Yapay Zeka (Artificial Intelligence)

DUYABİLECEĞİMİZ EN GÜZEL DUYGU, BİLİNMEYEN

KARŞISINDAKİ HEYECANDIR. (A.EİNSTEİN)

Yapay Zeka

Yapay Zeka

(Artificial Intelligence)

Bilişim ve teknoloji hakkında az çok bilgiye sahip olup yapay zeka konusunda merakı olmayan insan olduğunu zannetmiyorum. Ya da bilim kurgu seneryolarından etkilenmeyen.

Bu yazıda yapay zeka nedir? Nasıl Çalışır? sorusuna cevap bulmaya çalışacağız.

Herşeyden önce eğer bir konunun üzerine fikir yürütmek istiyorsak geçmişini ve bugününü iyi bilmemiz gerekir.

Yapay zekanın tarihçesine bir göz atalım;

Fikirler toprağın altında duran tohumlara benzer, ortaya çıkmak için uygun koşulların oluşmasını beklerler.

Eğer uygun ortam oluşmuşsa ben buradayım derler ve sonrası sizin onunla ne kadar ilgilendiğinizle ilgili bir durumdur”.

Bu düşünce şeklinden yola çıkarak yapay zeka tarihine gidecek olursak “Yapay Zeka” tanımının ortaya çıkması için uygun koşulların oluştuğu ilk modern bilgisayarların ortaya çıktığı 1930-1940 ‘lı yıllara yolculuk yapmamız gerekir.

Devamı

Yapay zekanın fikir babası olan Makineler düşünebilir mi? sorusunu ilk ortaya atan ve makina zekası gibi konuları tartışmaya açan matematikçi Alan Mathison Turing dir.

Fikir o yıllarda oldukça ilgi toplamış ve bu konuda bir çok farklı çalışma yapılmıştır. Bu çalışmalar ile birlikte yapay sinir ağları kavramı ortaya çıkmıştır.

İlk yapay sinir ağı modeli 1943 yılında, bir sinir hekimi olan Warren McCulloch ile bir matematikçi olan Walter Pitts tarafından gerçekleştirilmiştir

İlk olarak yapay zeka tanımını ortaya çıkması ise 1956 yılında John McCarthy tarafından Dartmouth Konferansında gerçekleşmiştir.

Artık yapay zekanın tarihi hakkında az çok bilgi sahibi olduğumuza göre bugünü ve geleceği üzerine fikir yürütmeye başlayabiliriz.

Yapay Zeka kavramını ele aldığımızda ortaya çıkan en uygun tanım; makinalara düşünme, karar verme,

analiz etme gibi fonksiyoların kazandırılması diyebiliriz.

Bu tanım üzerinden hareket edecek olursak;

Geliştirilen bir çok icat, teknoloji doğada var olan örneğinin analiz edilmesi ve benzerinin yapılması ile ortaya çıkmaktadır.

Bunun en güzel örneklerinden birisi olarak kasklar üzerinde yapılan ve “Nasıl daha koruyucu bir kask

yapabiliriz?” sorusundan yola çıkarak sn de 25 kez ağaç kabuğunu gagalayarak parçalayan ağaçkakan

kuşunun kafatası yapısı inceleyip bu yapıya uygun modellenmiş kaskların oluşturulması örneğini verebiliriz.

Düşünme, karar verme ve analiz etme fonksiyonlarını göz önüne aldığımızda örnek almamız gereken model

şüphesiz insan olacaktır.

Yeni dünyaya gelmiş bir çocuğu düşünelim. Ona verilen içgüdüler dışında hiçbir bilgiye sahip değilken

dünyaya gözünü açtığında çevresinde gerçekleşen olaylarla birlikte zamanla bir takım gelişimler gösteriyor.

Sıcak, soğuk, acı, tatlı gibi kavramları farketmeye başlıyor. Diğer adıyla ÖĞRENME başlıyor.

Bu noktada eğer İnsanda bulunan Öğrenme yeteneğini model alarak bir makina tasarlamak istiyorsak

Öğrenme yeteğinin fonksiyonlarını ayrıntıları ile bilmemiz gerekir.

Bu ayrıntılar için lise yılarına dönüp en ön sırada oturup biyoloji dersi dinlememiz gerekecek.

Öğrenme; beyin hücrelerinde(Nöronlarda) gerçekleşen kimyasal ve elektriksel değişikliklerdir.

Öğrenme süreci: Beynin duyular yoluyla tarayıp algıladığı bilgileri depolayarak gerektiği zaman

çağırabilmesidir.

Karşımıza 4 farklı kavram daha geliyor. O halde öğrenebilmek için

Tarama : Input (Giriş)

Algılama : Entegrasyon(İşlem)

Depolama :Bellek(Depolama)

Geri çağırma :Output(Çıkış)

süreçleri gerekiyor.

Örnek üzerinden süreci işlemek gerekirse bir çocuğun sobayı tutmaması gerektiğini öğrendiği sürece

bakalım.

Sıcak sobaya dokunuyor burada 5 duyu organımızdan birisi olan deri tarama(input) görevini üstleniyor ve

ilgili hissi patronu olan beyine gönderiyor. Beyin kendisine gelen his doğrultusunda

işlem yaparak(Entegrasyon) bu hissin nasıl sonuçlar doğurabileceği ihtimallerini işleyerek çıkan sonucu

ilgili duyu organında bulunan kaslara eylem(eli sobadan çek) emri olarak gönderirken(Output) aynı

zamanda çıkan sonucu depoluyor(Bellek).

Artık çocuk sıcak sobaya dokunması halinde elinin yanacağını ve bundan acı duyacağını biliyor.

Bu örneğimizde odaklanmamız gereken en önemli kısım Entegrasyon(İşlem) süreci.

Bu süreçte beyin hücreleri(Nöronlar) arası elektriksel ve kimyasal iletişimi sağlayan sinapsların sayıları artar

ve her yeni öğrenmede bu sinaps sayıları karmaşıklaşarak artmaya devam eder.

Biyolojik sinir hücresinin(Nöron) yapısını incelemek gerekirse:

noron

Dendrit: Görevi diğer sinir hücrelerinden iletilen sinyalleri, sinir hücresinin çekirdegine iletmektedir.

Bu yapi basit gibi görünse de günümüzde dendritlerin görevlerinin daha kompleks oldugu yolunda söylemler

hakim olan görüstür. Hücrenin çekirdegi ile herbir dendrit arasinda farkli bir iletisim söz konusudur.

Bu sebeple bazi dendritlerin etkilesimde ağirlikli (dominand) pay sahibi,digerlerininde pasif (resesif) oldugu

gözlenmektedir. Bu ise disaridan alinan sinyallerde seçicilik gibi önemli bir olgunun sinir hücresi tarafindan

gerçeklestirilmesi anlamini tasimaktadir.

Hücre Çekirdeği : Dendritler yoluyla iletilen tüm sinyalleri alip toplayan merkezdir. Biyolojik olarak hücre

çekirdegi (nükleus) olarak da bilinen yapidir. Çekirdek gelen toplam sinyali diger sinir hücrelerine

göndermek üzere, bilgiyi aksona iletir.

Akson: Hücre çekirdeginden aldigi toplam bilgiyi bir sonraki sinir hücresine dagitmakla görevlidir.

Ancak akson bu toplam sinyalin ön islemden geçirilmeden diger sinir hücresine

aktarilmasina engel olur. Çünkü akson ucunda sinapsis denilen birimlere bilgiyi aktarir.

Bağlantılar(Sinapslar): Aksondan gelen toplam bilgiyi ön islemden geçirdikten sonra diger sinir

hücrelerinin dendritlerine iletmekle görevlidir. Sinapsın ön islem ile gerçeklestirdigi görev çok önem

tasimaktadir. Bu ön islem gelen toplam sinyalin, belli bir esik degerine göre degistirilmesinden ibarettir.

Böylece toplam sinyal oldugu gibi degil, belli bir araliga indirgenerek diger sinir hücrelerine iletilmis olunur.

Bu açidan, her gelen toplam sinyal ile dendrite iletilen sinyal arasinda bir korelasyon (iliski) olusturulur.

Öğrenme yeteneğinin biyolojik boyutunu gördüğümüze göre artık bunu model alarak bir makinaya nasıl

uygulayabileceğimize bakabiliriz.

Bu aşamada modelimizde yer alan beyin hücreleri (Nöronlar) ‘ın model alındığı yapay zekanın tarihçesinde

de karşımıza çıkan Yapay Sinir Ağlarını oluşturmamız gerekiyor.

Yapay Sinir Ağları: İnsan beyninin temel birimi olan nöronların model alınarak benzer şekilde yapay

nöronların farklı ağ modelleri ile birbirine bağlanması ile oluşan karmaşık sistemlerdir.

Yapay zekada öğrenme yine örnek model olarak alınan biyolojik öğrenme ile aynı çerçevede

gerçekleşmektedir.

  • İnput
  • Entegrasyon
  • Depolama
  • Geribildirim

süreçleri yapay zeka yapısı için de geçerilidir.

Biyolojik öğrenme örneğimizde de olduğu gibi yapay sinir ağları da yapay sinir hüçrelerininin sinapslar

aracılığıyla birbirine bağlanması ile oluşan yapılardır.

Yapay sinir hücresi yapısı:

yapaysiniragi

Şekilde de yapay sinir hücresinin yapısı verilmştir.

Burada Girdirler (dentritler)

Çekirdek

Eşikleme (akson)

Çıktı (Sinapslar)

olarak görülebilir.

Bu yapının işleyişine bakacak olursak herbir dentrit için bir ağırlık katsayısı (Önem derecesi) yer almaktadır.

Çekirdek kendisine gelen tüm girdi sinyallerinin ağırlıklı toplamlarını elde ederek . Tüm toplam sinyali bir

sonraki sinir hücresine iletmekle görevli olan sinpta bulunan eşitleme fonksiyonuna girdi olarak gönderir. Bu

fonksiyondan çıkan sonuc bir sonraki hücrenin dentritine iletilir.

Bu süreç yapay zekada öğrenme sürecidir.

Genel anlamda yapay sinir ağları, ileri beslemeli ve geri beslemeli ağlar şeklinde iki ana grupta düşünülebilir.

İleri beslemeli ağlarda nöronlar; girdi, saklı ve çıktı olarak adlandırılan katmanlar vasıtasıyla organize

edilir. Herbir katmandaki nöronlar, bir sonraki katman nöronları ile bağlantılı ağırlıkları vasıtasıyla ilişkilidir.

Ancak katmanların kendi aralarında herhangi bir bağlantı yoktur. Bilgi, girdi katmanından çıktı katmanına

doğru ilerler. Buna aktivasyon yönü de denilir. Bu tür ağlar Ögretmenli öğrenme teknikleriyle eğitilir.

Yapay sinir agi modellerinin temel iki islevi vardir.

  1. Ögrenmek
  2. ögrendiginin sorgulamasi yapildiginda buna yanit vermek.

Öğrenmek 2 şekilde gerçekleşir.

  • Ögretmenli öğrenme (Supervised learning):
  • Kendi kendine öğrenme(unsupervised learning):

Öğretmeli öğrenme de yapay sinir ağının dışardan etki ile eğitimlesi söz konusudur ve ne tür bir çıktı

vermesi gerektiği önceden bilinmektedir.

Kendi kendine öğrenme de yapay sinir ağı dışardan etki olmaksızın aldığı bilgileri kendi içinde kıyaslama

yaparak sınıflandırması ile oluşur.

Sorgulama: Daha önce gerçekleşen öğrenmenin sorulanmasıdır. Bu aşamada dikkat edilmesi gereken nokta

daha önce öğrenmediği bir sorguyu öğrendiklerinden birisine benzeterek sonuç üretmeye çalışır. Bu yapı ile

yapay sinir ağı modelleri hata töleranslı mekanizmalar olarak bilinir.

Uygulma Alanları:

Günümüzde yapay zekanın binlerce uygulama alanı bulumakdır bunlardan bazıları uçuş similasyonları,

otonom kontrolü ve askeri uygulamalar, sensör sonar sistemleri, bilgisayar oyunları ve robotik hayvanlar gibi

eğlence dünyasına kadar geniş bir yelpazededir. Bunun yanında bankacılık, sağlık ve sigorta şirketlerinde
müşteri davranışları ve trend tespiti gibi çok fazla miktarlarda bilgi işlenmesi gereken alanlarda da

kullanılabilir. Bu örneklerde yer alan özellikle müşteri davranışlarının algılanması ve bu davranışlar üzerine

yeni pazarlama stratejilerinin oluşturulması gibi süreçler ticari alanda büyük önem taşımaktadır.

Yapay zekanın geleceği:

Günümüz teknolojik gelişmelerini göz önüne alığımızda insan ihtiyaçlarının minimum sürede, zahmetsizce

ve hatasız olarak karşılanabilmesi anlayışı üzerine her geçen gün birçok yeni teknoloji karşımıza çıkmakta ve

bu alanlarda bir rekabet ortamı oluşmaktadır.

Teknolojik gelişmelerdeki bu hız kısmen de olsa dünün bilim kurgularını bugünün imkanları haline

getirmektedir. Bugünün bilim kurguları da yarının imkanları olabilir.

DEVAM EDECEK..

Fatih BURGAZ.