Yapay zekâ, bilgisayarların normalde insan zekâsı gerektiren işleri yapabilmesini sağlayan teknolojilerin genel adıdır. Türkiye Cumhuriyeti Cumhurbaşkanlığı Dijital Dönüşüm Ofisi'ne göre yapay zekâ, akıl yürütme, anlam keşfetme, genelleme veya geçmiş deneyimlerden öğrenme gibi süreçlerle donatılmış sistemler geliştirmeyi amaçlar. AWS ise yapay zekâyı, makinelerin insan benzeri problem çözme görevlerini yerine getirmesini sağlayan dönüştürücü bir teknoloji olarak tanımlıyor. Bu yazıda yapay zekânın ne olduğunu, nasıl çalıştığını ve hangi alanlarda kullanıldığını adım adım ele alıyoruz.
Cumhurbaşkanlığı Dijital Dönüşüm Ofisi'ne göre makine öğrenmesi kavramı, Alan Turing'in 1950'lerin başındaki "Makineler Düşünebilir Mi?" sorusuyla ortaya çıkmıştır. "Yapay Zekâ" terimi ise ilk kez John McCarthy tarafından 1956'daki Dartmouth Konferansı'nda kullanılmıştır. Bu tarihler, yapay zekânın yeni bir heves değil, onlarca yıllık bir araştırma geleneğine dayandığını gösterir. Terimin doğuşu, makinelerin yalnızca hesaplama yapmasını değil, öğrenmesini de hedefleyen bir yaklaşımın başlangıcı sayılır.
Microsoft Azure'a göre geleneksel yapay zekâ sistemleri yalnızca sabit kuralları izler; bilişsel yapay zekâ gibi yeni sistemler ise verilerden öğrenip zaman içinde gelişebilir. Bu ayrım, bir sistemin yeni durumlarla karşılaştığında nasıl davranacağını belirler. Sabit kurallı bir sistem, kuralda tanımlanmayan bir durumda çoğu zaman cevap veremez. Veriden öğrenen bir sistem ise örneklerden kalıp çıkararak daha önce görmediği durumlara da yanıt üretmeye çalışır.
Yapay zekâyı anlamanın en kolay yolu, üç temel yeteneğe ayırmaktır: veriyle öğrenme, karar verme veya tahmin etme ve içerik üretme. Veriyle öğrenme, makine öğrenmesi adı verilen ve örneklerden kalıp çıkarma sürecidir. Karar verme ve tahmin, modelin gördüğü veriye göre sınıflandırma veya öngörü üretmesi anlamına gelir. Üretme ise metin, görsel, ses, video veya kod gibi yeni içerikler oluşturan üretken yapay zekâyı kapsar.
Yapay zekâyı klasik yazılımdan ayıran şey, her kuralın tek tek programcı tarafından yazılmamasıdır. Bunun yerine modele örnek veriler sunulur ve model kalıpları kendisi çıkarır. Bu yaklaşım, kuralların sayısının pratikte yazılamayacak kadar arttığı problemlerde işe yarar. Örneğin bir e-posta metninin istenmeyen posta olup olmadığını elle tanımlamak zordur; ancak etiketlenmiş örneklerle eğitilen bir model bu ayrımı öğrenebilir. Bu nedenle yapay zekâ projelerinde veri kalitesi, en az algoritma seçimi kadar belirleyicidir.
Yapay zekâda model, veriden öğrenen matematiksel yapıya verilen addır; eğitim ise bu yapının örnekler üzerinden ayarlanması sürecidir. Kullanılan veri ne kadar temsil ediciyse modelin yeni durumlardaki davranışı da o ölçüde güvenilir olur. Eğitim verisi belirli bir grubu veya durumu yeterince içermiyorsa, model o alanda zayıf kalabilir. Bu yüzden bir yapay zekâ çıktısını değerlendirirken yalnızca sonuca değil, hangi veriyle eğitildiğine de bakmak gerekir.
TÜBİTAK Bilim Genç'e göre yapay zekâ günlük hayatta sesli asistanlar, dil çevirileri, öneri sistemleri, navigasyon, e-ticaret ve video oyunlarında karşımıza çıkar. SAP ise akıllı ev otomasyonu, sohbet botları, otonom sistemler, görüntü tanıma ve kişiselleştirilmiş önerileri örnek gösteriyor. Netflix ve Spotify gibi platformlarda gördüğümüz "sana özel" listeler bu tür öneri sistemlerinin tipik çıktısıdır. Harita uygulamalarında rota seçimi ve trafik tahmini de benzer biçimde geçmiş veriden yararlanır.
Metin ve dil alanı, yapay zekânın en görünür olduğu başlıklardan biridir; çeviri, sohbet botları, özetleme, yazım düzeltme ve e-posta yazımı bu kapsamda sayılabilir. Microsoft Azure, belge özetleme konusunda GPT tabanlı sistemleri örnek gösteriyor. Bu araçlar uzun bir metni kısaltabilir, farklı bir dile çevirebilir veya taslak bir yazıyı düzenleyebilir. Ancak üretilen metnin doğruluğu garanti değildir; özellikle sayı, tarih ve isim içeren ifadelerin ayrıca kontrol edilmesi gerekir.
Yapay zekâ yalnızca metinle sınırlı değildir; fotoğraf düzenleme, yüz tanıma, konuşmayı yazıya çevirme ve müzik veya ses üretimi de bu teknolojinin kullanım alanları arasındadır. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi, görüntü, ses, metin ve veri işlemeyi yapay zekânın temel uygulama başlıkları arasında sıralıyor. Bu tür sistemler, örneğin bir toplantı kaydını otomatik olarak yazıya dökebilir veya bir fotoğrafın arka planını değiştirebilir. Üretilen görsel ve seslerin gerçeğe ne kadar yakın olduğu, doğruluk ve etik açısından ayrıca değerlendirilmesi gereken bir konudur.
TÜBİTAK Bilim Genç'e göre sağlık alanında yapay zekâ, MR ve röntgen analizi ile erken teşhis çalışmalarında kullanılıyor. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi de sağlıkla ilgili uygulamalar arasında görüntü işlemeyi sayıyor. Bu sistemler hekimin yerini almak için değil, yoğun görüntü verisini hızlı taramak ve dikkat çeken bölgeleri işaretlemek için tasarlanır. Sağlıkla ilgili konularda nihai değerlendirme her zaman bir uzmanın yapması gereken bir işlemdir; yapay zekâ çıktısı tek başına tanı yerine geçmez.
Finans alanında yapay zekâ; piyasa analizi, yatırım stratejileri ve kredi risk değerlendirmesi gibi işlerde gündeme geliyor. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi, sigortacılığı ve büyük veri analitiğini de yapay zekânın kullanıldığı başlıklar arasında sayıyor. Bu uygulamalar çoğunlukla geçmiş verilerdeki kalıpları bulup olasılık tahmini üretmeye dayanır. Burada önemli bir sınır vardır: geçmiş veriye dayanan bir tahmin, gelecekte kesin bir sonuç anlamına gelmez. Finansal kararların yine de insan değerlendirmesiyle birlikte alınması gerekir.
TÜBİTAK Bilim Genç'e göre eğitimde yapay zekâ, kişiselleştirilmiş öğrenme amacıyla kullanılıyor. Bir öğrencinin hangi konularda zorlandığını tespit edip ona uygun alıştırmalar sunmak, bu yaklaşımın tipik bir örneğidir. Otomatik soru üretimi ve ödev geri bildirimi de aynı başlık altında değerlendirilir. Burada dikkat edilmesi gereken nokta, sistemin öğrenciyi etiketlemek yerine eksik kalan konuyu göstermeye odaklanmasıdır; aksi halde veri kaynaklı önyargılar eğitim deneyimini olumsuz etkileyebilir.
Ulaşım alanında yapay zekâ; otonom araçlar, trafik tahmini ve lojistik planlama gibi başlıklarda karşımıza çıkıyor. TÜBİTAK Bilim Genç, otonom araçlar ve trafik yönetimini bu alandaki örnekler arasında sayıyor. Bir lojistik şirketi için teslimat rotalarının geçmiş trafik verisine göre planlanması, yakıt ve zaman tasarrufu sağlamayı amaçlayan bir uygulamadır. Otonom araçlar ise hem teknik hem de hukuki açıdan halen gelişmekte olan bir alandır; her ülkede ve her koşulda tam otonom sürüşten söz etmek doğru olmaz.
TÜBİTAK Bilim Genç'in aktardığına göre tarımda yapay zekâ, bitki hastalığı tespiti ve otomatik sulama gibi uygulamalarda kullanılıyor. Bitki yapraklarındaki görüntülerden hastalık belirtisi tanımak, erken müdahale için bir uyarı sistemi sağlayabilir. Otomatik sulama ise toprak ve hava verisine göre ne zaman ve ne kadar su verileceğine karar vermeye dayanır. Bu tür sistemlerin faydası, ölçüm verisinin doğruluğuna ve sensörlerin düzenli bakımına bağlıdır.
İş dünyasında yapay zekâ; müşteri desteği, dolandırıcılık tespiti, stok ve satış tahmini ile belge işleme gibi alanlarda kullanılıyor. Microsoft Azure, kod geliştirme otomasyonu için GitHub Copilot'u ve perakendede talep tahminini örnek gösteriyor. SAP da sohbet botları ve kişiselleştirilmiş önerileri iş dünyası kullanımları arasında sayıyor. Buradaki temel amaç genellikle tekrar eden işleri hızlandırmak ve insan çalışanın daha karmaşık kararlara zaman ayırmasını sağlamaktır.
Yapay zekâ; veri analizi, simülasyon ve malzeme veya tasarım optimizasyonu gibi bilimsel ve mühendislik çalışmalarında da kullanılıyor. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi, siber güvenliği de yapay zekânın uygulama alanları arasında sayıyor. Siber güvenlikte amaç, normal dışı davranışları erken fark edip olası bir saldırıya işaret etmektir. Bu sistemler çoğu zaman kesin bir hüküm vermez; analistin inceleyeceği bir uyarı listesi üretir.
Yaratıcı alanlarda yapay zekâ; metin, görsel, video ve müzik üretimi ile içerik fikirleri geliştirmede kullanılıyor. Bu tür araçlar genellikle bir taslağı hızlıca ortaya çıkarmak, farklı varyasyonlar denemek veya tıkanan bir noktada seçenek sunmak için tercih edilir. Ortaya çıkan içeriğin telif, özgünlük ve doğruluk açısından değerlendirilmesi kullanıcının sorumluluğundadır. Yapay zekâ bir başlangıç noktası üretebilir; ancak nihai içeriğin denetlenmesi gerekir.
Yapay zekâ güçlü ama kusursuz değildir; yanlış bilgi üretebilir, buna sıkça "halüsinasyon" denir. Eğitim verisinde var olan bir önyargıyı da taşıyabilir ve bu durum özellikle insanları sınıflandıran sistemlerde ciddi sonuçlar doğurabilir. Gizlilik ve etik konuları da ayrıca dikkat gerektirir; sistemin hangi veriyle çalıştığı ve bu verinin nasıl saklandığı önemlidir. Bu nedenle yapay zekâ çıktılarının önemli işlerde doğrulanması gerekir.
Bir yapay zekâ aracını kullanmaya karar verirken üç soru sormak yararlıdır: Hangi veriyle eğitildi, hangi kararı bana bırakıyor ve çıktısını nasıl doğrulayabilirim? Tekrar eden ve düşük riskli işler için bu araçlar zaman kazandırabilir. Yüksek riskli alanlarda ise çıktıyı bir uzmanın gözden geçirmesi ve sorumluluğun açıkça tanımlanması gerekir. Aracın sınırlarını bilmek, ondan en verimli biçimde yararlanmanın ön koşuludur.
Yapay zekâ; günlük hayatta arama ve öneri sistemlerinden sağlıkta görüntü analizine, finansta risk değerlendirmesinden eğitimde kişiselleştirilmiş öğrenmeye kadar geniş bir alanda kullanılıyor. TÜBİTAK Bilim Genç, Cumhurbaşkanlığı Dijital Dönüşüm Ofisi, AWS, Microsoft Azure ve SAP gibi kaynaklar bu kullanım alanlarını farklı başlıklar altında sıralıyor. Ortak nokta, sistemlerin geçmiş veriden kalıp çıkarıp tahmin veya içerik üretmesidir. Bu yüzden yapay zekâyı değerlendirirken hem sağladığı hızı hem de doğrulama ihtiyacını birlikte düşünmek gerekir.
