Yapay Zeka

Yapay Zekâ ile ilişkili olarak değerlendirmek gerekirse, yardımcı sistem olarak kabul edebileceğimiz ilk örnekler otomaton (İng. Automaton) adındaki mekanik robotlar ile bağlantılı durumdadır. Genel olarak incelendiğinde, otomatonların dönemin estetik kaygıları ile birleşerek, sanat eserlerine dönüştüğü ve hatta insansı unsurlarla donatıldığı görülmektedir. Otomatonlar genellikle yazı yazabilen makineler, zor işleri destekleyen araçlar, çocuklar için hareketli oyuncaklar ve guguklu saat gibi mekanik saatler şeklinde; farklı amaç ve çözümler doğrultusunda ortaya çıkmıştır.

Ada Lovelace, önceden programlanabilen delikli kart sistemini geliştirmiştir. Delikli kart sistemi bilgisayarların atası niteliğindeki ilk sistemdir. Tahmin edileceği üzere, bu gelişme bilgisayar teknolojileri özelinde ayrı bir akışta incelenebileceği gibi, Yapay Zekâ’nın geliştirilmesinde rol oynayan süreçlerin tetiklenmesi bakımından da önemli bir dönüm noktası niteliğindedir.

İngiliz Matematikçi ve Bilgisayar Bilimcisi Alan Turing, üzerinde çalıştığı araştırmalarla birlikte
makinelerde zekanın tasarımı odağında gerçekleştirdiği çalışmalar ile birlikte ilk Yapay Zekâ sistemini geliştiren bilim insanı olmuştur. Alan Turing, İkinci Dünya Savaş esnasında Almanya’nın şifreli
iletişim için geliştirmiş olduğu Enigma adlı makinenin şifrelerini, inşa ettiği elektro-mekanik bir
sistem sayesinde kısa sürede çözmüş, bu sistem çalışma ilkesi itibarıyla; beslendiği geçmiş verilerden şifre çözümü gerçekleştirdiği için Yapay Zekâ mekanizmaları içeren ilk sistem olmuştur.

Yapay Zekâ’nın resmî bir biçimde kavramsal olarak tanımlandığı zaman 1956 yılına tekabül
etmektedir. John McCarthy önderliğindeki bilim insanları ABD. Dartmouth’daki bir etkinlikte
Türkçe’ye Yapay Zekâ olarak çevrilen Artificial Intelligence kavramını tanımlayarak literature kazandırmışlardır.

Yapay Zekâ kavramı literatüre resmî olarak 1956 yılında girmiş olsa da bundan önceki süreçte
Alan Turing’in ortaya koyduğu sistem adı koyulmamış ilk Yapay Zekâ örneğidir. Hatta bundan
önceki süreçlerde teorik manada makinelerde zekâ varlığı yönünde farklı bilim insanlarının ortaya konduğu düşünceler de Yapay Zekâ’nın ilk işaretleri olarak yorumlamak yanlış olmayacaktır.

Doğrudan çalışabilen Yapay Zekâ algoritmaları içerdikleri algoritma adımları ve matematiksel-mantıksal mekanizmalar itibarıyla kurallara göre anlık çözüm üreterek ya da matematiksel modeller üzerinden optimizasyon işlemleri gerçekleştirerek çalışmaktadır. Kurallara göre çalışan; kural tabanlı algoritmalara örnek olarak, insanın keskin değerlerle sınırlı olmayan düşünce yapısını bilgisayarlara aktarmayı sağlayan Bulanık Mantık verilebilmektedir. Optimizasyon taraflı algoritmalar ise daha çok Sürü Zekâsı ve Zeki Optimizasyon konu kapsamı altında incelenmektedir

Yapay Zekâ’nın en çok dikkat çeken algoritmaları öğrenerek çalışan algoritmalardır. Bu algoritmalar öncelikli olarak hedef problemle ilgili örnek veriler üzerinden öğrenme gerçekleştirmekte, ardından yeterli öğrenme sonucunda problemle ilgili karşılaşılmamış durumlara başarılı çıktılar üretebilmektedir. Bu kapsamdaki algoritmalar Makine Öğrenmesi ve Derin Öğrenme kapsamında
incelenmektedir. Derin Öğrenme, bir tür Makine Öğrenmesi alt-alanı olarak ön plana çıkmıştır.

Makine Öğrenmesi, problem ile ilgili gizli bağlantıları (örüntüleri) öğrenerek çalışabilen zeki
sistemlerin geliştirilmesini sağlamaktadır. Literatürde Yapay Öğrenme olarak da adlandırılan Makine Öğrenmesi’nde temel amaç önce problem ile ilgili örnek veriler üzerinde eğitim / öğrenme sürecinin gerçekleştirilerek problem bağlantılarının özümsenmesidir. Bunun için ilgili Makine Öğrenmesi algoritmalarında öğrenme ya da eğitim (İng. learning / training) safhasını sağlayan algoritma akışları yer almakla birlikte, ‘öğrenmiş’ Makine Öğrenmesi algoritmasının problemin yeni durumlarına karşı cevap üreten algoritma bölümleri de yer almalıdır. Günümüzde Makine Öğrenmesi, daha gelişmiş
Derin Öğrenme evresi ile yoluna devam etmektedir.

Makine Öğrenmesi süreçleri, elimizde bulunan verilerin yapılanmasına göre üç yönteme dayalı olarak çalışmaktadır:

1. Danışmanlı Öğrenme (İng. Supervised Learning)

2. Danışmansız Öğrenme (İng. Unsupervised Learning)

3. Takviyeli Öğrenme (İng. Reinforcement Learning)

Yapay Sinir Ağları, hem bir algoritma yapılanması hem de bir çözüm modeli olarak Yapay
Zekâ’nın en önemli bileşeni konumundadır. Bir Makine Öğrenmesi çözümü olarak Yapay Sinir Ağları, insan beyni ve sinir sistemindeki nöronların (sinir hücrelerinin) birbirleri arasındaki iletişim süreçlerinden esinlenerek geliştirilmiştir. Esasında Yapay Sinir Ağları’nın ilk ortaya çıkışı, üzerine ağırlıklı bir şekilde gelen girdileri dönüştürebilen Algılayıcı adlı işlem birimine dayanmaktadır. Bu yapıdaki ağırlıklar, beyindeki nöronlar arasında yer alan ve hafızayı, hatırlamayı sağlayan elektriksel yüklerden esinlenmektedir. Söz konusu elektriksel yükler, başımızdan geçen önemli olayları veya pekiştirme yaparak öğrendiğimiz hususları tekrar hatırlamamızı sağlamaktadır. Algılayıcı bileşeni de buna benzer bir şekilde; sunulan veri kümesi içerisindeki bağlantıları ağırlıklar üzerinden öğrenerek saklayan bir Makine Öğrenmesi çözümü ortaya koymaktadır.

Derin Öğrenme modelleri şu şekildedir:
1. Evrişimli Sinir Ağları (İng. Convolutional Neural Networks / CNN)

2. Derin İnanç Ağları (İng. Deep Belief Networks)

3. Otokodlayıcılar (İng. Autoencoders)

4. Uzun Dönem Kısa Dönem Hafıza (İng. Long-Short Term Memory / LSTM)

5. Graf Sinir Ağları (İng. Graph Neural Networks)

6. Çekişmeli Üretici Ağlar (İng. Generative Adversarial Networks / GAN)

7. Siyam Ağları (İng. Siamese Neural Networks)

Evrişimli Sinir Ağları (İng. Convolutional Neural Networks / CNN): Evrişimli Sinir Ağları (CNN), özellikle görüntü verileri üzerindeki başarılarıyla ön plana çıkmış bir Derin Öğrenme modelidir. 

Evrişimsel Sinir Ağları (CNN) modeli görüntü odaklı problemlerin çözümünde birçok yeniliği beraberinde getirmiş; Bilgisayarlı Görü (İng. Computer Vision) uygulamalarının hız kazanmasına, böylece sürücüsüz otomobillerin, görsel algılama içeren güvenlik sistemlerinin ve yenilikçi
robotik çözümlerin ilerleyişi konusunda kritik rol oynamıştır. 

Siyam Ağları (İng. Siamese Neural Networks): Siyam Ağları, girdi olarak aldıkları verileri karşılaştırarak daha nispeten daha az veriyle hızlı ve etkin sonuç üretilmesini sağlayan bir Derin Öğrenme modelidir. Siyam Ağları sahip oldukları karşılaştırma mekanizması sayesinde aynı verinin ender karşılaşılan durumlarına bile doğru cevaplar üretilebilmektedir. Örneğin, çeşitli aslan
görüntüleriyle eğitilen bir Siyam Ağı modeli, çok farklı bir açıdan çekilmiş aslan fotoğrafında doğru sınıflandırma / tespit yapabilmektedir.

• Bilgisayarlı Görü (İng. Computer Vision) uygulamalarının hız kazanmasına, böylece sürücüsüz otomobillerin, görsel algılama içeren güvenlik sistemlerinin ve yenilikçi robotik çözümlerin ilerleyişi konusunda kritik rol oynamıştır.
• Doğal Dil İşleme alanında üst düzey gelişmeler ortaya çıkmış, Yapay Zekâ tabanlı dil çevirileri, konuşulan dili anlama ve analiz etme gibi zor problemlerde yüksek başarılar elde edilmeye başlanmıştır.
• Python adlı programlama dilini baz alan birçok açık kaynak Derin Öğrenme (Yapay
  Zekâ) kodlama kütüphaneleri ortaya çıkmıştır.
• Derin Öğrenme sayesinde yüz tanıma uygulamaları kolaylaşmıştır.
• Boston Dynamics adlı robotik şirketinin geliştirdiği robotlar karmaşık eylemleri daha yüksek doğrulukla ve gerçekçi şekilde yerine getirmeye başlamıştır.
• Hanson Robotics adlı şirket, Sophia adlı sosyal robot sistemini geliştirmiş; böylelikle Derin Öğrenme’nin robotik sistemlerdeki etkinliği insan-makine etkileşimine dayanan uygulamalara yansır hâle gelmiştir.
• Çekişmeli Üretici Ağlar, Derin Öğrenme’nin art niyetli kullanılma potansiyelini ortaya çıkarmıştır.
• Google şirketi tarafından Yapay Sinir Ağları’na dayanan ve Yapay Zekâ tabanlı hızlandırıcı olarak da lanse edilen Tensör İşlem Birimi (İng. Tensor Processing Unit / TPU) geliştirilmiştir.
• Üretici Yapay Zekâ tartışmalarını tutuştaracak şirket olan Open AI, 2015 yılında, Elon Musk’ın da desteğiyle birlikte kurulmuştur.
• Kanser teşhisinde doktorlardan daha başarılı sonuçlar ortaya koymaya başlamış, ilaç keşfi çalışmalarına hız kazandırmıştır.
• Nesnelerin İnterneti (İng. Internet of Things / IoT) uygulamaları yaygınlığını artırmış, giyilebilir teknolojiler (İng. werables) hızla üretilmeye başlamış, akıllı ev / bina konseptleri geliştirilir hâle
  gelmiştir.

Yapay Zekâ ile Doğal Dil İşleme araştırmalarının işbirliği sayesinde ses tanıma teknolojilerinin başarımı artmıştır. Bu durum sesli sanal asistanların ve hatta zeki sanal avatarların doğmasına yol açmıştır. Hatta bot adı verdiğimiz yazılımsal robotlar, özellikle chat bot adı altında olmak üzere, sosyal medya araçlarının, e-ticaret platformlarının sıradan parçası hâline gelmiştir. 

Yapay Zekâ’nın 21. yüzyıldaki başarıları robotik alanında da büyük ses getirmiştir. Buna göre, Boston Dynamics başta olmak üzere dünya çapındaki robotik teknolojisi üreten şirketlerin insansı hareketler gerçekleştirebilen, insan ile daha derin iletişime geçebilen, zor görevlerde çok daha yaygın bir şekilde yer alan; hatta karanlık fabrika yapılarının oluşmasına sebep olan üst düzey robotlar tasarlanmaya başlanmıştır. Bu durum, Yapay Zekâ’nın insansı olabilme yönündeki gelişimi bakımından hem bir başarı hem de bir tartışma konusu olarak gündeme yerleşmiştir.

İletişim teknolojilerindeki gelişmelerin insan özelinde düşünülmesi de gerekmektedir. Yapay Zekâ’nın iletişim teknolojilerindeki kullanıcı etkileşimi boyutunu değiştirmesi, insanların bilgiye erişim ve birbirleriyle işbirliği içerisine girme kültürlerinin de yenilenmesini sağlamıştır. Artık insanlar, Yapay
Zekâ destekli platformların pratikleştirdiği süreçler sayesinde daha etkin iletişim kurabilmektedir. Yine günlük hayatta yerine getirilen faaliyetler Yapay Zekâ ile şekillenen ve ortaya çıkan mobil teknolojiler ya da IoT tabanlı sistemler sayesinde planlanabilmekte; aslında insanlar zeki sistemlerin ortaya çıkardığı dijital kültür içerisinde yaşamaktadır. Bu durum kuşkusuz ki Yapay Zekâ ile donanımlı sosyal medya platformları / araçları ekseninde de yaşanmaktadır.

Yapay Zekâ algoritmaları sosyal medya araçlarının kullanıcı odaklı çalışmasını sağlayan altyapıları mümkün kılmıştır. Günümüz sosyal medya araçlarında yaygın olan arkadaş, içerik önerileri ya da milyonlarca içerikten sadece ilgi alanlarımızla bağlantılı olanları görmemiz, Yapay Zekâ’nın oluşturduğu etkin veri analiz süreçleriyle bağlantılı durumdadır. Yapay Zekâ, sosyal medya araçları üzerinden sıklıkla üretilen, Büyük Veri olarak isimlendirdiğimiz; yüksek boyutta, karmaşık yapıda, hızlı değişen, değerli verilerin başarılı bir şekilde değerlendirilmesini ve kullanılmasını sağlayan en önemli teknoloji konumundadır.

Yapay Zekâ mobil iletişim teknolojilerinin kullanıcı ile etkileşim düzeyini artırma noktasında da önemli bir katalizör görevi görmüştür. Yapay Zekâ’nın görüntü, ses ve Büyük Veri işleme konusundaki etkinliği, kullanıcı etkileşimi yüksek mobil uygulamaların ve bununla bağlantılı mobil bileşenlerle donatılmış akıllı telefonların hızlı gelişimini ve üretimini sağlamıştır. Bu gelişim en nihayetinde giyilebilir mobil teknolojiler sayesinde kullanıcı verilerini algılayıp işleyen, IoT ekosistemlerini oluşturan akıllı cihazların üretimini de sağlamıştır.

Üretici Yapay Zekâ gelişimi, Transfer Öğrenmesi ile güncellenen Derin Öğrenme modelleri, Doğal
Dil İşleme içerisindeki araştırmalar ve Danışmanlı Öğrenme ile Danışmansız Öğrenme yöntemlerinin
işbirliği içerisinde daha etkin kullanılabilmesi gibi birçok farklı teknolojik değişim sayesinde 2020’li
yıllara doğru çok daha hızlı bir ilerleme gerçekleştirmiştir. Open AI, Google gibi şirketlerin başı çektiği Üretici Yapay Zekâ yarışı, dil temelli mekanizmalarla metinden sese, görsellerden videolara çok çeşitli verilerin üretildiği modellerin oluşması ile devam etmiştir. Hâlen devam eden bu yarış, ChatGPT, Bard AI gibi Üretici Yapay Zekâ araçlarının tasarlanmasını sağlamıştır. 

Büyük Dil Modelleri (İng. Large Language Models / LLM), barındırdıkları iç mekanizmalar ve mimari düzenlemeler itibarıyla Yapay Sinir Ağları’na dayanan ve dil analizi ile algılama konusunda milyarları bulan parametreleri öğrenerek çalışabilen bir Derin Öğrenme modelidir. Dolayısıyla LLM’lerin Doğal
Dil İşleme ile bağlantılı olduğunu ifade edebiliriz. Teknik olarak incelendiğinde standart LLM yapısı, yinelemeli ağ yapıları (LSTM gibi teknikler), Transfer Öğrenme ve Danışmansız Öğrenme gibi süreçleri başarılı bir şekilde bir araya getiren katmanlara ve matematiksel fonksiyonlara ev sahipliği yapmaktadır. Ancak gelişen teknoloji ile birlikte tasarlanabilen devasa yapıları sayesinde LLM’ler Büyük Veri üzerinde analizler yapabilmektedir. Bu noktada özellikle LLM’lerin hedef çıktının ne olduğu bilinmeden benzerlikler üzerinden öğrenme sürecini yerine getiren Danışmansız Öğrenme ile
birlikte az miktardaki çıktısı (etiketleri / sınıfları ya da değerleri) belli verileri kullanan Danışmanlı Öğrenme’yi kullanması, girdi olarak verilen bir cümleyi etkin analiz edilmesini sağlamaktadır.
Ayrıca, Transfer Öğrenme ile birlikte sunulan diğer bileşenler de (Örneğin, girdi verisinin belli
bölümlerinde odaklanmayı sağlayan Dikkat Mekanizması yaklaşımı) LLM’lerin başarısını artırmaktadır.

Yapay Genel Zekâ gibi kendi çözüm planlarını yapabilen zeki sistemlerin ya da Yapay Süper Zekâ gibi insanlığı alt etme riski olduğuna inanılan üst düzey zeki sistemlerin söz konusu olduğu hipotezler gerçeğe dönüşebilecektir.
İletişim teknolojileri özelinde düşünüldüğünde insanlar arası iletişim belki de üretici zeki sistemler (asistanlar) tarafından yerine getirilecek, sosyal bir varlık olan insan açısından bu durum riskler ortaya çıkarabilecektir.  Gelecekte insanlar yerine edebi ve sanatsal eserler ortaya çıkarabilecek Üretici Yapay Zekâ araçlarına karşı insani sorumluluğun bu nedenle dengeli bir biçimde varlığını sürdürmesi gerekli olacaktır.