Teknoloji

Yapay Zekâ Hakkında Bilmeniz Gerekenler

Yazan: Alyssa Schroer

Çeviren: Ayça Soyubelli

Düzenleyen: Ümit Sözbilir

Özet: Yapay zekâ, birçok sanayide devrim yaratan ve dünyayı değiştirme potansiyeline sahip bir teknolojidir. Verilen görevleri insanlardan daha hızlı yapabilir, ara vermeden çalışabilir ve veri kümelerinden yararlanarak kendi kendine öğrenebilir. Yaklaşık 80 yıl önce temelleri atılan yapay zekâ günümüzde hayatımızın bir parçası hâline gelecek kadar gelişmiştir. Bu yazıda yapay zekânın çalışma yöntemleri, türleri ve tarihi incelenmiştir.

Giriş

Yapay zekâ; bilgisayar biliminin genellikle insan zekâsı gerektiren görevleri yapabilen akıllı makineler inşa etmeyi görev edinmiş bir dalıdır [1]. Yapay zekânın çoklu yaklaşılabilen disiplinlerarası bir bilim olmasıyla birlikte özellikle makine öğrenmesi ve derin öğrenmealanındaki gelişmeler teknoloji dünyasının her bölümünde değerlerin değişmesine yol açmaktadır.

Yapay zekâ, makinelerin insan beyninin yetkinliklerini modellemesini hatta geliştirmesini sağlar. Sürücüsüz arabalardan ChatGPT ve Bard gibi üretken araçlara kadar yapay zekâ, hızla günlük hayatımızın ve her sanayiden şirketlerin yatırım yaptığı alanların bir parçası hâline gelmektedir.

1. Yapay Zekâyı Anlamak

Genel olarak yapay zekâ sistemleri; konuşmayı yorumlamak, oyun oynamak, örüntüleri tanımak gibi insanların bilişsel işlevleriyle ilişkili görevleri yerine getirebilir. Bunları yapmayı öğrenmek için büyük miktarda veriyi işleyip veride kendi karar mekanizmalarında kullanmak üzere örüntüler arar. Çoğu durumda insanlar, iyi kararlar verdiğinde destekleyip kötü karar verdiğinde caydırarak yapay zekâyı denetler. Bazı yapay zekâ sistemleri denetleme olmadan öğrenecek biçimde tasarlanmıştır. Bir oyunla ilgili bilgi verilmeden oyunun kurallarını ve oyunu kazanmayı öğrenene kadar tekrar tekrar oynayan bir sistem bu çeşit bir yapay zekânın örneğidir.

2. Yapay Zekânın Türleri

Zekâ kavramı açıklaması zor bir kavramdır. Bu sebeple uzmanlar yapay zekâyı güçlü ve zayıf olmak üzere ikiye ayırır.

2.1 Güçlü Yapay Zekâ (Genel Yapay Zekâ)

Güçlü yapay zekâ: İnsanlar gibi, daha önce veri ile desteklenmediği problemleri çözebilen bir sistemdir. Bu, filmlerde gördüğümüz robotlarınkine benzer bir sistemdir fakat daha geliştirilememiştir. İnsan seviyesinde bir zekâya sahip makinelerin yaratılması yapay zekâ araştırmacıları için kutsal bir hedef olsa da bu hedefe giden yol birçok zorlukla doludur. Bazılarına göre de doğru sınırları koymadan güçlü bir yapay zekâ oluşturmak tehlikelidir ve bu araştırmalar sınırlandırılmalıdır.

2.2 Zayıf Yapay Zekâ (Dar Yapay Zekâ)

Zayıf yapay zekâ: Sınırlı bağlamda çalışabilen ve araba kullanmak, konuşmaları yazıya aktarmak gibi kısıtlı görevleri yerine getirmek için tasarlanmış bir sistemdir. Zayıf yapay zekâ sıklıkla tek görevini mükemmele yakın biçimde yapabilmeye odaklanır. Bu makineler bizlere akıllı görünse de arka planda insan zekâsına kıyasla birçok sınırlandırma ve koşulla çalışır.

Günümüzde kullanılan bazı zayıf yapay zekâ örnekleri şunlardır:

  • Siri (Apple), Alexa (Amazon) ve benzer sesli sanal yardımcılar,
  • Sürücüsüz arabalar,
  • Google ve benzer arama motorları,
  • Sanal sohbet robotları,
  • İstenmeyen elektronik posta filtreleri,
  • Netflix gibi televizyon hizmetlerinin film önerilerini yapan algoritmalar.

3. En Çok Karıştırılan Öğrenme Yöntemleri

Makine öğrenmesi ve derin öğrenme kavramları her ne kadar birbiri yerine kullanılsa da birbirlerinden farklı kavramlardır. Derin öğrenme, yapay zekâ biliminin bir dalı olan makine öğrenmesinin bir çeşididir.

Sorunları çözmesi veya belirli görevleri yerine getirmesi için makineye anlayabileceği bir dilde verilen bir dizi talimata algoritma denir [2]. Bir algoritmanın verideki örüntüleri karar mekanizmasını temellendirmek için kullanmasına öğrenme işlemi denir. Algoritma, öğrenmek için birden fazla veri kümesine ihtiyaç duyar. Bu kaynakların öğrenmesi için algoritmaya sağlanmasına ise veri ile besleme denir.

Pekiştirmeli öğrenme yöntemi ile kendi kendine yürümeyi öğrenen bir makine öğrenmesi algoritması. (Kaynak: YouTube/AI Warehouse) [3]

3.1 Makine Öğrenmesi

Makine öğrenmesi için yazılan bir algoritma bilgisayar tarafından veri ile beslenir. Makine algoritması, verilen görevi kademeli olarak öğrenmek için istatistiksel teknikler kullanır. Beslenen veride zaten etiketlenmiş olan bilgileri makinenin öğrenerek yeni veri kümeleri üzerinde tahminde bulunmasına denetimli öğrenme denir. Etiketlenmemiş bir veride makinenin bu verideki örüntüleri kendi bulmaya çalışmasına ise denetimsiz öğrenme denir. Makine öğrenmesi hem denetimli öğrenmeyi hem de denetimsiz öğrenmeyi bünyesinde barındırır.

Bir sinir ağı modelinin derin öğrenme yöntemiyle Super Mario Bros. oyununu kendi kendine öğrendiği bir örnek. (Kaynak: YouTube/Chrispresso) [4]

3.2 Derin Öğrenme

Derin öğrenme yöntemiyle öğrenen makineler veriyi insan beyninden esinlenerek oluşturulmuş “sinir ağı” adı verilen bir algoritmanın girdisi olarak kullanıp çıktı elde eder. Sinir ağı, içinde verinin işlendiği birçok gizli katman içerir. Böylece makine en iyi sonuçları vermek için girdiyi tartıp bağlantılar kurarak “derin” bir öğrenme gerçekleştirebilir.

derin ogrenme
Derin öğrenme algoritmasının sinir hücreleri ile karşılaştırılması. [5]

4. Yapay Zekâ Çeşitleri

Yapay zekâ dört kategoride incelenebilir ve gerçekleştirdikleri işlemlerin karmaşıklığı ve çeşidine göre belirlenir. Bunlar:

  1. Tepki veren (reaktif),
  2. Sınırlı hafızalı,
  3. Zihin kuramı seviyesinde,
  4. Öz farkındalığa sahip makinelerdir.

4.1 Tepki Veren (Reaktif) Makineler

Tepki veren (reaktif) makine, en basit yapay zekâ kurallarını uygular ve isminden anlayacağınız gibi zekâsını sadece etrafını algılamak ve olaylara tepki vermek için kullanır. Bu makine bilgiyi muhafaza edemez dolayısıyla geçmiş tecrübelere dayanan kararlar veremez.

Dünyayı direkt algılaması reaktif makinelerin yalnızca belirli görevleri tamamlamak için tasarlandığı anlamına gelir. Kısıtlı yetileri olsa da bu tasarım makinenin daha güvenilir olmasını sağlar çünkü makine aynı olaylara her zaman aynı tepkiyi verecektir. Bu makinelere Deep Blue ve AlphaGo’yu örnek verebiliriz.

Kasparov ve Deep Blue’nun 1997’deki ikinci maçı. (Kaynak: Adam Nadel/AP Images)

4.1.1 Deep Blue

90’lı yıllarda IBM (ABD’de bir teknoloji şirketi) tarafından satranç oynayabilen bir süper bilgisayar olarak tasarlanmıştır. 1996 yılında oynadıkları ilk maçı dönemin dünya şampiyonu Garry Kasparov kazansa da 1997 yılında oynanan ikinci maçta Deep Blue galip gelmiştir [6]. Deep Blue’nun yetenekleri satranç tahtasındaki taşları tanıyabilmek ve kurallara göre yapabileceği hamlelerden en mantıklısını seçebilmektir. Makine, gelecekteki hamleleri tahmin edemez veya kendine hamle inşa edemez. Sadece o anki hamleye karşılık bir hamle belirleyebilir.

4.1.2 AlphaGo

Google tarafından tasarlanan bu makine 2016 yılında satrançtan daha karmaşık kuralları olan Go oyununda dönemin dünya şampiyonu Lee Sedol’u yenmiştir. AlphaGo da Deep Blue gibi gelecek hamleleri tahmin etme yetisine sahip değildir ancak kendi sinir ağına dayanarak oyunda o zamana kadar gerçekleşen gelişmeleri takip edebilmektedir.

4.2 Sınırlı Hafızalı Makineler

Sınırlı hafızalı yapay zekâ veriyi depolayabilir, başka veri kümelerindeki etiketsiz verinin ne olduğuna karar vermek için bu veriden faydalanabilir. Reaktif makinelerden daha karmaşık bir yapıya sahip olmakla birlikte onlardan daha fazla olasılık sunabilir.

Sınırlı hafızalı yapay zekâ, bir model eğitilirken veya modellerin eğitilmesi için yapay zekâ ortamı inşa edilirken kullanılır.

Makine öğrenmesinde sınırlı hafızalı yapay zekâ kullanılırken 6 adım takip edilir:

  1. Eğitimde kullanılacak veri kümeleri belirlenir.
  2. Makine öğrenme modeli oluşturulur.
  3. Modelin tahminde bulunabildiğinden emin olunur.
  4. Modelin insan veya çevreden gelen geri bildirimi alabildiğinden emin olunur.
  5. İnsan ve çevre geri bildirimleri veri olarak depolanır.
  6. Yukarıdaki adımlar bir döngü hâline getirilir ve tekrarlanır.

4.3 Zihin Kuramı Seviyesinde Makineler

Zihin kuramı şimdilik sadece bir kuramdır. Yapay zekânın bir sonraki seviyesine ulaşmak için erişilmesi gereken teknolojik ve bilimsel seviyeye henüz erişilememiştir. Bu kuram, diğer canlıların kişinin kendi davranışını etkileyen düşünce ve duygulara sahip olduğunu anlaması önceline1 dayalıdır. Yapay zekâ makineleri için bu durum yapay zekânın insanların, hayvanların ve diğer makinelerin nasıl hissettiğini ve nasıl karar verdiğini anlayabilmesi; bu bilgilerden faydalanarak kendi kararlarını verebilmesi anlamına gelir. Temelde bunların olabilmesi için makinelerin; zihin kavramını, karar verme sürecinde duyguların dalgalanmasını ve benzer psikolojik süreçleri gerçek zamanlı olarak anlayabilmesi ve işleyebilmesi gerekir. Bu yetenek yapay zekâ ve insanlar arasında çift taraflı bir ilişki meydana getirecektir.

(Kaynak: Dailymail) [8]

4.4 Öz Farkındalıklı Makineler

Zihin kuramı ulaşılabilir olduktan sonra yapay zekânın öz farkındalık kazanmasıyla son adım tamamlanacaktır. Bu yapay zekâ, insan seviyesinde bir bilince sahip olmakla birlikte varlığını ve diğerlerinin varlığını kavrayabilecektir. Etrafındakilerin nelere ihtiyaç duyduğunu sadece iletişim kurarak değil, nasıl iletişim kurduğuna dayanarak da anlayabilecektir. Bu yapay zekânın geliştirilebilmesi, araştırmacıların bilincin nasıl oluştuğunu anlayabilmesi ve bunu makinelere inşa edilebilecek şekilde kopyalayabilmesine bağlıdır.

5. Yapay Zekâ Örnekleri

Yapay zekâ teknolojisi sohbet robotları, yol kılavuzu uygulamaları ve akıllı saatler gibi farklı alanlarda kullanılır.

ChatGPT arayüzü (Kaynak: ChatGPT)

5.1 ChatGPT

ChatGPT; her konuda makale yazabilen, istenilen programları kodlayabilen veya sorulan soruları cevaplayabilen bir yapay zekâ sohbet robotudur. 2022 yılının kasım ayında OpenAI tarafından kullanıma açılmıştır. ChatGPT insanların yazma şeklini taklit edebilmesini sağlayan geniş bir dil modeli tarafından desteklenmektedir.

5.2 Google Maps

Google Maps; kullanıcıların akıllı telefonlarından konum verisi toplayarak trafiğin akışını takip eden, kullanıcıların rapor edebildiği inşaat veya kaza gibi olayları da göz önünde bulundurarak aracın kullanabileceği en kısa rotayı belirleyen bir programdır.

5.3 Akıllı Kişisel Asistanlar

Siri, Alexa ve Cortana gibi akıllı kişisel asistanlar doğal dil işleme yöntemi kullanarak kullanıcılardan aldıkları alarm kurma, mesaj gönderme gibi işlemleri gerçekleştirir. Genelde bu asistanlar insanların tercihlerini öğrenerek onlara daha uygun önerilerde bulunacak şekilde tasarlanmıştır.

5.4 Snapchat Filtreleri

Snapchat uygulamasının kamera filtreleri bir obje ile arka planı ayırt edebilmek için makine öğrenmesi algoritmalarını kullanır. Filtreler yüz hareketlerini takip ederek ekrandaki görseli kullanıcıya göre ayarlayabilir.

5.5 Sürücüsüz Arabalar

Kendi kendini süren bu arabalar derin öğrenmenin önemli bir örneğidir. Etrafındaki nesneleri tespit edip diğer araçlara uzaklığını ayarlamak ve trafik ışıklarını tanımak gibi birçok görev için derin sinir ağını kullanır.

Waymo şirketinin geliştirdiği bir sürücüsüz araba. (Kaynak: Dllu, Wikimedia Commons)

5.6 Giyilebilir Teknoloji

Özellikle sağlık hizmetlerinde kullanılan giyilebilir cihazlar da hastaların sağlık durumunu belirlemek; kan şekerini, kan basıncını ve kalp ritmini ölçmek için derin öğrenme algoritmalarını kullanır. Bunların yanında hastaların geçmiş tıbbi verisini gelecekte oluşabilecek sağlık sorunlarını tahmin etmek için kullanır.

5.7 MuZero

Google DeepMind tarafından geliştirilen MuZero gerçek yapay genel zekâya ulaşma arayışında umut verici bir öncüdür. MuZero, satranç ve bir Atari oyun paketinin tamamı dahil olmak üzere kuralları bile öğretilmemiş birçok oyunu milyonlarca kez oynayarak bu oyunlarda ustalaşmayı başarmıştır. MuZero, aslında AlphaGo’nun en gelişmiş hâlidir [9].

6. Yapay Zekânın Faydaları

Yapay zekânın aşı geliştirilmesinin hızlandırılmasından muhtemel dolandırıcıların belirlenmesine kadar birçok kullanım alanı vardır. CB Insights araştırma platformuna göre 2022 yılında yapay zekâ şirketlerine 66,8 milyar dolar bütçe desteği sağlanmıştır [10]. Hızla benimsenmesiyle yapay zekâ çeşitli sanayilerde kullanılmaya başlanmıştır.

6.1 Güvenli Bankacılık

Business Insider Intelligence’ın 2022 yılında bankacılıkta yapay zekânın kullanımını konu alan raporu bankaların mali servislerinin yarısından fazlasının risk yönetimi ve gelir yaratmak için yapay zekâyı kullandığını göstermiştir. Bankalarda yapay zekânın kullanılması 400 milyar dolara kadar kâr edilmesini sağlama kapasitesine sahiptir [11].

6.2 Daha İyi İlaçlar

2021 Dünya Sağlık Örgütü raporuna göre yapay zekâyı sağlık hizmetleriyle bütünleştirmenin zor yanları olsa da büyük umut vadetmektedir [12]. Yapay zekânın katkıları daha bilinçli sağlık politikalarının oluşması ve hastalıkların teşhisinin doğruluğunun artması gibi faydalar sağlayacaktır.

6.3 Yenilikçi Medya

Grand View Research’e göre yapay zekânın medyada kullanımı için küresel pazarın 2030 yılına kadar 2021 yılındaki 10,87 milyar dolarlık değerinin yaklaşık 10 katına çıkarak 99,48 milyar dolar değerine ulaşacağı tahmin edilmektedir [13]. Bu artışta yapay zekânın intihal tespit etme ve yüksek çözünürlüklü grafikler oluşturma gibi kullanımlarının da payı olacağı düşünülmektedir.

7. Zorluklar ve Sınırlamalar

Yapay zekâ hızla gelişen önemli bir teknoloji olsa da kendine özel zorlukları da vardır. The Pew Research Center’ın 2021 yılında 10.260 Amerikalının katıldığı bir anketine göre katılımcıların %45’i yapay zekâ için eşit miktarda heyecanlı ve endişeli, %37’si ise heyecanlı olduğundan daha fazla endişelidir. Katılımcıların %40’ından fazlası sürücüsüz arabaların topluma faydalı olmadığını düşündüğünü belirtmiştir. Bunun yanında katılımcıların yaklaşık %40’ı yapay zekânın sosyal medyada sahte bilginin yayılmasını engellemek amacıyla kullanılmasını faydalı bulduğunu belirtmiştir [14].

Yapay zekâ, üretkenliği ve verimliliği arttırıp insan kaynaklı hataların azalmasını sağlarken yüksek geliştirme maliyetleri ve bazı mesleklerin otomatik makineler tarafından devralınması gibi dezavantajları vardır. Bu meslekler otomatikleştirilse de yapay zekâ sanayisinin birçok yeni mesleği ortaya çıkardığı da bir gerçektir.

8. Yapay Zekânın Geleceği

Hesaplama maliyetleri ve arka planda kullanılan teknik veri altyapısı düşünüldüğünde yapay zekâyı yürütmek aslında karmaşık ve pahalı bir iştir. Neyse ki günümüze kadar bilgisayar teknolojisinde Moore Yasası’na uygun biçimde büyük ilerlemeler olmuştur. Moore Yasası’na göre bir mikroişlemci üzerindeki transistör sayısı her iki yılda bir iki katına çıkarken bilgisayarların maliyeti yarıya iner [15].

Birçok uzman 2030’a kadar bu yasanın geçerliliğinin sona ereceğini öngörse de Moore’un düşüncelerinin yapay zekâ uygulamaları üzerinde büyük bir etkisi olmuştur [16]. Teknoloji bu hızda ilerliyor olmasa derin öğrenme gibi uygulamaları finanse etmek imkânsız olur. Son araştırmaların sonuçları yapay zekâ sistemlerinin Moore Yasası’nı aşarak her altı ayda bir performansını ikiye katladığını göstermiştir [17]. Bu duruma göre yapay zekâ alanındaki gelişmeler özellikle son birkaç yılda birçok sanayiyi etkilemiştir ve önümüzdeki yıllarda daha da büyük bir etki kaçınılmaz görülmektedir.

9. Yapay Zekânın Tarihi

Akıllı robotlar ve yapay varlıklar ilk olarak eski Yunan mitlerinde ortaya çıkmıştır [18]. Aristoteles’in kıyasçılığı geliştirmesi ve tümdengelim yöntemini kullanması insanlığın kendi zekâsını anlamasında önemli bir an olmuştur. Kökleri derin olsa da yapay zekânın tarihi bir yüzyıldan kısa bir zamanı kapsar. Bu yazının devamında yapay zekâ tarihindeki en önemli olaylardan bazıları derlenmiştir.

1940lar

  • (1942) Isaac Asimov “Üç Robot Yasası”nı yayımlar [19]. Bu yasa, bilim kurgu kitap ve filmlerinde sıklıkla kullanılır ve yapay zekânın insanlara zarar veremeyeceğini belirtir. Bu yasaya göre:
  1. Bir robot, insanlara zarar veremez ve insanların zarar görmesine seyirci kalamaz.
  2. Birinci yasayla çelişmediği sürece insanların emirlerine uymak zorundadır.
  3. Birinci ve ikinci yasayla çelişmediği sürece kendi varlığını korumakla yükümlüdür.
  • (1943) Warren McCullough ve Walter Pitts “Sinir Aktivitesinde İçkin Olan Fikirlerin Mantıksal Bir Hesabı” makalesini yayımlar. Bu makale bir sinir ağı oluşturmak için ilk matematiksel modeli öneren makaledir [20].
  • (1949) Donald Hebb “Davranış Organizasyonu: Nöropsikolojik Kuram” kitabında sinirsel yolların deneyimlerle oluşturulduğunu ve sinir hücreleri arasındaki bağlantının ne kadar sık kullanılırsa o kadar güçlendiğini öne sürer. Bu kurama dayanan Hebbian öğrenme yöntemi yapay zekâ çalışmalarında önemli bir model olmuştur [21].
İlk_yapay_zeka_SNARC
İlk sinir ağı bilgisayarı SNARC’ın bir parçası (Kaynak: The Scientist)

1950ler

  • (1950) Alan Turing “Bilgi İşlem Makineleri ve Zekâ” çalışmasını yayımlamıştır. Bu çalışmada günümüzde Turing Testi olarak bilinen, bir makinenin zeki olup olmadığını belirleyen yöntemi öne sürer.
  • (1950) Harvard lisans öğrencileri Marvin Minsky ve Dean Edmonds “SNARC” isimli ilk sinir ağı bilgisayarını inşa eder.
  • (1950) Claude Shannon “Bir Bilgisayarı Satranç Oynaması için Programlamak” isimli makalesini yayımlar.
  • (1952) Arthur Samuel dama oynaması için kendi kendine öğrenebilen bir program geliştirir.
  • (1954) The Georgetown-IBM deneyinde çeviri makinesi seçilen 60 Rusça kelimeyi kendi kendine İngilizceye çevirir.
  • (1956) “Yapay zekâ” ifadesi Darthmouth Yapay Zekâ Üzerine Yaz Araştırma Projesi’nde ortaya atılır. John McCarthy tarafından yönetilen konferans birçok kişi tarafından yapay zekânın doğduğu yer olarak görülmektedir [22].
  • (1956) Allen Newell ve Herbert Simon ilk akıl yürütme programı olan “Mantık Kuramcısı”nı tanıtır.
  • (1958) John McCarthy “Lisp” isimli yapay zekâ programlama dilini geliştirir ve “Sağduyulu Programlar” çalışmasını yayınlar. Bu çalışmasında “Advice Taker (Tavsiye Alıcı)” isimli insanlar kadar etkili bir şekilde deneyimlerinden öğrenme yeteneğine sahip varsayımsal bir yapay zekâ sistemini öne sürer.
  • (1959) Allen Newell, Herbert Simon ve J.C. Shaw “Genel Problem Çözücü” isimli, insanların sorunları çözmesini taklit etmek için tasarlanmış bir program geliştirir.
  • (1959) Herbert Gelernter “Geometri Kuram İspatlayıcı” programını geliştirir.
  • (1959) Arthur Samuel IBM’de çalışırken “makine öğrenmesi” terimini ortaya atar.
  • (1959) John McCarthy ve Marvin Minsky “MIT Yapay Zekâ Projesi”ni kurar.

1960lar

  • (1963) John McCarthy, Stanford Yapay Zekâ Laboratuvarı’nı kurar.
  • (1966) ABD Otomatik Dil İşleme Danışma Kurulu (The Automatic Language Processing Advisory Committee, ALPAC) raporu tarafından yayımlanır. Raporda Rusçanın otomatik ve anında çevirisini vadeden makine çeviri araştırmalarında gelişme olmamasının detayları açıklanır. Bu rapor devletin destekli tüm çeviri projelerinin iptal edilmesine yol açar.
  • (1969) İlk başarılı uzman sistemler olan DENDRAL ve MYCIN Stanford’da kurulur. DENDRAL kimyasal analizler, MYCIN ise kandaki enfeksiyona sebep olan bakterileri tanımak amacıyla geliştirilen uzman sistemlerdir.

1970ler

  • (1972) Mantıksal programlama dili PROLOG geliştirilir.
  • (1973) Lighthill raporu, İngiliz hükûmeti tarafından yapay zekâ araştırmalarının yarattığı hayal kırıklığından bahsederek yapay zekâ projelerinin birçoğundan maddi desteğin çekilmesine yol açar.
  • (1974-1980) Yapay zekânın gelişim sürecinde hayal kırıklığı yaşanması DARPA’nın (ABD Savunma İleri Araştırma Projeleri Ajansı) akademik hibelerde ciddi kesintiler yapmasına yol açar. Geçmişte yayımlanan ALPAC ve Lighthill raporları ile birlikte yapay zekâ araştırması yapacak maddi kaynaklar tükenir ve araştırmalar durur. Bu dönem “ilk yapay zekâ kışı” olarak bilinir [23].

1980ler

  • (1980) ABD merkezli bir bilgisayar üreticisi olan Digital Equipment Corporation XCON olarak da bilinen “R1”i geliştirir. R1, yeni bilgisayar sistemlerinin siparişlerini müşterilerin istek ve ihtiyaçları doğrultusunda yapılandırmak için tasarlanmış bir uzman sistemdir. Bu özelliğiyle uzman sistemlere olan yatırımlarda büyük bir artışa sebep olarak ilk yapay zekâ kışını sonra erdirir.
  • (1982) Japonya Uluslararası Ticaret ve Sanayi Bakanlığı iddialı bir proje olan “Beşinci Nesil Bilgisayar Sistemleri”ni, kısaca FGCS’yi, başlatır. Bu projenin amacı süper bilgisayar benzeri özellikleri olan sistemler üretmek ve yapay zekâ araştırmaları için bir platform oluşturmaktır.
  • (1983) Japonya’nın projesine karşılık ABD hükûmeti de DARPA tarafından desteklenen ve yapay zekâ ile gelişmiş bilgi işleme araştırmaları yapan “Stratejik Bilgi İşlem Girişimi”ni başlatır.
  • (1985) Şirketler uzman sistemlere ve yılda 1 milyar dolardan fazla yatırım yapmaya başlar ve Lisp makine pazarı olarak bilinen yeni bir sanayi ortaya çıkar.
  • (1987-1993) Bu dönemde uzman sistemlerin bakımı ve güncellemeleri pahalı olduğu için gözden düşmeye başlamıştır. Bunun üzerine bilgisayar teknolojisi geliştikçe daha ucuz seçeneklerin de ortaya çıkmasıyla Lisp uzman makineleri çöküşe geçerek “ikinci yapay zekâ kışı”nı tetikler [23].

1990lar

  • (1991) ABD Silahlı Kuvvetleri, Körfez Savaşı sırasında otomatik lojistik planlama ve program oluşturma aracı olan DART’ı kullanmaya başlar.
  • (1992) Japonya FGCS projesini 10 yıl önce belirlenen iddialı hedeflere ulaşılamaması nedeniyle durdurur.
  • (1993) DARPA yaklaşık 1 milyar dolar harcadıktan sonra bile beklentilerini karşılamaktan uzak olduğu için Stratejik Bilgi İşlem Girişimi’nin çalışmalarını durdurur.
  • (1997) IBM tarafından geliştirilen ve satranç oynayabilen bir bilgisayar olan Deep Blue dönemin dünya satranç şampiyonu Gary Kasparov’u oynadıkları ikinci oyunda yener.

2000ler

  • (2005) Stanford Üniversitesi ve Volkswagen Elektronik Araştırma Laboratuvarı iş birliğiyle geliştirilen STANLEY isimli sürücüsüz araba DARPA tarafından düzenlenen sürücüsüz araba yarışında birinci olur [24].
  • (2005) ABD ordusu Boston Dynamics şirketinin geliştirdiği “Big Dog” ve iRobot tarafından geliştirilen “PackBot” gibi otonom robotlara yatırım yapmaya başlar.
  • (2008) Google konuşma tanıma alanında atılımlar yapar ve geliştirilen konuşma tanıma özellikli iPhone uygulamasını tanıtır.
Watson, Jeopardy! programında yarışıyor. (Kaynak: Vikipedi)

2010lar

  • (2011) IBM tarafından geliştirilen yapay zekâ programı Watson, “Jeopardy!” isimli bilgi yarışması benzeri bir televizyon programının bir bölümünde yarışarak 1 milyon dolarlık ödülün kazananı olur [25].
  • (2011) Apple, yapay zekâ ile çalışan sanal asistan Siri’yi tanıtır.
  • (2012) Derin öğrenme projesi Google Brain’in kurucusu Andrew Ng, derin öğrenme algoritmalarını ve eğitim verisi olarak 10 milyon YouTube videosunu kullanarak bir derin öğrenme sinir ağını çalıştırır. Sinir ağı kedinin ne olduğu ona tanımlanmadan kendi kendine bir kediyi tanımayı öğrenir. Bu çığır açıcı olay sinir ağları ve derin öğrenmeye yapılan yatırımları arttırır.
  • (2014) Google tarafından geliştirilen sürücüsüz araba bir ilke imza atarak ABD’de ehliyet sınavını başarıyla tamamlar [26].
  • (2014) Amazon tarafından geliştirilen akıllı ev cihazı Alexa satışa sunulur.
AlphaGo ile Lee Sedol karşılaşması. (Kaynak: The Guardian)
  • Google DeepMind tarafından geliştirilen AlphaGo dönemin dünya Go şampiyonu Lee Sedol karşısında zafer kazanır. Satrançtan daha karmaşık kabul edilen antik Çin oyunu Go’nun kurallarının yapay zekâya öğretilmesi büyük bir engel olarak görülse de bu zafer sonrası yapay zekâ bir engeli daha aşmış olur.
  • (2016) Hanson Robotics tarafından geliştirilen; yüz tanıma, sözlü iletişim kurma ve yüz ifadeleri yapabilen insansı robot “Sophia” Suudi Arabistan’da resmî olarak vatandaş kabul edilerek ilk robot vatandaş olur [27].
  • (2018) Google doğal dil işleme motoru BERT’i piyasaya sürer.
  • (2018) Waymo, Phoenix büyükşehir bölgesindeki kullanıcıların sürücüsüz araçlarını taksi olarak kullanabileceği Waymo One servisini piyasaya sürer.

2020ler

  • (2020) Baidu bilim insanları ve sağlık ekiplerinin SARS-CoV-2 pandemisinin erken dönemlerinde aşı geliştirirken yararlanabilmesi için LinearFold yapay zekâ algoritmasını hizmete sunar. Algoritma, diğer metotlardan 120 kat hızlı bir şekilde sadece 27 saniyede virüsün RNA dizilimini tahmin edebilmektedir [28].
  • (2020) OpenAI doğal dil işleme modeli GPT-3’ü piyasaya sürer. GPT-3, insanların konuşma ve yazma şekline benzer yazılar yazabilecek şekilde modellenmiştir.
  • (2021) OpenAI GPT-3 kullanarak yazılı komutlar ile görüntüler oluşturabilen DALL-E’yi geliştirir.
  • (2022) DeepMind, Atari oynamak, görüntü yakalamak ve robotik bir kol ile kutuları üst üste dizmek gibi görevleri yapabilmek için eğitilmiş yapay zekâ sistemi Gato’yu tanıtır.
  • (2023) ABD Ulusal Standartlar ve Teknoloji Enstitüsü, Yapay Zekâ Risk Yönetimi Sistemi’ni yayımlar. Bunun amacı yapay zekâ ile ilişkili bireylere, kuruluşlara ve topluma yönelik riskleri daha iyi yönetmektir [29].
  • (2022) OpenAI büyük bir dil modeli kullanarak oluşturulmuş sohbet robotu ChatGPT’yi kullanıma açar. ChatGPT sadece birkaç ayda 100 milyondan fazla kullanıcıya ulaşır [30].
  • (2023) Microsoft, kendi arama motoru Bing’in ChatGPT ile aynı teknolojiyle geliştirilmiş bir yapay zekâ modeli ile güçlendirilmiş versiyonunu kullanıma açar.
  • (2023) Google, ChatGPT’nin yeni rakibi olan Bard’ı duyurur. Aynı yılın mayıs ayında Bard kullanıma açılır.
  • (2023) OpenAI şimdilik en başarılı modeli olan GPT-4’ü piyasaya sürer.

1 Psikoloji biliminde, büyük bir savın öncesinde gelen ve onun bir parçasını oluşturan önermeye öncel denir. [7]

Yoluyla
Schroer, A. (2023, June 27). What is artificial intelligence (AI)? How does AI work? Built In.
Kaynak
[1] Copeland, B.J.. (1998, July 20). Artificial intelligence. In Encyclopedia Brittanica. [2] Pauli, S. (n.d). Definition of an Algorithm. University of North Carolina in Greensboro, Department of Mathematics and Statistics. [3] AI Warehouse. (2023, April 23). AI Learns to Walk (deep reinforcement learning) [Video]. YouTube. [4] Chrispresso. (2020, August 19). AI Learns to Play Super Mario Bros! [Video]. YouTube. [5] Gogoi, P. (2017, June 8). First interaction Artificial Neural Network. Knoldus Blogs. [6] The Editors of Encyclopaedia Britannica. (2009, February 19). Deep Blue. In Encyclopedia Britannica. [7] Karakaş, S. (2017) premise – öncel. Prof. Dr. Sibel Karakaş Psikoloji Sözlüğü. [8] Waugh, R. (2011, November 30). Can a robot really bond with autistic children? caspar – and 20 other, weirder cyber-friends – invade the science museum. Dailymail. [9] Schrittwieser, J., Antonoglou, I., Hubert, T., Simonyan, K., Sifre, L., Schmitt, S., Guez, A., Lockhart, E., Hassabis, D., Graepel, T., Lillicrap, T., & Silver, D. (2020, December 23). MuZero: Mastering Go, chess, shogi and Atari without rules. Google DeepMind. [10] AI trends to watch in 2022. (2022, May 25). CB Insights Research. [11] Digalaki, E. (2022, February 2). The impact of artificial intelligence in the banking sector & how AI is being used in 2022. Business Insider. [12] World Health Organization. (2021, June 28). Ethics and governance of artificial intelligence for health. [13] Grandview Research. (n.d.). AI in media & entertainment market size, share & trends analysis report by solution (hardware/equipment, services), by application (gaming, personalization), and segment sorecasts, 2022 – 2030. [14] Rainie L., Funk C., Anderson M., & Tyson A. (2022, March 17). AI and human enhancement: American’s openness is tempered by a range of concerns. Pew Research Center. [15] The Editors of Encyclopaedia Britannica. (2011, July 21). Moore’s law. In Encyclopedia Brittanica. [16] Rotman, D. (2020, February 24). We’re not prepared for the end of Moore’s Law. MIT Technology Review. [17] The Physics arXiv Blog. (2022, February 22). AI Machines Have Beaten Moore’s Law Over the Last Decade, Say Computer Scientists. Discover Magazine. [18] Margaryan, P. (2019). Antik Yunan Mitlerinde Yapay Zekâ. Arkeofili. [19] The Editors of Encyclopaedia Britannica. (2022, May 17). Three laws of robotics. In Encyclopedia Britannica. [20] McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115–133. [21] The Decision Lab. (n.d.). Hebbian learning.[22] Jeevanandam N. (2022, April 28). Exploring the significance of the Darthmouth workshop. INDIAai. [23] Glover E. (2023, April 21). What is AI winter. Built In. [24] Stanford Racing Team. (2005). Stanley. [25] A computer called Watson. (2012, March 7). IBM Corporation. [26] Garthwaite, J. (2012, May 9). Google gets first driverless car license: strings attached. National Geographic. [27] Hanson Robotics. (n.d.). Sophia. [28] Baidu Research. (2020, February 1). Opening up world’s fastest RNA structure prediction algorithm to the scientific community to support battle against coronavirus. [29] Tabassi, E. (2023, January 26). AI risk management framework. NIST. [30] Milmo, D. (2023, February 3). ChatGPT reaches 100 million users two months after launch. The Guardian.
Başa dön tuşu