Rehber Yapay zeka nasıl yapılıyor?

Yapay zekâ; bir bilgisayarın verilerden örüntü öğrenip tahmin, sınıflandırma, öneri veya metin-görüntü üretimi gibi görevleri yapmasını sağlayan yazılım ve matematiksel modellerin birlikte geliştirilmesiyle yapılır. Bunun için önce çözülecek problem belirlenir, uygun veriler hazırlanır, model eğitilir, başarısı ölçülür ve yeterli sonuç alınırsa bir uygulama içinde kullanıma açılır. Kod tek başına yapay zekâ oluşturmaz; kod, veriyi işleyen ve öğrenme sürecini yöneten sistemi kurar.

Yapay zekâ hangi parçalardan oluşur?​

Bir yapay zekâ sisteminin temelinde genellikle üç parça bulunur: veri, model ve eğitim süreci. Veri, modelin örüntüleri öğrenmesini sağlar. Model, girdiler ile beklenen çıktılar arasındaki ilişkiyi matematiksel olarak temsil eder. Eğitim sürecinde modelin tahminleri gerçek sonuçlarla karşılaştırılır ve hatayı azaltacak şekilde modelin iç değerleri değiştirilir.

Örneğin amaç, bir e-postanın istenmeyen ileti olup olmadığını belirlemekse girdiler e-posta metni, gönderen bilgisi ve bağlantılar olabilir. Çıktı ise “istenmeyen” veya “normal” sınıfıdır. Model çok sayıda örnek e-postayı inceleyerek hangi özelliklerin hangi sınıfa işaret ettiğini öğrenir. Yeni bir e-posta geldiğinde daha önce öğrendiği örüntülere dayanarak tahmin üretir.

Üretken yapay zekâda süreç daha karmaşık olabilir. Metin üreten bir model, çok büyük miktarda metin içindeki sözcük ve cümle ilişkilerini öğrenir. Kullanıcı bir istek yazdığında model, bağlama göre sıradaki uygun parçaları art arda tahmin ederek yanıt oluşturur. Bu, modelin her yanıtı insan gibi anladığı veya ürettiği bilginin kesinlikle doğru olduğu anlamına gelmez.

Yapay zekâ geliştirme süreci​

Gerçek bir sistem geliştirmek için genel sıra şöyledir:

1. Problemi tanımlayın. Modelin ne yapacağı, hangi girdiyi alacağı ve hangi çıktıyı üreteceği açıkça belirlenir. “Yapay zekâ yapacağım” geniş bir hedeftir; “ürün fotoğrafındaki kusurları sınıflandıracağım” uygulanabilir bir hedeftir.
2. Veriyi toplayın ve düzenleyin. Kullanılacak veriler yasal, güvenilir ve göreve uygun olmalıdır. Eksik, hatalı veya dengesiz veriler modelin yanlış öğrenmesine neden olabilir. Kişisel veri kullanılıyorsa ilgili gizlilik ve veri koruma yükümlülükleri ayrıca incelenmelidir.
3. Veriyi eğitim ve test bölümlerine ayırın. Model bir bölümde öğrenir, daha önce görmediği test verileriyle değerlendirilir. Aynı örneklerin hem eğitimde hem testte kullanılması sonucu olduğundan iyi gösterebilir.
4. Uygun bir model seçin. Basit sınıflandırma için karar ağaçları veya doğrusal modeller yeterli olabilir. Görüntü, ses veya doğal dil gibi karmaşık verilerde sinir ağları ve hazır eğitilmiş modeller tercih edilebilir.
5. Modeli eğitin. Eğitim kodu, verileri modele verir; modelin tahmin hatasını hesaplar ve iç parametrelerini tekrar tekrar günceller. Eğitim tamamlandığında model, öğrendiği örüntülere göre yeni girdiler için sonuç üretir.
6. Başarıyı ölçün. Yalnızca “kaç tahmin doğru?” sorusuna bakılmaz. Göreve göre doğruluk, kesinlik, duyarlılık, hata türleri, hız ve kaynak kullanımı incelenir. Özellikle güvenlik veya sağlık gibi alanlarda yanlış pozitif ve yanlış negatif sonuçların etkisi ayrı değerlendirilmelidir.
7. Modeli uygulamaya bağlayın. Eğitilmiş model bir web servisi, mobil uygulama, masaüstü programı veya cihaz içinde çalıştırılabilir. Kullanıcı girdisi modele gönderilir, modelin çıktısı alınır ve uygulamada anlaşılır biçimde gösterilir.
8. Sonuçları izleyin ve modeli güncelleyin. Gerçek kullanım verileri, eğitim verilerinden farklı olabilir. Başarı düşerse veri değişimi, hatalı girdiler veya modelin yetersizliği araştırılır; gerekirse veri ve eğitim süreci yenilenir.

Hangi yöntem ne zaman kullanılır?​

Yapay zekâ geliştirme yöntemi, problemin türüne ve sahip olduğunuz veriye göre değişir. Sıfırdan büyük bir model eğitmek yüksek miktarda veri, işlem gücü ve uzmanlık gerektirebilir. Bu nedenle uygulama geliştirirken çoğu zaman hazır bir modelin kullanılması, modele özel verilerle ince ayar yapılması veya modelin bir API üzerinden çağrılması daha uygulanabilir olur.
Yeni başlayan biri için en uygun yol, küçük ve ölçülebilir bir problem seçip hazır makine öğrenmesi araçlarıyla deneme yapmaktır. Örneğin birkaç yüz etiketlenmiş metinle “destek talebi”, “satış talebi” ve “diğer” sınıflarını ayıran bir model hazırlanabilir. Girdi olarak yeni bir metin verildiğinde model bir sınıf ve güven puanı döndürür. Güven puanı yüksek görünse bile bu sonuç kesin doğru kabul edilmemeli; test verisindeki başarı ve hatalı örnekler incelenmelidir.

Yapay zekâ kodlamak neyi garanti etmez?​

Modelin çalışması doğru sonuç verdiği anlamına gelmez. Eğitim verisi taraflıysa model de bu taraflılığı öğrenebilir. Test başarısı yüksek olsa bile gerçek kullanım ortamındaki farklı verilerde performans düşebilir. Üretken modeller ayrıca kulağa doğru gelen fakat gerçekte yanlış bilgiler üretebilir. Bu nedenle önemli kararlar tamamen modele bırakılmamalı; insan denetimi, hata kayıtları, erişim güvenliği ve düzenli değerlendirme birlikte kurulmalıdır.

Kodlama açısından sonraki adım, “hangi veriyi alacağım, hangi çıktıyı bekliyorum ve başarıyı hangi ölçütle ölçeceğim?” sorularını yazılı hâle getirmektir. Bu üç cevap netleştiğinde uygun model türünü seçmek ve küçük bir test uygulaması geliştirmek mümkün olur.