Yapay Zeka ve Tasarım — Ünite 8 Soru-Cevap

Deepfake, insanların yüz hareketlerini ve sesini gerçeğe uygun olacak şekilde taklit etmek veya değiştirmek için yapay zekâ teknikleri aracılığıyla fotoğrafların, videoların veya seslerin kullanılmasıdır.

Görsel iletişim, insanlar arasında bilgiyi aktarmak, duyguları ifade etmek ve etkilemek için görsel unsurlar kullanarak iletişim kurma sürecidir. Etkileyicilik, dikkat çekicilik, evrensellik, yüksek ikna kabiliyeti ve sadelik gibi özellikler görsel iletişimin temelini oluşturur.

İyi tasarlanmış görseller, insanların dikkatlerini çeker, duygularını etkiler, farklı kültürler arasında anlaşılabilir ve kolaylıkla iletişim kurulabilir (Baskın, 2022).

Yapay zekâ, kullanıcıların davranışlarını gözlemleyerek onlara daha uygun kişiselleştirilmiş deneyimler sunma imkânı verir. Kişiselleştirme, kullanıcıların tercihlerine ve davranış kalıplarına göre içerik sunma anlamına gelir ve yapay zekânın veri analizi özelliği sayesinde gerçekleşir. Yapay zekâ destekli sistemler, kullanıcıların geçmiş etkileşimlerini ve tercihlerini analiz ederek daha kişisel öneriler sunar ve kullanıcı deneyimini optimize eder (Patel, Kumar, vd, 2024).

Makine öğrenimi, örnek verilerden ve geçmiş deneyimlerden yola çıkarak otomatik olarak öğrenme ve geliştirme yeteneği sağlayan, bilgisayar sistemlerinin kullanılmasıyla geliştirildiği bir dizi yöntemden oluşmaktadır (Alpaydın, 2010). Bu şekilde, üretilen eski bilgilerden oluşan veri kümesine dayanarak yeni çıkarımlar yapılabilmektedir.

Makine öğreniminde, verilere erişebilen ve bu verilerden öğrenen programlar kullanılır. Böylece sistem kendi kendine akıllı kararlar alabilir ve kendisine verilen bilgilerle gerekli olan işlemi yerine getirir. Makine öğrenimi, aynı zamanda mevcut ortamdan öğrenerek insan zekâsını taklit etmek için tasarlanmış algoritmalar kullanır (Maga ve Murphy, 2015). Bu algoritmalar sayesinde, girdiler üzerinde karar verme süreçlerinin otomatikleşmesi sağlanarak yeni modeller üretilebilmektedir. Makine öğrenimi sayesinde, verilerin işlenmesi kolaylaştırılarak işlem süresi kısaltılır ve çok fazla veri depolayabilme şansı elde edilmiş olur.

Derin öğrenme, nesne tanıma, konuşma tanıma, doğal dil işleme (NLP) gibi alanlarda çok katmanlı yapay sinir ağlarını kullanan bir yapay zekâ yöntemi olup makine öğreniminin süreçlerinden biridir. Derin öğrenme, geleneksel makine öğrenme yöntemlerinden farklı olarak kodlanmış kurallar ile öğrenmek yerine, resim, video, ses ve metinlere ait verilerin simgelerinden otomatik olarak öğrenebilmektedir (Yılmaz, 2021).

Derin öğrenme, öğrenme işlemlerini örnekler üzerinden gerçekleştirir (Buduma, 2017). Makine, örnekleri kullanarak öğrenme işlemini gerçekleştirir. Derin öğrenme algoritmaları, büyük miktarda veri üzerinde eğitim alarak karmaşık desenleri ve ilişkileri tanımlayabilmekte, bu sayede çok katmanlı tasarımlar yapabilmektedir. Derin öğrenme tabanlı algoritmalar, karmaşık üretim süreçlerinde verimlilik sağlar ve hız kazandırır (Putrie ve Athoillah, 2021). Yapay zekânın bu teknolojik altyapısı özellikle görsel analiz ve veri işleme süreçlerinde tasarımcılara önemli destek sağlamakta ve daha karmaşık projelerin bile hızlı bir şekilde tamamlanmasına olanak tanımaktadır.

Üretken yapay zekâ, mevcut verilerden kendisine benzer ve yenilikçi veri örnekleri oluşturma yeteneği ile yapay zekânın bir alt alanını oluşturur. Üretken yapay zekâ, belirli girdi verilerine dayanarak yeni veriler üreten modellerle başlamış, zamanla derin öğrenme teknikleri ile güçlendirilmiştir. Üretken yapay zekâ, özellikle dil işleme, görüntü oluşturma ve müzik üretimi gibi alanlarda yenilikçi ve yaratıcı sonuçlar üretir (Cosker, 2021, s. 473).

Üretken yapay zekâ, GAN (Generative Adversarial Network - Üretken Çekişmeli Ağ) tekniğini temel alır. GAN’lar, birbirleriyle rekabet eden üretici ve ayırt edici olarak bilinen iki sinir ağı aracılığıyla çalışır. Üretici ağ, rastgele girdi verilerinden anlamlı örnekler üretirken, ayırt edici ağ ise bu örnekleri gerçek dünya verileriyle karşılaştırarak farklılıkları belirler. Bu iki ağ birlikte çalışarak gerçeğe en yakın verileri üretmeye çabalar. Bu teknoloji, sanat ve tasarım alanında yaygın olarak kullanılmaktadır.

GAN algoritmalarını diğer yöntemlerden ayıran en önemli unsur, algoritmanın bir yandan
yeni içerikler üretirken bir yandan kendi ürettiği içeriklerin gerçek içeriklerden ne kadar farklı olduğunu kontrol eden bir geri besleme yapısına sahip olmasıdır. Bu kontrol mekanizması sayesinde, algoritma kendi çıktılarının göz ile ayrılabilir unsurlar barındırıp barındırmadığını kontrol ederek, bulduğu farklılıkları düzeltir ve tasarımın daha az yapay görünmesini sağlar.

GAN algoritmalarının amacı, makine öğrenimi ile tamamen yapay olan ancak yapay olduğu anlaşılamayan içerikler üretmektir (Baskın, 2022: 228).

Üretken yapay zekâ, tasarım sürecinde çeşitlemelerin keşfine olanak tanır, yinelemeli düşünme yoluyla tasarım sürecinin döngüsel yapısını korur ve tasarım sürecinin hızlanmasına katkıda bulunarak zaman verimliliği sağlar.

Yapay zekâ ve tasarım teknolojilerinin görsel tasarım alanında kullanılması sadece tasarım süreçlerini hızlandırmakla kalmayıp, daha yenilikçi ve yaratıcı çözümler sunmayı amaçlamaktadır. Bu araçlar, tasarımcılara daha önce mümkün olmayan tasarımlar yaratma konusunda yardımcı olmakta ve derin öğrenme algoritmaları ile sinir ağları sayesinde daha hızlı ve verimli çalışabilmeyi sağlamaktadır. Bu sayede tasarımcılar, kendi sınırlarının ötesinde, daha geniş bir yaratıcılık alanına sahip olurlar.

Yapay zekânın ürettiği görsellerin telif hakkı sorunu belirsizlik yaratır. Kullanılan veri setlerinde yer alan görsellerden yararlanarak oluşturulan yeni tasarımların telifinin yapay zekâya mı, programın geliştiricisine mi yoksa komutları giren kişiye mi ait olduğu net değildir. Ayrıca kullanılan veri setlerinde yer alan görsellerin izinsiz kullanılması yine telif açısından sorun oluşturmaktadır. Bu durum, görsel tasarımda telif hakkı ve intihal (aşırma) tartışmalarına yol açmaktadır.

Yapay zekânın tasarımda kullanımı bir dizi etik soruna yol açmaktadır. Özellikle telif hakkı, özgünlük, dezenformasyon gibi konular öne çıkmaktadır.

Yapay zekâ ve insan yaratıcılığı arasındaki farklılıklar, özellikle bilişsel ve duygusal düzeylerde öne çıkmaktadır. Yapay zekânın en büyük eksikliklerinden biri duygusal zekâya sahip olmamasıdır. Duygusal zekâ, insan yaratıcılığında sezgi, empati ve derin düşünce gibi yaratıcı süreçleri besleyen temel bir kaynaktır. İnsan yaratıcılığı, bireyin kendine özgü deneyimleri ve duygusal zekâsıyla şekillenerek özgünlüğünü kazanır. Buna karşın, yapay zekânın yaratıcı süreçleri daha çok taklit yeteneğine dayanır. Yapay zekâ, daha önceki verilerden türetilmiş içerikleri harmanlayarak yaratım yapar ancak yaratıcı sürecin derinliği bakımından insan yaratıcılığı ile kıyaslandığında geride kalır.

Yapay zekâ temelli görüntü iyileştirme teknolojisi, fotoğrafların çözünürlüğünü artırma işlemini kolaylıkla gerçekleştirir. Düşük kaliteli, bulanık fotoğrafları kısa sürede yüksek kaliteli ve net bir hâle dönüştürür. Ayrıca renk, kontrast ve ışık ayarlarını da mükemmel bir şekilde düzenler.

Sanal etkileyiciler ürünleri, hizmetleri ya da fikirleri sosyal medyada ve diğer dijital platformlarda tanıtan, bilgisayar tarafından yaratılmış karakterlerdir. İnsan davranışlarını taklit ederek, gerçek etkileyiciler gibi hedef kitlelerle etkileşime geçerler.

Artırılmış Gerçeklik (Augmented Reality, AR) bilgisayar tarafından üretilen içeriklerin gerçek dünyaya entegre edilerek kullanıcının çevresini algılamasını zenginleştiren etkileşimli bir deneyimdir. Bu, dijital bilgiler, görüntüler, sesler ve diğer veriler gibi unsurları içerebilir ve kullanıcıların çevresiyle gerçek zamanlı olarak entegre edilir (IBM).

Sanal Gerçeklik (Virtual Reality, VR) bilgisayar tarafından sağlanan duyusal uyarıcılar (görsel ve işitsel gibi) aracılığıyla deneyimlenen ve kişinin eylemlerinin ortamda ne olduğunu kısmen belirlediği yapay bir çevreyi ifade eder (Merriam-Webster Dictionary).