Yapay zeka (YZ), insan zekâsına özgü kabul edilen öğrenme, akıl yürütme, problem çözme ve karar verme gibi görevleri yerine getirebilen sistemlerin tasarlanmasıyla ilgilenen bir bilgisayar bilimi dalıdır. Kavramın kökleri, Alan Turing'in 1950 yılında sorduğu "makineler düşünebilir mi?" sorusuna kadar uzanır. O günden bu yana soru değişmedi; ama cevabı inşa etme biçimimiz kökten dönüştü.

Bugün yapay zeka; sağlık, finans, ulaşım, üretim ve eğlence gibi pek çok sektörü baştan aşağı dönüştürüyor. Ancak yapay zekayı gerçek anlamda güçlü kılan şey, belirli bir görevi yerine getirmesi değil; deneyimden öğrenerek zamanla gelişebilmesidir. Klasik yazılımlar sabit kurallarla çalışırken, yapay zeka sistemleri verideki örüntüleri fark ederek kendi "kurallarını" kendileri çıkarır.

Yapay Zeka Nasıl Çalışır?

Karmaşık görünse de, çoğu yapay zeka sisteminin işleyişi temelde dört aşamaya indirgenebilir:

Veri işleme: Her şey veriyle başlar. Sistem; metin, görüntü, ses ya da sayısal kayıtlar gibi büyük miktarda ham veriyi toplar ve işlenebilir bir forma getirir. Verinin kalitesi, sistemin nihai başarısını doğrudan belirler.

Örüntü tanıma: İşlenen veri içinde tekrar eden ilişkileri, benzerlikleri ve düzenlilikleri tespit eder. Bu aşama, modelin "öğrenme" dediğimiz sürecin temelini oluşturur.

Tahminleme: Öğrenilen örüntüler üzerinden, daha önce görmediği yeni veriler için tahminler üretir ya da kararlar alır. Bir e-postanın spam olup olmadığını belirlemek bu aşamanın somut bir örneğidir.

Önyargı (Bias): Sistem, eğitildiği verideki örüntüleri öğrendiği için, o verideki dengesizlikleri ve önyargıları da miras alır. Bu, yapay zekanın en kritik ve en çok tartışılan yönlerinden biridir; çünkü adil olmayan veriler, adil olmayan sonuçlar üretir.

Yapay Zekanın Üç Temel Ayağı

Yapay zekayı, içi içe geçmiş matruşka bebeklerine benzetmek mümkün. En dışta yapay zeka kavramının kendisi yer alır; onun içinde makine öğrenmesi, onun içinde derin öğrenme ve bu yapıyla iç içe geçen doğal dil işleme bulunur. Üçü birlikte, modern yapay zekanın omurgasını oluşturur.

1. Makine Öğrenmesi

Makine öğrenmesi, sistemlerin açıkça programlanmadan veriden öğrenmesini sağlayan yaklaşımların genel adıdır. Üç ana öğrenme biçimi öne çıkar:

  • Gözetimli öğrenme (Supervised Learning): Model, girdi ve doğru çıktı çiftlerinden oluşan etiketli verilerle eğitilir; amaç yeni girdiler için doğru çıktıyı tahmin etmektir.
  • Gözetimsiz öğrenme (Unsupervised Learning): Etiketlenmemiş veri içindeki gizli yapıları, kümeleri ve ilişkileri kendi başına keşfeder.
  • Pekiştirmeli öğrenme (Reinforcement Learning): Bir ortamla etkileşime girerek, aldığı ödül ve cezalara göre deneme-yanılma yoluyla en iyi stratejiyi öğrenir.

2. Derin Öğrenme

Derin öğrenme, makine öğrenmesinin çok katmanlı yapay sinir ağlarını kullanan bir alt dalıdır. Buradaki "derin" kelimesi, ağdaki gizli katman sayısının fazlalığına işaret eder. Bu çok katmanlı yapı sayesinde sistemler; görüntü tanıma, konuşma tanıma ve doğal dil işleme gibi alanlarda son yıllarda büyük sıçramalar yaşanmasını sağladı.

3. Doğal Dil İşleme (NLP)

Doğal dil işleme, bilgisayarların insan dilini anlamasını, yorumlamasını ve üretmesini sağlayan alandır. Sohbet botları, makine çevirisi ve duygu analizi gibi uygulamaların temelinde yatar. Günümüzdeki en gelişmiş NLP sistemleri, transformer mimarisi üzerine kuruludur.

Bu üç bileşen birbirini tamamlar: makine öğrenmesi genel çerçeveyi çizer, derin öğrenme bu çerçeveyi ölçeklendirecek gücü sağlar, doğal dil işleme ise bu gücü insan diliyle buluşturur.

Yapay zeka, makine öğrenmesi, derin öğrenme ve yapay sinir ağları arasındaki iç içe ilişkiyi gösteren diyagram
Yapay zekanın iç içe geçmiş alt alanları

Yapay Sinir Ağları: Beynin Matematiksel Kopyası

Modern yapay zekanın başarısının sırrı büyük ölçüde burada saklı. Yapay sinir ağları, insan beynindeki nöronların birbirleriyle bağlantı kurma biçiminden ilham alır. Biyolojik bir nöron nasıl elektrik sinyalleri alıp işliyor ve bir sonrakine iletiyorsa, yapay bir nöron da sayısal girdileri alır, bir ağırlıkla çarpar ve bir aktivasyon fonksiyonundan geçirerek bir sonraki katmana iletir.

"Bunun 'kara kutu' dediğimiz bir yönü var. Tam olarak anlamıyorsunuz. Neden bunu söylediğini ya da neden hata yaptığını tam olarak kestiremiyorsunuz."

Sundar Pichai'nin de işaret ettiği gibi, bu ağların iç işleyişinin tamamını ayrıntısıyla takip etmek mümkün değil. Ama genel mimarisi oldukça nettir.

Katmanlar

Bir yapay sinir ağı, birbirine bağlı üç tür katmandan oluşur:

  • Girdi Katmanı (Input Layer): Ham veriyi alır. Örneğin 28x28 piksellik bir görüntü için 784 nörondan oluşan bir girdi katmanı kullanılabilir.
  • Gizli Katmanlar (Hidden Layers): Verinin işlendiği, örüntülerin soyutlandığı katmanlardır. Ağın "kara kutu" olarak adlandırılan kısmı burasıdır.
  • Çıktı Katmanı (Output Layer): İşlenen bilginin nihai tahmin ya da karar olarak dışarı verildiği katmandır.
Girdi, gizli ve çıktı katmanlarından oluşan bir yapay sinir ağı şeması
Bir yapay sinir ağının temel katman yapısı

Öğrenme Nasıl Gerçekleşir?

Bir yapay sinir ağı ilk kurulduğunda, hiçbir şey "bilmez". Öğrenme, ağdaki bağlantıların ağırlıklarının (weight) kademeli olarak optimize edilmesiyle gerçekleşir. Bu süreç şu adımlarla işler:

  1. İleri Yayılım (Forward Propagation): Girdi veri, ağ boyunca katmanlardan geçerek bir çıktı üretir.
  2. Aktivasyon Fonksiyonları: Her nöronda ReLU veya Sigmoid gibi fonksiyonlar, sinyalin bir sonraki katmana ne ölçüde aktarılacağını belirler.
  3. Hata Hesabı (Loss Calculation): Üretilen çıktı, gerçek/doğru değerle karşılaştırılarak bir hata (kayıp) değeri hesaplanır.
  4. Geriye Yayılım (Backpropagation): Hesaplanan hata, ağ boyunca geriye doğru yayılarak her ağırlığın hataya ne kadar katkıda bulunduğu belirlenir.
  5. Ağırlık Güncelleme: Ağırlıklar, hatayı azaltacak yönde küçük adımlarla güncellenir.

Bu döngü, eğitim verisi üzerinden defalarca tekrarlanır; her bir tam tekrara "epoch" adı verilir. Zamanla ağ, hatasını giderek azaltarak doğru tahminler üretmeyi öğrenir.

Overfitting: Sınav Ezberinin Yapay Zeka Hali

Bir model, eğitim verisini "ezberlediğinde" -yani eğitim verisinde mükemmel performans gösterirken daha önce görmediği yeni verilerde başarısız olduğunda- buna overfitting (aşırı öğrenme) denir. Tıpkı bir öğrencinin konuyu kavramak yerine soruların cevaplarını ezberlemesi gibi, model de genelleme yeteneğini kaybeder.

Bu sorunu azaltmak için kullanılan başlıca teknikler arasında dropout (eğitim sırasında rastgele nöronların devre dışı bırakılması), L1/L2 regularization (büyük ağırlıkları cezalandırarak modeli sadeleştirme) ve early stopping (modelin doğrulama verisindeki performansı kötüleşmeye başladığı anda eğitimi durdurma) yer alır.

Sonuç

Yapay zeka, kişiselleştirilmiş tıptan iklim değişikliğiyle mücadeleye, uyarlanabilir eğitimden bilimsel keşiflerin hızlandırılmasına kadar pek çok alanda dönüştürücü bir potansiyel taşıyor. Ancak bu potansiyel, beraberinde etik, önyargı, mahremiyet ve iş gücü üzerindeki etkiler gibi ciddi sorumlulukları da getiriyor.

Bu sistemleri tasarlayan, eğiten ve hayata geçiren mühendisler olarak; yalnızca modellerin ne kadar "iyi" çalıştığıyla değil, kimin için ve hangi değerlerle çalıştığıyla da ilgilenmek zorundayız. Çünkü gelecek, büyük ölçüde bugün attığımız bu temellerin üzerine inşa edilecek.

Kaynaklar: Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. · Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach. · LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature. · Nielsen, M. (2015). Neural Networks and Deep Learning ve diğerleri.