top of page

Yapay Zeka Kavramı

  • Yazarın fotoğrafı: HGC HUKUK
    HGC HUKUK
  • 1 Nis
  • 20 dakikada okunur

I. YAPAY ZEKANIN TANIMI

Yapay zeka (YZ) terimi, zeka kavramına açık bir referans içermektedir. Bununla birlikte, psikologlar, biyologlar ve sinir bilimciler tarafından ayrıntılı biçimde incelenmiş olmasına rağmen, hem makinelerde hem de insanlarda zeka kavramı belirsizliğini korumaktadır. Bu nedenle, YZ araştırmacıları çoğunlukla rasyonellik (akılcılık) kavramını kullanırlar. Bu kavram ise, belirli kriterler ve mevcut kaynaklar göz önüne alınarak, belirli bir hedefe ulaşmak için gerçekleştirilecek en iyi eylemi seçme becerisini ifade eder. Elbette akılcılık, zeka kavramının tek bileşeni değildir, ancak onun önemli bir parçasıdır.

“Zeka" teriminin tanımlanması zaten çok zor olduğundan, yapay zekayı tanımlamak da buna bağlı olarak zordur. Yazarlar, araştırmacılar ve uygulayıcılar yapay zekayı farklı şekillerde tanımlamış ve sınıflandırmışlardır. Avrupa Komisyonu tarafından oluşturulan Yapay Zeka Konusunda Bağımsız Üst Düzey Uzman Grubu, yapay zeka sistemlerine ilişkin kapsayıcı ve güncel bir tanımlama getirmektedir. Buna göre, yapay zeka sistemleri, karmaşık bir amaç verildiğinde, veri toplama yoluyla çevrelerini algılayarak, toplanan yapılandırılmış veya yapılandırılmamış verileri yorumlayarak, bilgi üzerinde muhakeme (akıl yürütme) yaparak veya bu verilerden elde edilen bilgileri işleyerek ve verilen hedefe ulaşmak için gerçekleştirilmesi gereken en iyi eylemlere karar vererek fiziksel veya dijital boyutta hareket eden, insanlar tarafından tasarlanan yazılım (veya donanım) sistemleridir. YZ sistemleri sembolik kurallar kullanabilir veya sayısal bir model öğrenebilir ve ayrıca çevrenin önceki eylemlerinden nasıl etkilendiğini analiz ederek davranışlarını uyarlayabilir. Bir diğer ifade ile yapay zeka, çevresini analiz ederek ve belirli hedeflere ulaşmak için -bir dereceye kadar kendi başına (özerk) hareket edebilen- akıllı davranış sergileyen sistemleri ifade eder. YZ tabanlı sistemler, tamamen yazılım tabanlı olabilir ve sanal dünyada hareket edebilir. Sesli asistanlar, görüntü analiz yazılımı, arama motorları, konuşma ve yüz tanıma sistemleri bunlara örnek olarak verilebilir. Bu sistemler bir donanımsal cihaza da (örneğin gelişmiş robotlar, otonom arabalar, dronlar veya nesnelerin interneti uygulamaları) gömülebilir.

Avrupa Birliği (AB) Yapay Zeka Yasası'nın nihai taslak metninde "YZ sistemi", "değişen seviyelerde özerklikle çalışmak üzere tasarlanmış ve konuşlandırıldıktan sonra uyarlanabilirlik sergileyebilen ve açık veya örtük hedefler için, aldığı girdiden, fiziksel veya sanal ortamları etkileyebilecek tahminler, içerikler, öneriler veya kararlar gibi çıktıların nasıl üretileceğini çıkaran makine tabanlı bir sistem" olarak tanımlanmaktadır.

Yapay zeka, kolayca tanımlanabilen bir kavram olmaktan ziyade bir alan olarak kabul edilir ve makine öğrenimi, robotik, sinir ağları, makine görüşü, doğal dil işleme gibi birçok alt alana ayrılabilir. Bu alt alanlar arasında önemli geçişler vardır. YZ ayrıca psikoloji, sinir bilim, bilişsel bilim, felsefe, dilbilim, olasılık ve mantık dahil olmak üzere bilgisayar bilimi dışındaki alanlardan da yararlanır.

Günümüzde yapay zekanın tanımları, amaç, yetenek ve işlev bakımından üç ana kategoriye ayrılabilir. Amaç tanımları, yapay zekanın ne yapmaya çalıştığını veya hangi hedeflere ulaşmaya çalıştığını belirtir. Yetenek tanımları, yapay zekanın hangi becerilere sahip olduğunu veya hangi görevleri yerine getirebildiğini belirtir. İşlev tanımları ise, yapay zekanın nasıl çalıştığını veya hangi yöntemleri kullandığını belirtir. Örneğin, dar yapay zeka (narrow artificial intelligence), görüntü tanıma, dil çevirisi ve otonom araçlar gibi yapay zekanın tek ve spesifik bir görevi yerine getirebilen sistemlerken, genel yapay zeka (artificial general intelligence) insanların yapabileceği faaliyetleri gerçekleştirebilecek seviyede bir sistem olarak tanımlanmaktadır.

Esasen yapay zekanın tanımının, teknolojinin gelişimine bağlı olarak değiştiği söylenebilir. Bugün için yapay zeka olarak tanımlanan teknoloji, ileride daha gelişmiş olduğu kabul edilebilecek bir teknolojiyle yer değiştirdiğinde bu yeni teknolojiye yapay zeka adı verilebilecektir.

II. YAPAY ZEKA SİSTEMLERİNİN TEMEL YETENEKLERİ

A. Algılama

Yapay zeka sistemleri, dünyayla etkileşim kurmak ve bilinçli kararlar vermek için algılamaya ihtiyaç duymaktadır. Yapay zekada algılama, makinelerin görsel, işitsel veya dokunsal bilgiler gibi duyusal verileri toplama, yorumlama ve bunları çevrelerini anlamak için kullanma yeteneğini ifade eder. Uygulamada bunu sağlayan kameralar, mikrofonlar, klavye, web sitesi veya diğer girdi (input) cihazları olabileceği gibi fiziksel nicelik sensörleri (örneğin sıcaklık, basınç, mesafe, kuvvet/tork, dokunsal sensörler) de olabilir.

B. Akıl Yürütme, Bilgi İşleme ve Karar Alma

Akıl yürütme, bilgi işleme ve karar alma, yapay zeka sistemlerinde kilit konulardır. Bu işlemler, sensörler tarafından toplanan verilerin (data) akıl yürütme modülünün anlayabileceği bilgilere (information) dönüştürülmesini ifade eder. Akıl yürütme modülü, en iyi eylemin ne olduğuna karar vermek için bu bilgi üzerinde akıl yürütmeli veya sayısal bir model (yani matematiksel bir formül) üretmek için bu bilgiyi işlemelidir. Örneğin, temizlik için geliştirilen bir YZ sistemi, kamera bilgi işleme modülüne zeminin bir resmini sağlayacaktır. Bu modülün zemini temizleyip temizlemeyeceğine (yani, istenen hedefe ulaşmak için en iyi eylemin ne olduğuna) karar vermesi gerekir. İnsanlar için bir zeminin resminden temizlenmesi gerekip gerekmediğine karar vermek kolay görünse de, bu bir makine için o kadar kolay değildir. Zira bir makine için resim sadece 0 ve 1'lerin bir dizisidir. Belirtilen nedenle, bilgi işleme modülünün öncelikle, zeminin temiz olup olmadığına karar vermek için resmi yorumlaması gerekmektedir. Genel olarak bu, veriyi bilgiye dönüştürebilmek ve bu bilgiyi kısa ve öz bir şekilde modelleyebilmek anlamına gelir. Ancak söz konusu model, ilgili tüm veri parçalarını içermelidir. Bu işlem, “zeminin temiz olup olmadığı” hakkında fikir verecektir. Söz konusu aşamadan sonra, en iyi eylemin ne olduğuna karar vermek amacıyla sayısal bir model (yani matematiksel bir formül) üretmek için bu bilgi üzerinde akıl yürütmek veya bu bilgiyi işlemek gerekmektedir. Bu örnekte, resimden elde edilen bilgi zeminin kirli olduğu yönündeyse, en iyi eylem temizliği etkinleştirmektir. Aksi takdirde en iyi karar hareketsiz kalmaktır.

C. Harekete Geçme

YZ sistemi, eyleme karar verdikten sonra mevcut aktüatörler (eyleyiciler) aracılığıyla bunu gerçekleştirmeye hazırdır. Temizlik örneğinde, eylem zemini temizlemekse, YZ sistemi elektrikli süpürgeyi etkinleştiren bir sinyal üretir. Bu şekilde gerçekleştirilen eylem muhtemelen ortamı değiştirecektir. Bu nedenle bir sonraki seferde, yapay zeka sisteminin değiştirilmiş ortamdan muhtemel farklı bilgileri algılaması için sensörlerini tekrar kullanması gerekir. Bu bağlamda, öğrenen bir rasyonel sistem, bir eylemde bulunduktan sonra, eyleminin ne kadar başarılı olduğunu belirlemek için çevrenin yeni durumunu (algılama yoluyla) değerlendiren ve ardından muhakeme kurallarını ve karar verme yöntemlerini uyarlayan rasyonel bir sistemdir. Zira  rasyonel YZ sistemleri, YZ sistemlerinin çok temel bir versiyonu olup çevreyi değiştirmelerine karşın hedeflerine daha iyi ulaşmak için davranışlarını zaman içinde adapte etmezler.

III. YAPAY ZEKANIN GELİŞİMİ

A. İlk Dalga: Sembolik (Eski Moda) Yapay Zeka

Sembolik yapay zeka sistemlerinde, bir uzman insan, bilgisayarın belirli bir duruma nasıl yanıt vereceğine karar vermek için adım adım izleyebileceği kesin kurallar oluşturur. Kurallar genellikle “if-then-else” formatında ifade edilir. Sembolik YZ, insanı döngü içerisinde tutmaktadır. Zira karar verme süreci insan uzmanların nasıl karar verdiğiyle yakından ilgilidir. Sistemdeki herhangi bir “zeka” doğrudan insanın yaptığı kodlamadan gelir. İnsanlar bu sistemlerin belirli kararları nasıl aldığını kolayca anlayabilir. Yine bu sistemlerde hatalar kolayca tespit edilebilir ve kod güncellenebilir. Ancak bu sistemlerin sınırları vardır. Karmaşık ve dinamik gerçek dünya problemleri için işe yarar ve güvenilir bir sistem geliştirmek için çok sayıda kural ve istisnaya ihtiyaç bulunmaktadır. Bu da sistemi çok büyük ve karmaşık hale getirmektedir. Bu nedenle, sembolik YZ, zaman içinde çok fazla değişmeyen, kuralların katı olduğu ve değişkenlerin kesin olduğu sınırlı ortamlar için uygundur. Sembolik yapay zeka sistemleri, örneğin insanların gelirlerine, koşullarına ve kendileri için geçerli olan istisnalara göre vergilerini hesaplamalarına yardımcı olmak için kullanışlıdır.

Bu sistemler, görevleri otonom olarak yerine getirebilseler de, bunu yalnızca talimat aldıkları şekilde yapabilirler ve yalnızca doğrudan insan müdahalesi ile gelişebilirler. Bu da sembolik YZ'yi sadece değişkenlerin değil, kuralların da gerçek zamanlı olarak değiştiği karmaşık problemler için daha az etkili kılmaktadır. Esasen en çok yardıma ihtiyaç duyulan sorunlar da bunlardır. Örneğin, bir doktorun karar vermek için bilgi ve uzmanlığından nasıl yararlandığını gerçekten yansıtmak için milyonlarca “if-then-else" kuralı gerekir ve o zaman bile, doktorun sezgisel ve duygusal zekasını kodlamak mümkün değildir. Bununla birlikte, sembolik yapay zekanın güncelliğini yitirdiği söylenemez. Belirli alanlarda tekrar eden sorunlar (bina yönetimi için otomatik makine kontrolü ya da muhasebeciler için karar destek sistemleri gibi) üzerinde çalışan insanlara halen yardımcı olmaktadır. Bu alanlardaki güvenilir performansı, ona “eski moda YZ” gibi bir lakap kazandırmıştır.

B. İkinci Dalga: Veri Odaklı Makine Öğrenimi

Sembolik yapay zeka araçları, gerçek hayattaki sorunların çözümünde pek de başarılı değildir. Örneğin, sembolik yapay zeka çeviri araçlarının, metni bir dilden diğerine çevirmek için devasa kesin kurallar kümesi oluşturmaya çalışması başarısızlıkla sonuçlanmıştır. Benzer şekilde bunların, görüntü tanımlama konusunda da başarılı olduğu söylenemez. Örneğin, fotoğraflardaki kedi ve köpekleri tanımak için geliştirilen algoritmalar, piksel piksel çizgileri arayarak fotoğraftaki kenarlara benzeyen çizgileri esas alarak bunları kedi ve köpeklere ilişkin şablonlardaki genel şekillerle karşılaştırmaktadır. Söz konusu dezavantajlara sahip olan sembolik yapay zeka sistemleri zaman içerisinde yerini veri odaklı makine öğrenimi araçlarına bırakmaktadır. 

Makine öğrenimi, insanların uzmanlıklarını doğrudan kodlamasına gerek kalmadan performanslarını özerk olarak geliştiren (kendi kurallarıyla kendi kendini serbestçe yöneten) algoritmaları ifade eder. Makine öğrenimi algoritmaları, genellikle, veriler üzerinde kendilerini eğiterek gelişirler. Dolayısıyla burada “veri odaklı” bir yapay zeka söz konusudur. Bu alanda son döneme dair büyük ilerlemeler, tekniklerdeki büyük atılımlardan değil, daha ziyade veri mevcudiyetindeki büyük artışlardan kaynaklanmaktadır. 

Veri odaklı makine öğrenimi araçları tekil örüntüleri tanımlamakta iyidir ve görsel ya da dilbilimsel girdileri işe yarar bir şekilde anlamlandırabilir. Konuşmadan metne çeviri araçları artık ses dosyalarının transkriptleri gibi etiketlenmiş veriler üzerinde eğitilmektedir. Yine görüntü tanıma araçları, internetten alınan ve kedi ya da köpek içerdiği önceden etiketlenmiş milyonlarca resim üzerinde eğitilmektedir. Örneğin Facebook, yüz tanıma hizmetini tam da bu şekilde, kullanıcıları tarafından özenle etiketlenmiş milyonlarca fotoğraf üzerinde eğiterek geliştirmiştir. Ancak bu sistemlerin dünyayı gerçekten anlayıp anlamadıkları başka bir konudur. Bu soruyu yanıtlamak için, genellikle yapay zekanın kelimelerin anlamını kavrama aracı olarak kabul edilen “kelime vektörleri” ele alınabilir. Bu vektörler kelimelerin birbirlerine olan “yakınlığını (proximity)” tanımlar. Yakınlık, istatistiksel olarak bir kelimenin diğeriyle aynı bağlamda ne sıklıkla kullanıldığına göre hesaplanır. Örneğin, “havladı” kelimesi “köpek” kelimesine “kedi” kelimesinden daha yakındır. Bu yaklaşım, “kral - erkek + kadın = kraliçe” gibi etkileyici dilsel manevralara olanak sağlamaktadır. Bunun faydalı ve iyi tasarlanmış bir teknik olduğu söylenebilir. Ancak kelimelerin ve imgelerin anlamı istatistiksel oluşumlara indirgenemez. Belirtmek gerekir ki, sistem havlamanın ne anlama geldiğini bilmemekte; sadece “havlama” kelimesinin “köpek” kelimesinin yanında “kedi”den daha sık kullanıldığını bilmektedir. Bu çok önemli bir ayrımdır. YZ gerçekten anlıyormuş gibi davranmakta çok iyidir. Sonuçlar pratikte faydalı olsa bile, yapay zekanın bir şeyi gerçekten anladığına inanmak tehlikeli olabilir. 

IV. YAPAY ZEKA TEKNİKLERİ

Yapay zeka sistemleri kurmak için yapay zeka teknikleri veya alt disiplinleri kullanılır. Genel olarak, bu teknikler, “akıl yürütme” ve “öğrenme” olarak iki ana grupta gruplandırılabilir. 

Akıl yürütme için “verileri” “bilgiye” dönüştürmek gerekir. Bu nedenle yapay zekanın bir alanı, bu tür bilgilerin en iyi nasıl modelleneceği (bilgi temsili) ile ilgilidir. Bilgi modellendikten bir sonraki adım, sembolik kurallar aracılığıyla çıkarımlar yapmayı, faaliyetleri planlamayı ve programlamayı, büyük bir çözüm kümesinde arama yapmayı ve bir soruna yönelik tüm olası çözümler arasında optimizasyon yapmayı içeren akıl yürütmedir (bilgi muhakemesi). Son adım ise hangi eylemin gerçekleştirileceğine karar vermektir. Bir YZ sisteminin muhakeme ve karar verme kısmı genellikle çok karmaşıktır ve yukarıda belirtilen tekniklerden birkaçının bir kombinasyonunu gerektirir. 

Öğrenme ise, makine öğrenimi, sinir ağları, derin öğrenme, karar ağaçları ve diğer birçok öğrenme tekniğini içerir. Bu teknikler, bir yapay zeka sisteminin kesin olarak belirlenemeyen veya çözüm yöntemi sembolik akıl yürütme kurallarıyla tanımlanamayan problemlerin nasıl çözüleceğini öğrenmesini sağlar. Bu tür problemlere örnek olarak, konuşma ve dil anlama gibi algılama yeteneklerinin yanı sıra makine görüşü veya davranış tahmini ile ilgili olanlar verilebilir. Bu problemlerin çözümü insanlar için kolaydır. Ancak yapay zeka sistemleri için o kadar da kolay değildir. Zira çözümleme -en azından şimdilik- sağduyulu muhakemeye dayanmaz. Sistemin yapılandırılmamış verileri yorumlaması gerektiğinde bu sorunlar özellikle zorlaşmaktadır. Makine öğrenimi yaklaşımını takip eden teknikler de bu noktada işe yaramaktadır.

A. Makine Öğrenimi

Makine öğrenimi "bazı görevleri gerçekleştirmek üzere zaman içinde öğrenme veya performansını artırma yeteneğine sahip bilgisayar algoritmaları" olarak tanımlanabilir. Bu, insanların karar verme şeklini yazılım koduna çevirmeye çalışan bir programcıyı içeren geleneksel yapay zeka yaklaşımından farklıdır. Bugün dünyadaki yapay zekanın büyük çoğunluğu makine öğrenimi tarafından desteklenmektedir.

Makine öğreniminin çeşitli türleri vardır. Makine öğreniminde en yaygın yaklaşımlar denetimli öğrenme (supervised learning), denetimsiz öğrenme (unsupervised learning) ve pekiştirmeli öğrenmedir (reinforcement learning). 

Denetimli makine öğreniminde, sisteme davranış kuralları vermek yerine, örneklerden (tipik olarak geçmişi tanımlayan) genelleme yapabilmesi ve örneklerde gösterilmeyen (gelecekte karşılaşılabilecek) durumlarda da iyi davranmasını beklentisi içerisinde, sisteme girdi-çıktı davranış örnekleri sağlanır. Yukarıda sunulan süpürme örneği üzerinden devam etmek gerekirse, bu tür öğrenmede, sisteme bir zemin resmi ve buna karşılık gelen yorum (yani o resimde zeminin temiz olup olmadığı) ile ilgili birçok örnek verilir. Yeterince çeşitli ve çoğu durumu kapsayacak kadar örnek verilir ise sistem, makine öğrenimi algoritması aracılığıyla, daha önce hiç görülmemiş zemin resimlerinin nasıl iyi yorumlanacağını da bilecek şekilde genelleme yapabilecektir. 

Denetimsiz öğrenmede ise, etiketleri veya önceden tanımlanmış kategorileri olmayan verilerdeki kalıpları veya yapıyı bulmakla ilgilenilir. 

Pekiştirmeli öğrenmede, YZ sistemi zaman içinde kararlarını vermesi için serbest bırakılır. Ancak sistemin verdiği her kararda, ona iyi veya kötü bir karar olduğunu söyleyen bir ödül sinyali sağlanır. Sistemin amacı, zaman içinde aldığı olumlu ödülü maksimize etmektir. Bu yaklaşım, kullanıcılara ne satın alacaklarını öneren çevrimiçi öneri sistemlerinde veya pazarlamada kullanılmaktadır.

B. Derin Öğrenme ve Yapay Sinir Ağları

Makine öğrenimine yönelik farklı yaklaşımlar bulunmaktadır. Bunlardan en güncel ve tartışmaya açık olanı derin öğrenmedir. 

Derin öğrenme, insan beyninden esinlenen "sinir ağları" adı verilen yapıları kullanan bir makine öğrenme tekniğidir. Yapay sinir ağları (YSA), aralarında çok sayıda “alakalı (weighted)” bağlantı bulunan ve insan beynindeki nöronlara benzeyen küçük işlem birimlerinden oluşmaktadır. Bunlar, insan (ve hayvan) beyninde bulunan elektro-kimyasal sinir ağlarının işlevselliğinden esinlenmiştir. Uyaranlardan gelen sinyallerin beyne iletildiği ve bu sinyallerin karmaşık nöron ağlarından geçerken değiştiği uzun zamandır bilinmesine rağmen, beynin çalışma mekanizması halen biraz gizemlidir. Bir yapay sinir ağında da -insan beynine benzer biçimde- girdiler bir ağ üzerinden geçirilerek yanıt olarak yorumlanan çıktılar üretilir. Süreç, sinyallerin “girdi katmanına” gönderilmesiyle başlar ve “çıktı katmanında” bir yanıtın üretilmesiyle sona erer. Bu katmanların arasında, geçen sinyali yönlendiren ve böylece yararlı bir çıktı üreten bir veya daha fazla "gizli katman" vardır. Örneğin, tavla oynayabilen bir YSA için, zar atma ve taşların tahtadaki konumu da dahil olmak üzere oyun durumu, bir dizi sayıya çevirilerek YSA’nın girdi katmanına iletilir. Sinyaller buradan bir sonraki katmana geçer ve böylece bu gizli katmandaki nöronlar birkaç sayı alır. Bu katmandaki her nöron, tek bir sayısal çıktı oluşturmak için bu sinyalleri farklı şekillerde birleştirir ve yönlendirir. Bir nöron tüm girdileri toplayabilir ve toplam 50'nin üzerindeyse 1, değilse 0 çıktısı verebilir. Başka bir nöron farklı giriş sinyallerine ağırlıklar atayabilir, her giriş sinyalini ağırlığıyla çarpabilir ve sonuçları toplayarak çıktı olarak verebilir. Daha sonra, bu nöronların çıktıları bir sonraki katmana sinyal olarak geçer. Sinyaller son katmana ulaştığında ve çıktı üretildiğinde süreç tamamlanmış olur. Son sinyal, tavla oyunu örneğinde olduğu gibi, oyun tahtasındaki pulları hareket ettirme talimatlarıdır. Bu sistem ne yaptığını, hatta tavlanın kurallarını bile bilmemektedir. Ancak ona fırsat verilirse, her zaman bir hamle önerecektir. Asıl soru ise, akıllı hamleler yapabilen ve iyi bir oyuncu olabilen bir YSA’nın nasıl geliştirileceğidir. Bunu sağlamak için öncelikle doğru bir yapı gereklidir. Basit görevler için YSA'nın tek bir gizli katmanda sadece bir düzine nöronla da iyi biçimde çalışabilir. Daha fazla nöron ve katman eklemek, YSA'nın daha karmaşık sorunların üstesinden gelmesine olanak tanır. Bu bağlamda “derin öğrenme”, her biri çok sayıda nöron içeren en az iki gizli katmana sahip büyük YSA'nın kullanımını ifade eder. Söz konusu katmanlar, YSA’nın problemleri daha küçük alt problemlere bölerek daha soyut kavramsallaştırmalar geliştirmesine ve daha ayrıntılı yanıtlar vermesine olanak tanır. Pratikte birçok YSA, düzinelerce gizli katmanda organize edilmiş milyonlarca nöron içermektedir. Karşılaştırma yapmak gerekirse, insan beyninde  yaklaşık 100 milyar, hamamböceği beyninde yaklaşık 1 milyon ve salyangoz beyninde yaklaşık 10 bin nöron bulunmaktadır. 

Bir fil resmini tanımlamak üzere sinir ağlarını kullanan bir görüntü tanıma yazılımı örneğinde birimlerin ilk katmanı, ham görüntü verilerine bakarak en temel örüntüleri, belki de dört ayaklı gibi görünen bir şey olduğunu bulabilir. Daha sonra bir sonraki katman bu örüntülerin içindeki örüntüleri, belki de bunun bir hayvan olduğunu arayacaktır. Belki bir sonraki katman da gövdeyi tanımlayacaktır. Bu süreç, ağ bunun gerçekten bir fil resmi olduğunu belirleyene kadar görüntüdeki giderek daha kesinleşen örüntüleri tanıyarak birçok katman boyunca devam etmektedir. 

Bu yaklaşım -tüm makine öğrenimi tekniklerinde olduğu gibi- genellikle küçük de olsa her zaman belirli bir hata yüzdesine sahiptir. Bu noktada, temel bir kavram olan “doğruluk (accuracy)” konusu ortaya çıkmaktadır. Sistemin doğruluğu, doğru yanıtlar ve toplam yanıtlar oranlanarak yüzdesel  biçimde ölçülebilir.

1. Sinir Ağlarının Eğitimi

Derin öğrenmenin “derin” kısmının YSA'nın karmaşıklığıyla ilgili olduğu söylenebilir. Bu kavramın “öğrenme” kısmı ise bir başka konudur. YSA'nın yapısı doğru şekilde oluşturulduktan sonra, bu yapının eğitilmesi gerekir. Bu, teoride iyi bir çıktının nasıl olması gerektiğine dair bilgisi olan ve nöronları özenle ayarlayacak uzman bir insanın çabasıyla yapılabilir. Ancak bunun yerine, süreci otomatikleştirmek için makine öğrenimi algoritmaları da uygulanmaktadır. Eğitim süreci yoğun ve karmaşık bir süreçtir. Yeni veriler ve karşılaşılan farklı problemler için sürekli güncellemeler yapıldığından, eğitim süreci hiçbir zaman gerçekten sona ermez.

a. Geri Yayılım ve Gradyan İnişi

Bir yapay sinir ağının çıktısı ile arzu edilen (etiketlenmiş verilerde bulunan) çıktı karşılaştırıldığında, bu ikisi arasındaki fark hata (error) olarak tanımlanır. Geri yayılım ve gradyan inişi, bu hatayı kademeli olarak en aza indirmek için kalkülüs (calculus) kullanarak YSA'nın performansını artırmaktadır. Geri yayılım, YSA'daki nöronların ayarlanmasıyla ilgilenir. Süreç, bir giriş sinyalinin YSA'dan geçmesi ve bir çıkış sinyali üretmesiyle başlar. Bu çıktı, hatayı hesaplamak için - etiketlenmiş verilere göre - olması gerekenle karşılaştırılır. Bu aşamadan sonra, hesaplama, YSA'dan geriye doğru geçen bir hata sinyali oluşturmak için kullanılır ve nöronlarda değişiklikler yaparak daha düşük hatalı bir çıktı verir.

Gradyan inişi, genellikle bir dağdan iniş yolunu bulması gereken bir yürüyüşçüye benzetilir. Yürüyüşçü ancak her yönde yalnızca bir metre görebilir. Bu nedenle etrafa bakma, hangi yönün en dik inişi sağladığına karar verme, o yönde hareket etme ve sonra tekrar etrafa bakma ve dağdan iniş yolunu bulana kadar süreci tekrarlama stratejisini benimser. 

Geri yayılım yoluyla hata hesaplanır ve birkaç farklı türde küçük değişiklik test edilip değerlendirilir. En iyi iyileştirmeyi sunan seçeneğin en iyi yön olduğu varsayılır, değişiklikler uygulanır ve ardından süreç yeni bir dizi testle tekrarlanır. Tıpkı yürüyüşçünün dağdan aşağı mümkün olan en dik adımı atması gibi, YSA da “global optimum" olarak bilinen mümkün olan en iyi çözüme yakınsayana kadar kademeli iyileştirmeler yapar. Elbette bu yaklaşım mükemmel değildir. Algoritma her küçük değişikliğin daha da kötüleştirdiği bir “yerel optimuma” yerleşebilir. Bu nedenle, uygulamada, tüm egzersiz farklı başlangıç yapay sinir ağları ve çok sayıda eğitim verisi ile birçok kez tekrarlanır. 

Bu konuyu daha basit ifade etmek için, gözlerin bağlı olduğu ve birinin "daha sıcak" (yakın) ya da "daha soğuk" (uzak) olduğunu söylemesine dayanarak, bir nesnenin bulunması gereken bir "sıcak ve soğuk" oyunu örnek olarak verilebilir. Gradyan iniş, bu oyun gibidir. Bulmaya çalıştığı “nesne”, “global optimum”; bir diğer ifade ile mümkün olan en iyi çözümdür. Tıpkı oyunda olduğu gibi, gradyan inişi rastgele bir noktadan başlar. Örnekte bu, oyuna başlamadan önce etrafta döndürülmek gibidir. Gradyan inişi, mevcut noktasındaki eğimi hesaplayarak "etrafına bakar” ve “bir adım atar”. Bu, oyundaki "daha sıcak" veya "daha soğuk" ipuçlarını dinlemek ve "daha sıcak" yöne doğru yürümek gibidir. Gradyan iniş, daha aşağı inemeyeceği bir noktaya ulaşana kadar tekrarlanır, tıpkı oyundaki nesneyi bulduktan sonra durmak gibi. Ancak, oyunda kendinizi nesnenin bulunduğu odaya bitişik odanın bir köşesinde bulmanız gibi (yerel optimum), gradyan inişi de yakın çevrede en iyi görünen ancak genel olarak en iyi çözüm (global optimum) olmayan bir çözümle sonuçlanabilir. Bundan kaçınmak için, süreci farklı başlangıç noktalarından birden çok kez tekrarlamak gerekebilir.

b. Evrimsel Eğitim Yöntemleri 

Gradyan inişi ve geri yayılım, kalkülüs gibi matematiksel kavramlara dayanmaktadır. Fakat en uygun olanın hayatta kalması, üreme ve mutasyon gibi evrimsel kavramlardan esinlenen yöntemler de mevcuttur. Bu yöntemler içinde birçok yaklaşım vardır, ancak genel prensip aynıdır. Bir YSA popülasyonu oluşturulur. Birbirleriyle rekabet ederler ve doğal seçilimin yapay zeka eşdeğeri olan yapay seçilime tâbi tutulurlar. Böylece kötü performans gösterenler elenirken, iyi performans gösterenler bir sonraki nesle kadar hayatta kalır.

Örneğin, bir YSA'yı tavla oynaması için eğitirken, rastgele nöronlarla bir YSA oyuncu popülasyonu oluşturulur. Tahtayı ve zar atılmasını tanımlayan girdilere sırayla yanıt vererek birbirlerine karşı oynamaları sağlanır. Rastgele yapıları göz önüne alındığında, bu ilk nesil oyuncular oyunda çok iyi olmayacaktır. Ancak bazıları “daha az kötü” olacak ve daha fazla oyun kazanacaktır. Böylece, en kötü oyuncular silinir ve daha iyi oyuncular hayatta kalır. Bunların özellikleri birleştirilir ve bir sonraki oyun turunda onlara katılan yeni nesil yapay sinir ağları üretilecek şekilde mutasyona uğratılır. Bazı çocuk yapay sinir ağları, ebeveynlerinden daha iyi oynarken diğerleri daha kötü oynayacaktır. Ancak ortam sürekli gelişime elverişlidir. Evrimsel yöntemlerle ilgili ilgi çekici olan şey, herhangi bir stratejik ipucu olmadan ve üzerinde çalışılacak veriler olmadan sonuç vermeleridir. Bu, YSA'nın, insanların hiç düşünmediği ve anlamakta zorlanabileceği stratejiler de dahil olmak üzere ilginç oyun yolları geliştirebileceği anlamına gelir. 

2. Büyük Veri ve Veri Madenciliği

Veri, çağdaş yapay zeka gelişiminin merkezinde yer almaktadır. Etkili makine öğrenimi gerçekleştirmek için çok sayıda kaliteli veriye ve sonuçları test etmek için daha da fazlasına ihtiyaç duyulmaktadır. Bu noktada, “büyük veri” konusu gündeme gelmektedir. Büyük veri, küçük veri setleri gibi depolanamayan ve işlenemeyen büyük ve karmaşık veri setini (farklı kaynaklardan, farklı biçimlerde ve farklı özgünlük ve doğruluk derecelerinde içerik bulunan veri kümesini) ifade etmektedir. Bir diğer ifade ile büyük veri, geleneksel veri işleme yazılımlarının analiz edemeyeceği kadar büyük veya karmaşık veri kümeleridir. Toplumun sürekli genişleyen internet kullanımı ve büyük verinin artan kullanılabilirliği sayesinde son 10 yılda yapay zeka konusunda önemli ilerlemeler kaydedilmiştir.

Veri madenciliği, veri setlerindeki örüntülerin ve anormalliklerin otomatik olarak tanımlanmasına odaklanan bir hesaplama alanıdır.. Veri madenciliğinde büyük veri kümelerinden örüntüler keşfetme ve bilgi çıkarma işlemleri gerçekleştirilmektedir. Veri madenciliği genellikle makine öğrenimi ile kolaylaştırılmaktadır. 

V. YAPAY ZEKA SİSTEMİNİN YAŞAM DÖNGÜSÜ

Bir yapay zeka sistemi, geleneksel sistem geliştirme yaşam döngülerinde yer alan aşamaların çoğuna sahiptir. Ancak kendisine özgü belirli bazı özellikler de mevcuttur. YZ sistemi yaşam döngüsü tipik olarak şu dört aşamayı içermektedir: 1. Geliştirme (tasarım, veri ve model); 2. Doğrulama (validation); 3. Kullanıma uygun duruma getirme (deployment); 4. Kullanım ve denetleme.

1. Geliştirme süreci, YZ sisteminin tasarımını, sistemin konseptini ve hedeflerini, altta yatan varsayımları, bağlamı ve gereksinimleri belirlemeyi ve potansiyel olarak bir prototip oluşturmayı içermektedir. Veri toplama ve işleme, verilerin toplanmasını ve temizlenmesini, eksiksizlik ve kalite kontrollerinin yapılmasını ve veri kümesinin özelliklerinin belgelenmesini kapsamaktadır. Veri kümesi özellikleri, bir veri kümesinin nasıl oluşturulduğu, bileşimi, kullanım amaçları ve zaman içinde nasıl korunduğuna ilişkin bilgileri içerir. Model oluşturma ve yorumlama ise, modellerin/algoritmaların oluşturulmasını veya seçilmesini, kalibrasyonunu ve/veya eğitimini ve yorumlanmasını kapsar. 

2. Doğrulama (sistemin amacını yerine getirdiğini onaylama süreci) işlemi performansı değerlendirmek için yapılan testlerin yanı sıra modellerin çalıştırılmasını ve ayarlanmasını içermektedir. 

3. Kullanıma uygun duruma getirme, pilot uygulama yapılmasını, eski sistemlerle uyumluluğun kontrol edilmesini, mevzuata uygunluğun sağlanmasını, kurumsal değişikliklerin idaresini ve kullanıcı deneyiminin değerlendirilmesini içerir.

4. Sistemin kullanımı ve denetlenmesi, YZ sisteminin çalıştırılmasını ve etkilerinin amaç ve etik hususlar ışığında sürekli olarak değerlendirilmesini kapsamaktadır. Bu aşamada, sorunlar tespit edilir ve diğer aşamalara geri dönülerek gerekli ayarlamalar yapılır veya sistemin üretimden kaldırılmasına karar verilir.

Yapay zeka sistemlerinin yaşam döngüsünde bazı paydaşlar yer almaktadır. Bunlar, şirketler, kuruluşlar, araştırmacılar, kamu kurumları, sivil toplum kuruluşları, hükümetler, düzenleyiciler, sosyal ortaklar, bireyler, vatandaşlar, işçiler ve tüketiciler dahil ancak bunlarla sınırlı olmamak üzere yapay zekayı araştıran, geliştiren, tasarlayan, kullanıma uygun duruma getiren veya kullananların yanı sıra yapay zekadan doğrudan veya dolaylı olarak etkilenen herkestir.

VI. YAPAY ZEKA İLE GÜNDEME GELEN FIRSATLAR VE RİSKLER

Yapay zeka tartışmalarının ana odağı, bu teknolojinin olumlu ve olumsuz etkilerini dengeleyerek topluma sağlayacağı faydaları en üst düzeye çıkarmaktır. Bu da çok çeşitli ve belirsiz sosyal, ekonomik ve teknik eğilimlerin dikkate alınmasını; neyin maliyet neyin fayda teşkil ettiğini ve bunlar arasında nasıl denge kurulacağını tespit etmeyi gerektirir. 

Yapay zeka sistemleri büyük fırsatlar sunarken, uygun bir şekilde ele alınması gereken belirli risklere de yol açmaktadır.

A. Fırsatlar

Yapay zeka teknolojileri, büyük miktarda veriyi analiz etme, örüntüleri tespit etme, analize dayalı kararlar alma, karmaşık sorunları çözme, insan yeteneklerini aşma ve toplumun çeşitli sektörlerinde devrim yaratma yeteneğine sahip olması nedeniyle birçok fırsat yaratmaktadır.

1. İklim ve Sürdürülebilir Altyapı

İklim değişikliğiyle mücadele, dünya genelinde önemli önceliklerden biri olarak kabul edilmektedir. Dijital dönüşüm ve YZ, insanların çevreye olan etkisini azaltma ve enerji ve doğal kaynakların daha verimli ve etkili bir şekilde kullanılmasını sağlama potansiyeline sahiptir. Örneğin yapay zeka, enerji ihtiyaçlarını daha doğru bir şekilde tespit etmek için büyük verilerle birleştirilebilir ve bu da daha verimli enerji altyapısı ve tüketimi sağlayabilecektir..

Toplu taşıma gibi sektörlere bakıldığında akıllı ulaşım sistemlerine yönelik yapay zeka sistemleri, kuyrukları en aza indirmek, güzergahları optimize etmek, görme engelli kişilerin daha bağımsız olmasına olanak sağlamak, enerji verimli motorları optimize etmek ve böylece daha yeşil bir çevre için karbondan arındırma çabalarını geliştirmek ve çevresel ayak izini azaltmak için kullanılabilir. Yapay zeka sistemleri, örneğin daha iyi tepki süreleri ve kurallara daha iyi uyum sayesinde trafik kazalarını ve bunlara bağlı ölüm sayısını da önemli ölçüde azaltabilir.

2. Sağlık

Güvenilir yapay zeka teknolojileri, tedaviyi daha akıllı ve isabetli hale getirmek ve yaşamı tehdit eden hastalıkların önlenmesi için kullanılabilir. YZ sayesinde, hekimler ve sağlık uzmanları, hasta sağlığıyla ilgili karmaşık verilerin daha doğru ve detaylı analizini yapabilir. Hatta insanlar hastalanmadan önce kişiye özel önleyici tedavi sağlanabilir. Yaşlı nüfusu yoğun olan toplumlarda, yapay zeka teknolojileri ve robotik, bakıcılara yardımcı olmak, yaşlı bakımını desteklemek ve hastaların durumunu gerçek zamanlı olarak izlemek için değerli araçlar olabilir. Görünüşte önemsiz olan YZ örnekleri bile, kanserleri tanımlamak için görüntü tanıma araçlarının kullanılması gibi gelecekte daha ciddi uygulamalara dolaylı olarak katkıda bulunabilir.

Yapay zekanın, daha geniş ölçekte yardımcı olması da olasılık dahilindedir. Örneğin, YZ sağlık sektöründeki genel eğilimleri inceleyip belirleyebilir. Bu da hastalıkların daha erken saptanmasını, ilaçların daha verimli geliştirilmesini, daha isabetli tedaviler uygulanmasını ve nihayetinde daha fazla hayat kurtarılmasını sağlayabilir.

3. Kaliteli Eğitim ve Dijital Dönüşüm

Yapay zeka, eğitim eşitsizlikleriyle mücadele etmek ve herkesin kendi öğrenme yeteneğine göre yeni nitelikler, beceriler ve yeterlilikler kazanmasına yardımcı olabilecek kişiselleştirilmiş ve uyarlanabilir eğitim programları oluşturmak için çok uygun bir araç olabilir. Bu, ilkokuldan üniversiteye kadar tüm eğitim seviyelerine yayılarak öğrenme hızını ve eğitimin kalitesini artırabilir.

Hükümetler, endüstri liderleri, eğitim kurumları ve sendikalar, gelecekteki işleri ifa edebilmek için vatandaşların doğru becerilere sahip olmalarını sağlayarak yeni dijital çağa uyumlu hale getirme sorumluluğuyla karşı karşıyadır. Yapay zeka teknolojileri, hangi işlerin ve mesleklerin teknoloji tarafından etkileneceğini daha doğru bir şekilde tahmin etmeye ve hangi yeni rollerin oluşturulacağını ve hangi becerilere ihtiyaç duyulacağını belirlemeye yardımcı olabilir. Bu, hükümetlerin, sendikaların ve endüstrinin, işçilerin becerilerini yeniden planlamalarına imkan sağlar. Bu sayede, işten çıkarılma endişesi taşıyanlara yeni bir rol geliştirme yolu sunulabilir.

B. Riskler

Yapay zeka teknolojileri muhtemel faydalarının yanında bazı riskleri de taşımaktadır. Bu riskler konusunda belirtilen kaygıların çoğu, hukukî düzenlemelerin kapsamına girmektedir.

1. Kişi Tanımlama ve İzleme

Kamu kuruluşları veya özel kuruluşlar, yapay zeka sayesinde daha verimli bir şekilde kişileri tanımlayabilmektedir. Bu, yüz tanıma ve biyometrik verileri kullanarak diğer otomatik tanımlama yöntemleri (yalan algılama, mikro ifadeler yoluyla kişilik değerlendirmesi ve otomatik ses algılama gibi) vasıtasıyla gerçekleştirilmektedir. Kişilerin tanımlanması ve kimliklerinin tespiti bazı durumlarda -örneğin dolandırıcılık, kara para aklama veya terörün finansmanını tespit etmede- arzu edilen eylemlerdir. Ancak otomatik tanımlama, hem yasal hem de etik açıdan güçlü endişeleri beraberinde getirmektedir. Zira bu konu, birçok psikolojik ve sosyokültürel düzeyde beklenmedik etkilere neden olabilir. Bu nedenle, kişilerin özerkliğini korumak için kontrol tekniklerinin orantılı olarak kullanılması gerekmektedir. Bu bağlamda, otomatik tanımlamanın ne zaman ve nasıl kullanılabileceğine karar vermek, bir kişinin tanımlanması ile takibi arasındaki farkı belirlemek ve hedefli gözetim ile kitlesel gözetimi ayırt etmek hayati öneme sahiptir. Bu durum dikkate alındığında, söz konusu teknolojilerin yasalar tarafından açık olarak düzenleme altına alınması gerekmektedir. Örneğin, bu tür bir faaliyetin yasal dayanağının "rıza" olduğu durumlarda, yapay zeka tarafından otomatik olarak tanımlanmak için şeffaf, bilinçli ve özgür iradeye dayanan onay verilmesine izin veren pratik araçlar geliştirilmelidir.

2. Gizlenmiş Yapay Zeka Sistemleri

İnsanlar ile makineler arasındaki ayrım yapılamaz hâle gelmesi, insan olmanın değerinin azalması dahil birçok olumsuz sonuca yol açma potansiyeline sahiptir. Bu nedenle, insanlar, başka bir insanla mı yoksa bir makineyle mi doğrudan etkileşime girdiklerini her zaman bilmelidir. Bunun güvenilir bir şekilde başarılması yapay zeka uygulayıcılarının sorumluluğundadır. YZ uygulayıcıları, örneğin açık ve şeffaf sorumluluk reddi bildirimleri yayınlamak suretiyle, insanların bir YZ sistemiyle etkileşime girdiklerinin farkında olmalarını sağlamalıdır. Bir insan tarafından seslendirilmiş izlenimi uyandıran YZ filtreli bir ses gibi durumlarda bu husus daha da önem arz etmektedir.

3. Vatandaş Puanlaması 

“Ahlaki kişilik” ya da “etik doğruluk” genel değerlendirmesi olarak kabul edilen vatandaş puanlama sistemleri, kişilerin özerkliğinin ve özgürlüğünün kaybına yol açabileceği gibi ayrımcı uygulamalara da neden olabilir. Vatandaş puanlaması, kamu kurumları veya özel kişiler tarafından temel haklara uygun olmayan bir şekilde, orantısız ve meşru bir amaç olmaksızın kullanıldığında bu değerleri tehlikeye atma potansiyeline sahiptir. Bu nedenle, vatandaş puanlaması sadece açık ve haklı bir sebebin varlığı hâlinde, orantılı ve adil olarak kullanılmalıdır.. 

Günümüzde vatandaş puanlaması tamamen tanımlayıcı olarak ve belli bazı alanlarda -okul sistemleri, e-öğrenme ve sürücü ehliyetleri gibi- kullanılmaktadır. Bu daha dar uygulamalarda bile, puanlamanın süreci, amacı ve metodolojisi hakkında bilgiler de dahil olmak üzere, vatandaşlara tamamen şeffaf bir prosedür sunulmalıdır. Şeffaflığın tek başına ayrımcılığı önleyemeyeceği, adaleti sağlayamayacağı ve puanlama sorununa karşı tek çare olmadığı açıktır. İdeal olan, mümkün olduğu ölçüde zarara uğramaksızın puanlama mekanizmasının dışında kalma imkanı sağlanması; mümkün değil ise puanlara itiraz etme ve düzeltme mekanizmaları tanınmasıdır. Bu, özellikle taraflar arasında güç asimetrisinin bulunduğu durumlarda önemlidir. Temel haklara uygunluğun sağlanması için gerekli olduğu durumlarda, teknolojinin tasarımında devre dışı bırakma (opt-out) seçenekleri de sağlanmalıdır.

4. Geleceğe Yönelik Endişeler

Toplumun kilit unsurlarını ilgilendiren kararlar, giderek artan bir şekilde algoritmik sistemlere devredilmektedir. Bunun bir örneği Avrupa Seyahat Bilgi ve Yetkilendirme Sistemi’dir (The European Travel Information and Authorisation System - ETIAS). Bu sistemin, vizeden muaf yabancı vatandaşların hangilerinin AB topraklarına girebilmesi gerektiğini önermek üzere otomatik risk değerlendirmeleri yapmak için kullanılması planlanmaktadır. Sistemin uygulanmasında, özellikle belirli milliyetlerden, ırklardan, sosyoekonomik koşullardan ya da eğitim geçmişlerinden gelen kişilere karşı ayrımcılık yapılması gibi pek çok risk bulunmaktadır.

İnsan davranışını, daha spesifik olarak suç davranışını tahmin etmek için yapay zekanın artan kullanımı, bazı geleneksel hukukî kavramları da sorgulamaya açmaktadır. Örneğin, ceza davalarında yeniden suç işleme olasılığını belirlemek için algoritmik risk değerlendirmelerinin kullanılması, sanığın fiilen gerçekleşmeden önce bir suç işleme eğiliminden sorumluluğu sorununu gündeme getirmektedir. Hukukun üstünlüğü ilkesine ilişkin bir diğer zorluk, özel şirketler tarafından geliştirilen yapay zekaya dayanan yargı uygulamalarının ne ölçüde bağımsız sayılabileceğidir. Teknoloji, bilimsel ve nesnel olduğu algısı nedeniyle bir meşruiyete sahiptir. Her ne kadar algoritmik risk değerlendirmeleri üreten şirketler doğrudan hakimler üzerinde baskı kurmasa da; hakimler, jüri üyeleri ve şartlı tahliye memurları gibi kişilerin teknoloji tarafından yapılan bir risk değerlendirmesine ne ölçüde karşı çıkmaya cesaret edebilecekleri belirsizdir. Gerçekten, yapay zeka insanlar arasında daha yüksek bir seviyede algılandığı için, insanlar algoritmanın önerilerini doğru düzgün sorgulamadan kabul etme eğilimindedir. Oracle ve Future Workplace tarafından 2019 yılında yapılan bir araştırmada, insanların %64'ünün bir robota yöneticilerinden daha fazla güvendiği sonucuna varılmıştır. Algoritmalar özellikle tarafsız bilgi sağlama, çalışma programlarını sürdürme, sorun çözme ve bütçe yönetimi konularında insandan üstün olarak algılanmaktadır.

Birçok durumda yapay zeka sistemleri insanlardan çok daha doğru sonuçlar verebilmektedir. Ancak bir sistemin tahminleri bir insanınkinden daha doğru olduğu için, sonucun mutlaka daha iyi olacağını varsaymak tehlikelidir. Hata oranı sıfıra yakın olsa bile, milyonlarca kullanıcısı olan bir uygulamadaki olası bir hata binlerce kişiyi etkileyebilir. Örneğin, 2015 yılında Google Fotoğraf uygulamasındaki görüntü tanıma yazılımının, son derece önyargılı ve saldırgan bir hatası olduğu tespit edilmiştir. Uygulama, siyahi insanların fotoğraflarını zaman zaman goril olarak etiketlemiştir. Sistem karmaşık bir makine öğrenimi modeli kullandığından, mühendisler bunun neden olduğunu anlayamamış ve bu ırkçı eylem için bulabildikleri tek çözümü uygulayarak maymunlarla ilgili tüm kelimeleri görüntü etiketleri listesinden çıkarmıştır. ABD Gümrük ve Sınır Devriyesi tarafından kullanılan, ABD’ye giren ve çıkan her kişinin fotoğrafını çeken ve bilinen veya şüpheli suçluların fotoğraflarından oluşan bir veritabanıyla çapraz karşılaştırma yapan benzer ve varsayımsal bir yazılım sistemi de bu konuya bir örnek oluşturabilir. 2016 yılında tahmini olarak 75,9 milyon kişi ABD'ye giriş yapmıştır. Yüz tanıma sistemi %99,9 oranında doğru çalışsa bile, %0,1'lik hata oranı 75.900 kişinin yanlış tanımlanmasına neden olacaktır. Bu kişilerden bazılarının yanlışlıkla aranan suçlular olarak tanımlanması ve gözaltına alınması veya gerçekten aranan kişilerin gözden kaçması gibi durumlar dikkate alındığında, nispeten düşük hata oranlarının bile ciddi sonuçlar doğurması kaçınılmazdır. 

Yapay zekanın düzenlenmesi konusunda “risk temelli” yaklaşım, söz konusu endişeleri, gelecekteki bilinmeyen riskleri ve beklenmedik durumları da göz önünde bulundurarak potansiyel tehlikelere ve belirsizliklere karşı daha hazırlıklı olunmasına yardımcı olabilecektir. Ayrıca, yapay zeka sistemlerinin ortaya çıkardığı küresel fırsatlar ve zorluklar için küresel çözümlerin gerekli olduğu dikkate alınmalıdır. Zira yapay zeka sistemlerinin kullanımı ulusal sınırlarda durmadığı gibi, etkileri de bununla kısıtlı değildir.

Kaynakça

 
 
 

Son Yazılar

Hepsini Gör

Commenti

bottom of page