ADY103U-ACİL DURUM VE AFET FARKINDALIK EĞİTİMİ
Ünite 7: Yapay Zekâ Araçları ile Farkındalık Materyallerinin Geliştirilmesi
Giriş
Günümüz dünyasında, afetlere hazırlık ve farkındalık oluşturma, toplumların güvenliği ve sürdürülebilirliği açısından büyük önem taşımaktadır. Üretken Yapay Zekâ (ÜYZ) teknolojileri, geniş veri setleri üzerinde öğrenme yetenekleri sayesinde, metin, görsel, ses ve video formatlarında özgün içerikler oluşturabilmektedir. Bu içerikler, afetlere karşı bilinçlendirme ve hazırlık çalışmalarının daha erişilebilir ve etkileyici olmasını sağlamaktadır.
Yapay Zekâ ve Üretken Yapay Zekâ
YZ, bilgisayarların insan benzeri zekâyı taklit ederek çeşitli görevleri yerine getirebilme yeteneğini ifade eder. ÜYZ ise bu teknolojinin daha ileri bir düzeyini temsil eder ve büyük veri setlerinden öğrenerek yeni ve özgün içerikler oluşturabilme kapasitesine sahiptir. ÜYZ; metin, görüntü, ses ve video gibi çeşitli formatlarda içerik üretimi yaparak özellikle afet farkındalığı gibi kritik alanlarda yenilikçi çözümler sunmaktadır.
Yapay Zekâ
YZ’nin tanımlamaları çeşitli olsa da ortak noktalar YZ’nin insan zekâsını taklit eden ve çeşitli alanlarda kullanılabilen sistemler olduğudur. YZ’nin çekirdeğinin, insan zekâsını simüle etme, genişletme ve geliştirme için araştırma teorileri, yöntemleri, teknolojileri ve uygulamaları olduğu yaygın olarak kabul edilir
Yapay Zekânın Kısa Tarihçesi
1950’ler YZ’nin Doğuşu: YZ’nin temelleri, Alan Turing’in 1950’de yayımladığı “Computing Machinery and Intelligence” makalesi ile atılmıştır. Turing, bir makinenin zekâ sahibi olup olmadığını belirlemek için bir test önerdi; bu test, günümüzde Turing Testi olarak bilinir. Turing testi, bir makinenin insanlarla kimliklerini açığa vurmadan iletişim kurabilme yeteneği üzerine kuruludur ve esas değerlendirme kriteri, makinenin insan benzeri düşünme kapasitesidir. YZ’nin resmi olarak başlaması ise 1956 yılında Dartmouth Koleji’nde John McCarthy tarafından düzenlenen bir konferansla kabul edilir. Bu konferansta bir araya gelmiş ve “Yapay Zekâ” terimini ilk kez kullanmışlardır. Bu konferans, YZ araştırmalarının resmî başlangıcı olarak kabul edilir ve alanın temel kavramları bu dönemde şekillenmiştir.
1960’lar ve 1970’ler İlk Dönem Araştırmalar ve YZ Kışları: 1960’larda Frank Rosenblatt tarafından geliştirilen perceptron modeli, ilk yapay sinir ağı algoritmalarından biridir. Ancak, bu modelin sınırlamaları nedeniyle 1970’lerde YZ araştırmalarında bir duraklama dönemi yaşanmıştır. 1970’ler ve 1980’ler, YZ araştırmalarının fon eksikliği ve ilerlemelerin yavaşlaması nedeniyle durakladığı dönemlerdir. Bu dönem, “YZ kışı” olarak bilinir ve YZ araştırmalarında önemli bir duraklama dönemini ifade eder.
1980’ler ve 1990’lar Yeniden Canlanma ve Uzman Sistemler: 1980’lerde ve 1990’larda, YZ araştırmaları
uzman sistemler etrafında yoğunlaşmıştır. Bu sistemler, belirli bir alandaki uzmanların bilgi ve karar süreçlerini taklit ederek çalışan bilgisayar programlarıdır. 1986’da Geoffrey Hinton, David Rumelhart ve Ronald Williams tarafından geliştirilen geri yayılım (backpropagation) algoritması, yapay sinir ağlarının eğitiminde devrim yaratmış ve bu dönemde YZ araştırmalarına olan ilgiyi artırmıştır.
2000’ler Büyük Veri ve Derin Öğrenme: 2000’li yıllarda, büyük veri ve gelişmiş hesaplama gücü sayesinde derin öğrenme (deep learning) alanında önemli ilerlemeler kaydedilmiştir. Bu dönemde, derin öğrenme algoritmaları kullanılarak görüntü tanıma, ses tanıma ve dil işleme gibi alanlarda büyük başarılar elde edilmiştir. 2012 yılında, AlexNet adlı derin öğrenme modeli, ImageNet Büyük Ölçekli Görüntü Tanıma Yarışması’nda (ILSVRC) birinci olarak YZ’nin potansiyelini göstermiştir.
2010’lar ve Sonrası: YZ Rönesansı: 2015 yılında, Google DeepMind tarafından geliştirilen AlphaGo, dünya şampiyonu Lee Sedol’u Go oyununda yenerek YZ’nin gücünü bir kez daha kanıtlamıştır. Bu başarı, derin öğrenme ve takviye öğrenme (reinforcement learning) tekniklerinin bir kombinasyonunu kullanarak elde edilmiştir. 2014 yılında Ian Goodfellow tarafından geliştirilen Generative Adversarial Networks (GANs), YZ’nin yaratıcı yeteneklerini sergileyen önemli bir adım olmuştur. GANs, iki sinir ağının birbirine karşı yarışarak gerçekçi veriler üretmesini sağlar. Özellikle Aralık 2015’te kurulan OpenAI’nin ChatGPT’si ile birlikte bu alana olan ilgi daha da artmıştır.
Alan Turing’in teorik çalışmaları ile başlayan bu yolculuk, Dartmouth Konferansı ile ivme kazanmış, ardından YZ kışları ve uzman sistemlerin yükselişi ile devam etmiştir. 2000’li yıllarda büyük veri ve derin öğrenme ile yeniden canlanmış ve günümüzde birçok alanda devrim niteliğinde uygulamalarla hayatımızın bir parçası hâline gelmiştir.
Yapay Zekânın Kategorileri
YZ, genel olarak Dar YZ (ANI), Genel YZ (AGI) ve Süper YZ (ASI) olmak üzere üç ana kategoriye ayrılır.
Dar YZ (Artificial Narrow Intelligence-ANI), belirli bir görevi yerine getirmek üzere tasarlanmış sistemleri ifade eder. ANI, insan zekâsının dar bir alanında uzmanlaşmıştır ve genel zekâ yeteneklerine sahip değildir. ANI, belirli görevleri yüksek doğrulukla yerine getirebilir ancak diğer alanlarda başarısızdır. Siri, Alexa, e-Posta spam filtreleme sistemleri, yüz tanıma yazılımları ve otonom araçlar, ANI’nın yaygın örnekleridir.
Genel YZ (Artificial General Intelligence-AGI), insan zekâsı düzeyinde geniş bir yelpazede görevleri yerine getirebilen sistemleri ifade eder.
Süper YZ (Artificial Super Intelligence-ASI), insan zekâsını her alanda aşan sistemleri ifade eder.
Yapay Zekânın Temel Bileşenleri
Makine Öğrenmesi (Machine Learning-ML): YZ’nin önemli bir alt alanıdır ve makinelerin açık programlama olmadan öğrenmesini ve tahminlerde bulunmasını sağlar. Makine öğrenmesi algoritmaları, büyük veri setlerini analiz ederek kalıpları keşfeder ve bu kalıpları kullanarak akıllı çıkarımlar yapar.
Derin Öğrenme (Deep Learning-DL): makine öğrenmesinin bir alt dalıdır ve büyük veri setlerinden öğrenen katmanlı sinir ağlarını içerir. Derin öğrenme algoritmaları, karmaşık veri yapılarını tanımlayabilir ve sınıflandırabilir.
Doğal Dil İşleme (Natural Language Processing-NLP): bilgisayarların insan dilini anlamasını, yorumlamasını ve yanıt vermesini sağlayan YZ alanıdır. NLP, dilin yapısını ve anlamını çözmek için makine öğrenmesi ve derin öğrenme tekniklerini kullanır.
Sinir Ağları (Neural Networks): Sinir ağları, YZ’nin temel bileşenlerinden biridir ve insan beyninin işleyişine benzer şekilde çalışır. Bu ağlar, bilgiyi işlemek ve kararlar almak için bir dizi bağlantılı düğümden oluşur.
Üretken Yapay Zekâ
Üretken Yapay Zeka (ÜYZ) verilerden öğrenerek yeni ve özgün içerikler üretebilen bir YZ türüdür. Bu teknoloji, özellikle büyük veri setleri üzerinde eğitilerek metin, görüntü, ses ve video gibi çeşitli formatlarda yeni veriler oluşturabilir. ÜYZ’nin temel tekniklerinden biri olan Generative Pre-trYZned Transformer (GPT) modelleri, büyük miktarda metin verisi üzerinde eğitilerek dil işleme görevlerinde insan benzeri metinler oluşturma yeteneğine sahiptir. GPT-3 ve GPT-4 gibi modeller, milyarlarca kelimelik veri setleri üzerinde eğitilerek dilin karmaşıklıklarını ve inceliklerini öğrenir. Bir diğer önemli teknik olan Generative Adversarial Networks (GANs), özellikle görüntü ve video üretiminde etkili sonuçlar vermektedir.
ÜYZ’nin uygulama alanları oldukça geniştir ve eğitim, sanat ve yaratıcılık, mühendislik ve tasarım, sağlık hizmetleri gibi çeşitli sektörlerde önemli yenilikler sağlamaktadır. ÜYZ yaratıcılık ve yenilik, verimlilik artışı, kişiselleştirilmiş deneyimler gibi başlıca avantajlar sunar. Ancak ÜYZ kullanımı veri gizliliği, ön yargı ve adalet, yanlış bilgi yayılımı gibi çeşitli etik ve toplumsal sorunları da beraberinde getirmektedir.
Üretken Yapay Zekâ Araçlarının Sınıflandırılması
• Metin Üretme Araçları • Görsel Üretme Araçları • Ses ve Müzik Üretme Araçları • Kod Üretme Araçları • Video ve Animasyon Üretme Araçları
Üretken Yapay Zekâ Araçları ile Afet Farkındalık Materyalleri Geliştirme ve Dikkat Edilmesi Gereken Hususlar
ÜYZ’nin bu üç aşaması, afet farkındalık materyallerinin geliştirilmesi sürecinde doğrudan uygulanabilir.
Keşfetme Aşaması: Bu aşama, YZ araçlarının fikir ve kavramları keşfetmek için kullanıldığı dönemdir. Kullanıcılar, afet türleri ve potansiyel etkileri hakkında bilgi toplamak için metin tabanlı sorgular girer. YZ, bu bilgileri analiz ederek ilgili fikirler ve çözüm önerileri sunar.
Üretim Aşaması: İkinci aşama, YZ’nin elde edilen bilgileri kullanarak somut içerikler ürettiği dönemdir. YZ, bu bilgileri afet yönetimi planları, eğitim materyalleri ve bilgilendirme broşürleri şeklinde dönüştürebilir.
İyileştirme Aşaması: Son aşama, içeriğin rafine edildiği ve doğruluğunun artırıldığı dönemdir. YZ, üretilen içerikleri gerçek dünya verileriyle karşılaştırarak ve uzman geri bildirimleri alarak iyileştirir.
Metin Tabanlı Afet Farkındalık Materyali Üretimi Örneği
Bu materyaller; broşürler, el ilanları, el kitapçıkları, kılavuzlar, bilgilendirici makaleler, eğitim materyalleri, internet siteleri ve blog yazıları, haber bültenleri, raporlar ve araştırma belgeleri ile özgeçmiş ve vaka çalışmalarını içerir. Afet farkındalık materyalleri geliştirilmesi sürecinde özellikle metin oluşturma ya da metinsel işlemler gerçekleştirmek amacıyla doğal dil işleme modelleri hızlı ve etkili bir şekilde kullanılabilir. Bu modeller geniş bir metin veri kümesiyle eğitilmiştir ve en önemlileri arasında ChatGPT, Gemini ve Copilot yer almaktadır.
Görsel Tabanlı Afet Farkındalık Materyali Üretimi Örneği
Bu materyaller, genellikle afişler, broşürler, infografikler ve haritalar gibi görsel araçlardan oluşmaktadır. doğal dildeki bir tanımdan gerçekçi ve sanatsal görüntüler yaratabilen ÜYZ uygulamalarıdır. DALL·E, Adobe Firefly, Canva, Copilot Designer, Leonardo YZ, Stable Diffusion, Gencraft, Craiyon vb. farklı ÜYZ destekli görsel oluşturucular bulunmaktadır.
Ses ve Müzik Tabanlı Afet Farkındalık Materyali Üretimi Örneği
Ses ve müzik tabanlı afet farkındalık materyalleri, insanların afetler konusunda bilinçlenmesini ve hazırlıklı olmasını sağlamak amacıyla kullanılan sesli ve müzikal içeriklerdir. YZ destekli müzik üretme araçları olan Jukebox, MuseNet, Amper Music, Suno AI Music Generator afet farkındalık videoları ve animasyonları için özel müzikler ve efektler oluşturabilir.
Kod Üretimi ve Web Tabanlı Farkındalık Materyali Üretimi Örneği
Bu materyaller, afet bilincini artırmak amacıyla interaktif ve kullanıcı dostu uygulamalar ile web siteleri içerir.
ChatGPT, GitHub Copilot, Replit, Kite, UIzard, Framer, Wix ADI, Bookmark ve Durable gibi araçlar, programlama ve hata ayıklama süreçlerini kolaylaştırarak, başlangıç seviyesindeki programcıların bile etkin bir şekilde afet farkındalık projeleri geliştirmesine olanak tanır.
Üretken Yapay Zekâ Araçları ile Afet Farkındalık Materyalleri Geliştirirken Dikkat Edilmesi Gereken Hususlar
Etik Hususlar
Doğruluk ve Güvenilirlik: Afet farkındalık materyallerinde kullanılan bilgilerin doğruluğu ve güvenilirliği son derece önemlidir. Yanlış veya yanıltıcı bilgiler, afet anında ciddi tehlikelere yol açabilir. Şeffaflık: ÜYZ tarafından üretilen içeriğin kaynağı ve oluşturulma süreci hakkında açık bilgi sağlanmalıdır. Toplumsal Etki: ÜYZ kullanılarak oluşturulan materyallerin toplumsal etkisi göz önünde bulundurulmalıdır. Ön Yargı ve Adalet: ÜYZ sistemlerinin eğitim süreçlerinde kullanılmasında algoritmaların ve eğitim verilerinin tarafsızlığı çok önemlidir.
Gizlilik ve Güvenlik
Veri Gizliliği: Afet farkındalık materyalleri oluştururken kullanılan verilerin gizliliği korunmalıdır. Veri Güvenliği: Toplanan ve kullanılan verilerin güvenliği sağlanmalı, siber saldırılara karşı korunmalıdır. Erişim Kontrolü: YZ sistemlerine kimlerin erişebileceği ve bu sistemlerin nasıl kullanılabileceği sıkı bir şekilde kontrol edilmelidir.
İnsan Merkezli Tasarım
Kullanıcı Odaklı Yaklaşım: Afet farkındalık materyalleri, kullanıcıların kolayca anlayabileceği ve kullanabileceği şekilde tasarlanmalıdır. Eğitim ve Bilgilendirme: Topluma, YZ’nin nasıl çalıştığı ve afet farkındalık materyallerinin oluşturulmasında nasıl kullanıldığı konusunda eğitim verilmelidir. YZ Sistemlerinin Sınırlamaları: YZ sistemlerinin neler yapabileceği ve yapamayacağı konusunda açık olunmalıdır.