İçeriğe geç

Bilmeniz Gereken 12 Yapay Zeka Terimi

Yapay zeka birdenbire her yerde duymaya başladığımız bir terim. Onlarca yıldır insanlar gibi düşünebilen ve öğrenebilen makineler yaratma hayali asla yapılamayacak gibi görünüyordu. Ancak artık her yerde taşıdığımız telefonlar, her gün kullandığımız web siteleri bazı durumlarda yapay zeka kullanıyor. Evlerimizin çevresinde kullandığımız ev aletlerinde bile yapay zeka mevcut hale geldi.

IDC’deki pazar araştırmacıları, şirketlerin 2017’de bilişsel ve yapay zeka sistemlerine geçen yıl harcadıklarından %59,3 daha fazla 12,5 milyar dolar harcayacaklarını tahmin ettiler. 2020’ye kadar toplam yapay zeka geliri 46 milyar doları aşabilir.

Çoğu durumda, yapay zeka hayatımıza ve işimize bize fark etmeden sızdı. Yapılan bir ankete 235 işletme yöneticisi katıldı. Katılımcıların sadece %38’i işyerinde yapay zeka kullanıldığını biliyorum dedi. Ancak bunların %88 aslında tahmine dayalı analitik gibi yapay zeka tabanlı teknolojiler kullandıkları tespit edildi.

Bu, yapay zeka ile ilgili büyük sorunlardan birini vurguluyor: Pek çok insan yapay zekanın ne olduğunu gerçekten anlamıyor.

Bu teknoloji uzmanlarını göz önünde bulundurarak, yapay zeka ve makine öğrenimi ile ilgili en önemli 12 terimi tanımlayan bir yazı yazdım. Şimdi maddelere geçelim.

Yapay Zeka

Yapay zeka nedir? En basit ifadeyle yapay zeka, insanlar gibi düşünebilen bir makinedir.

Bilgisayarların ilk günlerinden beri, makineler basit matematik problemlerini çözmek gibi mantıksal görevleri yerine getirmede başarılı oldular. Bununla birlikte, bir sohbeti sürdürmek, resimdeki hayvanın köpek mi yoksa kedi mi olduğunu belirlemek veya bir kişinin mutlu mu yoksa üzgün mü olduğunu anlamak gibi diğer işler bilgisayarlar için yapması çok daha zor işlerdir.

Yapay zeka ifadesi ilk olarak 1956’da bir bilgisayar bilimi atölyesinde insanlar için kolay ve makineler için zor olan bir işe atıfta bulunmak için kullanıldı. Çalıştayın sonunda katılımcılar kendilerini “makinelerin dili nasıl kullanacağını, soyutlamalar ve kavramları nasıl oluşturacaklarını, artık insanlar için ayrılan sorunları nasıl çözeceklerini ve kendilerini nasıl geliştireceklerini” bulmaya adadılar.

Bu güne kadar, yapay zeka araştırmacıları, bu erken yapay zeka öncüleri tarafından ana hatlarıyla belirtilen alanlar üzerinde çalışmaya devam ediyor. Doğal dil işleme, görüntü tanıma ve makine öğrenimi gibi alanlar, genel yapay kategorisi içinde alt uzmanlık alanları haline geldi. Yapay zeka araştırması, sosyal zeka, yaratıcılık, otonom araçlar, arama motorları ve çok daha fazla alanları da kapsayacak şekilde genişledi.

Makine Öğrenmesi

Makine öğrenimi, geniş yapay zeka kategorisinin bir alt kümesidir. İlk yapay zeka atölyesindeki teklife geri dönecek olursak, makine öğrenimi, yapay zekanın bilgisayarlara deneyimin bir sonucu olarak zaman içinde “kendilerini geliştirme” yeteneği vermeye odaklanan bir alt konusudur. Arthur Samuel adlı eski bir bilgisayar bilimcisi , makine öğreniminin bilgisayarların “açıkça programlanmadan öğrenmesini” sağladığını ve makine öğrenimi tanımının sıklıkla alıntılandığını açıkladı.

Bilgisayar bilimcileri, bilgisayarların öğrenmesine yardımcı olmak için birçok farklı yol buldu. Örneğin, makinelerin zaman içinde görevleri daha iyi yerine getirmelerine yardımcı olmak için denetimli veya denetimsiz öğrenme algoritmaları kullanabilirler. Bugün, Amazon veya Netflix’tekiler gibi satın almak isteyebileceğimiz ürünleri veya izlemek isteyebileceğimiz filmleri öneren bir öneri motoru gördüğümüz her seferinde makine öğrenimiyle karşılaşıyoruz. Makine öğrenimi, işletmeler tarafından kullanılan büyük veri analizi araçlarının önemli bir parçası haline geldi.

Derin Öğrenme

Makine öğreniminin yapay zekanın bir alt alanı olması gibi, derin öğrenme de makine öğreniminin bir alt alanıdır. Bu atölye tanımına geri dönecek olursak, derin öğrenme, makine öğreniminin “soyutlamalar ve kavramlar” oluşturmaya odaklanan bir parçasıdır. Derin öğrenme sistemleri, büyük miktarda veriyi alır ve bu verilerle ilgili kategorileri ve özellikleri denetimli veya denetimsiz öğrenme yoluyla genelleştirir.

Bunun nasıl çalıştığını anlamak için, bilgisayara kedi resimlerini köpek resimlerinden ayırmayı öğretme sorununu düşünün. Programcılar, bir kedinin tam olarak ne olduğunu ve tam olarak köpeğin ne olduğunu açıklayan bir dizi kural bulmaya çalışabilirler, ancak insanlar bir kediyi bir köpekten kolayca ayırt edebilse de, bir bilgisayardaki algoritmaları kullanarak bu farkı açıklamak gerçekten zor. Bununla birlikte, derin bir öğrenme sistemi, bir sürü hayvan resmini analiz edebilir ve bir kediyi köpekten ayıran şeyin ne olduğuna dair kendi genellemelerine varabilir. Kedi-köpek örneği oldukça zararsız olabilir. Ancak bu tür bir derin öğrenme de çok tartışmalı olabilir. Örneğin insanların eşcinsel mi yoksa heteroseksüel mi olduğunu yüzlerine bakarak ayırt etmeyi öğrenen derin öğrenme sistemi gibi .

Derin öğrenme sistemleri, sinir ağlarına ve GPU’lara dayanır. Grafik işlem biriminin kısaltması olan GPU, özellikle çok sayıda veriyi paralel olarak işlemede iyi olan bir bilgisayar bileşenidir. Başlangıçta video ve grafikleri işlemek için tasarlandı. Ancak aynı zamanda büyük veri işleme ve makine öğrenimi görevlerinde de çok iyiler.

Bilişsel Hesaplama

Bu makaledeki tüm terimler arasında bilişsel bilgi işlem, tanımlanması en kolay olan. Esasen, yapay zeka ile aynı anlama geliyor. Sadece o kadar korkutucu değil.

Çoğumuz yapay zekanın korkutucu kullanımlarını içeren o kadar çok kıyamet bilim kurgu filmi izledik ki, yapay zeka terimi bazı olumsuz çağrışımlar kazandı. Bu kötü izlenimi aşmak için, pazarlama ekipleri bazen yapay zeka yeteneklerine sahip ürünleri tanımlamak için “bilişsel bilgi işlem” ifadesini kullanır. Özellikle IBM , bu ifadeyi Watson platformuna atıfta bulunmak için kullanmayı seviyor. Bilişsel hesaplama terimi, üzerinde mutabık kalınan bilimsel bir tanıma sahip değildir. Sadece yapay zeka demenin daha güzel ve az korkunç bir yolu.

Sinir Ağı

Sinir ağları birçok farklı isimle anılır: yapay sinir ağı, sinir ağı, derin sinir ağı ve diğer benzer terimler. Tüm bu ifadeler aynı şeyi tanımlar. Bu tanımlama canlı beyinlerden ilham alan bir bilgisayar sistemi olarak anlaşılabilir.

Bilim adamlarının yapay zekayı uzun uzun tartıştığı 1956 atölyesinde katılımcılar, “öğrenmenin her yönü veya zekanın diğer herhangi bir özelliği prensipte o kadar kesin bir şekilde tanımlanabilir ki, onu simüle etmek için bir makine yapılabilir” diye düşündüler. Aslında, bir insan beyninin makine modelini yaratmanın o kadar kolay olacağını düşündüler. 10 bilim adamının bunu başarması sadece iki ay sürdü.

Araştırmacıların hala insan beyni gibi çalışan bilgisayar beyinleri yaratmaya çalıştıkları düşünüldüğünde, bu zaman çizelgesi biraz gerçekçi değil. Bununla birlikte, yıllar içinde bilgisayar bilimcileri bu hedefe doğru çok ilerleme kaydetti. Günümüzde, kabaca biyolojik nöronlara benzeyen düğümleri kullanan sinir ağları, bilgisayar görüşü, konuşma tanıma, masa oyunu stratejisi ve daha fazlasıyla ilgili birçok görevi yerine getiriyor.

Denetimli ve Denetimsiz Öğrenme

Makine öğrenimi ve derin öğrenmede, bilgisayarları öğretmek için birkaç olası yaklaşım vardır. En yaygın iki tanesi denetimli ve denetimsiz öğrenmedir.

Denetimli öğrenmeyle, bilgisayarın bir “öğretmeni”, örnekler veren bir insanı vardır. Kullandığımız kedi-köpek tanımlama örneğinde, denetimli öğrenme, bir kişinin bir grup fotoğrafı kedi veya köpek olarak etiketlemesini gerektirecektir. Bilgisayar daha sonra bu örnek giriş ve çıkışlardan öğrenir.

Denetimsiz öğrenmede, bilgisayarda herhangi bir örnek veri yoktur. Bunun yerine, sistemden verilerdeki kalıpları kendi başına bulması istenir. Bu teknik, büyük verilerde gizli iç görüler ararken kullanışlıdır.

Diğer yaygın makine öğrenimi türleri, sistemin kısmi örnek veri kümeleri aldığı yarı yapılandırılmış öğrenmeyi ve sistemin, atanan görevleri ne kadar iyi tamamladığına bağlı olarak ödül veya ceza aldığı pekiştirmeli öğrenmeyi içerir.

Algoritma

Bir algoritma için sözlük tanımı, “hesaplamalarda veya diğer problem çözme işlemlerinde, özellikle bir bilgisayar tarafından izlenecek bir süreç veya kurallar kümesidir”. Layman’ın terimleriyle, algoritmalardan bahsederken, süreçlerden, genellikle matematikle ilgili süreçlerden bahsediyoruz.

Üçüncü veya dördüncü sınıftayken uzun bölme algoritmasını öğrendin. Bölmeyi, çarpmayı, çıkarmayı ve bir sonraki rakamı indirmeyi içeren bir süreci öğrendiniz.

Yapay zeka ve makine öğrenimi için algoritmalardan bahsettiğimizde, aynı tür süreçlerden bahsediyoruz. Sadece çok daha karmaşık. Örneğin Google, hangi web sitelerinin arama sonuçlarının en üstünde göründüğünü belirlemek için bir algoritma kullanır. Makine öğrenmesinde, sistemler istenen sonuçları elde etmek için birçok farklı algoritma türü kullanır. Yaygın örnekler arasında karar ağaçları, kümeleme algoritmaları, sınıflandırma algoritmaları veya regresyon algoritmaları bulunur.

Sohbet Botu

Bot veya etkileşimli aracı olarak da adlandırılan chatbot, bir konuşmayı sürdürmek için doğal dil işleme yeteneklerini kullanan bir yapay zeka sistemidir. Bugün, sohbet robotlarının en tanınmış örnekleri Apple Siri, Microsoft Cortana ve Amazon Alexa. Ancak, birçok farklı kuruluş sohbet robotu teknolojisine yatırım yapıyor ve birçok web sitesi artık teknik destek sorularını yanıtlayabilen, müşterilere bir satış sürecinde yol göstermeye yardımcı olan veya müşterilerle başka şekillerde etkileşimde bulunabilen sohbet robotları içeriyor.

İdeal olarak, bir chatbot, müşterilerin sorularını bir insanın yapabildiği kadar cevaplayabilirdi, ancak şu ana kadar chatbot teknolojisi bu hedefin gerisinde kalıyor.

Veri Madenciliği

Veri madenciliği, bir veri kümesindeki örüntüleri aramakla ilgilidir. Aksi takdirde fark edilmeyebilecek korelasyonları ve eğilimleri tanımlar. Örneğin, bir veri madenciliği uygulamasına Walmart’ın satış verileri verildiyse, Güney’deki insanların belirli yonga markalarını tercih ettiklerini veya Ekim ayı boyunca insanların ürün adında “balkabağı baharatı” olan her şeyi satın alacaklarını keşfedebilir.

Veri madenciliği araçlarının makine öğrenimi veya derin öğrenme yeteneklerini içermesi gerekmez, ancak günümüzün en gelişmiş veri madenciliği yazılımı genellikle bu özelliklere sahip.

Doğal Dil İşleme

Doğal dil işleme, insanların genellikle kullandığı şekilde konuşmayı anlama ve üretme ile ilgili bir yapay zeka alanıdır. Bilgisayarlar her zaman programlama dillerini anlayabilmiştir. Ancak normal İngilizce veya Çince’yi anlamak çok daha karmaşık.

Muhtemelen kendi arama motorları kullanımınızla doğal dil işlemenin evrimini deneyimlediniz. İnternetin ilk günlerinde, kullanıcılar anahtar kelimeleri aramalarına yardımcı olmak için Boole operatörleri yazıyordu. Dolayısıyla, bunun gibi bir blog yazısı arıyorsanız, arama motoruna “‘yapay zeka’ veya ‘makine öğrenimi’ ve ‘terimler’ yazmış olabilirsiniz. Günümüzde arama motorları çok daha iyi doğal dil işleme yeteneklerine sahiptir, bu nedenle “Yapay zeka nedir?” Yazabilirsiniz.

Tahmine Dayalı Analitik

Bugün neredeyse tüm şirketler büyük verileri üzerinde çalıştırıyor. Tahmine dayalı analitik, kullanıcılara bundan sonra ne olacağını söylemeyi amaçlayan belirli bir analitik türüdür. Örneğin, bir tahmine dayalı analitik sistemi şirketinizden 10 yıllık satış verilerini besleyebilir ve ardından mevcut eğilimler göz önüne alındığında gelecek çeyrek için satışlarınızı tahmin etmesini isteyebilirsiniz.

Günümüzün tahmine dayalı analitik sistemleri genellikle veri madenciliği ve makine öğrenimi yeteneklerini içerir ve genellikle yapay zekaya doğru bir adım olarak görülebilir. Verileri işlemelerine ve gelecekteki olası olayları belirlemelerine yardımcı olacak algoritmalara güvenirler.

Turing Testi

Turing Testi, yapay zeka hakkında kapsamlı bir şekilde teoriler geliştiren ilk bilgisayar bilimcisi Alan Turing’in mucidi olarak adlandırılmıştır. Bir bilgisayarın gerçek yapay zekaya ulaşıp ulaşmadığını belirlemek için basit bir test önerdi. Bir insan sorgulayıcı, daha sonra bir bilgisayar sistemine ve bir insana verilecek sorular yazacaktır. Bilgisayar ve insan daha sonra yanıtları yazacaktı. Sorgu görevlisi hangi cevabın bilgisayardan, hangisinin kişiden geldiğini söyleyemezse, Turing’e göre sistem yapay zekaya sahip olacaktı.

Son yıllarda, birkaç yapay zeka sisteminin Turing Testini geçtiği söyleniyor, ancak sonuçlar her zaman biraz tartışmalı olmuştur. Bazı insanlar Turing Testinin yapay zekayı değerlendirmenin gerçekten iyi bir yolu olup olmadığını sorguluyor, ancak yapay zeka ile ilgili tartışmalarda etkili olmaya devam ediyor.

 

Kaynak : informationweek.com

Kategori:TeknolojiYapay Zeka

İlk Yorumu Siz Yapın

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir