KonuPusulasi
Kayıtlı Üye
Yapay zekâ, bilgisayarların normalde insan zekâsı gerektiren görevleri yerine getirmesini sağlayan geniş bir alandır. Makine öğrenmesi ise yapay zekânın bir alt dalıdır ve bilgisayarın kuralların tamamını tek tek yazmak yerine verilerden örüntü öğrenmesini sağlar. Kısaca, her makine öğrenmesi uygulaması yapay zekâ kapsamındadır; ancak her yapay zekâ sistemi makine öğrenmesi kullanmaz.
Yapay zekâ; metinleri anlamlandırma, görüntüleri sınıflandırma, konuşmayı yazıya çevirme, öneri sunma, planlama veya karar vermeye yardımcı olma gibi görevleri bilgisayarlarla gerçekleştirmeyi amaçlar. Bu sistemler bazen önceden yazılmış açık kurallarla, bazen de verilerden öğrenen modellerle çalışır.
Örneğin bir sistem, “eğer sıcaklık belirli bir değerin altındaysa ısıtıcıyı çalıştır” kuralıyla çalışıyorsa bu, basit bir kural tabanlı otomasyondur. Sistem, çok sayıda örneği inceleyerek hangi durumlarda ısıtıcının çalıştırılması gerektiğini öğreniyorsa makine öğrenmesi kullanıyor olabilir.
Yapay zekâ, insan gibi bilinçli veya her konuda anlayış sahibi olmak anlamına gelmez. Bir sistem belirli bir görevi başarılı biçimde yapabilir; fakat bu, onun her durumu anladığını, kendi amaçlarını oluşturduğunu veya insan gibi düşündüğünü kanıtlamaz.
Makine öğrenmesinde modele örnek veriler ve çoğu zaman bu verilere ait doğru sonuçlar gösterilir. Model, örneklerdeki ilişkileri matematiksel olarak öğrenir. Daha sonra daha önce görmediği bir girdi için tahmin, sınıflandırma veya öneri üretir.
Varsayımsal bir e-posta sınıflandırma örneğinde giriş, e-postanın metni ve bazı özellikleri olabilir. Eğitim verilerinde hangi iletilerin “istenmeyen” olarak işaretlendiği bulunur. Model bu örneklerden yararlanarak yeni bir e-postanın istenmeyen olma olasılığını hesaplar. Çıktı “istenmeyen” ise bu, modelin e-postayı insan gibi okuduğu anlamına gelmez; yalnızca eğitim verilerinde öğrendiği örüntülere göre böyle bir sınıflandırma yaptığı anlamına gelir.
Modelin sonucu, eğitim verilerinin kalitesine ve yeni girdinin öğrenilen örneklere ne kadar benzediğine bağlıdır. Veriler eksik, hatalı, dengesiz veya önyargılıysa modelin sonuçları da yanıltıcı olabilir. Bu nedenle bir modelin verdiği yanıt kendiliğinden kesin doğru kabul edilmemeli, özellikle sağlık, hukuk, finans ve güvenlik gibi alanlarda ayrıca doğrulanmalıdır.
Bu kavramlar aynı şey değildir. Aralarındaki ilişkiyi şöyle düşünebilirsiniz: Yapay zekâ en geniş alandır; makine öğrenmesi bu alanın verilerden öğrenen bölümüdür; derin öğrenme ise makine öğrenmesinde çok katmanlı yapay sinir ağlarının kullanıldığı yöntemlerdendir.
Bu ayrım, bir yapay zekâ aracının nasıl çalıştığını değerlendirirken önemlidir. “Yapay zekâ kullanıyor” ifadesi tek başına sistemin hangi verilerle eğitildiğini, ne kadar doğru olduğunu veya her durumda güvenilir sonuç vereceğini açıklamaz. Kullanılan yöntem, veri kümesi, değerlendirme ölçütleri ve insan denetimi ayrıca incelenmelidir.
Denetimli öğrenmede modele doğru sonuçları bilinen örnekler verilir. Örneğin geçmiş satış kayıtlarından yararlanarak yeni bir ürünün satış miktarını tahmin etmek veya iletileri “istenmeyen” ve “normal” olarak sınıflandırmak bu gruba girebilir.
Denetimsiz öğrenmede verilerin doğru sonuç etiketleri önceden verilmez. Model, benzer özellikteki kayıtları gruplamaya çalışır. Örneğin müşterileri alışveriş davranışlarına göre gruplamak buna örnektir; ancak grupların ne anlama geldiğini insanın yorumlaması gerekir.
Pekiştirmeli öğrenmede sistem, bir ortamda eylemler gerçekleştirir ve aldığı ödül ya da cezalardan yararlanarak daha iyi bir strateji öğrenmeye çalışır. Bu yaklaşımda ödülün nasıl tanımlandığı önemlidir; yanlış tasarlanmış bir ödül sistemi, istenmeyen davranışlara yol açabilir.
Önce sistemin hangi görevi yaptığına bakın: tahmin mi üretiyor, sınıflandırma mı yapıyor, metin mi oluşturuyor, yoksa yalnızca önceden yazılmış bir kuralı mı uyguluyor? Ardından kullandığı girdilerin doğru ve yeterli olup olmadığını değerlendirin. Aynı sistem, eğitim verilerinden farklı bir durumla karşılaştığında daha hatalı sonuç verebilir.
Bir modelin başarılı bir örnek vermesi genel olarak her zaman doğru çalıştığını kanıtlamaz. Sonucun hangi veriye dayandığını, belirsizlik içerip içermediğini ve hatalı sonuç durumunda ne kadar zarar doğabileceğini ayrıca düşünün. Önemli kararları yalnızca otomatik çıktıya bırakmak yerine sonucu güvenilir kaynaklarla ve gerektiğinde uzman değerlendirmesiyle kontrol edin.
Başlangıç düzeyinde konuyu öğrenmenin en kolay yolu, önce “girdi neydi, sistem ne öğrendi, çıktı ne oldu ve bu çıktı neyi kanıtlamıyor?” sorularını sormaktır. Bu dört soruyu yanıtlayabildiğinizde yapay zekâ ile makine öğrenmesi arasındaki temel farkı ve bir model sonucunun sınırlarını daha doğru değerlendirebilirsiniz.
Yapay zekâ ne demektir?
Yapay zekâ; metinleri anlamlandırma, görüntüleri sınıflandırma, konuşmayı yazıya çevirme, öneri sunma, planlama veya karar vermeye yardımcı olma gibi görevleri bilgisayarlarla gerçekleştirmeyi amaçlar. Bu sistemler bazen önceden yazılmış açık kurallarla, bazen de verilerden öğrenen modellerle çalışır.
Örneğin bir sistem, “eğer sıcaklık belirli bir değerin altındaysa ısıtıcıyı çalıştır” kuralıyla çalışıyorsa bu, basit bir kural tabanlı otomasyondur. Sistem, çok sayıda örneği inceleyerek hangi durumlarda ısıtıcının çalıştırılması gerektiğini öğreniyorsa makine öğrenmesi kullanıyor olabilir.
Yapay zekâ, insan gibi bilinçli veya her konuda anlayış sahibi olmak anlamına gelmez. Bir sistem belirli bir görevi başarılı biçimde yapabilir; fakat bu, onun her durumu anladığını, kendi amaçlarını oluşturduğunu veya insan gibi düşündüğünü kanıtlamaz.
Makine öğrenmesi nasıl çalışır?
Makine öğrenmesinde modele örnek veriler ve çoğu zaman bu verilere ait doğru sonuçlar gösterilir. Model, örneklerdeki ilişkileri matematiksel olarak öğrenir. Daha sonra daha önce görmediği bir girdi için tahmin, sınıflandırma veya öneri üretir.
Varsayımsal bir e-posta sınıflandırma örneğinde giriş, e-postanın metni ve bazı özellikleri olabilir. Eğitim verilerinde hangi iletilerin “istenmeyen” olarak işaretlendiği bulunur. Model bu örneklerden yararlanarak yeni bir e-postanın istenmeyen olma olasılığını hesaplar. Çıktı “istenmeyen” ise bu, modelin e-postayı insan gibi okuduğu anlamına gelmez; yalnızca eğitim verilerinde öğrendiği örüntülere göre böyle bir sınıflandırma yaptığı anlamına gelir.
Modelin sonucu, eğitim verilerinin kalitesine ve yeni girdinin öğrenilen örneklere ne kadar benzediğine bağlıdır. Veriler eksik, hatalı, dengesiz veya önyargılıysa modelin sonuçları da yanıltıcı olabilir. Bu nedenle bir modelin verdiği yanıt kendiliğinden kesin doğru kabul edilmemeli, özellikle sağlık, hukuk, finans ve güvenlik gibi alanlarda ayrıca doğrulanmalıdır.
Yapay zekâ, makine öğrenmesi ve derin öğrenme arasındaki fark
Bu kavramlar aynı şey değildir. Aralarındaki ilişkiyi şöyle düşünebilirsiniz: Yapay zekâ en geniş alandır; makine öğrenmesi bu alanın verilerden öğrenen bölümüdür; derin öğrenme ise makine öğrenmesinde çok katmanlı yapay sinir ağlarının kullanıldığı yöntemlerdendir.
| Kavram | Temel açıklama | Örnek kullanım |
|---|---|---|
| Yapay zekâ | Bilgisayarların algılama, karar verme veya problem çözme gibi görevleri gerçekleştirmesini amaçlayan geniş alan | Planlama yapan veya metin üreten sistem |
| Makine öğrenmesi | Verilerdeki örüntülerden öğrenerek tahmin ya da sınıflandırma yapan yaklaşım | İstenmeyen e-posta sınıflandırma |
| Derin öğrenme | Çok katmanlı yapay sinir ağlarıyla karmaşık örüntüleri öğrenen makine öğrenmesi yaklaşımı | Görüntü veya konuşma tanıma |
Makine öğrenmesi türleri
Denetimli öğrenmede modele doğru sonuçları bilinen örnekler verilir. Örneğin geçmiş satış kayıtlarından yararlanarak yeni bir ürünün satış miktarını tahmin etmek veya iletileri “istenmeyen” ve “normal” olarak sınıflandırmak bu gruba girebilir.
Denetimsiz öğrenmede verilerin doğru sonuç etiketleri önceden verilmez. Model, benzer özellikteki kayıtları gruplamaya çalışır. Örneğin müşterileri alışveriş davranışlarına göre gruplamak buna örnektir; ancak grupların ne anlama geldiğini insanın yorumlaması gerekir.
Pekiştirmeli öğrenmede sistem, bir ortamda eylemler gerçekleştirir ve aldığı ödül ya da cezalardan yararlanarak daha iyi bir strateji öğrenmeye çalışır. Bu yaklaşımda ödülün nasıl tanımlandığı önemlidir; yanlış tasarlanmış bir ödül sistemi, istenmeyen davranışlara yol açabilir.
Bir yapay zekâ sonucunu değerlendirirken nelere bakılmalı?
Önce sistemin hangi görevi yaptığına bakın: tahmin mi üretiyor, sınıflandırma mı yapıyor, metin mi oluşturuyor, yoksa yalnızca önceden yazılmış bir kuralı mı uyguluyor? Ardından kullandığı girdilerin doğru ve yeterli olup olmadığını değerlendirin. Aynı sistem, eğitim verilerinden farklı bir durumla karşılaştığında daha hatalı sonuç verebilir.
Bir modelin başarılı bir örnek vermesi genel olarak her zaman doğru çalıştığını kanıtlamaz. Sonucun hangi veriye dayandığını, belirsizlik içerip içermediğini ve hatalı sonuç durumunda ne kadar zarar doğabileceğini ayrıca düşünün. Önemli kararları yalnızca otomatik çıktıya bırakmak yerine sonucu güvenilir kaynaklarla ve gerektiğinde uzman değerlendirmesiyle kontrol edin.
Başlangıç düzeyinde konuyu öğrenmenin en kolay yolu, önce “girdi neydi, sistem ne öğrendi, çıktı ne oldu ve bu çıktı neyi kanıtlamıyor?” sorularını sormaktır. Bu dört soruyu yanıtlayabildiğinizde yapay zekâ ile makine öğrenmesi arasındaki temel farkı ve bir model sonucunun sınırlarını daha doğru değerlendirebilirsiniz.
