Her Detayıyla: Yapay Zeka (AI) Nedir?

Yapay zeka büyük potansiyeliyle her sektörde, hayatın her alanında heyecan yaratmaya devam ediyor. Tabiri caizse AI teknolojileriyle yeni bir çağa girdik diyebiliriz. Eğer doğru şekilde kullanılırsa, gündelik kullanıcılardan küçük işletmelere, dev şirketlerden çocuklara kadar yeryüzündeki herkese fayda sağlayabilecek potansiyele sahip.

Yapay zeka devrimi sağlık, eğitim, finans, tarım ve inşaat dahil olmak üzere her sektörü etkiler oldu. Dünya gözlerimizin önünde değişiyor, biz de buna tanıklık ediyoruz. Değişime tanıklık ederken arka planda neler olup bitiyor öğrenmek de gerek. Her gün yeni bir AI çözümü ortaya çıkıyor, bizler de treni kaçırmamak adına hem sunulan teknolojilerden faydalanmalı, hem de işin perde arkasıyla haşır neşir olmalıyız.

Peki nedir bu “AI” denilen şey? Özellikle de teknoloji konularına hakim değilseniz yapay zekaya yabancı kalmış olabilirsiniz. Sürekli olarak literatüre yeni kelimeler, yeni kavramlar giriyor. Bugün yapay zeka diye tutturulan, dilden dile dolaşan teknolojileri tüm detaylarıyla birlikte ele almaya çalışacağız.

Yapay Zeka (AI) Nedir?

Artificial intelligence yani yapay zeka, bilgisayarların ve makinelerin insan öğrenmesini, kavramasını, problem çözmesini, karar vermesini, yaratıcılığını ve özerkliğini taklit etmesini sağlayan teknolojilere verilen çatı terim. Sürekli olarak etrafta “AI” kısaltmasını görürsünüz, bu kısaltma artificial intelligence kelimelerinden geliyor.

Adı üstünde, yapay zeka. Geliştirilen teknolojilerin hepsi de insan zekasını yapay olarak benzetmek, taklit etmek amacıyla var. Başka bir deyişle yapay zeka, bilgisayarlara tıpkı insanlar gibi öğrenme sürecini öğretmek, insanların nasıl düşündüğünü simüle etmek gibidir. Sistemler bunu çok sayıda veriye veya örneğe bakarak yapar. Büyük miktarda veriyle beslenen yapay zeka algoritmaları, daha sonra bu bilgileri karar vermek veya tahminlerde bulunmak için kullanıyor.

Bisiklet sürmeyi öğrendiğinizi düşünün. Birkaç kez düştükten sonra, aynı anda nasıl denge kuracağınızı ve pedal çevireceğinizi anlamaya başlarsınız. Yapay zekanın parçası olan makine öğrenimi de bu şekilde çalışır. Çok sayıda veriye bakar ve daha sonra bunlardan kalıplar öğrenir. Yapay zekanın bir diğer parçası olan doğal dil işleme, bilgisayarlara insan dilini anlamayı ve konuşmayı öğretmeye benzer.

Tüm gelişimlere rağmen, bilgisayarlar insanlar hala tam olarak insanlar gibi düşünemiyor, anlayamıyor, tespit yapamıyor ve tepki veremiyor. Büyük konuşmamak gerek lakin bu muhtemelen gerçekleşmeyecek. Sonuçta “yapay” olan bir şey gerçeğine ne kadar yaklaşırsa asla birebir aynı olamaz. Yapay zeka sistemleri sağduyu, duygu ya da bilince sahip değildir.

AI destekli platformlar ve cihazlar nesneleri görebiliyor, tanımlayabiliyor. Bunun yanında insan dilini anlayabiliyor, yanıtlar üretebiliyor. Ayrıca yeni bilgi ve deneyimlerden anlam çıkarabiliyor, yeni şeyleri öğrenebiliyorlar. Yapay zeka sistemleri bağımsız hareket edebilir, insan zekasına veya müdahalesine duyulan ihtiyacın yerini alabilirler. Her zaman olmasa bile birçok noktada insanın yerini alabilecek sistemler gelişti, gelişmeye devam ediyor. Buna klasik bir örnek olarak sürücüsüz otomobilleri verebiliriz.

Birazdan üzerinde duracağımız üretken yapay zeka (generative AI) meselesinden de ayrıca bahsedelim. Yapay zeka geliştiricileri orijinal metin, görüntü, video ve diğer içerikleri oluşturabilen üretken yapay zeka atılımlarına odaklanmış durumda. Üretken yapay zekayı tam olarak anlamak için öncelikle üretken AI araçlarının üzerine inşa edildiği teknolojileri anlamak önemli: Makine öğrenimi (ML) ve derin öğrenme. Hepsine birazdan geleceğiz.

Özetle yapay zeka, bilgisayar sistemlerine insan zekasını taklit ederek öğrenme, problem çözme ve karar verme gibi yetiler kazandırıyor. Geliştirilen çeşitli çözümlerle veri analizi, otomatik kontrol sistemleri, robotik, dil işleme, sağlık, otomotiv, eğitim, havacılık, askeriye, finans ve daha birçok alanda kullanılmakta. Örneğin yapay zeka, hastalıkların teşhisinde ve tedavisinde, müşteri hizmetlerinde, pazarlamada ve lojistikte sıkça kendine yer buluyor.

Yapay Zeka Neden Önemli?

Yapay zeka yaşama, eğitim, çalışma ve hatta oyun oynama şeklimizi değiştirme potansiyeli açısından çok önemli. Müşteri hizmetleri, dolandırıcılık tespiti ve kalite kontrolü gibi geleneksel olarak insanlar tarafından yapılan görevleri otomatikleştirmek için iş dünyasında etkili bir şekilde kullanılmakta. Diğer taraftan süreklilik gerektiren ve insan gücü gerektiren noktalarda devreye giriyor, işleri kolaylaştırabiliyor.

Sistemler, birçok iş kolunda görevleri insanlardan daha verimli ve doğru bir şekilde gerçekleştirme kabiliyetine sahip. İşte bu nedenden ötürü sürekli insanların işini kaybetme tehlikesi konuşuluyor. Görüyoruz ki potansiyel çok büyük. Bugün kısıtlı olsa bile, gelecekte yapay zeka çözümleri daha fazla eve, iş yerine ve kuruma girecek. Bu kaçınılmaz.

Yapay zekanın devasa veri setlerini işleme yeteneği, işletmelere operasyonları hakkında başka türlü fark edemeyecekleri içgörüler sağlamakta. Hızla genişleyen üretken yapay zeka araçları, eğitimden pazarlamaya ve ürün tasarımına kadar çeşitli alanlarda önemli hale geliyor. Genel bir örnek olarak, belirli alanların düzgün bir şekilde doldurulduğundan emin olmak için çok sayıda yasal belgeyi analiz etmek gibi tekrarlayan görevlerde çok fayda sağlıyor.

Başka bir perspektiften bakacak olursak, Alphabet (Google), Apple, Microsoft, NVIDIA ve Meta gibi günümüzün en büyük şirketlerinin çoğunun merkezinde artık yapay zeka var. Şirketler operasyonlarını iyileştirmek ve rakiplerini geride bırakmak için AI teknolojilerini son damlasına kadar kullanmaya çalışıyor. Tüm teknoloji devlerinin bu işin peşinden gitmesi boşuna değil.

Yapay Zeka Alanları

Yapay zekanın bir çatı terim olduğunu dile getirmiştik. Aslında yapay zeka, insan zekasını taklit edebilen makineler üretmeyi amaçlayan bir bilgisayar bilim dalı olarak da tanımlanıyor. Bilgisayarların yalnızca açıkça programlanmış talimatları izlemek yerine verilerden öğrenmesine, verilere dayalı kararlar veya tahminler yapmasına olanak tanıyan algoritmalar var bu işin içinde. Şimdi yapay zekanın farklı alanlarını ele alalım.

Makine Öğrenimi (Machine Learning, ML)

Yapay zekanın bir alt kümesi olan makine öğrenimi (ML), en basit tabirle verilerden “öğrenebilen” sistemlere odaklanıyor. Bu algoritmalar, öğrendikleri veri kümelerinin sayısı arttıkça performanslarını geliştirmekte.

Genellikle ML olarak kısaltılan Machine Learning, deneyim ve veri kullanımı yoluyla otomatik olarak gelişen bilgisayar algoritmalarının geliştirilmesine odaklanan yapay zekanın (AI) bir alt kümesi. Daha basit bir ifadeyle Makine Öğrenimi, bilgisayarların verilerden öğrenmesini ve programlanmadan kararlar veya tahminler yapılmasına imkan sağlıyor.

Özünde makine öğrenimi, kararları ve tahminleri kolaylaştıran algoritmalar oluşturmak ve uygulamakla ilgilidir. Bu algoritmalar, daha fazla veriyi işledikçe daha doğru ve etkili hale gelerek zaman içinde performanslarını artırmak üzere tasarlanmıştır.

Geleneksel programlamada, bir bilgisayar bir görevi yerine getirmek için önceden tanımlanmış bir dizi talimatı izler. Ancak makine öğreniminde bilgisayara bir dizi örnek (veri) ve yerine getirmesi gereken bir görev verilir. Bilgisayara sadece örnekler sağlanır, verilen örneklere dayanarak görevi nasıl yerine getireceğini bulmak bilgisayara kalmıştır.

Örneğin bilgisayarın kedi resimlerini tanımasını istiyorsak, ona kedinin neye benzediğine dair özel talimatlar vermeyiz. Bunun yerine ona binlerce kedi görüntüsü sunarsak, makine öğrenimi algoritması bir kediyi tanımlayan ortak kalıpları ve özellikleri çıkarabilir. Zamanla algoritma daha fazla görüntüyü işledikçe, daha önce hiç görmediği görüntüler sunulduğunda bile kedileri tanımada daha iyi hale geliyor.

Verilerden öğrenme ve zaman içinde gelişme yeteneği, makine öğrenimini inanılmaz derecede güçlü ve çok yönlü olmasını sağlıyor. Sesli asistanlar ve öneri sistemlerinden sürücüsüz arabalara ve tahmine dayalı analitiğe kadar bugün gördüğümüz birçok teknolojik gelişmenin arkasındaki itici güç diyebiliriz.

Bir makine öğrenimi modeli, örüntüleri (kalıpları) bulmak veya tahminler yapmak için büyük bir veri grubunu tarayan bir algoritmanın ifadesidir. Verilerle desteklenen makine öğrenimi modelleri, yapay zekânın matematiksel motorlarıdır. Başka bir misal olarak, bilgisayarlı görü (computer vision) için olan bir ML modeli, arabaları ve yayaları gerçek zamanlı bir videoda tanımlayabilir. Bir diğeri Doğal Dil İşleme (NLP), kelimeleri ve cümleleri tercüme edebilir.

Makine öğrenimi modeli, nesnelerin ve birbirleriyle ilişkilerinin matematiksel bir temsilidir. Bu nesneler, bir sosyal ağ gönderisindeki “beğeniler”den, laboratuvar deneyindeki moleküllere kadar her şey olabilir.

Derin Öğrenme (Deep Learning)

Makine öğreniminin alt dalı olan derin öğrenme, kararlar ve tahminler yapmak için yapay sinir ağlarını kullanmakta. Yani insan beyninin nasıl öğrendiğini ve karar verdiğini taklit etmek için tasarlanmıştır. Biraz daha detaya inelim.

Derin öğrenme, bilgisayarlara tıpkı insanların yaptığı gibi örneklerden öğrenerek görevleri yerine getirmeyi öğreten bir makine öğrenimi türü. Bilgisayarlar nasıl bir şeyleri öğrenebiliyor? Oldukça kapsamlı veri kümeleriyle besleme yapılarak. Küçük yaştaki bir çocuk görerek, duyarak ve koklayarak, özetle duyu organlarıyla dünyada gerçekleşen bazı şeyleri kapar. Bilgisayardaki algoritmalar da benzer, tam olarak insan bir insan gibi düşünemese de görsel ve ses verileri gibi birçok veriyi tanımlayacak şekle getirilebiliyor.

Deep learning dünyasında bilgisayarlar, insanın bilişsel süreçlerini simüle edecek şekilde kapsamlı veri kümelerinden öğrenmeleri için eğitiliyor. Derin öğrenme modelleri, sınıflandırma görevlerini yerine getirmek ve fotoğraf, metin, ses ve diğer veri türlerindeki kalıpları tanımak üzere öğretilebilir. Ayrıca görüntüleri tanımlamak veya ses dosyalarını yazıya dökmek gibi normalde insan zekası gerektiren görevleri otomatikleştirmek için de kullanılabilir.

İnsan beyinlerinde bilgileri öğrenmek için birlikte çalışan milyonlarca birbirine bağlı nöron bulunur. Derin öğrenme ise birlikte çalışan birden fazla yazılım düğümü katmanından oluşturulmuş sinir ağlarını içeriyor. Modeller, büyük etiketli veri kümeleri ve sinir ağı mimarileri kullanılarak eğitilmekte.

Derin öğrenme metodu, kısacası bir bilgisayarın örneklerle öğrenmesini sağlar. Biraz önce verdiğimiz örneğe benzer şekilde, yeni yürümeye başlayan ve bir köpeğin ne olduğunu öğrenen çocuğu hayal edin. Yürümeye başlayan çocuk, nesneleri işaret ederek ve köpek kelimesini söyleyerek köpeğin ne olduğunu ve ne olmadığını öğrenir. Ebeveynler, yeni şeylerle tanışan çocuğa “Evet, bu bir köpek” veya “Hayır, bu bir köpek değil” gibi cevaplar verir. Küçük çocuk nesneleri işaret etmeye devam ettikçe, tüm köpeklerin sahip olduğu özelliklerin farkına varmaya başlar. Küçük çocuğun farkında olmadan yaptığı şey, karmaşık bir soyutlamayı açıklamaktır: köpek kavramı.

Bir bilgisayara “arabanın” nasıl bir şey olduğunu öğretiyoruz diyelim. Tekerlek, aynalar ve kaput gibi şeyleri söylemek yerine çok sayıda araba resmi gösterirsiniz. Bilgisayar ortak kalıpları kendi kendine bulabilir ve arabayı nasıl tanımlayacağını öğrenir. Bu da derin öğrenmenin özüdür.

Teknik anlamda derin öğrenme, insan beyninden esinlenen “sinir ağları” adı verilen bir yöntem kullanır. Bu ağlar, bilgiyi işleyen birbirine bağlı düğümlerin katmanlarından oluşmakta. Daha fazla katman, ağın daha karmaşık özellikleri öğrenmesine ve daha sofistike görevleri yerine getirmesine olanak tanıyacak şekilde “daha derin” olmasını sağlar.

Doğal Dil İşleme (Natural Language Processing)

Natural Language Processing (NLP) ise doğal dil aracılığıyla bilgisayarlar ve insanlar arasındaki etkileşime odaklanan bir yapay zeka dalı. Buradaki amaç, bilgisayarları büyük miktarda doğal dil verisini işleyecek ve analiz edecek şekilde programlamak.

Başka bir deyişle NLP, bir bilgisayar programının insan dilini konuşulduğu ve yazıldığı gibi anlama yeteneğiyle ilgili. Geliştirilen modeller sayesinde kullanmış olduğunuz yapay zeka botları sizi doğru şekilde anlayabiliyor, sorularınızı anlamlandırabiliyor ve mantıklı yanıtlar sunabiliyor.

Bu teknoloji 50 yılı aşkın bir süredir varlığını sürdürmekte ve kökleri dilbilim alanına dayanıyor. Tıbbi araştırma, arama motorları ve iş zekası da dahil olmak üzere çok sayıda alanda çeşitli gerçek dünya uygulamalarına sahip. Doğal dil işleme sürecinde metnin yapısını ve manasını anlamak için kural tabanlı veya makine öğrenimi yaklaşımları kullanılıyor. Sohbet robotlarında, sesli asistanlarda, metin tabanlı tarama programlarında, çeviri uygulamalarında ve iş operasyonlarına yardımcı olan, üretkenliği artıran ve farklı süreçleri basitleştiren kurumsal yazılımlarda rol oynamakta.

Natural Language Processing, makinelerin insan dilini hem değerli hem de anlamlı bir şekilde anlamasını, yorumlamasını ve üretmesini sağlıyor. ChatGPT gibi gelişmiş dil modelleriyle tanınan OpenAI, metni anlayabilen, yanıtlayabilen ve üretebilen akıllı sistemler yaratmada NLP’nin önemini vurgulayarak teknolojiyi daha kullanıcı dostu ve erişilebilir hale getirme uğraşı veriyor.

Bilgisayarlı Görü (Computer Vision)

Bilgisayarlı görü, bilgisayar görüşü veya bilgisayarla görme olarak çevirebileceğimiz computer vision, bilgisayarlara ve sistemlere dijital görüntülerden, videolardan ve diğer görsel girdilerden anlamlı bilgiler türetilmesini sağlayan bir yapay zeka uzantısı. Her türlü görsel içerik algılanırken bu içeriklerden anlamlar çıkarılabiliyor. Ayrıca bilgisayarlı görünün makine öğrenimi ve sinir ağlarını kullandığını ekleyelim. Herhangi bir kusur, sorun tanımlandığında önerilerde bulunulması veya eylemler gerçekleştirilmesi için sisteme bir şeylerin öğretilmesi gerekiyor. Yani sadece içeriklerin algılanmasıyla kalmıyoruz, tepkiler üretiyoruz.

Yapay zeka nasıl bilgisayarların düşünmesini sağlıyorsa, bilgisayar görüşü de görmesini, gözlemlemesini ve anlamasını sağlıyor. Computer vision insan görüşü ile hemen hemen aynı şekilde çalışıyor lakin insanların bir avantajı var. İnsanlar, nesneleri birbirinden nasıl ayıracağını, ne kadar uzakta olduklarını, hareket edip etmediklerini veya bir sorun olup olmadığını biliyor. Küçük yaştan itibaren duyu organlarımız sayesinde doğal şekilde öğreniyoruz. Yapay zekada ise bolca bilgi beslemesi gerekiyor.

Bilgisayar görüşünün nihai amacı, makinelerde insan görüş yeteneklerini taklit etmek. İnsanlar küçük yaştan itibaren görsel bilgileri toplamak için retinalarını, optik sinirlerini ve beyinlerinin özel kısımlarını kullanmakta. Süreç makinelerde farklı, zaten insan beynini tam olarak taklit etmek imkansız. Bunun yerine, makinelere nasıl göreceklerini öğretmek için aşağıdakiler de dahil olmak üzere çeşitli teknolojik bileşenlere güveniyoruz:

• Sensörler: Özel sensörlerle donatılmış kameralar ve diğer cihazlar, çevremizdeki görsel verileri yakalamak için kullanılıyor. Zaten bilgi toplayan bu donanımlar olmasa computer vision diye bir şey olmazdı. Son yıllarda gördüğümüz insan benzeri robotlar da birçok sensörle donatılıyor.
• Veri: Çoğunuz .jpg ve .png gibi görüntü, .mov ve .avi gibi geleneksel video formatlarına aşinadır. Yapay zeka ile her türlü görselden veri alınabilir. Standart görsel tekniklerin yanı sıra, birden fazla kameradan gelen görüntüler, 3B tarayıcıdan gelen çok boyutlu veriler veya tıbbi tarama cihazları gibi birçok formda bilgi toplanabileceğini ekleyelim.
• Algoritmalar: Diğer tüm veri analizlerinde olduğu gibi, analizden önceki adım veri hazırlığıdır. Bilgisayarlı görü araştırmacılarının filtreleme, yeniden boyutlandırma veya görüntü normalleştirme dahil olmak üzere görüntü verilerini temizlemek ve hazırlamak için geliştirdikleri sayısız teknik ve algoritma bulunuyor. Görsel veriler hazırlandıktan sonra sıra asıl işlevin gerçekleştiği kısma geliyor. Derin öğrenmenin yükselişiyle birlikte, çok çeşitli görevlerde insan yeteneklerini hızla aşan güçlü derin öğrenme modelleri eğitilebiliyor.

Özetle, kullanılan tekniklerle bilgisayarların görsel dünyayı tıpkı insanlar gibi algılaması ve anlaması kolaylaştırılıyor. Kameralar veya sensörler aracılığıyla görüntülerin/video karelerinin yakalanmasıyla başlayan çeşitli aşamalar mevcut. Bu ham görsel girdiler daha sonra verilerin genel kalitesini ve güvenilirliğini artırmak için tasarlanmış ön işleme tekniklerine tabi tutuluyor.

Sinir Ağı (Neural Network)

Neural network, olguları tanımlamak, seçenekleri tartmak ve sonuçlara varmak için biyolojik nöronların birlikte çalışma şeklini taklit eden süreçleri kullanarak insan beynine benzer şekilde karar veren bir makine öğrenme modeli. Sinir ağları bazen yapay sinir ağı (artificial neural network, ANN) veya simüle edilmiş sinir ağı (simulated neural network, SNN) olarak da adlandırılabilir. Makine öğreniminin bir alt kümesidir, derin öğrenme modellerinin merkezinde yer alır.

Her sinir ağı, düğüm katmanlarından veya yapay nöronlardan, bir giriş katmanından, bir veya daha fazla gizli katmandan ve bir çıkış katmanından oluşuyor. Her düğüm diğerleriyle bağlantılıyken kendi ilişkili ağırlığına ve eşiğine sahip. Herhangi bir düğümün çıktısı belirlenen eşik değerinin üzerindeyse bu düğüm etkinleştirilmekte, ağın bir sonraki katmanına veri gönderilmekte. Aksi takdirde ağın bir sonraki katmanına hiçbir veri aktarılmaz.

Sinir ağları, zamana yayılacak şekilde doğrulukları öğrenmek ve geliştirmek için eğitim verilerine dayanır. Doğruluk için ince ayar yapıldıktan sonra ise bilgisayar bilimi ve yapay zeka tarafında güçlü araçlar haline gelir. Verilerin çok hızlı şekilde sınıflandırılmasına, kümelendirilmesine olanak tanınıyor. Sinir ağlarının en bilinen örneklerinden biri de Google’ın arama algoritması.

Üretken Yapay Zeka (Generative AI)

Devamlı “Generative AI (GenAI)” şeklinde bir söylem dolaşıyor ortalıklarda. “Generative artificial intelligence” yani üretken yapay zeka, talep üzerine metin, video, ses, kod, 3D tasarım veya görüntü gibi benzersiz içerikler üretebilen bir yapay zeka sistemi türü. Veri sınıflandırma veya analizi gibi görevler için tasarlanmış bazı geleneksel teknolojilerin aksine, GenAI modelleri daha çok kendilerine verilen talimatlara dayalı olarak yeni veya yaratıcı sonuçlar ortaya koyabiliyor. Yani gözle görülür bir şeyler üretiyor.

Üretken yapay zeka yeni bir teknoloji gibi görünse de aslında onlarca yıldır var. En azından 1960’lardan beri çeşitli yinelemeleri ve türleri bulunmakta. “AI” dediğimiz şey geniş bir alanı kapsıyor, üretken yapay zeka sadece bir alt bölüm. Geliştirilen ve sürekli güncellemeler alan modeller, kullanıcıların bir metin alanına soru veya talimat yazmasına olanak tanıyan çevrimiçi araçlara ve sohbet robotlarına giderek daha fazla dahil ediliyor.

AI modellerinin en önemli yanı öğrenebilmesi. Halihazırda internet üzerinde gördüğünüz her türlü içerik, belge ve eserler yapay zeka için bir bilgi kaynağı. Yani üretebileceği bilgi kapasitesi çok büyük. Jeneratif yapay zeka, daha fazla veri üzerinde eğitilmeye devam ettikçe gelişimini sürdürüyor. AI sistemleri, karmaşık matematik ve çok fazla bilgi işlem gücü gerektiren büyük etiketsiz veri kümeleri üzerinde eğitilen AI modelleri ve algoritmaları üzerinde çalışmakta.

Generative AI’ın seri yükselişinin arkasındaki en büyük neden, modellerin insan benzeri yanıtlar üretebilmesi ve davranışlar sergileyebilmesi. Elbette ki tamamen insan gibi hareket etmesi imkansız, ancak ne kadar yaklaşırsa o kadar ilgi çekici hale geliyor. Ayrıca yanıtlar hem yazılı hem sesli şekilde üretebiliyor. Yapay zeka, siz cümle kurarken tekleseniz bile “tamam, seni anladım” diyerek, “doğal dil” kullanarak şaşırtıcı yanıtlar üretebiliyor. Netice olarak kullanım alanı hızla çoğaldı. Farklı sektörlerde, AI araçları artık yazma, araştırma, kodlama, tasarım ve daha fazlası için bir yardımcı olarak kullanılıyor.

Gelişmiş, üzerinde çalışılmış modeller karmaşık soruları yanıtlayabiliyor, büyük miktarda bilgiyi özetleyebiliyor, hikaye ve şarkı yazabiliyor, şaşırtıcı görseller üretebiliyor ve daha önce insanlar tarafından yapılan birçok görevi otomatik hale getirebiliyor. Örnek olarak, işletmeler raporların hazırlanmasına yardımcı olmak, pazarlama kampanyalarını kişiselleştirmek, ticari video klipler yapmak ve yapılan kodlamayı iyileştirmek için üretken yapay zekayı kullanıyor. Yazılım satıcıları, verimliliği artırmak ve karar verme sürecini iyileştirmek için CRM ve ERP gibi temel iş uygulamalarına üretken yapay zekayı entegre ediyor. GenAI ayrıca robotik süreç otomasyonu (RPA) ve müşteri hizmetleri chatbot’ları gibi mevcut otomasyon yazılımlarına da eklenerek daha proaktif hale getiriliyor.

Üretken AI araçlarının popülaritesi geçici bir şey değil. Zamanla popülerlik kazanan ve sönüp giden bazı yeni teknolojik trendlerin aksine, üretken yapay zeka gerçekten fayda sağlayan bir teknoloji. Dijital hayatımızın hemen her alanına girmeyi başardı, gelecekte hiç ummadığınız yerlerde karşınıza çıkabilir.

Yapay Zeka Muhakeme Modeli (Reasoning Model)

Düşünme, akıl yürütme yeteneğine sahip olan yapay zeka modelleri “reasoning model” olarak biliniyor. Biz Türkçeye “muhakeme, akıl yürütme veya mantık yürütme modeli” olarak çevirebiliriz. Peki tam anlamıyla nedir bu muhakeme modeli? Bir şeylerin muhakemesi nasıl yapılabiliyor?

OpenAI o1, OpenAI o3-mini, DeepSeek R1, xAI Grok 3 (Think Mode) ve Google Gemini (Flash Thinking) gibi muhakeme yeteneğine sahip modeller, karmaşık muhakeme yapmak için takviyeli öğrenme ile eğitilmiş yeni büyük dil modelleri. Standart modellerden ayrışan bu çözümler, cevap vermeden önce düşünür, kullanıcıya yanıt vermeden önce uzun bir iç düşünce zinciri üretir. Karmaşık problem çözme ve kodlama gibi konular için çok adımlı planlamada mükemmeldir.

Basitçe özetlemek gerekirse, akıl yürütme becerisi olmayan yapay zekalar sorulara daha doğrudan yanıtlar vermekte. Tıpkı piyasada gördüğünüz birçok yapay zeka sohbet robotu gibi. Mantık yürütme sistemleri ise yanıtlanması daha zor, daha karmaşık soruları derinlemesine ele alarak ve daha çok adımdan geçirerek daha iyi yanıtlar üretebilir.

Akıl yürütme her şirketin her modelinde mevcut değil. Hızlı şekilde yaygınlaşıyor, endüstride giderek daha önemli hale gelmeye başladı. Doğrudan cevap üreten genel kullanım modellerinin aksine, muhakeme modelleri bir sonuca varmadan önce problemleri adım adım parçalara ayırarak düşünme süreçlerinden geçiyor.

Bu arada, kullanmış olduğunuz yapay zeka platformları hem bir muhakeme modeli hem de genele hitap eden bir yapay zeka olarak kullanıma sunulabilir. Tıpkı Grok 3 gibi. İstediğinizde muhakeme modunu aktifleştirip farklı yanıtlar alabilirsiniz. Grok 3’de bu özelliğe Think Mode (Düşünme Modu), Gemini’da Flash Thinking (Hızlı Düşünme), DeepSeek’te Deep Think (Derin Düşünce) deniyor mesela. Bu mod kapalı olduğunda platformlar standart modeller gibi çalışıyor. Yani hızlı, konuşmaya dayalı ve genel görevlere hizmet edecek şekilde ayarlanıyor.

Bu zamana kadar belki de birçok yapay zeka sohbet robotu kullanmışsınızdır, nasıl çalıştığını biliyorsunuzdur: Bir soru sorarsınız, cevap üretirler ve hepsi bu kadar. Akıl yürütme modelleri farklı bir yaklaşım benimsemekte. Hemen bir yanıt vermek yerine, sorunlar adım adım parçalara ayrılıyor, ara düşünceler ortaya çıkıyor ve hatta nihai bir yanıt sunmadan önce çıktılar rafine ediliyor. Bu da modelleri özellikle matematik, kodlama ve gerçek dünyada problem çözme gibi görevler için güçlü kılıyor.

AI muhakeme sistemi, tümdengelim ve tümevarım gibi mantıksal tekniklerden yararlanarak mevcut bilgilerden sonuçlar üreten bir yazılım platformudur. Büyük Dil Modelleri (LLM’ler), üretken yapay zekanın (Generative AI) yükselişinden bu yana uzun bir yol kat etti. Önceden eğitilmiş yanıtlarla birlikte “hızlı düşünce” sistemi benimseniyordu, sorunları gerçekten akıl yürüterek çözmeyi benimseyen “yavaş düşünmeye” geçildi.

İçgüdüsel yanıtlardan mantıksal muhakemenin gücüyle düşünceli kararlara geçiş yapıldı, böylelikle gerçek dünya senaryosundaki karmaşıklığın üstesinden gelebilecek oyun değiştirici teknolojiler gün yüzüne çıkmaya başladı. Günümüzde teknoloji oldukça ilerledi diyoruz lakin istekler de daha karmaşık ve zorlu hale gelmeye başladı. Artık sadece bilgi aramak ve içerik üretmek yeterli değil.

Yapay zekanın gerçek zamanlı olarak duraklaması, değerlendirmesi ve sonuç çıkarması gerekiyor. Önceden eğitilmiş modeller, daha önce gördükleri büyük miktarda veriye dayanarak bir sonraki kelimeyi tahmin eden “eğitim zamanı hesaplamasına” dayanıyordu. Basit denilebilecek işlerde bu iş görecektir. Ancak karmaşık, yüksek riskli sorunlar için hızlı, içgüdüsel yanıtlar yeterli olmuyor. Gerçek ilerleme zaman, yaratıcılık ve dikkatli düşünce gerektirir ki aynı şey yapay zeka için de geçerli.

İşte bu noktada yapay zeka muhakemesi devreye giriyor. Bir model düşünmek için “durakladığında”, sadece kalıplarla bir şeyler yapmıyor ve geçmiş verilerden tahminler çıkarmıyor. Gelişmiş yapay zeka modelleri farklı senaryoları tartar, sonuçlar üzerinde düşünür ve mantığa dayalı kararlar verir. Bu süreçte daha fazla hesaplama gücü ve zaman gerekse de ortaya çok daha anlamlı sonuçlar çıkacaktır.

Örneğin, “Türkiye’nın başkenti neresidir?” gibi bir soru için akıl yürütmeye gerek yok. Diğer yandan, “Bir tren 60 km hızla hareket ediyorsa ve 3 saat yol kat ediyorsa, ne kadar mesafe kat eder” gibi bir soru için mantık yürütme gereklidir. Cevaba ulaşmadan önce mesafe, hız ve zaman arasında ilişki kurmak gerekir.

Robotik

Robotik, robotların tasarımı, üretimi ve çalıştırılmasına odaklanan bir mühendislik alanı. Bu alanda insan eylemlerini, özellikle de insanlar için gerçekleştirilmesi zor, tehlikeli veya sıkıcı olanları otomatikleştirmek üzere otomatik makineler geliştiriliyor.

Robotlar artık sürekli tekrarlanan veya tehlikeli montaj hattı görevlerini sorunsuz şekilde yerine getirebiliyor. Yapay zeka ve makine öğreniminin entegrasyonu, robotların daha iyi bilgilendirilmiş otonom kararlar almalarına, yeni durumlara ve verilere uyum sağlamalarına imkan tanıyarak yeteneklerini önemli ölçüde artırıyor. Misal olarak, yapay görme kabiliyetine sahip robotlar bir fabrika hattındaki nesneleri şekil ve renklerine göre sıralamayı öğrenebilir.

Yapay Zeka Ajanları (AI Agents)

Yapay zeka ajanı otonom bir AI programıdır, kendi iş akışını tasarlayarak ve mevcut araçları (diğer uygulamalar, hizmetler) kullanarak insan müdahalesi olmadan bir kullanıcı veya başka bir sistem adına görevleri yerine getirebilir. Agentic AI, sistemdeki herhangi bir ajanın başarabileceğinden daha karmaşık bir görevi veya daha büyük bir hedefi gerçekleştirmek için çabaları koordine edilen veya düzenlenen birden fazla AI ajanından oluşan bir sistem.

Önceden tanımlanmış kısıtlamalar dahilinde çalışan ve insan müdahalesi gerektiren yazılımların aksine, AI ajanları hedef odaklı davranış ve değişen koşullara uyarlanabilirlik sergiler. “Ajan (agent)” ve “ajansal (agentic)” terimleri, bu modellerin bağımsız ve amaçlı hareket etme kapasitelerine atıfta bulunmak üzere kullanılmakta.

Aslında bir bakıma siz de bir ajansınız. Her gün dünyanızda gördüğünüz, duyduğunuz ve hissettiğiniz şeylere tepki olarak eylemlerde bulunuyorsunuz. Peki ama yapay zeka ajanı tam olarak nedir? Yapay zeka ajanları, belirli bir çevre hakkında çok şey öğrenebilen ve ardından bir insandan gelen birkaç basit komutla o çevredeki sorunları çözmek veya belirli görevleri yerine getirmek için çalışan teknolojik araçlar şeklinde tanımlanabilir.

Uzun sözün kısası, AI Agent yani yapay zeka ajanı işleri sizin yerinize halletmek için var. Basit yapay zeka ajanlarına e-postayla gönderilen standart sorulara yanıt vermeyi öğretebilirsiniz. Daha gelişmiş olanlar ise kıtalararası iş seyahatleri için uçak ve otel bileti rezervasyonu yapabiliyor. Google, bu yılın başında gazetecilere Project Mariner’ı tanıttı; Chrome için geliştirilen bu tarayıcı eklentisi, ekranınızdaki metin ve görseller hakkında akıl yürütebiliyor.

OpenAI, Microsoft, Google ve Salesforce gibi dev teknoloji şirketleri, yakın zamanda yapay zeka ajanlarını piyasaya sürdü. Bu şirketlerin iddiası sağlık, robotik, oyun ve diğer sektörlerde kullanılan sistemlerin teknik ve idari süreçlerine yenilik ve verimlilik getirmek.

Büyük Dil Modeli (Large Language Model)

Basit ifadeyle başlayacak olursak bir dil modeli, yapay zekadan yapmasını istediğiniz şeylere mantıklı ve insan benzeri yanıtlar sağlayan devasa bir metin veri tabanı. Çeşitli şirketler tarafından sunulan robotlar, bir istekte bulunduğumuzda yanıt bulabilmek için LLM dediğimiz büyük modellere başvuruyor.

LLM, devasa veri kümelerinden elde edilen bilgilere dayanarak metin ve diğer içerik biçimlerini tanıyabilen, özetleyebilen, çevirebilen, tahmin edebilen ve üretebilen bir derin öğrenme algoritması. Çeviri, sohbet robotları ve yapay zeka asistanları gibi doğal dil işleme uygulamalarını hızlandırmanın yanı sıra, LLM’ler sağlık hizmetleri, yazılım geliştirme ve diğer birçok alanda farklı şekillerde kullanılabiliyor.

Metin çeşitli kaynaklardan geliyor ve milyarlarca kelimeye ulaşabiliyor. Kullanılan yaygın metin veri kaynakları ise şunlar:

• Literatür: LLM’ler genellikle yüksek miktarda çağdaş ve klasik edebiyat içeriyor. Buna kitaplar, şiir ve oyunlar da dahil.
• Çevrimiçi İçerikler: Bir LLM çoğunlukla bloglar, web içeriği, forum soru-yanıtları ve diğer çevrimiçi metinler dahil olmak üzere geniş bir çevrimiçi içerik deposuna sahip.
• Haberler ve Güncel Olaylar: Hepsi olmasa da bazı LLM’ler güncel haber konularına erişebiliyor. GPT-3.5 gibi bazı geniş dil modelleri ise bu anlamda kısıtlanmış durumda.
• Sosyal Medya: Sosyal medya büyük bir doğal dil kaynağını temsil ediyor. LLM’ler Facebook, Twitter ve Instagram gibi büyük platformlardaki metinlerden faydalanıyor.

Büyük ve zengin bir metin veri tabanına sahip olmak elbette iyi bir şey, ancak LLM’lerin insan benzeri yanıtlar üretmek için bunu anlamlandırmak üzere eğitilmesi gerekiyor. Yani yapay zeka eğitimi olmadan bu veriler kendi başına bir işe yaramıyor diyebiliriz.

LLM’ler yanıtlarını oluşturmak için bu havuzları nasıl kullanıyor? İlk adım, derin öğrenme adı verilen bir süreç kullanarak verileri analiz etmek. Büyük dil modelleri büyük hacimli verilerden besleniyor demiştik. Adından da anlaşılacağı gibi, bir LLM’nin merkezinde, üzerinde eğitildiği veri kümesinin boyutu yer alıyor. Ancak “büyük” tanımı yapay zeka ile birlikte büyüyor. Artık büyük dil modelleri tipik olarak internette geniş bir zaman aralığında yazılmış neredeyse her şeyi içerecek kadar büyük veri kümeleri üzerinde eğitilmekte.

Büyük miktardaki metin, denetimsiz öğrenme kullanılarak yapay zeka algoritmasına besleniyor; bu aşamada bir modele, onunla ne yapılacağına dair açık talimatlar olmadan bir veri kümesi veriliyor. Kullanılan yöntem sayesinde büyük bir dil modeli, sözcüklerin yanı sıra sözcükler arasındaki ilişkileri ve bunların ardındaki kavramları da öğrenebiliyor.

Geniş modelleri konuşmaya ve öğrenmeye başlayan bir çocuğa benzetebiliriz. Yapay zeka algoritmaları ve sağlanan bilgiler sayesinde model giderek büyüyor. Başka bir örnekle, konuştuğu dile hakim olan bir kişi bir cümle veya paragrafta daha sonra ne gelebileceğini tahmin edebilir. Hatta yeni kelime ve kavramları kendisi bulabilir. Aynı şekilde büyük bir dil modeli de bilgisini içeriği tahmin etmek ve oluşturmak için kullanabilir.

Derin öğrenme, insan dilinin kalıplarını ve nüanslarını tanımlamak için kullanılmakta. Ne için? dilbilgisi ve sözdiziminin anlaşılması için. Ancak daha da önemlisi bağlamlar da işin içine dahil. Bağlamları anlamak, yani bazı şeyleri anlamlı hale getirmek LLM’lerin çok önemli bir parçası.

Örneğin birçok farklı dilde tek bir kelime birden fazla anlama gelebiliyor. Yapay zeka modelleri ise diğer kelimelerle ve cümlelerle bağlantı kurarak söylemek istediğimiz şeyi doğru olarak algılayabiliyor. Tahmin edebileceğiniz gibi modeller hatasız değil. Böyle durumlarda ise istediğimiz yanıtı almak için ek bilgi ve kelimeler sağlamamız gerekebiliyor.

Geniş dil modelleri, yanıtları oluşturmak için doğal dil üretimi (natural language generation-NLG) adı verilen bir teknik geliştirildi. NLG ile girdi inceleniyor ve bağlamsal olarak doğru ve ilgili bir yanıt oluşturmak için veri havuzundan öğrenilen kalıplar kullanılıyor.

Diğer yandan LLM’ler bundan daha derine iniyor, yanıtları girdinin duygusal tonuna uyacak şekilde uyarlayabiliyorlar. Bağlamsal anlayışla birleştirildiğinde bu ikili yöntem büyük dil modellerinin insan benzeri yanıtlar oluşturmasını sağlayan ana etmenler.

Küçük Dil Modeli (Small Language Model)

Küçük dil modelleri (SLM), doğal dil içeriğini işleme, anlama ve üretme yeteneğine sahip yapay zeka (AI) modelleridir. Adından da anlaşılacağı üzere, SLM’ler büyük dil modellerine (LLM’ler) göre ölçek ve kapsam bakımından daha küçüktür.

Boyut açısından, yüz milyarlarca hatta trilyonlarca parametreye sahip LLM’lerin aksine SLM parametreleri birkaç milyon ila birkaç milyar arasında değişebilir. Parametreler, bir modelin eğitim sırasında öğrendiği ağırlıklar ve önyargılar gibi dahili değişkenlerdir. Bu parametreler, bir makine öğrenimi modelinin nasıl davrandığını ve performansını doğrudan etkilemekte.

SLM’ler, büyük model muadillerine göre daha kompakt ve verimlidir: Daha az bellek ve hesaplama gücü gerektirir, bu da onları uç cihazlar ve mobil uygulamalar gibi kaynak kısıtlı ortamlar için veya hatta yapay zeka çıkarımının (bir modelin bir kullanıcının sorgusuna yanıt oluşturduğu zaman) bir veri ağı olmadan çevrimdışı yapılması gereken senaryolar için ideal hale getiriyor.

Biraz önce bahsettiğimiz LLM’ler, SLM’ler için temel oluşturuyor. Büyük dil modelleri gibi, küçük dil modelleri de dönüştürücü modeli (transformer model) olarak bilinen sinir ağı tabanlı bir mimari kullanıyor. Dönüştürücüler doğal dil işlemede (NLP) temel hale gelmiştir ve üretken ön eğitimli dönüştürücü (GPT) gibi modellerin yapı taşları olarak işlev görürler.

Özetle küçük dil modelleri kompakt, verimlidir ve büyük sunuculara ihtiyaç duymazlar. Yani gereken işlem gücü ve donanım daha düşük seviyede. Hız ve gerçek zamanlı performans için geliştiriliyorlar, akıllı telefonlarda, tabletlerde ve akıllı saatlerde çalışabiliyor.

Zayıf AI ve Güçlü AI

Yapay zekanın farklı dalları olduğunu, bazı çözümlerin basit yapıda, bazılarının ise oldukça karmaşık olduğunu biliyoruz. Bazı platformlar oldukça gelişmiş, bir hayli karmaşık. Bu bağlamda araştırmacılar, gelişmişlik düzeyine atıfta bulunan AI türleri tanımlama gereği duydu.

Zayıf Yapay Zeka (Weak AI)

Narrow AI yani sınırlı, dar yapay zeka olarak da bilinen zayıf AI, belirli bir görevi veya bir dizi görevi yerine getirmek üzere tasarlanmış sistemleri tanımlıyor. Örnekler arasında Amazon Alexa, Apple Siri gibi “akıllı” sesli asistan uygulamaları, sosyal medya sohbet robotları veya Tesla tarafından vaat edilen otonom araçlar sayılabilir. Burada “zayıftan” kasıt başarısız veya kötü olması değil, kısıtlı ve belirli işlere yönelik daha dar bir çerçevede olması.

Güçlü Yapay Zeka (Strong AI)

“Yapay genel zeka (artificial general intelligence)” veya “general AI” olarak da bilinen bu kavram, insan zekasına eşit ya da onu aşan bir düzeyde, geniş bir görev yelpazesinde bilgiyi anlama, öğrenme ve uygulama becerisine sahip sistemleri ifade ediyor. “Güçlü” olarak tanımlanan seviye şu anda teorik ve bilinen hiçbir AI sistemi bu gelişmişlik seviyesine yaklaşmamakta. Ancak sektör tam gazla ilerliyor, her şey çok hızlı gelişiyor.

Donanımsal Yapay Zeka Desteği: NPU

Son dönemde donanım üreticilerine baktığınızda “NPU” dediğimiz çiplerden bahsedildiğini görmüşsünüzdür. Bu zamana kadar bir bilgisayar alırken yalnızca CPU’yu kontrol ediyordunuz. Şimdi Intel ve AMD, yapay zeka destekli işlemcileriyle birlikte işleri biraz daha karmaşık hale getiriyor diyebiliriz. Yani artık dikkat etmeniz gereken bir unsur daha olabilir.

Özünde NPU, makine öğrenimi algoritmalarını yürütmek için tasarlanmış özel bir işlemcidir. Geleneksel CPU ve GPU’ların aksine, NPU’lar yapay sinir ağlarının ayrılmaz bir parçası olan karmaşık matematiksel hesaplamaları yürütmek için optimize ediliyor. Özel tasarlanan nöral işlemciler büyük miktarda veriyi paralel olarak işleme konusunda mükemmel işler çıkarabiliyor. Böylelikle görüntü tanıma, doğal dil işleme ve yapay zeka ile ilgili diğer işler çok daha kolay şekilde halledilebiliyor. Örnek olarak GPU içine bir GPU entegre edilseydi, NPU nesne algılama veya görüntü hızlandırma gibi belirli bir görevden sorumlu olabilirdi.

Sinir ağı işlemlerini ve yapay zeka görevlerini hızlandırmak için tasarlanan Nöral İşlem Birimi, ayrı olmaktan ziyade CPU ve SoC’lerin içine entegre ediliyor. CPU’lar ve GPU’ların aksine, NPU’lar veri odaklı paralel bilgi işlem için optimize edilmekte. Çok sayıda görevin yanı sıra, videolar ve görüntüler gibi büyük multimedya verilerini işlemede ve sinir ağları için veri işlemede oldukça verimli. Özellikle konuşma tanıma, görüntülü aramalarda arka plan bulanıklaştırma ve nesne algılama gibi fotoğraf/video düzenleme işlemlerinde çok faydalı olacak.

NPU da aynı şekilde bir entegre devre, ancak tek işlevli ASIC’lerden (Uygulamaya Özel Entegre Devreler) farklı. ASIC’ler tek bir amaç için tasarlanırken (bitcoin madenciliği gibi), NPU’lar daha fazla karmaşıklık ve esneklik sunarak ağ bilişiminin çeşitli taleplerini karşılayabiliyor. Bu da sinir ağı hesaplamalarının benzersiz gereksinimlerine göre uyarlanmış yazılım veya donanımda özel programlama yoluyla mümkün hale geliyor.

Neural Processing Unit, düşük güçte yapay zeka çıkarımını hızlandırmak için sıfırdan inşa edildi. Yapay zeka iş yükleri öncelikle skaler, vektör ve tensör matematiğinden oluşan sinir ağı katmanlarının hesaplanmasından ve ardından doğrusal olmayan bir aktivasyon fonksiyonundan oluşmakta. Gelişmiş bir NPU tasarımıyla birlikte tüm zorlu iş yüklerinin üstesinden gelmek mümkün.

NPU’ya Neden İhtiyaç Duyuyoruz?

Yapay zeka kullanan araçlar ayrıyeten iş gücüne ihtiyaç duyuyor. Sektöre, kullanım alanına ve yazılıma bağlı olarak farklı gereksinimler ve hesaplama ihtiyaçları var. Üretken yapay zeka kullanım alanlarına yönelik artan taleple birlikte, yapay zeka için özel olarak tasarlanmış yenilenmiş bir bilgi işlem mimarisine ihtiyaç duyuldu.

Merkezi işlem birimi (CPU) ve grafik işlem birimi (GPU) bir kenara, tüm yapay zeka görevleri için sıfırdan nöral işlem birimi (NPU) adı verilen yongalar tasarlandı. NPU ile birlikte uygun bir işlemci mevcut olduğunda, yeni ve gelişmiş üretken yapay zeka süreçlerinden tam anlamıyla faydalanabiliyoruz, kullanılan uygulamaların performansı ve verimliliği en üst düzeye çıkarılıyor. Ayrıca bu süreçte güç tüketimi düşerken pil ömrü de olumlu etkileniyor.

Yapay Zeka Nasıl Kullanılıyor?

Yapay zeka birçok sektöre ve araştırma alanlarına girmeyi başardı. İşte bunlardan bazıları:

Sağlık Hizmetleri

Hasta sonuçlarını iyileştirmek ve sistemik maliyetleri azaltmak gibi genel hedeflerle sağlık hizmetleri konusunda farklı alanlarda kendine yer buluyor. Önemli uygulamalardan biri, sağlık uzmanlarının daha iyi ve daha hızlı teşhis koymalarına yardımcı olmak için büyük tıbbi veri setleri üzerinde eğitilmiş makine öğrenimi modellerinin kullanılması. Örneğin yapay zeka destekli yazılımlar, bilgisayarlı tomografi taramalarını analiz edebilir ve nörologları şüpheli felçler konusunda uyarabilir.

Hasta tarafında, çevrimiçi sanal sağlık asistanları ve sohbet robotları genel tıbbi bilgiler sağlayabilir, randevuları planlayabilir, faturalandırma süreçlerini açıklayabilir ve diğer idari görevleri tamamlayabilir. Tahmine dayalı modelleme AI algoritmaları, COVID-19 gibi pandemilerin yayılmasıyla mücadele etmek için de kullanılabilir.

İş Dünyası

Yapay zeka verimliliği, müşteri deneyimini, stratejik planlamayı ve karar alma süreçlerini iyileştirmeyi amaçlayarak çeşitli iş fonksiyonlarına ve sektörlere giderek daha fazla entegre olmakta. Örnek olarak, makine öğrenimi modelleri günümüzün birçok veri analitiği ve müşteri ilişkileri yönetimi platformuna güç vererek, şirketlerin teklifleri kişiselleştirerek ve daha iyi uyarlanmış pazarlama sunarak müşterilere en iyi nasıl hizmet verebileceklerini anlamalarına yardımcı olabiliyor.

Sanal asistanlar ve sohbet robotları, günün her saati müşteri hizmeti sağlamak ve sık sorulan soruları yanıtlamak için kurumsal web sitelerinde ve mobil uygulamalarda yer alabiliyor. Giderek daha fazla şirket, belge taslağı hazırlama ve özetleme, ürün tasarımı, fikir oluşturma ve bilgisayar programlama gibi görevleri otomatikleştirmek için ChatGPT gibi üretken yapay zeka araçlarının yeteneklerini keşfediyor.

Eğitim

AI teknolojileri eğitim tarafında da dizi potansiyel uygulamaya sahip. Not verme süreçlerinin bazı yönlerini otomatikleştirerek eğitimcilere diğer görevler için daha fazla zaman kazandırabilir. Ayrıca öğrencilerin performansını değerlendirebilir ve bireysel ihtiyaçlarına uyum sağlayarak daha kişiselleştirilmiş öğrenme deneyimlerini kolaylaştırabilir.

AI, öğrencilerin öğrenme şeklini ve belki de eğitimcilerin geleneksel rolünü de değiştirecek. ChatGPT ve Google Gemini gibi LLM’lerin yetenekleri arttıkça, bu tür araçlar eğitimcilerin öğretim materyalleri hazırlamasına ve öğrencilerin yeni yollarla ilgisini çekmesine yardımcı olabilir.

Finans ve Bankacılık

Bankalar ve diğer finans kuruluşları, kredi verme, kredi limitleri belirleme ve yatırım fırsatlarını belirleme gibi görevlerde karar verme süreçlerini iyileştirmek için yapay zekayı kullanmaya başladı. Ek olarak, gelişmiş yapay zeka ve makine öğrenimi tarafından desteklenen algoritmik ticaret, tüccarların manuel olarak yapabileceklerinden daha hızlı ve verimli şekilde alım-satım gerçekleştirmelerine olanak tanıyor.

Yapay zeka ve makine öğrenimi tüketici finansmanı alanına da girdi. Örneğin bankalar, müşterileri hizmetler ve teklifler hakkında bilgilendirmek ve insan müdahalesi gerektirmeyen işlemleri ve soruları ele almak için yapay zeka sohbet robotlarını entegre ediyor.

Hukuk

Yeni teknolojiler, avukatlar ve yardımcı personel için sıkıcı ve zaman alıcı olabilen belge inceleme gibi yoğun emek gerektiren görevleri otomatikleştirerek hukuk sektörünü değiştiriyor. Günümüzde hukuk firmaları, verileri ve içtihatları analiz etmek için analitik ve tahmine dayalı yapay zeka, belgeleri sınıflandırmak ve belgelerden bilgi çıkarmak için bilgisayar görüşü ve keşif taleplerini yorumlamak ve yanıtlamak için NLP dahil olmak üzere çeşitli görevler için yapay zeka ve makine öğrenimini kullanmakta.

AI entegrasyonu, hukuk profesyonellerinin müvekkillerle daha fazla zaman geçirmesini ve stratejik işlere odaklanmasını sağlıyor. Hukuk alanında üretken yapay zekanın yükselişiyle birlikte, firmalar da LLM’leri şablon sözleşmeler gibi ortak belgeleri hazırlamak için kullanma yollarını araştırıyor.

Eğlence ve Medya

Eğlence ve medya sektörü, hedefli reklamcılık, içerik önerileri, dağıtım ve dolandırıcılık tespitinde yapay zeka tekniklerini kullanmaya çoktan başladı. AI sistemleri, şirketlerin izleyicilerin deneyimlerini kişiselleştirmesini ve içerik dağıtımını optimize etmesine imkan tanıyor.

Üretken yapay zeka, içerik oluşturma alanında gündemde olan bir konu. Reklam uzmanları, bu araçlardan pazarlama materyalleri oluşturmak ve reklam görsellerini düzenlemek üzere yararlanıyor. Dahası, film ve TV senaryo yazımı ve görsel efektler gibi alanlarda etkinliği arttı.

Sosyal medyada son süreçte karşınıza çok sayıda yapay zeka ile oluşturulan sesli, videolu ve görüntülü içerik çıkmıştır. Yapay zeka ile hazırlanmış, gerçeğe çok yakın sentetik içeriklere deepfake diyoruz. Deepfake, gerçek insanları veya olayları inandırıcı bir şekilde taklit etmek için yapay zeka kullanılarak oluşturulan veya değiştirilen video, görüntü veya ses gibi sentetik medyaya verilen genel isim.

Gazetecilik

Gazetecilikte yapay zeka, veri girişi gibi rutin görevleri otomatikleştirerek iş akışlarını kolaylaştırabilir. Araştırmacı gazeteciler ve veri gazetecileri de makine öğrenimi modellerini kullanarak büyük veri setlerini eleyerek hikayeleri bulmak ve araştırmak için yapay zekadan yararlanabiliyor.

Örneğin, 2024 Pulitzer Gazetecilik Ödülleri’nin beş finalisti, büyük hacimli polis kayıtlarını analiz etmek gibi görevleri yerine getirmek için haberlerinde yapay zeka kullandıklarını açıkladı. Geleneksel AI araçlarının kullanımı giderek yaygınlaşıyor. Haber içeriği yazmak için üretken yapay zeka kullanımı, güvenilirlik, doğruluk ve etikle ilgili endişeleri artırdığı için sorgulanmaya açık.

Yazılım Geliştirme ve Bilgi Teknolojileri

Yazılım geliştirme ve bilgi teknolojilerindeki birçok süreci otomatikleştirmek mümkün. Bir başka örnek, AIOps araçları, potansiyel sorunları ortaya çıkmadan önce tahmin etmek için sistem verilerini analiz ederek BT ortamlarının bakımını sağlıyor. Yapay zeka destekli izleme araçları, geçmiş sistem verilerine dayanarak potansiyel anormallikleri gerçek zamanlı olarak işaretlemeye yardımcı olabilir.

GitHub Copilot ve Tabnine gibi üretici yapay zeka araçları da doğal dil komutlarına dayalı uygulama kodu üretmek için giderek daha fazla kullanılmakta. Yapay zeka araçları geliştiriciler arasında erken dönemde umut vaat etse ve ilgi görse de, yazılım mühendislerinin yerini tam olarak almaları pek olası değil. Bunun yerine, tekrarlayan görevleri ve kod yazımını otomatikleştirerek üretkenlik konusunda yardım sağlayabilir.

Güvenlik

Yapay zeka ve makine öğrenimi, güvenlik sağlayıcılarının pazarlama sürecinde giderek daha fazla ön plana çıkmaya başladı. Anomali tespiti, yanlış pozitiflerin azaltılması ve davranışsal tehdit analizlerinin yürütülmesi de dahil olmak üzere siber güvenlik meselesinin çeşitli taraflarında faydalanmak mümkün.

Kuruluşlar şüpheli faaliyetleri ve potansiyel tehditleri tespit etmek için güvenlik bilgi ve olay yönetimi yazılımlarında makine öğrenimini kullanmakta. Yapay zeka uygulamaları, büyük miktarda veriyi analiz ederek ve bilinen kötü amaçlı kodlara benzeyen kalıpları tanıyarak, güvenlik ekiplerini yeni ve ortaya çıkan saldırılara karşı, çalışanların ve önceki teknolojilerin yapabileceğinden çok daha erken uyarabilir.

Üretim

Üretim, robotları iş akışlarına dahil etme konusunda ön saflarda yer alıyor ve son gelişmeler işbirlikçi robotlara veya cobot’lara odaklanıyor. Tek bir görevi yerine getirmek üzere programlanan ve insan işçilerden ayrı olarak çalışan geleneksel endüstriyel robotların aksine, cobot’lar daha küçük, çok yönlü ve insanlarla birlikte çalışmak üzere tasarlanıyor.

Birden fazla görev alabilen robotlar depolarda, fabrikalarda ve montaj, paketleme ve kalite kontrol de dahil olmak üzere diğer çalışma alanlarında daha fazla görevin sorumluluğunu üstlenebilir. Özellikle, tekrarlayan ve fiziksel olarak zorlayıcı görevleri yerine getirmek, tam olarak yerine getiremese de yardım sağlamak için robotlar devreye girmeye başlıyor. Nitekim yapay zeka, hem işveren hem çalışanlar için verimliliği ve güvenliği artırabilir.

Ulaşım

Yapay zekanın otonom araçların işletilmesindeki temel rolüne ek olarak, teknolojiler otomotiv taşımacılığında trafiği yönetmek, trafik sıkışıklığını azaltmak ve yol güvenliğini artırmak üzere görev alıyor. Hava yolculuğunda, hava durumu ve hava trafiği koşulları gibi veri noktalarını analiz ederek uçuş gecikmelerini tahmin edebilir. Denizaşırı taşımacılığa gelince, rotaları optimize ederek ve gemi koşullarını otomatik olarak izleyerek güvenliği ve verimliliği artırabilir.

Tedarik zincirlerinde yapay zeka, geleneksel talep tahmini yöntemlerinin yerini almakta ve potansiyel aksaklıklar ve darboğazlarla ilgili tahminlerin doğruluğunu geliştirmekte. COVID-19 salgını, birçok şirketin küresel bir salgının mal arzı ve talebi üzerindeki etkilerine hazırlıksız yakalanması nedeniyle bu becerilerin daha önemli olduğunu gösterdi.

Son kullanıcılarının daha fazla dikkatini çeken bir diğer konuya değinelim: Otonom araçlar. Seviyesi ne olursa olsun, kendi kendini yönetebilen sürücüsüz araçlar hayatımızın parçası haline geliyor. Hatta içinde şoför bulunmayan araçlar yollarda boy göstermeye başladı bile.

Yapay Zekanın Tarihi

Zeka ile donatılmış cansız nesneler kavramı antik çağlardan beri var olmuştur. Yunan tanrısı Hephaistos efsanelerde altından robot benzeri hizmetkârlar yaparken tasvir edilirken, eski Mısır’daki mühendisler rahipler tarafından işletilen gizli mekanizmalarla hareket edebilen tanrı heykelleri inşa etmişler.

19. yüzyılın sonları ve 20. yüzyılın başları, modern bilgisayarı ortaya çıkaracak temel çalışmaları ortaya çıkardı. 1836’da Cambridge Üniversitesi matematikçisi Charles Babbage ve Lovelace Kontesi Augusta Ada King, Analitik Motor olarak bilinen programlanabilir bir makine için ilk tasarımı icat etti. Babbage ilk mekanik bilgisayarın tasarımının ana hatlarını çizerken, Lovelace makinenin basit hesaplamaların ötesine geçerek algoritmik olarak tanımlanabilecek her türlü işlemi gerçekleştirebileceğini öngördü. Bu arada Lovelace, ilk bilgisayar programcısı olarak kabul ediliyor.

20. yüzyılda zaman ilerledikçe, bilgi işlem alanındaki önemli gelişmeler yapay zeka alanı şekillenmeye başladı:

1940’lar

Matematikçi John Von Neumann, bir bilgisayarın programının ve işlediği verilerin bilgisayarın belleğinde tutulabileceği fikri olan saklı program bilgisayarının mimarisini tasarladı. Warren McCulloch ve Walter Pitts yapay nöronların matematiksel bir modelini önererek sinir ağlarının ve gelecekteki diğer yapay zeka gelişmelerinin temelini attılar.

1950’ler

Modern bilgisayarların ortaya çıkmasıyla birlikte bilim insanları makine zekası hakkındaki fikirlerini test etmeye başladı. 1950’de Turing, bir bilgisayarın zekaya sahip olup olmadığını belirlemek için taklit oyunu adını verdiği ancak daha yaygın olarak Turing Testi olarak bilinen bir yöntem geliştirdi. Turing Testi, makinelerin insan gibi düşünüp düşünemediğini anlamak için yapılan bir test. Bu testte bir insan, bir makineyle ve bir başka insanla yazılı olarak sohbet etmekte. Eğer sohbet ettiği kişinin makine mi insan mı olduğunu ayırt edemezse, makine testi geçmiş sayılıyor.

Modern yapay zeka alanının 1956 yılında Dartmouth College’da düzenlenen bir yaz konferansı sırasında başladığı belirtiliyor. Savunma İleri Araştırma Projeleri Ajansı tarafından desteklenen konferansa, aralarında yapay zeka öncüleri Marvin Minsky, Oliver Selfridge ve “yapay zeka” terimini icat eden John McCarthy’nin de bulunduğu, alanın önde gelen 10 ismi katıldı. Ayrıca bilgisayar bilimcisi Allen Newell ve ekonomist, siyaset bilimci ve bilişsel psikolog Herbert A. Simon da yer aldı.

İkili, belirli matematik teoremlerini kanıtlayabilen ve genellikle ilk yapay zeka programı olarak anılan, çığır açan Logic Theorist (Mantık Teorisyeni) adlı bilgisayar programını sundu. Bir yıl sonra, 1957’de Newell ve Simon, daha karmaşık problemleri çözmede başarısız olmasına rağmen, daha sofistike bilişsel mimariler geliştirmenin temellerini atan General Problem Solver (Genel Problem Çözücü) algoritmasını yarattı.

1960’lar

Dartmouth College konferansının ardından, yeni gelişen yapay zeka alanındaki liderler, insan beynine eşdeğer insan yapımı zekanın eli kulağında olduğunu öngörerek büyük devlet ve endüstri desteğini arkalarına aldılar. Yaklaşık 20 yıl süren iyi finanse edilmiş temel araştırmalar yapay zekada önemli ilerlemeler sağladı. McCarthy, başlangıçta yapay zeka programlama için tasarlanmış ve bugün hala kullanılan Lisp dilini geliştirdi. 1960’ların ortalarında MIT profesörü Joseph Weizenbaum, günümüzün sohbet robotlarının temelini atan erken bir NLP programı olan Eliza’yı geliştirdi.

1970’ler

1970’lerde, bilgisayar işleme ve bellekteki sınırlamaların yanı sıra sorunun karmaşıklığı nedeniyle yapay genel zekaya (artificial general intelligence) ulaşmak yakın değil zordu. Sonuç olarak AI araştırmalarına yönelik hükümet ve şirket desteği azaldı. 1974’ten 1980’e kadar süren ve “ilk yapay zeka kışı” olarak bilinen bir nadas dönemine yol açtı. Bu süre zarfında gelişmekte olan AI alanı finansman ve ilgi bakımından ciddi bir zayıflama gördü.

1980’ler

1980’lerde, derin öğrenme teknikleri üzerine yapılan araştırmalar ve Edward Feigenbaum’un uzman sistemlerinin endüstride benimsenmesi yeni bir yapay zeka coşku dalgası yarattı. İnsan uzmanların karar verme süreçlerini taklit etmek için kural tabanlı programlar kullanan uzman sistemler, finansal analiz ve klinik teşhis gibi görevlere uygulandı. Ancak bu sistemlerin maliyetli ve yeteneklerinin sınırlı kalması nedeniyle, yapay zekanın yeniden canlanması kısa sürdü. Devamında ise hükümet finansmanı ve endüstri desteği açısından bir başka çöküş yaşandı. “İkinci yapay zeka kışı” olarak bilinen dönem, 1990’ların ortalarına kadar sürdü. Bu süreçte ilgi ve yatırım alt düzeydeydi.

1990’lar

Hesaplama gücündeki artışlar, 1990’ların ortasından sonuna kadar bir AI rönesansını ateşledi, bugün gördüğümüz olağanüstü ilerlemelere zemin hazırladı. Büyük veri ve artan hesaplama gücünün birleşimi NLP, bilgisayarlı görü, robotik, makine öğrenimi ve derin öğrenme alanlarında çığır açtı. Önemli bir dönüm noktası, 1997’de Deep Blue’nun Kasparov’u yenerek bir dünya satranç şampiyonunu yenen ilk bilgisayar programı olmasıyla yaşandı.

2000’ler

Makine öğrenimi, derin öğrenme, NLP, konuşma tanıma ve bilgisayarlı görü alanlarındaki ilerlemeler bugün yaşam biçimimizi şekillendiren ürün ve hizmetlerin ortaya çıkmasını sağladı. Başlıca gelişmeler olarak 2000 yılında Google’ın arama motoru ve 2001 yılında Amazon’un tavsiye motorunu piyasaya sürmesi sayılabilir.

Yine 2000’li yıllarda Netflix film öneri sistemini geliştirdi, Facebook yüz tanıma sistemini tanıttı ve Microsoft sesi yazıya dökmek için konuşma tanıma sistemini kullanıma sundu. IBM, Watson soru yanıtlama sistemini ve Google da Waymo adlı sürücüsüz otomobil girişimini başlattı.

2010’lar

2010 ile 2020 arasındaki on yıl, istikrarlı şekilde AI gelişimine sahne oldu. Bunlar arasında Apple Siri ve Amazon Alexa sesli asistanlarının piyasaya sürülmesi; IBM Watson’ın Jeopardy’deki zaferleri; otomobiller için kendi kendine sürüş özelliklerinin geliştirilmesi ve kanserleri yüksek derecede doğrulukla tespit eden yapay zeka tabanlı sistemlerin uygulanması yer almakta. İlk üretken düşman ağı geliştirildi ve Google, yapay zeka geliştirmede yaygın olarak kullanılan açık kaynaklı bir makine öğrenimi sistemi olan TensorFlow’u başlattı.

2012’de, görüntü tanıma alanını önemli ölçüde geliştiren ve yapay zeka modeli eğitimi için GPU’ların kullanımını yaygınlaştıran, çığır açan bir evrişimli sinir ağı olan AlexNet ile önemli bir dönüm noktası yaşandı. 2016 yılında Google DeepMind’ın AlphaGo modeli, dünya Go şampiyonu Lee Sedol’u yenerek yapay zekanın karmaşık stratejik oyunlarda ustalaşma yeteneğini sergiledi.

2020’ler

Çoğumuz farkında olmasak da yapay zekanın gelişimi yıllar öncesine dayanıyor. Artık bir kullanıcı komutuna dayalı olarak yeni içerikler üretebilen yapay zeka platformları var. Hem de sayıları bir hayli fazla. İsteklerimize anında yanıt verebiliyor, video, görüntü ve ses üretebiliyorlar. Hem de bunu oldukça hızlı yapıyorlar.

Kullanıcıların istekleri genellikle metin biçiminde lakin resimler, videolar, tasarım planları, müzik veya AI sisteminin işleyebileceği başka herhangi bir girdi de olabilir. Çıktı içeriği, denemelerden problem çözme açıklamalarına ve bir kişinin resimlerine dayanan gerçekçi görüntülere kadar gidebilir.

2020 yılında OpenAI, GPT dil modelinin üçüncü iterasyonunu yayınladı, ancak teknoloji 2022 yılına kadar yaygın bir farkındalığa ulaşmadı. O yıl, üretken yapay zeka dalgası, sırasıyla Nisan ve Temmuz aylarında görüntü oluşturucuları DALL-E 2 ve Midjourney’in piyasaya sürülmesiyle başladı. Doğrusu yeni yapay zeka çağını ChatGPT’yi kullanıma sunan OpenAI başlattı desek yeridir.

Sonrasında OpenAI’a birçok rakip geldi. Google Gemini, Anthropic Claude, xAI Grok, Meta AI ve daha fazlası. ElevenLabs ve Runway gibi ses ve video oluşturma araçları, 2023-2024 yıllarında ses getirdi.

Üretken yapay zeka (Generative AI) teknolojisi hala erken aşamalarında. Bu kadar şeye rağmen erken aşamalarında diyebiliyoruz, çünkü daha kat edilecek çok yol var. Yapay zeka sektörüne olan yatırımlar çığ gibi büyüyor. Bakalım takvim yaprakları 2030’ları gösterdiğinde neleri konuşuyor olacağız.