Yapay Zeka Gerçekte Nasıl Çalışır ve Şimdi Neden Önemlidir

Üye hükümetlerinin bu teknolojiye ilişkin politikaları koordine ettiği Ekonomik Kalkınma ve İşbirliği Örgütü (OECD), bir yapay zeka sistemini şöyle tanımlar: "açık veya örtük hedefler için, aldığı girdilerden, fiziksel veya sanal ortamları etkileyebilecek tahminler, içerik, öneriler veya kararlar gibi çıktılar üretmeyi çıkaran makine temelli bir sistem." OECD Konseyi, üretken yapay zeka araçlarının yaygınlaşmasıyla bu tanımı teknik açıdan doğru tutmak amacıyla 2023'te ifadeyi gözden geçirdi; bu bilgi, örgütün tanıma ilişkin kendi açıklamasında yer alıyor.

Yazılı kurallardan verilerden öğrenmeye

Eski yazılımlar, programcıların satır satır yazdığı talimatları takip ediyordu: X olursa, Y yap. Günümüzdeki yapay zekanın büyük kısmının arkasındaki yaklaşım olan makine öğrenimi ise bunun yerine bir algoritmaya büyük miktarda örnek verir ve kalıpları kendi başına çıkarmasına izin verir; bu bilgi IBM'in konuya ilişkin teknik açıklamasında yer alıyor. Eğitildikten sonra sistem, her durum için tam kurala sahip olmadan yeni bilgileri sınıflandırabilir, bir değeri tahmin edebilir, alışılmadık bir şeyi işaretleyebilir veya bir eylem önerebilir.

OECD, bir yapay zeka sisteminin işleyişini üç unsura ayırır. Girdiler, geliştirme veya kullanım sırasında sisteme beslenen veri, kod veya kurallardır. Çıkarım, sistemin bu girdilerden bir çıktı hesapladığı adımdır ve bu bir modelin oluşturulması sırasında veya dağıtıldıktan sonra gerçekleşebilir. Çıktılar ise sistemin ürettiği tahminler, içerik, öneriler veya kararlardır ve bunlar daha sonra fiziksel veya sanal bir ortamı etkileyebilir — örneğin bir aracın yönlendirmesi, önerilen video listesi veya oluşturulan bir metin paragrafı.

Bir sinir ağı sistemin içinde ne yapar

IBM'e göre, günümüzde en yaygın kullanılan makine öğrenimi yöntemi, beyinden gevşek bir şekilde esinlenen ve verileri birlikte işleyen birbirine bağlı düğüm katmanlarından oluşan bir yapı olan sinir ağıdır. Geleneksel bir programın aksine, bir sinir ağına girdiyi çıktıya bağlayan kural önceden söylenmez; bunun yerine ona çok sayıda girdi-çıktı çifti gösterilir ve tekrarlanan maruz kalma yoluyla bunları birbirine bağlayan şeyi bulmak için kendini ayarlar.

IBM'in açıklamasına göre, derin öğrenme, çok katmanlı sinir ağlarını ifade eder — tipik olarak bir girdi katmanı, en az üç (ve genellikle yüzlerce) gizli katman ve bir çıktı katmanı. Bir görüntü tanıma sisteminde, erken katmanlar kenarlar veya renkler gibi basit özelliklere tepki verme eğilimindedir; daha derin katmanlar ise bunları şekillere ve nihayetinde tanınabilir nesnelere birleştirir. Bu katmanlı yapı, sistemlerin etiketlenmemiş verilerden ilgili özellikleri otomatik olarak çıkarmasına olanak tanır; bu da günümüzün üretken yapay zeka araçlarını mümkün kılan unsurlardan biridir.

IBM'e göre, büyük bir üretken yapay zeka modeli oluşturmak genellikle üç aşama içerir: binlerce özel işlemci gerektirebilen ve milyonlarca dolara mal olabilen, genellikle etiketlenmemiş devasa veri kümeleri üzerinde ilk eğitim aşaması; modelin bazen insan geri bildirimi kullanılarak belirli görevlere uyarlandığı bir ayarlama aşaması; ve dağıtımdan sonra çıktılarını kontrol etmek ve iyileştirmek için sürekli değerlendirme.

Neden önemli: benimsenme ve yatırım rakamları

Stanford Üniversitesi İnsan Merkezli Yapay Zeka Enstitüsü'nün 2025 AI Index Raporu'nda takip edilen birkaç ölçüte göre, yapay zekanın etki alanı hızla büyüdü. Herhangi bir yapay zeka kullandığını bildiren kuruluşların oranı, bir önceki yıl %55 iken 2024'te %78'e yükseldi. Özellikle üretken yapay zeka, 2024'te küresel olarak 33,9 milyar dolar özel yatırım çekti; bu, 2023'e göre %18,7'lik bir artışa işaret ediyor. Rapora göre, Amerika Birleşik Devletleri'nde özel yapay zeka yatırımı 2024'te 109,1 milyar dolara ulaştı; bu rakam Çin'in 9,3 milyar doları ve Birleşik Krallık'ın 4,5 milyar dolarını büyük ölçüde geride bıraktı.

Rapor ayrıca yapay zeka kıyaslama (benchmark) performansında bir sıçrama kaydetti: gelişmiş sistemleri ölçmek için 2023'te tanıtılan üç testte — MMMU, GPQA ve SWE-bench — puanlar bir yıl içinde sırasıyla 18,8, 48,9 ve 67,3 puan yükseldi. Aynı rapora göre, düzenlenmiş alanlarda, ABD Gıda ve İlaç Dairesi (FDA) tarafından onaylanan yapay zeka destekli tıbbi cihaz sayısı 2015'te altıdan 2023'te 223'e yükseldi.

Rekabetin durumu

Stanford raporu ayrıca hangi ülkelerin 2024'te en dikkat çekici yapay zeka modellerini ürettiğini de takip etti: ABD merkezli kurumlar 40 model üretirken, Çin 15 ve Avrupa üç model üretti. Aynı zamanda, rapora göre, önde gelen ABD ve Çin modelleri arasındaki başlıca kıyaslamalardaki performans farkı 2023'te iki haneli rakamlardan 2024'te neredeyse eşitliğe düştü.