Yapay zeka nedir ve nasıl çalışır?
Yapay zeka nedir?
Yapay zeka, insanlarda ve öteki doğal organizmalarda bulunan doğal zekanın karşıtı olarak, makinelerdeki zeka demektir. Yapay zeka adını 1956’da aldı ve resmî bir araştırma alanı oldu. İlk çalışmalar matematik problemlerini çözmek için yeni araçlar ortaya çıkardı.
Araştırmacılar bir yapay zeka yaratmanın inanılmaz zor olduğunu keşfetti ve ilerleme 1970’lerde yavaşladı. Son dönemde bilgi işlem gücündeki artış ve devasa veri kümelerinin bulunabilirliği, yapay zekadaki ilerlemelerin zeminini hazırladı.
Yapay zeka fikri nasıl doğdu?
1955’te dört araştırmacı, 1956 yazında Dartmouth Koleji’nde 2 ay sürecek, 10 kişilik bir yapay zeka çalışması önerdi. Öneri, öğrenmenin ya da zekanın herhangi bir özelliğinin, bir makinenin onu taklit edebileceği kadar kesin biçimde tanımlanabileceği varsayımına dayanıyordu. Amaç; makinelere dil kullandırmak, soyutlamalar ve kavramlar oluşturtmak, insanlara ayrılmış sorunları çözdürmek ve kendilerini geliştirtmenin yolunu bulmaktı.
Öneriye göre asıl engel makine kapasitesinin eksikliği değil, eldekinden tam yararlanan programlar yazamamamızdı. Öneri sinir ağlarını da sayıyordu: varsayımsal nöronlardan oluşan bir kümenin kavram oluşturacak biçimde nasıl düzenlenebileceği soruluyordu.
Makine öğrenmesi nedir?
Bilim insanları yapay zekanın bir uygulaması olan makine öğrenmesinde dev adımlar attı. Makine öğrenmesi, analiz ettikleri verilerden ve elde ettikleri sonuçlardan otomatik öğrenerek bu verilerle çalışma becerilerini geliştiren sistemleri kapsar. Örneğin makine öğrenmesi, bir yolculuğun ne kadar süreceğini tahmin edip güzergâh önerisi veren uygulamaları çalıştırır. Makine öğrenmesi, mantıksal adımlara bölünebilen belirli ve iyi tanımlanmış işler için en uygun olanıdır.
Üretken yapay zeka patlamasından önce yapay zekadan söz edildiğinde genellikle veriye dayanarak tahmin yapmayı öğrenebilen makine öğrenmesi modelleri kastediliyordu. Bu modeller örneğin bir röntgende tümör belirtisi olup olmadığını ya da bir borçlunun krediyi ödemeyebileceğini tahmin etmek için milyonlarca örnekle eğitilir.

Derin öğrenme nedir?
Yapay zekanın bir sonraki uygulama düzeyi derin öğrenme olarak bilinir. Derin öğrenme, saptanması zor birçok değişkenin bulunduğu karmaşık işleri kapsar. Derin öğrenme, bilgisayarları beynimiz gibi çalıştırmaya çalışan sinir ağlarını kullanır. Derin öğrenme, büyük ve karmaşık bir sinir ağı oluşturmak için üst üste yığılmış birçok sinir ağından yararlanır.
Derin öğrenme, modeli bol miktarda veriyle eğitmek ve eğitilmiş modelleri karar vermek için kullanmak üzere çok fazla bilgi işlem gücü ister. Dijital asistanlar bir örnektir: Amazon Alexa, Apple Siri ve Google Assistant.
2011’de IBM’in Watson’ı ABD’deki Jeopardy! yarışma programını kazandı. 2016’da Google DeepMind’ın AlphaGo yapay zekası, karmaşık Çin oyunu Go’da bir insan büyük ustayı yendi. İnsanlar, yapay zekanın takım çalışması gerektiren oyunlarda pek iyi olmadığını söylüyor.
Üretken yapay zeka nasıl çalışır?
Üretken yapay zeka, belirli bir veri kümesi hakkında tahmin yapmak yerine yeni veri oluşturmak için eğitilmiş bir makine öğrenmesi modeli olarak düşünülebilir. Üretken yapay zeka sistemi, eğitildiği verilere benzeyen daha fazla nesne üretmeyi öğrenen sistemdir. Bu güçlü makine öğrenmesi modelleri, 50 yıldan daha eskiye uzanan araştırma ve hesaplama ilerlemelerinden yararlanıyor.
Üretken yapay zekanın erken bir örneği, çok daha basit bir model olan Markov zinciridir. Yöntem, adını 1906’da rastgele süreçlerin davranışını modellemek için bu istatistik yöntemini getiren Rus matematikçi Andrey Markov’dan alır. Makine öğrenmesinde Markov modelleri uzun zamandır, bir e-posta programındaki otomatik tamamlama gibi sonraki kelimeyi tahmin etme işlerinde kullanılıyor. Metin tahmininde bir Markov modeli, cümledeki bir önceki kelimeye ya da birkaç önceki kelimeye bakarak sonraki kelimeyi üretir. Bu basit modeller yalnızca bu kadar geriye bakabildiği için inandırıcı metin üretmede iyi değildir.
ChatGPT ve benzeri sistemlerin temelindeki modeller, bir Markov modeliyle büyük ölçüde aynı biçimde çalışır. Büyük fark şu: ChatGPT çok daha büyük ve karmaşıktır, milyarlarca parametresi vardır. ChatGPT, çok büyük miktarda veriyle, bu durumda internetteki herkese açık metnin büyük bölümüyle eğitildi.
Bu dev metin yığınında kelimeler ve cümleler, belirli bağımlılıklar içeren dizilerde yer alır. Bu tekrar, modelin metni belli ölçüde öngörülebilir istatistiksel parçalara ayırmayı anlamasına yardım eder. Model bu metin bloklarının örüntülerini öğrenir ve bu bilgiyi sonra ne gelebileceğini önermek için kullanır.
Hangi mimariler kullanılıyor?
2014’te Montreal Üniversitesi araştırmacıları, üretken çekişmeli ağ (GAN) adlı bir makine öğrenmesi mimarisi önerdi. GAN’lar birlikte çalışan iki model kullanır: biri hedef çıktıyı (örneğin bir görüntüyü) üretmeyi, öteki gerçek veriyi üreticinin çıktısından ayırt etmeyi öğrenir.
Difüzyon modelleri bir yıl sonra Stanford Üniversitesi ve California Üniversitesi Berkeley araştırmacıları tarafından tanıtıldı. Çıktılarını yinelemeli olarak inceltmeleriyle bu modeller, eğitim veri kümesindeki örneklere benzeyen yeni örnekler üretmeyi öğrenir.
2017’de Google araştırmacıları, ChatGPT’ye güç verenler gibi büyük dil modellerinin geliştirilmesinde kullanılan transformer mimarisini tanıttı. Transformer, metindeki her kelimeyi bir belirteç (token) olarak kodlar ve her belirtecin öteki belirteçlerle ilişkisini gösteren bir dikkat haritası üretir. Bu dikkat haritası, transformer’ın yeni metin üretirken bağlamı anlamasına yardım eder. Bu yaklaşımların ortak noktası, girdileri sayısal temsiller olan belirteç kümelerine dönüştürmeleridir.
Tablolu veriler gibi yapılandırılmış veriler üzerinde tahmin yapma işlerinde üretken yapay zeka modelleri genellikle geleneksel makine öğrenmesi yöntemlerinden geride kalır.
Riskler ve çevresel maliyet
Üretken yapay zeka sohbet botlarının çağrı merkezlerinde kullanılması, bu modellerin uygulanmasının olası kırmızı bayraklarından birini, işçilerin yerinin alınmasını öne çıkarıyor. Üretken yapay zeka, eğitim verisindeki önyargıları miras alıp yayabilir ya da nefret söylemini ve yanlış ifadeleri güçlendirebilir. Modeller, belirli bir insan yaratıcıya ait gibi görünen içerik üretebilir ve bu telif sorunlarına yol açabilir.
2026’da yayımlanan bir BM Üniversitesi raporuna göre 2030’a kadar yapay zekayı çalıştıran küresel veri merkezlerinin 945 terawatt-saat elektrik tüketmesi bekleniyor. Raporun saptamasına göre yapay zekanın çevresel maliyeti sistematik olarak yanlış ölçülüyor.
Bir model yayına alındığında çıkarım, yani modellerin günlük kullanıcı istemlerini yanıtlamak için sürekli çalışması, toplam yapay zeka enerji kullanımının yüzde 80 ila 90’ını oluşturan baskın maliyet olur. Tipik bir sohbet sorgusu, temel metin sınıflandırmasından yaklaşık 200 kat daha fazla enerji yoğundur. Tek bir yapay zeka görüntüsü üretmek, bu taban değerin yaklaşık 1.450 katını gerektirebilir.
Kendini sına
Yazıdan üç soru. Cevabını seç, hemen öğren.
Soru 1/3
Yapay zeka adını ve resmî bir araştırma alanı kimliğini hangi yılda kazandı?
Yapay zeka adını 1956'da aldı ve resmî bir araştırma alanı oldu. Kaynak: Energy.gov
Cevabı gör
Doğru cevap: 1956
Yapay zeka adını 1956'da aldı ve resmî bir araştırma alanı oldu. Kaynak: Energy.gov
Soru 2/3
Makine öğrenmesi sistemleri ne yapar?
Makine öğrenmesi, analiz ettikleri verilerden ve elde ettikleri sonuçlardan otomatik öğrenerek bu verilerle çalışma becerilerini geliştiren sistemleri kapsar. Kaynak: Energy.gov
Cevabı gör
Doğru cevap: Analiz ettikleri verilerden ve sonuçlardan otomatik öğrenerek çalışma becerilerini geliştirir
Makine öğrenmesi, analiz ettikleri verilerden ve elde ettikleri sonuçlardan otomatik öğrenerek bu verilerle çalışma becerilerini geliştiren sistemleri kapsar. Kaynak: Energy.gov
Soru 3/3
Transformer mimarisi metindeki her kelimeyi ne olarak kodlar?
Transformer, metindeki her kelimeyi bir belirteç (token) olarak kodlar ve her belirtecin öteki belirteçlerle ilişkisini gösteren bir dikkat haritası üretir. Kaynak: MIT
Cevabı gör
Doğru cevap: Bir belirteç (token) olarak
Transformer, metindeki her kelimeyi bir belirteç (token) olarak kodlar ve her belirtecin öteki belirteçlerle ilişkisini gösteren bir dikkat haritası üretir. Kaynak: MIT


