Yapay Zeka Modelleri

Yapay zekânın temel kategorilerini, nasıl işlediklerini ve ne gibi katkılar sağladıklarını biliyor musunuz? Yapay zekayı; Makine Öğrenimi (Machine Learning), Derin Öğrenme (Deep Learning), Doğal Dil İşleme (Natural Language Processing), Bilgisayarla Görme (Computer Vision) ve Açıklanabilir Yapay Zeka (Explainable AI) olarak beş ana başlıkta sınıflandırabiliriz. Bu yazıda, bunlardan üçü hakkında bilgi vereceğim.

Yapay zeka, şirketlerin verilerden öngörüler elde etme şeklini kökten değiştirmektedir. Edelman’ın 2019 Yapay Zeka anketine göre, teknoloji yöneticilerinin büyük bir kısmı (%91) ve halkın %84’ü yapay zekanın bir sonraki teknoloji devrimi olduğuna inanıyor. PwC ise 2030 yılına kadar yapay zekanın küresel ekonomiye 15.7 trilyon dolar katkı sağlayacağını öngörüyor.

Yapay zeka oldukça önemli bir kavramdır. Ancak tek bir yapıdan ibaret değildir; zeka, birçok farklı bilişsel yeteneğin birleşimidir. Yapay zekanın kategorilerini, nasıl işlediklerini ve neye katkı sağladıklarını anlamak, IT ve iş dünyasındaki liderler için kritik öneme sahiptir.

Makine Öğrenimi (ML)​

Makine Öğrenimi, günümüzde firmaların en çok üzerinde durduğu alt dallardan biridir. An Executive’s Guide to Real-World AI’da belirtildiği üzere, ML yıllardır var olan olgun bir teknolojidir.

Makine Öğrenimi, bilgisayarların verilerden bilgi toplamasını ve bu öğrenimleri insan müdahalesi olmadan uygulamasını sağlayan bir yapay zeka dalıdır. Eğer çözüm büyük bir veri setinin içinde gizliyse, Makine Öğrenimi bu verileri hızlı ve etkili bir şekilde işleyerek gerekli öngörüleri sağlar. İnsanların harcayacağı süreye kıyasla çok daha kısa sürede sonuçlar elde eder ve aksi takdirde ulaşılamayacak öngörüler üretir.

ML Kullanım Alanları​

Makine Öğrenimi, finansal hizmetlerde risk analizi, dolandırıcılık tespiti ve portföy yönetimi; seyahatlerde GPS tabanlı tahminler; ve hedeflenmiş pazarlama kampanyaları gibi birçok alanda kullanılır. ML, etiketlenmiş verilerle görevleri zamanla daha iyi yerine getirir ve öngörücü modeller oluşturarak iş için kritik görevlerin sayısını artırır.

Derin Öğrenme (DL)​

AI yazılım şirketi Pathmind bir makalesinde, Derin Öğrenme'yi anlamak için matruşka bebeklerine benzetir: Derin Öğrenme, Makine Öğrenimi’nin bir alt kümesi, Makine Öğrenimi ise yapay zekanın bir alt kümesidir.

Derin Öğrenme, sinir ağları adı verilen yapılar kullanır. Bu sinir ağları, etiketlenmiş verilerden bilgi toplar ve doğru sonuçları üretmek için gerekli olan girdi özelliklerini öğrenir. Yeterli miktarda örnek işlendiğinde, sinir ağları yeni ve görülmemiş girdileri başarılı bir şekilde işleyerek sonuçlar döndürür.

DL Kullanım Alanları​

Derin Öğrenme, Amazon ve Netflix gibi platformlarda ürün ve içerik önerileri sağlamakta, Google’ın ses ve görüntü tanıma algoritmalarının arkasında çalışmaktadır. McKinsey’e göre, Derin Öğrenme üretim verimliliğini artırırken arıza sürelerini ve işletme maliyetlerini azaltarak arızaları tahmin edebilmekte ve planlı müdahalelere olanak tanımaktadır.

Doğal Dil İşleme (NLP)​

Doğal Dil İşleme (NLP), birçok alt kümesi bulunan geniş bir alandır. Bunlar arasında Doğal Dil Anlama (Natural Language Understanding - NLU) ve Doğal Dil Üretimi (Natural Language Generation - NLG) bulunur. ISG’nin Butterfield’ına göre, bu alt kümelerin temel amacı aynı: Dili anlamak ve bu anlayışı geliştirmek.

NLP, dilbilime dayanan ve bilgisayarların doğal dili işleyebilmesini sağlayan bir yapay zeka dalıdır. Zaman içinde, katı kurallara bağlı olmaktan çıkıp makine öğrenimi yaklaşımlarını benimsemiştir. Bu sayede yapay zeka ile daha fazla kesişim noktası oluşmuştur.

NLP Kullanım Alanları​

Doğal Dil İşleme, bilgisayarların anahtar kelimeleri ve ifadeleri anlamasını, dillerin amacını kavramasını, bir dili başka bir dile çevirmesini ve yanıtlar üretmesini sağlar. Şirketler, yazılı veya sözlü iletişim yoluyla büyük miktarda veri toplar. Bu verileri analiz etme ve anlamını bulma yeteneği, şirketlerin geleceği için büyük önem taşır.

Ece Dilara ASLAN
Boğaziçi Üniversitesi Bilgisayar Mühendisliği Öğrencisi