İnsanlığın dijital çağında artan teknolojik imkânlar, internetin yaygınlaşması, gelişime açık yazılımlar, yapay zekâya sahip robotik sistemler, bilgi toplumu olarak adlandırılan yeni tip toplumun oluşumunu hızlandırıyor.
Yaşamın, her alanda dönüşüm geçirmesine şahitlik ediyoruz. Bu kadar hızlı değişim ve dönüşüme neden olan teknolojik gelişmeler, dijitalleşme, robotik sistemlere duyulan büyük ilgi, insanlığın geleceği hakkında tedirgin etmiyor değil. Son dönemlerde dünya genelinde en fazla tartışılan konuların başında akıllı insan davranışının mekanizmalarını modelleyen bir bilgisayar bilimi olarak tanımlanan yapay zekâ geliyor. Peki, nedir yapay zekâ? Popov’a göre yapay zekâ; insanların görevlerini bilgisayarlara yaptırabilme işlemidir. Slage ise yapay zekâyı sezgisel programlama temelinde olan bir gelişim olarak görür. Genel olarak yapay zekâ kavramı, “insanı taklit etme yeteneği” ile etkileşim, öğrenme, uyum sağlama ve tecrübelerini genişleterek uygulama imkânı olan dijital teknolojilerdir. Yapay zekâ; sayısal mantık yürütme, hareket, konuşma ve ses algılama gibi birçok görevi yapabiliyor. Örneğin arkadaş önerileri, otomatik mesaj tanımlama, otomatik arkadaş etiketleme, öneri algoritmaları gibi birçok işlevi yapma yeteneğine sahip. Kanser hastalık teşhisi, başvuru değerlendirme sistemleri, otonom araçlar, eski resimlerin canlandırılması, nesne tanıma ve takip uygulamaları, sesli asistanlar, dil çevirileri, sosyal güvenlik gibi dijital işlevler yapay zekâ uygulamalarına örnek olabilir.
Makine Öğrenimi, Derin Öğrenme ve Doğal Dil İşleme
Yapay zekâyı oluşturan başlıca terimler ise Makine Öğrenimi (Machine Learning), Derin Öğrenme (Deep Learning) ve Doğal Dil İşleme (Natural Language Processing) gibi kavramlardır. Yapay Zekâ ve Makine Öğrenimi kavramları belirli farklılıklar içerse de genelde eş anlamlı sözcükler gibi algılanıyor. O nedenle bu yazımda yapay zekâ, makine öğrenimi ve derin öğrenme kavramları arasındaki farklara kısaca değineceğim.
Makine öğrenimi, bir yapay zekâ alt kümesidir ve büyük veriler aracılığıyla tüketilen verilerden matematiksel ve istatistiksel yöntemleri kullanarak çıkarım yapar ve bilinmeyene ulaşmada gerçeğe yönlendirir. Kendisine sunulan veri kümelerini özümseyerek yapılması istenen görevi öğrenir. Makine öğrenimi performansı geliştirecek sistemler oluşturmaya odaklıdır ve bir model oluşturulabilmesi için zamana, farklı veri ve algoritmaya ihtiyaç duyar. Birçok yapay zekâ uygulaması örneğin resim tanıma, makine öğrenimi uygulamasıdır. Basit bir dille anlatırsak, nasıl ki yeni doğmuş bebeğe bilmediği bir şeyi öğretirken veya iki şey arasındaki farkı ayırt edebilsin diye öncesinden birkaç görsel sunup ve hangisinin hangisi olduğunu tekrarladığımızda, bebek sonunda farkı algılayıp yüksek bir doğruluk ile ayırt etmeye başlıyorsa, makine öğrenmesi algoritmalarının da çalışma şekli aynıdır. İlgili resmin ne olduğunu makine öğrenebilsin diye binlerce kez benzer resimler gösterilir. Bu süreçten sonra makine benzer motifleri, dizileri, pikselleri tanıyarak artık o resimlerin ne olduğunu tanımlayabilir.
Günümüzde makine öğreniminden pek çok alanda farklı amaçlar için faydalanılıyor. Müşterileri anlamada ve elde tutmada, müşteri kayıplarını belirlemede, dinamik fiyatlandırma yapmada, müşteri sınıflandırma, öneride bulunma, tahminde bulunma buna örnek olabilir. Ayrıca internetten alışveriş yapmada, ağ güvenliği tehdidini algılamada, sosyal medyanın kullanımında, yüz tanımada, sahtekârlık tespitinde, spam filtreleme gibi durumlarda Makine Öğrenimi görev alır. Amazon hangi ürünlerini sana sunacığını, Netflix hangi flimleri önereceğini yine makine öğrenimi ile kararlaştırıyor.
Derin Öğrenme ise Makine Öğrenimi’nin bir alt kümesidir, bilgisayar algoritmalarını inceleyerek kendi kendine öğrenme ve geliştirme işlevine sahiptir. Yani makine öğrenimindeki gibi verilerin onu anlaması için yapılandırılmasına gerek duymaz. Makine öğrenimi tek katmanda işlem yaparken derin öğrenme birçok katmanda aynı anda işlem yapabiliyor. Bir dizi makine öğrenim algoritmalarını aynı anda kullanarak tek işlemde sonuca ulaşmaya çalışır. İnsan sinir yapısından esinlenerek onların nasıl düşündüğünü ve öğrendiğini taklit etmek için düzenlenmiş yapay sinir ağlarından kaynaklanır. Yani makine öğreniminde, birçok parametreyi bizim makineye tanımlamamız gerekiyordu. Derin öğrenme ise temel insan yetilerine ihtiyaç duymadan, ayrıştırıcı yetilerini kendi oluşturarak işlemleri gerçekleştirebilir. Sinir ağları, kendilerini eğitildikleri verinin özelliklerine göre ayarlayan görüntüleri sınıflandırma ve konuşmayı metne dönüştürme gibi işlevler yapabilen değişken katmanların ötesidir.
Günümüzde derin öğrenme birçok alanda kullanılıyor. Örneğin otomotiv araştırmacıları, yayaların tespiti, dur işaretleri ve trafik ışıkları gibi nesneleri otomatik olarak algılamak için derin öğrenmeyi kullanıyor. Havacılık ve Savunma alanında ilgi sahalarını bulan uydulardan nesneleri belirlemek ve birlikler için güvenli veya güvensiz yerleri tespit etmek için derin öğrenmeden yararlanılıyor.
Doğal Dil İşleme, bilgisayar biliminde dilsel bir araçtır ve yapay zekânın bir alt kümesidir. Makinelerin insan dilini okumasını ve yorumlamasını sağlayan doğal dil işleme, insan dili verilerinin otomatik çevirisine izin verme işlevine sahiptir. Farklı dilleri konuşan iki tarafın etkileşime girmesini sağlar ve İngilizce, Fransızca gibi insanların konuştuğu doğal dilleri makinelerin alıp işlemesi doğal dil işleme işlevidir. Doğal dil işlemenin üzerinde çalışılan dilin morfolojisi seviyeleri; Kelime bilimi (Morphological-Lexical), Sözdizimi (Syntactic), Anlamsal (Semantic), Söylev (Sragmatic–discourse) oldukça önemlidir. Belleğinde bulunan veri ve sonuçları kelime kökünü, kelimelerin dizilmesini, ifadenin ve cümlenin anlamını inceleyerek konuşmanın bağlamını öğrenir ve bu konuşmadan bir anlam çıkarır. Chatbot, Google Translate’te yaptığımız çeviriler, mesaj yazarken telefonumuzun bir sonraki sözcüğü tahmin etmesi gibi teknolojiler doğal dil işlemenin sonucudur.
İnsanın duygusal zekâsına sahip olmasalar da insanlardan çok daha zeki ve güçlü varlıklarla karşı karşıya olabiliriz.
Konuyla ilgili Bill Gates, Stephan Hawking ve Elon Musk gibi isimler uyarılarda bulunarak yapay zekânın faydalarıyla beraber karşı konulmaz gelişimiyle ilgili önlemler alınması gerektiğini belirtmişlerdi. Hawking göre, yapay zekâ kendisini geliştirmeyi sürdürebilir ve hatta kendisini yeniden biçimlendirebilir, bu durumda insanlığın sonu gelebilir. Kendi kendine öğrenme yeteneğine sahip bir sistem eksiksiz bir şekilde evrimleşerek kendini üreten varlığı yok edebilir. Sonuç olarak insanlar son derece yavaş bir biolojik evrimle sınırlılar ve bu tür bir güçle yarışmaları mümkün değil. Elon Musk’ın da vurguladığı gibi gelecek günlerde yapay zekâ karşımıza büyük bir tehlike olarak çıkabilir. Dolayısıyla yakın gelecekte insana benzer fakat insanlardan çok daha zeki, yetenekli ve güçlü varlıklarla karşılaşmamızın mümkünlüğü söz konusu. Ama madalyonun her iki yüzüne bakılırsa bir tarafta yapay zekânın insan gücünü azaltacağı, bu nedenle işsizliğe yol açacağı, hatta insanlığı yok edeceği, diğer tarafta ise insanlara fazla zaman, para ve enerji tasarrufu sağlayarak hayatı kolaylaştıracağı, verimliği artıracağı ve büyük fırsatlar doğuracağı öngörülebiliyor.
Ulkar Gulmammadzada
