Yapay zeka veya AI, bilgisayarların ve makinelerin insan zekasını ve problem çözme yeteneklerini simüle etmesini sağlayan teknolojidir.
AI, tek başına veya diğer teknolojilerle (örneğin sensörler, coğrafi konum, robotik) birleştirildiğinde, normalde insan zekası veya müdahalesi gerektiren görevleri yerine getirebilir. Dijital asistanlar, GPS rehberliği, otonom araçlar ve üretken AI araçları (Open AI’ın Chat GPT’si gibi), günlük haberlerde ve hayatımızda yer alan AI örneklerinden sadece birkaçıdır.
Bir bilgisayar bilimi alanı olarak yapay zeka, makine öğrenimi ve derin öğrenmeyi kapsar (ve genellikle bunlarla birlikte anılır). Bu disiplinler, insan beyninin karar verme süreçleri modellenerek geliştirilen ve mevcut verilerden ‘öğrenerek’ zamanla giderek daha doğru sınıflandırmalar veya tahminler yapabilen AI algoritmalarının geliştirilmesini içerir.
Yapay zeka birçok abartı döngüsünden geçti, ancak şüpheciler için bile ChatGPT’nin piyasaya sürülmesi bir dönüm noktası gibi görünüyor. Üretken AI’nın bu kadar öne çıktığı son dönemde atılımlar bilgisayarlı görü alanındaydı, ancak şimdi ileriye doğru atılan adım doğal dil işleme (NLP) alanında gerçekleşiyor. Günümüzde üretken AI, sadece insan dilini değil; görseller, videolar, yazılım kodları ve hatta moleküler yapılar dahil olmak üzere diğer veri türlerini de öğrenebiliyor ve sentezleyebiliyor.
AI uygulamaları her geçen gün artıyor. Ancak iş dünyasında AI araçlarının kullanımına yönelik heyecan arttıkça, AI etiği ve sorumlu AI hakkındaki konuşmalar kritik bir önem kazanıyor. IBM’in bu konulardaki duruşu hakkında daha fazla bilgi için lütfen Building trust in AI (AI’ya güven inşa etmek) yazısını okuyun.
Dar AI veya yapay dar zeka (ANI) olarak da bilinen Zayıf AI, belirli görevleri yerine getirmek üzere eğitilmiş ve odaklanmış AI’dır. Zayıf AI, bugün çevremizdeki AI uygulamalarının çoğunu oluşturur. “Dar” ifadesi bu tür bir AI için daha uygun bir tanımlayıcı olabilir çünkü aslında hiç de zayıf değildir: Apple’ın Siri’si, Amazon’un Alexa’sı, IBM watsonx™ ve sürücüsüz araçlar gibi oldukça sağlam uygulamalara güç verir.
Güçlü AI, yapay genel zeka (AGI) ve yapay süper zekadan (ASI) oluşur. AGI veya genel AI, bir makinenin insanlarla eşit zekaya sahip olacağı teorik bir AI biçimidir; problem çözme, öğrenme ve gelecek için plan yapma yeteneğine sahip, öz farkındalığı olan bir bilinç düzeyini ifade eder. Süper zeka olarak da bilinen ASI ise insan beyninin zekasını ve yeteneğini aşacaktır. Güçlü AI henüz tamamen teorik olsa ve bugün kullanımda pratik örnekleri bulunmasa da, bu durum AI araştırmacılarının onu geliştirmeyi keşfetmediği anlamına gelmez. Bu arada, ASI’nın en iyi örnekleri, 2001: Bir Uzay Destanı filmindeki insanüstü ve kontrolden çıkmış bilgisayar asistanı HAL gibi bilim kurgu eserlerinden gelebilir.
Makine öğrenimi ve derin öğrenme, AI’nın alt disiplinleridir ve derin öğrenme, makine öğreniminin bir alt disiplinidir.
Hem makine öğrenimi hem de derin öğrenme algoritmaları, devasa miktardaki verilerden ‘öğrenmek’ için sinir ağlarını kullanır. Bu sinir ağları, insan beyninin karar verme süreçleri modellenerek oluşturulmuş programatik yapılardır. Verilerden özellikleri çıkaran ve verilerin neyi temsil ettiğine dair tahminlerde bulunan birbirine bağlı düğüm katmanlarından oluşurlar.
Makine öğrenimi ve derin öğrenme, kullandıkları sinir ağlarının türleri ve dahil olan insan müdahalesi miktarı bakımından farklılık gösterir. Klasik makine öğrenimi algoritmaları; bir giriş katmanı, bir veya iki ‘gizli’ katman ve bir çıkış katmanından oluşan sinir ağlarını kullanır. Genellikle bu algoritmalar denetimli öğrenme ile sınırlıdır: algoritmanın veriden özellik çıkarmasını sağlamak için verilerin insan uzmanlar tarafından yapılandırılması veya etiketlenmesi gerekir.
Derin öğrenme algoritmaları ise derin sinir ağlarını kullanır; bu ağlar bir giriş katmanı, üç veya daha fazla (genellikle yüzlerce) gizli katman ve bir çıkış katmanından oluşur. Bu çoklu katmanlar denetimsiz öğrenmeyi mümkün kılar: büyük, etiketlenmemiş ve yapılandırılmamış veri kümelerinden özellik çıkarımını otomatikleştirirler. İnsan müdahalesi gerektirmediği için derin öğrenme, esasen makine öğrenimini ölçeklenebilir kılar.
Üretken AI, ham verileri (örneğin tüm Wikipedia veya Rembrandt’ın toplanmış eserleri) alabilen ve istendiğinde istatistiksel olarak olası çıktılar üretmeyi “öğrenebilen” derin öğrenme modellerini ifade eder. Üst düzeyde, üretken modeller eğitim verilerinin basitleştirilmiş bir temsilini kodlar ve orijinal veriye benzer ancak aynı olmayan yeni bir çalışma oluşturmak için bundan yararlanır.
Üretken modeller, sayısal verileri analiz etmek için istatistikte yıllardır kullanılmaktadır. Ancak derin öğrenmenin yükselişi, bunları görsellere, konuşmaya ve diğer karmaşık veri türlerine genişletmeyi mümkün kıldı. Bu çapraz geçiş başarısını elde eden ilk AI modelleri sınıfı arasında 2013 yılında tanıtılan değişken oto kodlayıcılar (VAE’ler) yer alıyordu. VAE’ler, gerçekçi görüntüler ve konuşmalar üretmek için yaygın olarak kullanılan ilk derin öğrenme modelleriydi.
MIT-IBM Watson AI Lab’de üretken AI uzmanı olan Akash Srivastava, “VAE’ler, modellerin ölçeklenmesini kolaylaştırarak derin üretken modellemenin önünü açtı,” dedi. “Bugün üretken AI olarak düşündüğümüz şeylerin çoğu burada başladı.”
GPT-3, BERT veya DALL-E 2 gibi modellerin ilk örnekleri nelerin mümkün olduğunu gösterdi. Gelecekte modeller, minimum ince ayar ile farklı görevler için kullanılabilecek geniş bir etiketlenmemiş veri seti üzerinde eğitilecek. Tek bir alanda belirli görevleri yürüten sistemler, daha genel öğrenen ve alanlar ve problemler arasında çalışan geniş AI sistemlerine yerini bırakıyor. Büyük, etiketlenmemiş veri kümeleri üzerinde eğitilen ve bir dizi uygulama için ince ayar yapılan temel modeller, bu değişime öncülük ediyor.
AI’nın geleceğine gelince, üretken AI söz konusu olduğunda, temel modellerin kurumsal düzeyde AI benimsenmesini önemli ölçüde hızlandıracağı öngörülüyor. Etiketleme gereksinimlerinin azaltılması, işletmelerin bu alana girmesini çok daha kolaylaştıracak ve sağladıkları yüksek doğruluklu, verimli AI destekli otomasyon, çok daha fazla şirketin AI’yı çok daha geniş bir görev kritik durum yelpazesinde kullanabileceği anlamına gelecek. IBM için umut, temel modellerin bilgi işlem gücünün nihayetinde her işletmeye sorunsuz bir hibrit bulut ortamında getirilebilmesidir.
Günümüzde AI sistemleri için çok sayıda gerçek dünya uygulaması bulunmaktadır. Aşağıda en yaygın kullanım durumlarından bazıları yer almaktadır:
Otomatik konuşma tanıma (ASR), bilgisayar konuşma tanıma veya konuşmadan metne dönüştürme olarak da bilinen konuşma tanıma, insan konuşmasını yazılı bir formata dönüştürmek için NLP’yi kullanır. Birçok mobil cihaz, sesli arama yapmak (örneğin Siri) veya İngilizce ya da yaygın olarak kullanılan birçok dilde metin yazma konusunda daha fazla erişilebilirlik sağlamak için konuşma tanımayı sistemlerine dahil eder. Don Johnston’ın sınıf ortamında erişilebilirliği artırmak için IBM Watson Text to Speech’i nasıl kullandığını vaka çalışmamızdan inceleyin.
Çevrimiçi sanal temsilciler ve sohbet robotları, müşteri yolculuğunda insan temsilcilerin yerini alıyor. Nakliye gibi konularda sıkça sorulan soruları (SSS) yanıtlıyor veya kişiselleştirilmiş tavsiyeler sunarak, ürün çapraz satışı yaparak ya da kullanıcılar için beden önerilerinde bulunarak web siteleri ve sosyal medya platformlarındaki müşteri etkileşimi anlayışımızı değiştiriyorlar. Örnekler arasında e-ticaret sitelerindeki sanal temsilcili mesajlaşma botları, Slack ve Facebook Messenger gibi mesajlaşma uygulamaları ve sanal asistanlar ile sesli asistanlar tarafından genellikle yapılan görevler yer alır. Autodesk Inc.’in müşteri yanıt sürelerini %99 oranında hızlandırmak için IBM watsonx Assistant’ı nasıl kullandığını vaka çalışmamızdan inceleyin.
Bu AI teknolojisi, bilgisayarların ve sistemlerin dijital görüntülerden, videolardan ve diğer görsel girdilerden anlamlı bilgiler çıkarmasını sağlar ve bu girdilere dayanarak harekete geçebilir. Öneri sunma yeteneği, onu görüntü tanıma görevlerinden ayırır. Evrişimli sinir ağları ile desteklenen bilgisayarlı görü; sosyal medyada fotoğraf etiketleme, sağlık hizmetlerinde radyoloji görüntüleme ve otomotiv endüstrisinde sürücüsüz araçlar gibi alanlarda uygulamalara sahiptir. ProMare’in okyanus araştırmalarında yeni bir rota belirlemek için IBM Maximo’yu nasıl kullandığını vaka çalışmamızdan inceleyin.
Uyarlanabilir robotik, otonom kararlar almak için Nesnelerin İnterneti (IoT) cihaz bilgilerini, yapılandırılmış ve yapılandırılmamış verileri kullanır. NLP araçları insan konuşmasını anlayabilir ve kendilerine söylenene tepki verebilir. Tahminleyici analitik; yanıt verebilirlik, envanter ve ağ optimizasyonu, önleyici bakım ve dijital üretim için uygulanır. Artık sadece tahminleyici değil, aynı zamanda hiyerarşik olan arama ve örüntü tanıma algoritmaları, gerçek zamanlı verileri analiz ederek tedarik zincirlerinin makine tarafından üretilen, artırılmış zekaya tepki vermesine yardımcı olurken anlık görünürlük ve şeffaflık sağlar. Hendrickson’ın gerçek zamanlı işlemleri desteklemek için IBM Sterling’i nasıl kullandığını vaka çalışmamızdan inceleyin.
Yayıncıların doğru tahminler yapmak için güvendiği hava durumu modelleri, süper bilgisayarlarda çalışan karmaşık algoritmalardan oluşur. Makine öğrenimi teknikleri, bu modelleri daha uygulanabilir ve hassas hale getirerek geliştirir. Emnotion’ın hava durumuna duyarlı işletmelerin daha proaktif, veri odaklı kararlar almasını sağlamak için IBM Cloud’u nasıl kullandığını vaka çalışmamızdan inceleyin.
AI modelleri, büyük miktardaki verileri tarayabilir ve bir veri kümesi içindeki tipik olmayan veri noktalarını keşfedebilir. Bu anormallikler; hatalı ekipman, insan hatası veya güvenlik ihlalleri konusunda farkındalık yaratabilir. Netox’un dijital işletmeleri siber tehditlerden korumak için IBM QRadar’ı nasıl kullandığını vaka çalışmamızdan inceleyin.
“Düşünen bir makine” fikri antik Yunan’a kadar uzanır. Ancak elektronik hesaplamanın ortaya çıkışından bu yana (ve bu makalede tartışılan bazı konularla ilişkili olarak) yapay zekanın evrimindeki önemli olaylar ve dönüm noktaları şunlardır:
1950: Alan Turing, Computing Machinery and Intelligence (link ibm.com dışında yer alır) makalesini yayınlar. II. Dünya Savaşı sırasında Alman ENIGMA kodunu kırmasıyla ünlü ve genellikle “bilgisayar biliminin babası” olarak anılan Turing, bu makalede şu soruyu sorar: “Makineler düşünebilir mi?” Buradan yola çıkarak, bir insan sorgulayıcının bir bilgisayar ile insan metin yanıtı arasında ayrım yapmaya çalışacağı, günümüzde “Turing Testi” olarak bilinen bir test önerir. Bu test yayınlandığından beri çok fazla incelemeye tabi tutulmuş olsa da, dilbilim etrafındaki fikirleri kullandığı için hem AI tarihinin önemli bir parçası hem de felsefe içinde devam eden bir kavram olmaya devam etmektedir.
1956: John McCarthy, Dartmouth College’daki ilk AI konferansında “yapay zeka” terimini ortaya atar. (McCarthy daha sonra Lisp dilini icat edecektir.) Aynı yılın ilerleyen zamanlarında Allen Newell, J.C. Shaw ve Herbert Simon, ilk çalışan AI yazılım programı olan Logic Theorist’i oluştururlar.
1967: Frank Rosenblatt, deneme yanılma yoluyla “öğrenen” bir sinir ağına dayalı ilk bilgisayar olan Mark 1 Perceptron’u inşa eder. Sadece bir yıl sonra, Marvin Minsky ve Seymour Papert, Perceptrons adlı bir kitap yayınlar; bu kitap hem sinir ağları üzerine çığır açan bir çalışma hem de en azından bir süreliğine gelecekteki sinir ağı araştırma projelerine karşı bir argüman haline gelir.
1980’ler: Kendini eğitmek için geri yayılım (backpropagation) algoritmasını kullanan sinir ağları, AI uygulamalarında yaygın olarak kullanılmaya başlanır.
1995: Stuart Russell ve Peter Norvig, AI çalışmasında önde gelen ders kitaplarından biri haline gelen Artificial Intelligence: A Modern Approach (link ibm.com dışında yer alır) kitabını yayınlar. Kitapta, bilgisayar sistemlerini rasyonalite ve düşünme ile hareket etme temelinde ayıran dört potansiyel AI hedefini veya tanımını incelerler.
1997: IBM’in Deep Blue’su, bir satranç maçında (ve rövanşında) dönemin dünya satranç şampiyonu Garry Kasparov’u yener.
2004: John McCarthy, What Is Artificial Intelligence? (link ibm.com dışında yer alır) adlı bir makale yazar ve sıkça alıntılanan bir AI tanımı önerir.
2015: Baidu’nun Minwa süper bilgisayarı, görüntüleri ortalama bir insandan daha yüksek bir doğruluk oranıyla tanımlamak ve kategorize etmek için evrişimli sinir ağı adı verilen özel bir derin sinir ağı türü kullanır.
2016: Derin bir sinir ağı tarafından desteklenen DeepMind’ın AlphaGo programı, beş maçlık bir seride dünya Go şampiyonu Lee Sodol’u yener. Bu zafer, oyun ilerledikçe olası hamlelerin çokluğu göz önüne alındığında (sadece dört hamleden sonra 14,5 trilyondan fazla!) önemlidir. Daha sonra Google, DeepMind’ı bildirilen 400 milyon ABD doları karşılığında satın almıştır.
2023: ChatGPT gibi büyük dil modellerinin (LLM’ler) yükselişi, AI’nın performansında ve kurumsal değer yaratma potansiyelinde muazzam bir değişim yaratır. Bu yeni üretken AI uygulamalarıyla, derin öğrenme modelleri çok büyük miktarda ham, etiketlenmemiş veri üzerinde önceden eğitilebilir.
IBM’in sektör lideri AI uzmanlığı ve çözüm portföyü ile AI’yı işinizde çalıştırın.
Deneyimleri, gerçek zamanlı karar almayı ve iş değerini en üst düzeye çıkarmak için AI ekleyerek kritik iş akışlarını ve operasyonları yeniden keşfedin.
AI, yanıt sürelerini hızlandırmak ve yetersiz kaynaklara sahip güvenlik operasyonlarını güçlendirmek için devasa miktarda risk verisini analiz ederek siber güvenlikte oyunun kurallarını değiştiriyor.
İş ihtiyaçlarınız için temel modeli seçmek üzere model seçim çerçevesini nasıl kullanacağınızı öğrenin.
Bireysel veya çok kullanıcılı dijital öğrenme aboneliği satın alarak 100’den fazla çevrimiçi kurstan oluşan tam kataloğumuza erişin ve ürün yelpazemizdeki becerilerinizi tek bir düşük fiyatla genişletin.
IBM watsonx Assistant, Kurumsal Konuşma AI platformları için 2023 Gartner Peer Insights Müşterinin Sesi raporunda Müşterilerin Seçimi olarak tanındı.
İlgili hizmet: AI Pazarlama Ajansı