Bilgisayar bilimlerinin alt başlıklarından biri olan “Yapay Zeka” mefhumu literatüre 1956 yılında, Stanford Üniversitesi’nde görev yapan John McCarty tarafından kazandırıldı. Yapay zeka, üzerine çeşitli yazılımlar kurulmuş bir makinenin veya bir bilgisayar programının kendi başına düşünme ve öğrenme yetisi kazanması anlamına geliyor. Yapay zeka düşüncesinin temelinde kendi başına hareket edebilen, düşünebilen ve insanlar gibi öğrenebilen makineler üretmek fikri yatıyor. Yapay zekaya herhangi bir soru veya işlem yönlendirildiğinde daha önce aynı soruya verdiği tüm yanıtları değerlendirerek içlerinden en mantıklı olanı seçip size sunuyor. Ancak yapay zeka bundan çok daha fazlası olarak karşımıza çıkıyor. Yapay zekayı bu kadar kısıtlı bir konu ile sınırlandırmak yanlış. Derin Öğrenme (Deep Learning) ve Makine Öğrenimi (Machine Learning) gibi kavramları açıklamak yapay zekayı doğru tanımlamamız açısından daha detaylı ve kapsayıcı.
Makine Öğrenimi (Machine Learning) Nedir?
Makine öğreniminin dayandığı temel, girilen verileri alıp çeşitli algoritmalar kullanılarak bu verileri yeni verilere dönüştürüp farklı çıktılar ortaya çıkaran ve bu çıktılar üzerinden çeşitli istatistiki veri analizleri toplamasıdır.
Makine öğrenimi, veri madenciliği ve tahmin modellemesinde yer alan süreçler ile benzer bir yapıdadır. Her üçü de veri aramayı ve program eylemlerini buna göre ayarlamayı gerektirmektedir. Bu duruma örnek vermek gerekirse, Google’dan veya herhangi başka bir arama motorundan alışveriş yapmak amacıyla bir şeyler arattığınızı düşünün. Bu işlemi yaptıktan hemen sonra internette satın almak istediğiniz şey ile ilgili sürekli reklamlar karşınıza çıktığını siz de farketmişsinizdir. Bunun sebebi, öneri motorlarının neredeyse gerçek zamanlı olarak online reklam yayınını kişiye özel hale getirmek için makine öğrenimini kullanmasıdır. Kişiselleştirilmiş pazarlamaya ek olarak, diğer makine öğrenimi kullanım alanları arasında spam filtreleme, ağ güvenliği tehdidi algılama, sahtekârlık tespiti gibi durumlar da yer almaktadır.
Makine öğrenimi algoritmaları genel olarak denetlenen veya denetlenmeyen olarak ikiye ayrılır. Algılanan algoritmalar, algoritma öğrenimi esnasında tahminlerin doğru olup olmadığı hakkında geri bildirim sağlar. Aynı zamanda hem girdi hem de çıktıyı sağlamak için makine öğrenim becerileri ile birlikte bir veri bilimcisi veya veri analistine ihtiyaç duyulur. Veri bilimcileri, modelin hangi değişkenleri analiz edeceğini ve hangi tahminleri geliştirmek için kullanacağını belirler.
Derin Öğrenme (Deep Learning) Nedir?
Ne kadar çok veri bulunursa yapay zeka özellikleri o kadar fazla açığa çıkacaktır ve işler daha da karmaşık hale gelecektir. Karmaşık hale geldikçe yapay zekadan, makine öğrenimine geçiş olacaktır. Daha da karmaşık hale gelmeye başlayınca makine öğreniminden, derin öğrenime geçişler başlayacaktır. Sisteminizde ne denli çok veriniz varsa yapay zekanız o kadar iyi çalışacaktır.
Makine öğrenimi tek katmanda işlem yapıyorken derin öğrenme birden fazla katmanda eş zamanlı olarak işlem yapmaktadır. Bir makine grubu öğrenim algoritmalarını eş zamanlı bir şekilde kullanarak tek işlemde sonuca ulaşmaya çalışıyor. Örneğin; bir ıspanak resmi ile bir mandalina resmini ayırmamız gerekiyor. Makine öğreniminde, insanların bugüne kadar edinmiş olduğu deneyimleri, bir takım yönergeler vasıtasıyla makineye tanıtmaya çalışıyorsunuz. Turuncu ise muhtemelen mandalinadır, yeşil ise ıspanaktır gibi veya yuvarlak ise muhtemelen mandalinadır, yaprak şeklindeyse muhtemelen ıspanaktır gibi birçok özelliği tanımlamanız gerekiyor. Halbuki derin öğrenme bu değişikliği kendi başına öğrenebiliyor. Sadece ıspanak ve mandalina resimlerini derin öğrenme sistemine göstererek kendisine ait kurallarını oluşturuyor, değişiklikleri ortaya çıkarabilmek için renk ve şeklin ana ayırıcı nitelikler olduğunu kendi başına fark ediyor. Böylece temel insan becerilerine hiç ihtiyaç duymadan, kendi ayrıştırıcı yeteneklerini kendi kazanarak işlemlerini gerçekleştirebiliyor.