinlerin büyük bölümünü içeren devasa verilerle eğitilir ve metinde sırada ne gelebileceğini önerir. Ancak bu modeller eğitim verisindeki önyargıları devralabilir ve yanlış ifadeleri çoğaltabilir; bu yüzden çıktılarını kontrol etmek önemlidir.
Kaynak: MIT News
