Yapay Zekâ Sistemlerine Giriş

Konu Anlatımı

Yapay Zekâ Sisteminin Bileşenleri

Yapay zekâ sistemi üç temel parçadan oluşur. Birincisi veri: sistemin öğrenmesi için gerekli ham örneklerdir. İkincisi model: veriden çıkarılan desenleri temsil eden matematiksel yapıdır. Üçüncüsü ise öğrenme algoritmasıdır; veriye bakıp modelin ayarlarını güncelleyen kurallar topluluğudur. Bu üçü bir arada çalışmadığında sistem öğrenemez, yalnızca önceden yazılmış komutları uygular.

Öğrenme türüne göre sınıflandırma yapılır. Denetimli öğrenmede her örneğin doğru cevabı, yani etiketi vardır: sistem örnekle etiketi eşleştirerek öğrenir. Denetimsiz öğrenmede etiket yoktur; sistem kendisi gruplar ve örüntüler bulur. Pekiştirmeli öğrenmede ise sistem denemeler yapar, doğru davranışa ödül, yanlışa ceza alarak en iyi yolu keşfeder.

Derin Öğrenme ve Yapay Sinir Ağları

Derin öğrenme, insan beynindeki sinir ağından esinlenen yapay sinir ağlarını kullanır. Girdi katmanı veriyi alır, gizli katmanlar sırayla özellik çıkarır, çıktı katmanı sonucu üretir. Katman sayısı arttıkça sistem daha karmaşık ilişkileri öğrenir; yüz tanıma ve doğal dil anlama gibi görevler derin öğrenme ile başarılı hâle gelmiştir.

Katmanların öğrenmesi, hata geri yayılımıyla gerçekleşir: çıktıdaki hata geriye doğru dağıtılır ve bağlantı ağırlıkları küçük adımlarla düzeltilir. Yeterli veri ve hesaplama gücü olmadığında derin öğrenme başarısız olur; bu yüzden bu yöntemler özel işlemci (GPU) ile desteklenir.

Uygulama Alanları

Yapay zekâ uygulamaları günlük hayatta geniş yer kaplar. Doğal dil işleme metni anlar ve üretir; sohbet robotları ve çeviri araçları bu alana girer. Görüntü tanıma fotoğraf ve videodaki nesneleri sınıflandırır; tıbbi görüntüleme ve otonom sürüşte kritiktir. Tahmin ve öneri sistemleri satış ve izleme verisinden geleceğe yönelik öngörü yapar.

Önyargı, Veri ve Denetim

Yapay zekânın en kritik zayıflığı, öğrendiği veriye bağımlı olmasıdır. Eğitim verisi eksik ya da taraflıysa sistem de taraflı öğrenir; örneğin yalnızca tek bir gruptan toplanan yüz verisi diğer grupları kötü tanır. Buna veri önyargısı denir ve sonuçlar adaletsiz hatalara yol açar. Çözüm, veriyi çeşitlendirmek, sonuçları düzenli denetlemek ve insan gözüyle kontrolü sürdürmektir.

Ayrıca yapay zekâ sistemleri şeffaf olmalıdır: kararın hangi veriye dayandığının açıklanabilmesi gerekir. Sağlık, adalet ve eğitim gibi alanlarda kör bir güven kabul edilemez; sistem bir öneri aracıdır, karar sorumluluğu insandadır.

Adım Adım Yöntem

1. Görevi belirle: sınıflandırma, gruplama mı, yoksa deneme-yanılma mı?
2. Görevin türüne uygun öğrenme yöntemini seç.
3. Verinin yeterliliğini ve çeşitliliğini denetle.
4. Sonucu örneklerle test et, gerekirse veri ve modeli iyileştir.

Örnek Uygulama

Bir okul kantininde ürün satış tahmini yapılacaktır. Geçmiş satış verisi (gün, hava, etkinlik) denetimsiz bırakılıp doğrudan model eğitilirse sonuç zayıf kalır; çünkü etiketli hedef, yani gerçek satış miktarı gerekir. Doğru yaklaşım, geçmiş satışları hedef değer olarak kullanıp denetimli öğrenme ile tahmin kurmak, ardından tatil günü gibi özel durumları ayrı değerlendirerek modeli doğrulamaktır.

Sınav Odaklı Bilgiler

Sınavlarda öğrenme türü eşleştirme, bileşen tamamlama ve önyargı-yorum soruları sorulur. Etiket varsa denetimli, ödül-ceza varsa pekiştirmeli, grup bulma varsa denetimsiz seçeneğini işaretle. Önyargı sorularında kök nedeni daima veriye bağla. Derin öğrenme sorularında katman-sinir ağı-özellik çıkarım üçlüsünü hatırla.

Ne Öğreneceğiz

Yapay zekâ sistemlerinin bileşenlerini, makine öğrenmesi türlerini ve uygulama alanlarını teknik düzeyde tanıtır. Bu konuda ögrenme çıktıları:

• Yapay zekâ sisteminin temel bileşenlerini açıklar.
• Denetimli, denetimsiz ve pekiştirmeli öğrenmeyi karşılaştırır.
• Derin öğrenme ve yapay sinir ağının çalışma mantığını kavrar.
• Uygulama alanlarını görevleriyle eşleştirir.
• Veri önyargısının etkisini ve denetim ihtiyacını değerlendirir.

Ön Bilgi

Bu konuya başlamadan önce temel kavram ve ön koşulları kavramanız yardımcı olacaktır. Konunun çerçevesinde şu kavramlar dikkat ister:

• Öğrenme algoritması, modelin ayarlarını veriye göre güncelleyen kurallardır.
• Denetimsiz öğrenmede sistem kendi kendine grup ve örüntü bulur.
• Derin öğrenmede katman sayısı arttıkça öğrenilen ilişki karmaşıklaşır.
• Taraflı eğitim verisi, taraflı ve adaletsiz sonuç üretir.
• Yapay zekâ öneri verir; karar sorumluluğu her zaman insandadır.

Basit Örnek ve Günlük Yaşam

Günlük yaşamda ve mesleki bağlamda bir uygulama:

Soru: Etiketli e-posta örnekleriyle spam filtresi eğitiliyor. Hangi öğrenme türü kullanılır?

1. Adım 1: Veride spam ve normal etiketinin bulunduğunu belirle.
2. Adım 2: Cevabı bilinen örnek eğitiminin denetimli öğrenme olduğunu söyle.
3. Adım 3: Sonucu gerekçesiyle yaz.

Sonuç/cevap: Denetimli öğrenmedir; çünkü her örneğin doğru etiketi verilmiştir.

Karşılaştırma Tablosu

Sık Yapılan Hatalar

Denetimli ile denetimsizi karıştırmak: Denetimlide etiket (cevap) vardır, denetimsizde sistem kendisi gruplar.

Veri önyargısını sistem hatası sanmak: Sorun çoğu zaman algoritmada değil, taraflı veya eksik eğitim verisindedir.

Derin öğrenmeyi art arda kural yazmak sanmak: Derin öğrenme önceden yazılmış kuralları değil, sinir ağı ağırlıklarını öğrenir.

Çıktıyı doğrulamadan kullanmak: Öneri niteliğindeki sonuçlar denetlenmeden karara dönüştürülürse ciddi hata doğar.

Özet

Yapay zekâ sistemleri veri, model ve öğrenme algoritmasından oluşur. Makine öğrenmesi denetimli, denetimsiz ve pekiştirmeli olmak üzere üç türdür; derin öğrenme çok katmanlı yapay sinir ağlarını kullanır. Doğal dil işleme, görüntü tanıma ve öneri sistemleri yaygın uygulamalardır. Eğitim verisi sistemin başarısını belirler; önyargılı veri hata üretir, bu yüzden çıktılar denetlenir.

Kendini Dene

Soru: Yapay zekâ sisteminin üç bileşenini (veri, model, öğrenme algoritması) açıklayıp öğrenme türlerini (denetimli, denetimsiz, pekiştirmeli) veri yapısı ve uygulama örneğiyle karşılaştıran bir tablo hazırlayınız; ardından bir okul projesi için hangi öğrenme türünün neden seçileceğini gerekçelendiriniz.

Örnek cevap: Puanlama anahtarı: Üç bileşenin doğru tanımlanması (3 puan); denetimlinin etiketli veri ve spam filtresi örneği (3 puan); denetimsizin etiketsiz veri ve müşteri gruplandırma örneği (3 puan); pekiştirmelinin ödül-ceza geri bildirimi ve strateji oyunu örneği (3 puan); seçilen öğrenme türünün görevle eşleştirilerek gerekçelendirilmesi (3 puan).