Yapay Zeka Nedir? Makine Öğrenimi Sistemleri Nasıl Çalışır?

IBM'e göre yapay zeka (YZ), bilgisayarların ve makinelerin insani öğrenme, kavrama, problem çözme, karar verme, yaratıcılık ve özerkliği simüle etmesini sağlayan bir teknoloji alanıdır.

Dar yapay zeka ile genel yapay zeka

IBM iki geniş kategori arasında ayrım yapıyor. Zayıf yapay zeka olarak da adlandırılan dar yapay zeka, sesli asistan veya sohbet botu gibi tek bir belirli görev için tasarlanmış sistemleri kapsıyor. Güçlü yapay zeka olarak da bilinen genel yapay zeka ise, birçok görevde insan düzeyinde veya insanüstü düzeyde geniş bir kavrayışa sahip, teorik bir sistemi ifade ediyor; IBM, bu tür sistemlerin şu anda mevcut olmadığını belirtiyor.

Makine öğrenimi: çoğu yapay zekanın arkasındaki motor

IBM'in açıklamasına göre makine öğrenimi (ML), eğitim verilerinden örüntüler öğrenen ve ardından yeni veriler hakkında çıkarımlar yapan algoritmalara odaklanan yapay zeka alt kümesidir. Geleneksel programlamadan temel farkı, bir programcının her kuralı tek tek belirtmek zorunda olmamasıdır. IBM, spam tespiti örneğini veriyor: kurallara dayalı bir program, spam'in neye benzediğini bir insanın tanımlamasını gerektirirken, bir ML modeli birçok örnek e-postayı kendi başına inceleyerek spam özelliklerini öğrenir.

Üç ana öğrenme türü

IBM'e göre makine öğrenimi sistemleri genellikle üç yoldan biriyle eğitilir. Denetimli öğrenme, öğeleri sınıflandırma veya bir fiyat gibi sürekli bir değeri tahmin etme gibi görevler için bilinen doğru cevaplara sahip etiketlenmiş verileri kullanır. Denetimsiz öğrenme, etiketlenmemiş verilerle çalışır ve benzer müşterileri gruplandırmak gibi gizli bir yapı arar. Pekiştirmeli öğrenme ise bir sistemi deneme yanılma yoluyla eğitir; onu bir hedefe doğru ilerleten eylemleri ödüllendirerek, sistemin zamanla en uygun stratejiyi öğrenmesini sağlar.

Yapay zekanın hâlihazırda karşımıza çıktığı yerler

IBM, mevcut uygulamalar olarak müşteri hizmetleri sohbet botlarını, dolandırıcılık tespitini, kişiselleştirilmiş pazarlama önerilerini, yapay zeka destekli işe alım taramasını, kod oluşturma araçlarını ve öngörücü bakımı sıralıyor. Ayrıca IBM'in makine öğrenimine genel bakışı, otonom araçları, e-posta spam filtrelemesini, tıbbi teşhis desteğini, öneri motorlarını ve dil çevirisini de hâlihazırda kullanılan ML temelli teknolojiler listesine ekliyor.

Bilinen sınırlamalar: halüsinasyonlar ve önyargı

MIT Sloan'ın Öğretim ve Öğrenme Teknolojileri grubuna göre, üretken yapay zeka sistemleri gerçekmiş gibi görünen "halüsinasyonlar" — yani uydurma bilgiler — üretebiliyor. MIT Sloan, bir avukatın hukuki araştırma için ChatGPT'yi kullandığı ve aracın var olmayan dava referansları uydurduğu, yaygın şekilde haberleştirilmiş bir vakaya dikkat çekiyor. Grup, genel amaçlı sohbet botlarının test edilen hukuki sorguların yüzde 58 ila yüzde 82'sinde halüsinasyon gördüğünü, erişim destekli üretim (retrieval-augmented generation) kullanan özel hukuki araçların ise vakaların yüzde 17'sinden fazlasında hâlâ halüsinasyon gösterdiğini bulan araştırmalara atıfta bulunuyor.

MIT Sloan, halüsinasyonları üç faktöre bağlıyor: modellerin yeniden üretebileceği, doğru ve yanlış bilgilerin karıştığı eğitim verileri; üretken sistemlerin temel tasarımı — bu sistemler gerçekleri doğrulamak yerine makul görünen bir sonraki kelimeyi tahmin eden "gelişmiş otomatik tamamlama araçları" gibi işlev görüyor; ve temiz eğitim verileriyle bile modellerin örüntüleri yeni, bazen hatalı şekillerde birleştirmesine izin veren mimari sınırlamalar.

Önyargı konusunda MIT Sloan, çalışmaların yapay zeka sistemlerinin üretilen görsellerde cinsiyet ve ırk stereotiplerini güçlendirebildiğini ve bir istemdeki demografik ipuçlarına bağlı olarak farklı kalitede geri bildirim, notlandırma veya mesleki tavsiyeler üretebildiğini bulduğunu bildiriyor. Grup, bunu mevcut toplumsal önyargıları içeren ve modellerin doğruyu yanlıştan ayırt etme becerisi olmadan yeniden ürettiği eğitim verilerine bağlıyor. IBM'in genel bakışı ise ayrıca, yapay zeka dağıtan kuruluşlar için daha geniş endişeler olarak zehirleme veya gömülü önyargı gibi veri risklerini, hırsızlık veya parametre manipülasyonu gibi model risklerini ve model sapması gibi operasyonel riskleri işaret ediyor.

Bunun şu anda neden önemli olduğu

IBM, modern yapay zeka tartışmasına, yalnızca mevcut verilerden sınıflandırma veya tahmin yapmak yerine özgün metin, görsel, video ve diğer içerikleri oluşturan sistemler olan üretken yapay zekanın hâkim olduğunu belirtiyor. Bu araçlar iş yerlerine, okullara ve günlük uygulamalara ulaştıkça, aynı temel mekanizma — eğitim verilerinden örüntü öğrenmek — hem bu sistemlerin yeteneklerini hem de MIT Sloan'ın tarif ettiği halüsinasyon ve önyargı sorunları da dahil olmak üzere belgelenmiş sınırlamalarını açıklamaya yardımcı oluyor.