Rehber Yapay zeka kaç grupta sınıflandırılır?

Yapay zekâ genellikle iki ölçüte göre sınıflandırılır: ne kadar geniş bir problemi çözebildiğine ve nasıl çalıştığına. Bu nedenle bir sistem aynı anda dar yapay zekâ, makine öğrenmesi ve üretken yapay zekâ olarak tanımlanabilir. Sınıflandırmayı doğru yapmak için önce sistemin görev kapsamına, ardından kullandığı yönteme bakın.

Görev kapsamına göre yapay zekâ türleri​

Bu sınıflandırma, yapay zekânın ne kadar farklı işi yerine getirebildiğini anlatır. Günümüzde yaygın olarak kullanılan sistemlerin büyük bölümü tek bir görev veya sınırlı bir görev grubu için geliştirilmiştir.

Dar yapay zekâ​

Dar yapay zekâ, belirli bir işi yapmak üzere tasarlanmış sistemdir. Görüntüde yüz tanıma, istenmeyen e-postaları ayıklama, sesli komutları yazıya çevirme veya ürün önerme bu gruba örnektir.

Bu sistem bir görevde başarılı olsa bile başka bir alanda aynı yeteneği kendiliğinden kullanamaz. Örneğin bir görüntü sınıflandırma modeli fotoğraftaki nesneleri ayırt edebilir; ancak bu, onun hukuki metinleri yorumlayabildiği veya uzun vadeli plan yapabildiği anlamına gelmez.

Genel yapay zekâ​

Genel yapay zekâ, insanın farklı alanlardaki öğrenme, akıl yürütme ve problem çözme yeteneklerine benzer biçimde çok çeşitli görevleri yerine getirebilen varsayımsal bir sistem fikridir. Bu kavram, belirli bir ürünün yalnızca birkaç farklı işi yapabilmesinden daha geniştir.

Bir sistemin metin yazabilmesi, soruları yanıtlayabilmesi veya kod üretebilmesi tek başına genel yapay zekâ olduğu anlamına gelmez. Önemli ölçüt, farklı görevlerdeki başarının yanında yeni durumlara uyum sağlama ve yetenekleri bağımsız biçimde genelleyebilme kapsamıdır.

Süper yapay zekâ​

Süper yapay zekâ, insanın bilişsel yeteneklerini tüm alanlarda aşacağı varsayılan kuramsal bir kavramdır. Günlük kullanımda karşılaşılan yapay zekâ uygulamalarını tanımlamak için kullanılmaz; daha çok geleceğe ilişkin tartışmalarda yer alır.

Bu üçlü sınıflandırmada dar yapay zekâ pratikte kullanılan kategori, genel ve süper yapay zekâ ise kapsamı kesinleşmiş günlük ürün sınıfları değil, kuramsal düzeydeki kavramlardır.

Yaygın sınıflandırmayı şöyle karşılaştırabilirsiniz:
Bu tablo, sistemin ne kadar geniş bir görev alanına sahip olduğunu gösterir; sistemin hangi teknikle eğitildiğini açıklamaz. Bunun için ikinci sınıflandırmaya bakmak gerekir.

Çalışma biçimine göre yapay zekâ türleri​

Kural tabanlı yapay zekâ​

Kural tabanlı sistemler, uzmanlar tarafından önceden yazılmış koşulları uygular. Örneğin “Sıcaklık belirli bir değerin altındaysa ısıtıcıyı aç” kuralı, verilen koşul gerçekleştiğinde belirli bir çıktı üretir.

Bu yaklaşımda sistem çoğunlukla veriden yeni bir kural öğrenmez. Kurallar açık ve sınırlıysa tutarlı çalışabilir; ancak önceden öngörülmemiş durumlarda esnekliği düşüktür.

Makine öğrenmesi​

Makine öğrenmesi, bilgisayarın her durum için tek tek kural yazılmadan verilerdeki örüntülerden yararlanarak tahmin veya sınıflandırma yapmasını sağlar. Eğitim sırasında kullanılan veriler, modelin daha sonra karşılaştığı girdiler için çıktı üretmesine yardımcı olur.

Örneğin geçmiş müşteri işlemlerinde hangi işlemlerin sahtekârlıkla ilişkilendirildiği gösterilirse model yeni bir işlemin riskli olma olasılığını tahmin edebilir. Bu sonuç kesin kanıt değildir; modelin eğitim verisine, seçilen ölçütlere ve hata oranına bağlı bir tahmindir.

Derin öğrenme​

Derin öğrenme, çok katmanlı yapay sinir ağlarını kullanan bir makine öğrenmesi yaklaşımıdır. Görüntü, ses ve metin gibi karmaşık verilerdeki özellikleri doğrudan verilerden öğrenebilir.

Daha fazla veri ve hesaplama kaynağı gerektirebilir. Ayrıca ürettiği sonucun nedenini her zaman kolayca açıklayamaz. Bu nedenle yüksek başarı oranı, sonucun mutlaka doğru veya tarafsız olduğu anlamına gelmez.

Üretken yapay zekâ​

Üretken yapay zekâ, kendisine verilen girdiye dayanarak metin, görsel, ses, video veya kod gibi yeni içerikler oluşturabilen sistemleri ifade eder. Bir metin istemine karşı açıklama yazması veya verilen gereksinimlere göre örnek kod üretmesi bu kapsamdadır.

Üretken olması, oluşturduğu içeriğin otomatik olarak doğru olduğu anlamına gelmez. Çıktı; yanlış bilgi, eksik bağlam veya uygun olmayan öneri içerebilir. Özellikle hukuki, tıbbi, finansal ve güvenlik açısından önemli konularda çıktı bağımsız olarak doğrulanmalıdır.

Bir yapay zekâ sistemi nasıl sınıflandırılır?​

Bir uygulamanın türünü anlamak için şu sırayı izleyin:

1. Görev kapsamını belirleyin. Sistem tek bir işi mi yapıyor, yoksa farklı alanlarda çok çeşitli görevler mi üstleniyor? Tek veya sınırlı görev yapıyorsa dar yapay zekâ sınıfına yakındır.
2. Çıktının nasıl üretildiğine bakın. Sonuçlar önceden yazılmış kurallardan mı geliyor, yoksa sistem verilerden örüntü öğrenerek mi tahmin yapıyor? Bu ayrım, kural tabanlı sistem ile makine öğrenmesini ayırır.
3. Yeni içerik üretip üretmediğini kontrol edin. Sistem yalnızca mevcut verileri sınıflandırıyor veya tahmin mi yapıyor, yoksa metin, görsel, ses ya da kod mu oluşturuyor? Yeni içerik oluşturuyorsa üretken yapay zekâ özelliği vardır.
4. Sonucu sınırlılıklarıyla birlikte yorumlayın. Birden fazla etikete sahip olmak mümkündür; örneğin belirli görevlerde çalışan, makine öğrenmesi kullanan ve metin oluşturan bir uygulama “dar kapsamlı üretken yapay zekâ sistemi” olarak açıklanabilir.

Varsayımsal bir örnek düşünün: Bir uygulama, kullanıcının “Bu paragrafı daha anlaşılır yaz” istemine karşı yeni bir metin oluşturuyor. Yeni metin üretmesi onu üretken yapay zekâ, bunu geniş insan benzeri bilinçle yaptığı anlamına gelmemesi ise dar kapsamlı sistem olarak değerlendirilmesini gerektirir. Uygulamanın arka planda derin öğrenme kullanması, bu iki sınıflandırmaya ek olarak çalışma yöntemini açıklar.

Bu nedenle “Bu yapay zekâ hangi tür?” sorusunun tek bir yanıtı olmayabilir. En doğru açıklama, görev kapsamını, kullanılan yöntemi ve üretilen çıktının niteliğini ayrı ayrı belirtmektir.