Yapay Zeka Nedir? Temel Bir Rehber

Bir yapay zeka fırtınasıdır gidiyor. Her gün yeni bir gelişme ile güne başlıyoruz. Bu alanın uzmanları bile bu hıza yetişmekte güçlük çekiyor. Yapay zeka nedir? Yapay zeka çağını yakalamak için ne yapabilirim? Bu rehber, yapay zeka, temel kavramlar ve çeşitli türleri konusunu daha iyi anlamanıza yardımcı olacaktır.

Hadi! Hemen başlayalım

Akıllı cihazların, insan gibi düşünebilme öğrenebilme karar verebilme ve problem çözebilme yeteneklerini kazanmasını sağlayan bir teknoloji dalıdır.

Bu alandaki ana hedef, makinelerin öğrenme, problem çözme, dil anlama, plan yapma, görsel algılama ve diğer bilişsel süreçleri gerçekleştirebilmesidir. Makine derken aklımıza resimdeki gibi dişliler gelmesin. İçinde yazılım olan cihazları makine olarak isimlendiriyoruz.

Bu başlık boyunca klasik bir makine olan hesap makinesi ile gelişmiş bir yapay zeka olan ChatGPT’yi karşılaştıracağız.

1950’lerde ortaya atılan bir fikri, neden bugün çok duyuyoruz?

Alan Turing, 1950 yılında “Makineler düşünebilir mi?” sorusunu ortaya atarak ve Turing Testi’ni geliştirerek yapay zeka kavramının temellerini attı. Ancak “yapay zeka” (artificial intelligence) terimi, 1956 yılında Dartmouth Konferansı’nda John McCarthy tarafından ilk kez kullanılarak literatüre kazandırıldı.

Yapay zeka, 1950’lerde ortaya atılan bir kavram olmasına rağmen, günümüzde bu kadar popüler olmasının iki temel sebebi var:

1. Veri artışı: Akıllı telefonlar, sosyal medya ve akıllı cihazların günlük hayatımıza girmesiyle birlikte muazzam miktarda veri üretilmeye başlandı. Bu büyük veri havuzu, yapay zekanın geliştirilmesini zorunlu hale getirdi.
2. İşlem gücü: NVIDIA’nın 2010’da geliştirdiği güçlü GPU’lar (Grafik İşlem Birimleri), yapay zeka sistemlerinin bu büyük veriyi işleyebilmesini mümkün kıldı.

Bu iki faktörün bir araya gelmesi, 1950’lerde teorik olarak ortaya atılan yapay zeka kavramının pratik uygulamalarının önünü açtı ve bugünkü yaygın kullanımını mümkün kıldı.

Şöyle bir örnek verelim. Claude ve ChatGPT gibi büyük dil modelleri 

• Web sayfaları
• Kitaplar
• Wikipedia makaleleri
• Sosyal medya içerikleri
• Akademik yayınlar
• Program kodları
• PDF dokümanları ile eğitiliyor.

GPU’lar olmadan, Claude veya ChatGPT gibi bir modeli (sadece CPU’lar kullanarak) İnternetteki tüm bilgi kaynaklarını kullanarak eğitmek yaklaşık 250,000 yıl sürerdi. Günümüzde ise 3-4 ay sürmektedir.

• Öğrenme: Verilerden deneyim edinipi bu bilgileri karar almak için kullanmakta. Hesap makinesi böylesi kararları alamaz.
• Problemi Çözme: Verilen görevleri analiz ederek en uygun çözümü üretmekte. Hesap makinesi verilen matematiksel işlemi daha önce belirlenen kurallar dahilinde yapar. ChatGPT ise, analiz ederek uygun çözüm üretir.
• Adaptasyon: Yeni verilere ve durumlara göre kendini uyarlayabilmektedir. Hesap makinesi kendini duruma göre adapte edemez. Ama ChatGPT sizin durumunuza göre özel sonuç üretir.

Yapay zeka, birçok temel kavram ve teknolojiyi içerir. Aşağıdaki resimde yapay zekanın alt kavramlarını görmektesiniz. Yapay Zeka Nedir? sorusu çerçevevinde yapay zeka ve alt kavramlarını açıklayalım

Makine öğrenmesi, bilgisayarların verilerden öğrenerek kendilerini geliştirmelerini sağlayan yapay zekanın alt dalıdır. ML, genellikle belirli algoritmalar ve istatistiksel tekniklerle gerçekleştirir.

 Bu alandaki en popüler öğrenme yöntemler şunlardır:

• Denetimli Öğrenme: Etiketli verilerle modelin eğitildiği bir öğrenme şeklidir. Örneğin çarpmayı öğrenen model. Aşağıda çarpma ile ilgili girdi ve çıktı verileri bulunmaktadır. Verinin %80’i ile makine öğrenemesi modelini eğitiyoruz. A ve B sütununda ki sayıların C sütunu ile bağıntısını çözmeye çalışıyor. Modele girdi (X_Train) olarak veriliyor. Sonrasında çıktı (y_train) veriliyor. Bu şekilde aradaki ilişkiyi öğrenmesini istiyoruz. Daha sonra, modelin hiç görmediği %20 (X_test) veri ile test ediyoruz. En son olarak test sonucunda modelin tahmin ettiği sonuç ile gerçek sonucu (y_test) karşılaştırıyoruz. Sonuç istediğimiz seviyede ise model öğrendi diyoruz. Değilse, tekrar eğitmek için ayarlamalar (tuning) yapıyoruz.

Finansal analizler, hastalık teşhisi, hava durumu tahmini bu modele örnek olarak verebiliriz.

• Denetimsiz Öğrenme: Etiketsiz verilerle modelin oluşturulduğu bir yöntemdir. Üstteki örnekte verileri biz verdik ve bağıntıyı bulmasını istedik. Bu yöntemde modele öncesinde veri vermiyoruz. Mesela, bir yeni bir alışveriş sitesine girdiğinizde sistem sizin hakkınızda bilgi sahibi değildir. Ürünlere baktıkça benzer ürünleri size göstermesi denetimsiz öğrenme yöntemidir. Youtbe, netfix, instagram platformları bu modele örnek olarak verilebilir.

• Pekiştirmeli Öğrenme: Makinelerin ödüller veya cezalara göre kendilerini eğittiği bir yöntemdir. Oyunlar, otonom araçlar, finans..vb alanlarda kullanılır. Örneğin, ChatGPT’nin ürettiği sonucu beğenmediğinizde sisteme negatif bir pekiştireç gidiyor.

Algoritmalar üç ana gruba ayrılır: tahminleme, sınıflandırma ve kümeleme. En yaygın kullanılan yöntemler tahminleme ve sınıflandırma olduğundan, bu ikisine odaklanacağız.

Regresyon algoritmaları, çıktı değişkenini tahmin etmeye yönelik kullanılan yöntemlerdir. Bu algoritmalar, verilen özellikler (features) ile sayısal bir değer arasındaki ilişkiyi modellemeye çalışır. Amaç, bağımlı değişkeni (yani tahmin edilmesi gereken değeri) bağımsız değişkenlerle (input features) doğru şekilde tahmin etmektir.

Sınıflandırma algoritmaları, hedef değişkenin kategorik (discrete) olduğu durumlarda kullanılır. Burada amaç, verilen bir giriş verisi ile hangi sınıfa ait olduğunu tahmin etmektir. Örneğin, e-posta spam mı değil mi? Ya da bir hastalık var mı yok mu? gibi ikili sınıflandırma problemleri olabilir.

Derin öğrenme, makine öğrenmesinin bir alt alanıdır ve büyük veri setlerini analiz etmek için yapay sinir ağlarını kullanır. Akıllı cihazların çok fazla veri üretmesi ve kameraların görmeye başlaması ile yeni makine öğrenmesi modellerine ihtiyaç duyuldu. 2006 yılında ilk olarak Derin İnanç Ağları ile temeli atılmış oldu.

Derin öğrenme, görüntü işleme, dil işleme ve ses tanıma gibi alanlarda kullanılmaya başlandı. Derin öğrenme sistemleri, genellikle büyük veri setleri ve yüksek işlem gücü gerektirmektedir.

Doğal dil işleme, makinelerin insan dilini anlamasını ve işlemesini sağlayan bir yapay zeka dalıdır. NLP, dilin yapısını, anlamını ve bağlamını analiz eder. Bu teknoloji,

• Sohbet Botları (Chatgpt, Claude, Deepseek)
• Çeviri Uygulamaları (Google Translate, Deepl)
• Sesli Asistanlar (Google Assistant, Siri, Alexa)

gibi birçok alanda kullanılmaktadır.

Bilgisayarla görme, bilgisayarların görsel verileri (fotoğraflar, videolar vb.) anlamasını sağlayan bir teknolojidir. YZ, görüntülerdeki nesneleri tanıyabilir, yüzleri algılayabilir ve hatta tıbbi görüntüleri analiz edebilir.

Yapay zeka, birçok sektörde ve farklı uygulama alanlarında kullanılmaktadır. İşte başlıca kullanım alanları:

Yapay zeka (AI), günümüzde birçok sektörde devrim niteliğinde yenilikler getirmiştir. İşte yapay zekanın kullanıldığı başlıca alanlar:

1. Sağlık Sektörü 🏥

Yapay zeka, tıbbi teşhis, ilaç geliştirme ve hasta takibi gibi birçok alanda kullanılmaktadır. DeepMineAi olarak sağlık alanında tamamladığımız projeleri aşağıdaki linklerden inceleyebilirsiniz.

• 🧬 Makine Öğrenmesi ile Biomarker Seçimi: Hastalıkların belirteçlerini tespit ederek tedavi süreçlerini optimize etmek için AI tabanlı modeller kullanılıyor.
• ❤️ Kalp Hastalığı Tahmini: Kalp hastalıklarını önceden tahmin etmek için hasta verileri üzerinde makine öğrenmesi modelleri uygulanıyor.
• 🩸 Kan Basıncı Bozukluklarının Tahmini: AI, bireylerin kan basıncı seviyelerini analiz ederek hipertansiyon gibi hastalıkların önceden tespit edilmesine yardımcı oluyor.
• 🧠 Beyin Cerrahisi İçin Hacimsel Alan Analizi: Beyin görüntülerini analiz ederek cerrahlara hassas veri sağlamak için AI destekli çözümler geliştiriliyor.
• 🚑 Yapay Zeka Destekli Arter Damarı Tespit: Derin öğrenme algoritmaları kullanılarak arter damarlarının otomatik olarak tespit edilmesi sağlanıyor.

Yapay zeka, finansal analiz, dolandırıcılık tespiti ve müşteri hizmetlerinde büyük rol oynuyor. Ayrıca, finans sektöründe kredi değerlendirme, dolandırıcılık tespiti ve yatırım analizleri gibi alanlarda büyük kolaylıklar sağlıyor. DeepMineAi olarak finans alanında tamamladığımız projeleri aşağıdaki linklerden inceleyebilirsiniz.

• 🛡️ Kredi Kartı Sahteciliğinin Tahmini: AI, anormal finansal işlemleri analiz ederek dolandırıcılığı önceden tespit ediyor.
• 💳 Kredi Kartı Onayının Tahmini: AI, kredi kartı başvurularının değerlendirilmesi ve onay süreçlerini optimize ediyor.
• 📈 Nike Hisse Senedi Tahmini: Hisse senedi fiyatlarını tahmin etmek için AI ve veri analitiği kullanılıyor.
• 💵 Nakit Talebi Tahmin Sistemi: Bankaların ve finans kuruluşlarının günlük nakit ihtiyaçlarını optimize etmelerine yardımcı olan AI çözümleri geliştiriliyor.

Sanayi ve teknik sektörlerde AI, süreçleri optimize etmek ve üretkenliği artırmak için kullanılıyor. DeepMineAi olarak endüstriyel alanda tamamladığımız projeleri aşağıdaki linklerden inceleyebilirsiniz.

• 🔧 Endüstriyel Cihazların Kestirimci Bakımı: AI, makinelerin arızalanmadan önce bakım gereksinimlerini tahmin ederek üretim süreçlerini optimize ediyor.
• 🛰️ GPS Cihazlarının Kalibre Edilmesi: AI, hassas konumlandırma için GPS verilerini analiz ederek cihazların doğruluğunu artırıyor.
• 🤖 Genetik Algoritma ile Hibrid Optimizasyon: AI, karmaşık optimizasyon problemlerini çözmek için genetik algoritmalar ve makine öğrenmesini birleştiriyor.

Enerji sektöründe AI, üretim tahmini ve yenilenebilir enerji yönetiminde kritik roller üstleniyor. DeepMineAi olarak enerji alanında tamamladığımız projeleri aşağıdaki linklerden inceleyebilirsiniz.

🔋 Yenilenebilir Enerji Üretim Tahmini: Güneş ve rüzgar enerjisi üretimini optimize etmek için makine öğrenmesi modelleri kullanılıyor.

• 💦 Hidroelektrik Enerji Üretimi Tahmini: Su akış verilerini analiz ederek hidroelektrik santrallerinin üretim tahminleri yapılıyor.
• 📊 MATLAB’da Üretim Tahmini Uygulaması: AI destekli tahmin modelleri ile üretim süreçleri daha verimli hale getiriliyor.

AI, sosyal medya analizlerinde duygu tahmini ve içerik sınıflandırma gibi alanlarda kullanılıyor.

• 🐦 Twitter Duygu Analizi Tahmini: Kullanıcıların sosyal medya üzerindeki duygu durumlarını belirlemek için AI tabanlı analizler yapılıyor.

Eğitim alanında AI, kişiselleştirilmiş öğrenme, sanal asistanlar ve otomatik notlandırma gibi birçok yenilik sunmaktadır.

• Kişiselleştirilmiş Eğitim 🎓: AI, öğrencilerin seviyesine göre özel içerikler sunuyor.
  • Khan Academy AI
  • Duolingo AI
• Sanal Öğretmenler ve Asistanlar 🤖: AI, öğrencilerin sorularına anlık yanıt verebiliyor.

AI, müşteri deneyimini geliştirmek ve satışları artırmak için perakende sektöründe aktif kullanılıyor.

• Ürün Öneri Sistemleri 🎯: Kullanıcı davranışlarına göre ürün önerileri sunuyor.
  • Amazon AI
  • Netflix öneri algoritması
  • Spotify AI
• Chatbotlar ve Sanal Asistanlar 💬: Birçok kurumsal firma müşteri hizmetlerinde AI tabanlı asistanlar kullanılıyor.
• Envanter ve Talep Tahmini 📊: AI, stok yönetimini optimize ederek firmaların maliyetlerini düşürüyor

Yapay zeka uzmanı olmak için programlama altyapısına, matematik ve istatistik bilgisine sahip olmak gereklidir. Ayrıca, çalışılan alana dair saha bilgisi de önemlidir. Örneğin, hisse senedi tahmini için finans bilgisi, hava tahmini için meteoroloji bilgisi gereklidir.

Günümüzde açık kaynakların artması, bilgiye erişimi kolaylaştırdı. Ücretsiz kitaplar, videolar ve ChatGPT gibi dil modelleri öğrenme sürecini kısaltmaktadır. Ayrıca, dil modellerinin kod yazma ve hata düzeltme yetenekleri, yazılım öğrenmeyi daha verimli hale getiriyor.

Yapay zeka uzmanı olmak için yeteneklerden yetenekler birkaç temel kategoriye ayrılmaktadır:

Yapay zeka alanında çalışmak isterseniz aşağıdaki yetenekleri edinmeniz gerekecektir.

• Programlama Dilleri – Python (en yaygın), Matlab veya R gibi dillerden birinde kod altyapısı.
• Makine Öğrenmesi & Derin Öğrenme – Scikit-learn, TensorFlow, PyTorch gibi kütüphanelerle çalışma bilgisi
• Veri Bilimi & İstatistik – Veri analizi, olasılık teorisi, istatistiksel modelleme
• Matematiksel Temel – Lineer cebir, optimizasyon

Yapay zeka öğrenmek isteyenlerde bazı yeteneklerin olması, öğrenme işini kolaylaştıracaktır. Bu yetenekler:

• Analitik Düşünme – Karmaşık sorunları parçalara ayırarak çözüm üretme yetisi
• Deney Tasarımı – Modellerin doğrulanması ve optimizasyonu için deneyler yapabilme
• Yeni Algoritmalar Keşfetme – Güncel akademik makaleleri takip edip yenilikçi çözümler geliştirme

Diyelim ki, Yapay zeka konusunda kendinizi geliştirmek istiyorsunuz ama kod yazmak istemiyorsunuz. Sizlerde yapay zeka çağını yakalayabilirsiniz. Nasıl mı?

Yapay zeka araçlarını etkin olarak kullanarak. ChatGPT gibi dil modelleri ile yazılarınızı yazabilirsiniz. LeonardoAi ile resimler oluşturabilirsiniz. Ai agentlarla işlerinizi otomatize edebilirsiniz. Bugünlerde bir çok işi yapmanın kolay yolu AI araçlarından geçmektedir. Bu konularda kendi geliştirerek güncel gelişmelerden faydalanabilirsiniz.

Bugünlerde birçok çalışan bu soruyu sormakta ve tedirginlik yaşamaktadır.

Autocad çizim programı çıktığında mimarlık bitti, artık bu programda herşey çiziliyor diye konuşulmuştu. Bitti mi? Bitmedi. Sadece Autocad öğrenen mimarlar daha iyi iş yaptı. Bugünlerde ise mimarlar için standart hale geldi.

Yapay zeka, standartlaşmış işlerin birçoğunu devralacak gibi görünüyor. Bir çok beyaz yakalı çalışanın yaptığı işleri yapabilecek kabiliyette. Bir sekreter gibi telefonları cevaplayabilir ve maillere cevap verebilir. Bugün bir sekreterin yapması gereken bu teknolojiyi mevcut iş akışına nasıl adapte edeceği olmalıdır.

Her yeni teknoloji yeni fırsatlar getirmektedir. Bizler bu yenilikleri takip edip, gelişmeleri iş akışlarımıza adapte etmeliyiz.

Yapay zeka, hayatımızın birçok alanında kullanılmakta ve giderek daha yaygın hale gelmektedir. Bununla birlikte, verimliliği artırarak maliyetleri düşürmekte. Ayrıca, iş süreçlerini hızlandırıp kolaylaştırmaktadır. Gelecekte yapay zekanın etkisini daha da fazla hissedeceğiz.

Siz bu gelişmelere için hazır mısınız? Yapay zeka konusunda işbirliği için çekinmeden iletişime geçebilirsiniz.