Yapay Zeka Rehberi

Önsöz

Yapay Zeka (AI), makinelerin, özellikle bilgisayar sistemlerinin, insan zekasının bazı işlevlerini taklit edebilmesini sağlayan bilim ve mühendislik dalıdır. Bu teknoloji, öğrenme, akıl yürütme, problem çözme, algılama ve dil anlama gibi insan zihni yeteneklerine benzer işlevleri gerçekleştirebilen yazılımlar geliştirmeye odaklanır.

Günlük hayatta yapay zekanın etkisi, pek çok farklı şekilde karşımıza çıkar. Örneğin, akıllı telefonlarımızda bulunan Siri, Google Asistan gibi sesli asistanlar, basit sorularımızı yanıtlamaktan, hatırlatmalarımızı ayarlamaya kadar birçok işlevi yapay zeka sayesinde gerçekleştirir. Bu asistanlar, doğal dil işleme teknikleri kullanarak konuşmalarımızı anlar ve uygun yanıtları üretir.

Online alışveriş ve eğlence platformlarında ise yapay zeka, kullanıcı deneyimini kişiselleştirmek için devreye girer. Netflix veya Amazon gibi siteler, geçmişte izlediğimiz filmlere veya satın aldığımız ürünlere dayanarak bize öneriler sunar. Bu tavsiye sistemleri, büyük veri analizi ve öğrenme algoritmaları kullanarak zevklerimizi ve tercihlerimizi öğrenir.

Günlük iletişimimizde ise e-posta servislerinin spam filtreleri, gelen kutumuzu istenmeyen içeriklerden arındırmak için yapay zeka kullanır. Bu sistemler, gelen mesajların içeriğini analiz eder ve spam olup olmadığını belirlemek için karmaşık algoritmalardan yararlanır.

Fotoğraflarımızı daha çekici hale getirmek için kullandığımız otomatik düzenleme araçları da yapay zeka teknolojilerinden faydalanır. Bu uygulamalar, görüntüyü analiz ederek renk düzeltmesi yapar, göz kırpma gibi küçük kusurları düzeltir, ışık dengesini ideale yakın hale getirir veya portre modunda arka plan görüntüsünü bulanıklaştırarak fotoğraflara profesyonel bir görünüm kazandırır. Sağlık dünyasında kullanılan yapay zeka gereçleri medikal görüntüleme yöntemleriyle üretilen görüntüleri analiz edip teşhis koymaya yardımcı olabilir, protein kıvrılmalarını anlamaya yardımcı olarak canlılık mekanizmalarını çözümlememizi sağlayabilir ve yeni ilaçların keşfedilmesini sağlayabilir.

Yapay zeka, bu örneklerde olduğu gibi, hayatımızın birçok alanında kolaylık sağlayarak daha verimli ve konforlu bir yaşam sürmemize olanak tanır. Bu teknoloji sürekli olarak gelişmekte ve yeni uygulama alanları keşfedilmektedir, bu da yapay zekanın geleceğin teknolojisi olarak öneminin artmaya devam edeceğini göstermektedir.

Yapay Zeka Hizmet Hareketi’nin Gündemine Neden Girmelidir?

Hizmet Hareketi; eğitim, diyalog, kalkınma, toplumsal uzlaşı ve barışın temin edilmesi gibi temel toplumsal alanlarda önemli bir rol üstlenmektedir. Bu nedenle yapay zeka teknolojisinin hızlı gelişimini ve bu alandaki yenilikleri dikkatle takip etmek, Hareket’in yapay zekayı gerektiği gibi tanıması ve bu gelişmelerden en iyi şekilde yararlanabilmesi için faydalı olacaktır. Yapay zeka destekli eğitim araçlarından, dil öğrenim uygulamalarının geliştirilmesine ve toplumsal hizmetlerin verimliliğinin artırılmasına kadar, bu teknolojinin geleceği pek çok alanda potansiyel etkiler sunmaktadır.

Bu gelişmeler, Hizmet Hareketi’nin eğitime erişimi genişletme ve eğitim kalitesini artırma hedefleri ile insana verdiği değerlerin önemi yansıtmak açısından önem arz eder. Hareket, İslam tarihindeki eserleri okuyup değerlendirme anlamında yapay zekadan faydalanabilir ve bunu kolektif çabaların bir gereci haline getirebilir. Dijital Hicret yolunda yapay zeka, Hizmet insanlarının asistanlığını yaparak yardımlarına yetişebilir.

Hizmet Hareketi’nin diğer taraftan toplumda yapay zekanın etik ve sosyal boyutlarının anlaşılması, yapay zekaya aklıselim yaklaşımını temin adına yayınlar yapması ve söylem oluşturması sorumlulukları bulunmaktadır.

Giriş

Yapay Zeka Nedir?

Yapay zeka, makinelerin öğrenme, problem çözme ve karar verme yeteneklerini taklit etmesini sağlayan bilgisayar bilimlerinin bir dalıdır. Genellikle bilgisayar biliminin bir alt dalı olarak kabul edilen yapay zeka, makinelerin insan benzeri zekaya sahip olmalarını sağlamayı hedefler. Bu alandaki ilk çalışmalar, 20. yüzyılın ortalarına dayanır ve zaman içinde bilgisayar biliminin en yoğun dalı haline gelmiştir. Önemli bir kısmı geçtiğimiz yüzyıla dayanan yapay zeka algoritmalarının günümüzde kullanılabilir hale gelmesini sağlayan birkaç sebep vardır:

1. Daha güçlü ve çok daha fazla transistör bulunduran işlemcilerin üretilebilmesi sonucu bilgisayarların işlem güçlerinin artması.
2. Veri depolama teknolojilerinin gelişmesiyle çok daha büyük miktarda verilerin çok daha uygun maliyetlerle depolanabilir hale gelmesi.
3. İnternetin yaygınlaşması ile insanların ve cihazların bağlanabilmesi sonucu veri üretim büyük ölçekte hızlanması.

Yapay zeka pratikte matematiksel olarak formüllerle yazılamayacak kadar karmaşık sebep sonuç ilişkilerinin toplanan verilerde var olan ilişkilerden faydalanarak modellenebilmesini sağlar.

Yapay zeka sistemleri, çoğunlukla insan aksiyonlarından toplanan büyük veri kümelerinden faydalanarak kendi kendini eğitme, veri işleme ve örüntü tanıma gibi karmaşık görevleri yerine getirme kapasitesine sahiptir. Bu sistemler, genellikle bilgisayarların desteğiyle makine öğrenimi ve insan sinir hücrelerine benzetilen derin öğrenme gibi yöntemler kullanarak insan müdahalesi olmadan kendilerini sürekli geliştirebilirler.

Yapay Zeka Nasıl Çalışır?

Yapay zekayı bir tarif kitabını takip eden bir aşçıya benzetebiliriz:

1. Veri Toplama: Aşçının malzemeleri toplaması gibi, yapay zeka da öğrenme süreci için veri toplar.
2. Veriyi İşleme ve Öğrenme: Aşçının tarifleri deneyerek hangi malzemelerin iyi birleştiğini öğrenmesi gibi, yapay zeka da verileri analiz eder ve veriler içerisindeki kalıpları öğrenir.
3. Model Oluşturma: Aşçının kendi yemek tariflerini geliştirmesi gibi, yapay zeka da öğrendiklerini kullanarak yeni tahminlerde bulunabilir.
4. Sonuç Çıkarma: Aşçının tarif kitabına bakmadan yemek yapabilmesi gibi, yapay zeka da yeni verilerle karşılaştığında, öğrendikleriyle mantıklı sonuçlar çıkarır.

Temel Yapay Zeka Teknolojileri

Yapay zeka, modern teknolojinin en hızlı gelişen ve en etkileyici dallarından biridir. Günümüzde yapay zeka, tıbbi teşhislerden otonom araçlara, kişisel asistanlardan görüntü tanımaya kadar geniş bir yelpazede uygulama alanı bulmaktadır. Bu bölümde yapay zeka teknolojisinin temellerine değinecek, örnek bir model geliştirme aşamalarından bahsedecek, yapay zekanın kısıtlarından söz edecek ve iyi bir yapay zeka modeli geliştirmenin püf noktalarını inceleyeceğiz. Algoritmaların ve modellerin nasıl geliştirildiğini, farklı yapay zeka yaklaşımlarının özelliklerini, güçlü ve zayıf yönlerini anlamak, yapay zekanın potansiyelini ve sınırlarını kavramamıza yardımcı olacaktır. Ayrıca, bu teknolojilerin gerçek dünya problemlerine nasıl uygulanabileceğini ve gelecekte bizlere nasıl hizmet edebileceğini keşfedeceğiz. Yapay zekanın temel teknolojileri ve bunların nasıl işlediği hakkındaki bu nispeten detaylı inceleme, bu alandaki bilgi birikimimizi derinleştirerek yenilikçi çözümler üretme kapasitemizi artıracaktır.

Yapay Zeka Modeli Geliştirme Aşamaları

1. Problemi Tanımlama (Defining the problem)

Bir grup yazılım mühendisi, bir akıllı telefon uygulaması geliştirmeyi hedeflemektedir. Bu uygulama, kullanıcıların çektikleri fotoğraflardaki köpek cinslerini tanıyıp isimlendirebilecektir. Amaç, köpek sahiplerinin köpeklerinin cinsini kolayca öğrenebilecekleri bir araç sunmaktır.

2. Veri Toplama (Data gathering)

Mühendisler, problemin çözümü için büyük miktarda köpek fotoğrafına ihtiyaç duyarlar. İnternetten ve çeşitli açık veri tabanlarından farklı köpek cinslerine ait fotoğraflar toplarlar. Her fotoğraf, doğru etiketlerle (Örneğin “Golden Retriever”, “Beagle”, “Bulldog” gibi) işaretlenir. Bu veriler, modelin öğrenmesi için temel oluşturur. Verilerin kalitesi, sayısı, çeşitliliği ve doğru işaretlenmiş olması modelin başarısı için kritiktir.

3. Model Kurma (Model building)

Mühendisler, görüntü tanıma için en uygun yapay zeka modelini seçmek zorundadır. Bu tür bir problem için en yaygın kullanılan yöntem konvolüsyonel nöral ağ (Convolutional Neural Network - CNN) modelidir. CNN, görüntülerdeki karmaşık desenleri ve nesneleri tanımada oldukça etkilidir. Bu nedenle mühendisler CNN modelini seçerler.

4. Modellerin Eğitimi (Training)

Seçilen CNN modeli, etiketli köpek fotoğrafları kullanılarak gözetimli eğitim (Supervised Learning) yöntemiyle eğitilir. Model, her bir fotoğrafı analiz ederek köpek cinslerini tanımayı öğrenir. Eğitim süreci boyunca model binlerce fotoğraf üzerinde çalışarak hangi özelliklerin hangi köpek cinsine ait olduğunu öğrenir (Model Training). Mühendisler, modelin doğruluğunu arttırmak için hiperparametreleri (Hyperparameters) ayarlar ve modeli optimize ederler.

5. Modellerin Test Edilmesi ve Geliştirilmesi (Testing and improvement)

Model eğitildikten sonra, mühendisler modelin performansını değerlendirmek için modeli daha önce hiç görmediği fotoğraflarla test ederler. Bu test verileri modelin gerçek dünya performansını ölçmek için kullanılır. Modelin hatalı tanımlamalar yaptığı durumlar belirlenir ve bu hataları gidermek için model yeniden eğitilir ve geliştirilir. Bu döngü, modelin doğruluğunu maksimuma çıkarmak için tekrarlanır.

6. Modellerin Kullanılması (Deployment)

Son aşamada mühendisler modeli akıllı telefon uygulamasına entegre ederler. Kullanıcılar uygulama ile köpeklerinin fotoğraflarını çektiklerinde model bu fotoğraflardaki köpek cinsini tanır ve isimlendirir. Uygulama, kullanıcı geri bildirimlerini de toplar ve mühendisler bu geri bildirimleri kullanarak modeli sürekli günceller ve iyileştirir. Böylece uygulama zamanla daha da doğru ve kullanıcı dostu hale gelir.

Algoritma ve Model

Algoritma, belirli bir problemi çözmek için izlenen adımlar dizisidir. Matematiksel ve mantıksal işlemlerden oluşur. Örneğin, yemek tarifi bir algoritmadır; adım adım yönergeleri takip ederek yemek yapılır. Tarihte ilk algoritma El-Harezmi’den gelmiştir.

Model, algoritmalar kullanılarak eğitim verileri üzerinde çalışabilecek yapı ve kurallardır bütünüdür. Model, verilerden öğrendiği bilgileri kullanarak yeni veriler üzerinde tahmin yapabilir veya karar verebilir. Örneğin; köpek cinsi tanıma modeli, farklı köpek fotoğraflarından öğrenerek yeni fotoğraflardaki köpek cinslerini tanıyabilir. Otonom sürüş destek modeli ise çevredeki girdilere göre aracın alması gereken aksiyonu belirler.

Yapay Zekanın Sınırları

Yapay zeka modelleri, belirli görevleri yerine getirmekte oldukça başarılı olabilirken, bazı sınırlamaları da vardır. Yapay zeka modelleri genellikle belirli bir alanda eğitilir ve bu alanın dışında genel bilgi ve beceriler sergileyemez.

Yaratıcılık, duygusal zeka ve empati gibi insanlara özgü yeteneklerde sınırlıdırlar. Ayrıca bu modeller, eğitildikleri verilerin kalitesi ve çeşitliliği kadar iyidir; bu nedenle, önyargılı veya eksik verilerle eğitilmiş modeller yanlış veya yanlı sonuçlar üretebilir. Yapay zeka, etik ve ahlaki kararlar vermekte de zorlanır ve insan müdahalesine ihtiyaç duyar. Ayrıca, karmaşık durumlarda genellikle sınırlı performans gösterirler ve insan uzmanlığı gerektiren durumlarda yetersiz kalabilirler.

Yapay Zeka Modellerini Geliştirmede Püf Noktalar

Doğru Model Seçimi

Bir yapay zeka modeli geliştirmede ilk adım, problemin doğasına en uygun modeli seçmektir. Köpek cinsi tanıma gibi görüntü tanıma problemleri için genellikle konvolüsyonel nöral ağlar (CNN) kullanılır. CNN'ler, görüntülerdeki desenleri ve özellikleri tanımada oldukça etkilidir. Ancak, model seçimi sadece teknik detaylarla sınırlı kalmamalı, aynı zamanda uygulamanın gereksinimleri ve veri setinin büyüklüğü de göz önünde bulundurulmalıdır.

Veri Kalitesi

Veri kalitesi, modelin doğruluğunu ve genelleme yeteneğini büyük ölçüde etkiler. İyi bir model için veri setinin çeşitli ve dengeli olması gerekir. Örneğin:

• Çeşitlilik: Farklı açılardan, ışık koşullarında ve arka planlarda çekilmiş köpek fotoğrafları kullanmak. Bu durum, modelin gerçek dünya koşullarında daha iyi performans göstermesini sağlar.
• Denge: Farklı köpek cinslerine ait eşit sayıda fotoğraf kullanmak. Bir cinsin diğerlerinden fazla olması, modelin bu cinse aşırı odaklanmasına neden olabilir.

Modelin Kararında Öğrenmesi

Modelin performansını artırmak için yeterli miktarda eğitilmesi önemlidir. Ancak, aşırı veya yetersiz eğitim sorunlarına dikkat edilmelidir:

• Aşırı Öğrenme (Overfitting): Model, eğitim verilerine çok iyi uyum sağlar. Ancak yeni ve tanımadığı türdeki verilere karşı zayıf performans gösterir. Bunun sebebi modelin eğitim verilerindeki desenlere olması gerekenden fazla benzerlik kazanıp genel verilerdeki desenleri ve özellikleri yeterince tanıyamamasıdır.
• Yetersiz Öğrenme (Underfitting): Model, hem eğitim hem de test verilerine karşı kötü performans gösterir. Bu durum, modelin yeterince karmaşık olmaması veya yeterli eğitim almamış olması nedeniyle gerçekleşir. Bu durumu önlemek için modelin kapasitesini artırmak veya daha fazla eğitim verisi kullanmak gerekir.

Veri Arttırma (Data Augmentation)

Veri artırma teknikleri, veri setini yapay olarak genişletmek için kullanılır. Örneğin, köpek fotoğraflarını döndürmek, kesmek, yansıtmak ve renklerini değiştirmek gibi işlemler, modelin daha fazla çeşitlilikle eğitilmesine yardımcı olur. Bu yöntem, eldeki verisetini aşırı öğrenmeyi önlemeye ve modelin genelleme yeteneğini artırmaya yardımcı olur.

Modelin Düzenli Olarak Güncellenmesi

Modelin performansını sürdürebilmek için düzenli olarak güncellenmesi ve yeniden eğitilmesi önemlidir. Kullanıcı geri bildirimleri ve yeni veriler toplandıkça model yeniden eğitilip optimize edilmelidir. Böylece modelin zamanla daha etkili olması sağlanabilir.

Modelin Performansının Amaca Yönelik Değerlendirilmesi

Modelin performansını değerlendirmek için çeşitli metrikler bulunmaktadır. Amaçlanan duruma göre doğru metrik kullanılmalıdır. Aşağıdaki örneği inceleyelim:

• Veri seti: 100 fotoğraf olduğunu ve bunların 60’ında kedi olduğunu varsayalım.
• Model: Bir fotoğrafta kedi olup olmadığının tespiti.

	Gerçekte kedi var (60)	Gerçekte kedi yok (40)
Model kedi var dedi (55)	45 (Doğru pozitif)	10 (Yanlış pozitif)
Model kedi yok dedi (45)	15 (Yanlış negatif)	30 (Doğru negatif)

• Doğruluk (Accuracy): Bir modelin yaptığı tahminlerin ne kadarının doğru olduğudur. Örnekte kedi var tahmininin 45’i doğru, kedi yok tahminin 30’u doğrudur. Bu durumda model (45+30)/100 = %75 doğruluk sağlamıştır.
• Kesinlik (Precision): Bir modelin ‘kedi var’ olarak sınıflandırdıklarının ne kadarının doğru olduğudur. Örnekte model 55 kedi bulabilmiştir fakat aslında 45 kedi vardır. Bu durumda model 45/(45+10) = %82 kesinlik skoruna ulaşmıştır.
• Duyarlılık (Recall): Bir modelin veri seti içerisindeki kedilerin ne kadarını bulabildiğidir. Örnekte model 60 kedinin 45’ini bulmuş, 45/60 = %75 skor almıştır.

Kanser hastalığının tespiti gibi amaçlarda kanser olan bir hastanın tespit edilememesi daha riskliyken, kredi başvurularında yanlış bir profile kredi sunulması tehlikelidir. Bu durumda ilk durumda Duyarlılık daha önemliyken, ikinci durumda Kesinlik daha önemlidir.