Yapay zekâ nasıl çalışır?

Bu derste yapay zekânın nasıl çalıştığını sıfırdan, günlük hayattan örneklerle anlatıyoruz: veriden öğrenme mantığı, bir modelin eğitilme adımları, kurallı programlamadan farkı, sinir ağları ve sık yapılan yanılgılar. Kavramlara ilk kez dokunuyorsan önce yapay zekâ nedir dersine göz atmanı öneririz. Tüm derslerimize ise Yapay Zekâ dersleri bölümünden ulaşabilirsin.

Yapay Zekânın Çalışma Mantığı: Veriden Öğrenme

Yapay zekânın özünde tek bir fikir vardır: kuralları tek tek yazmak yerine, bol sayıda örnekteki örüntüleri ortaya çıkarmak. Klasik programlamada geliştirici olası her durumu düşünür ve “şöyleyse böyle yap” tarzı kurallar yazar. Yapay zekâda ise sisteme doğrudan kural verilmez; sistem binlerce örneğe bakarak örüntüleri kendisi bulur. Bunun için üç temel kavram bir araya gelir: çözüm yolunu tanımlayan algoritma, öğrenmenin ham maddesi olan veri ve bu ikisinden ortaya çıkan model.

Somut bir örnekle düşünelim: bir e-posta hizmetinin spam filtresi. Geliştiricinin “içinde şu kelime geçen her ileti spamdir” gibi binlerce kural yazmasına gerek yoktur. Yüz binlerce spam ve spam olmayan e-posta örneği sisteme verilir; model bu örneklerdeki benzerlikleri (kullanılan ifadeler, gönderici yapıları, bağlantı örüntüleri) istatistiksel olarak öğrenir. Artık hiç görmediği yeni bir e-postayı da bu örüntülere göre değerlendirir.

Bir Yapay Zekâ Modeli Nasıl Eğitilir?

Eğitim, modelin veri üzerinden hatasını azaltarak öğrendiği sürecin adıdır. Temel adımlarıyla şöyle işler:

1. Veri toplama: Konuyla ilgili yeterli sayıda ve mümkün olduğunca çeşitli örnek derlenir.
2. Veri hazırlama: Hatalı ve eksik kayıtlar temizlenir; gerekiyorsa örnekler etiketlenir (örneğin “spam” / “spam değil”).
3. Model ve algoritma seçimi: Problemin türüne uygun yöntem belirlenir; resim tanıma ile metin üretme aynı yöntemleri kullanmaz.
4. Eğitim: Model örnekler üzerinden tahmin üretir, tahmini gerçek cevapla karşılaştırılır ve hatası azaltılır. Sınav soruları çözüp yanlışlarından ders alan bir öğrenci gibi düşünülebilir.
5. Test: Model, eğitimde hiç görmediği örneklerle sınanır; gerçek başarısı bu aşamada ölçülür.
6. Kullanıma alma ve güncelleme: Model yayına alınır; yeni veriyle zaman zaman yeniden eğitilir.

Bu sürecin çıktısı “yazılmış bir program” değil, veriden öğrenilmiş bir tahmin aracıdır. Aynı algoritma, farklı veriyle eğitilirse bambaşka davranan modeller ortaya çıkabilir. Bu yüzden yapay zekâ projelerinde en çok emek, çoğu zaman veri hazırlamaya gider.

Kurallı Programlamadan Farkı Nedir?

İki yaklaşımı yan yana koyunca çalışma biçimindeki fark netleşir:

• Kuralın kaynağı: Klasik programda kuralları insan yazar; yapay zekâda kuralları (örüntüleri) model veriden çıkarır.
• Sonuç türü: Klasik program aynı girdiye hep aynı net cevabı verir; yapay zekâ çoğu zaman olasılıklara dayalı bir tahmin üretir.
• Değişime uyum: Kurallı bir sistemde yeni duruma uyum için kodun yeniden yazılması gerekir; model yeni veriyle güncellenebilir.
• Açıklanabilirlik: “Eğer… ise” kuralları kolay okunur; karmaşık bir modelin neden o cevabı verdiği her zaman net değildir.

Farkı bir görevle görmek kolaydır: “Yarın yağmur yağarsa şemsiyemi hatırlat” isteği birkaç kuralla çözülür. Oysa “bu fotoğrafta kedi var mı?” sorusu için kedilerin tüm duruşlarını, ışık koşullarını, türlerini tek tek kural hâline getirmek neredeyse imkânsızdır. Örüntü karmaşıklaştığı yerde veriden öğrenme, kural yazmaya üstün gelir.

Öğrenmenin Motoru: Sinir Ağları

Günümüzde en başarılı sonuçları veren yöntemlerin çoğu sinir ağlarına dayanır. Adını beynimizdeki sinir hücrelerinden alır ama beynin kopyası değildir; basitleştirilmiş bir matematiksel esinlenmedir:

• Nöron: Girdileri sayısal ağırlıklarla çarpar, toplar ve bir sonuç üretir. Öğrenme, bu ağırlıkların eğitim sırasında küçük adımlarla düzeltilmesidir.
• Katmanlar: Nöronlar katman hâlinde dizilir; ilk katman ham veriyi alır, ara katmanlar kenar ve çizgi gibi ara özellikleri yakalar, son katman kararı üretir.
• Derin öğrenme: Katman sayısının çok arttığı yapıdır; görüntü, ses ve metin gibi karmaşık verilerde en iyi sonuçları verir.

Bu ilkenin en tanıdık uygulamaları büyük dil modelleridir: 2024-2025 döneminde günlük hayata yerleşen ChatGPT ve Gemini gibi sohbet asistanları, devasa metinlerden öğrenip bir cümlenin bağlama en uygun devamını kelime kelime üretir.

Günlük Hayatta Yapay Zekâ Örnekleri

Bu çalışma biçimini her gün kullandığın uygulamalarda görürsün:

• Sohbet asistanları: Soruları yanıtlayan, metin yazan ve özetleyen büyük dil modelleri; temel model yanıtını eğitim verisindeki örüntülerden üretir, bazı güncel asistanlar bunun yanında web aramasını ayrı bir araç olarak kullanabilir.
• Öneri sistemleri: Video ve müzik platformları, izleme-dinleme geçmişindeki örüntülerden beğenebileceğin içeriği tahmin eder.
• Yüz tanıma: Telefonun kilidi, yüzündeki ölçülebilir özellikleri eğitilmiş bir modelle eşleştirerek açılır.
• Otomatik çeviri ve sesli asistanlar: Milyonlarca örnekten öğrenilmiş modellerle sesi yazıya, yazıyı başka bir dile çevirir.

Dikkat edersen bunların hepsi tek bir işte uzmanlaşmıştır: sohbet asistanı yemek pişirmez, öneri motoru yüz tanımaz. Bugün kullandığımız tüm uygulamalar bu gruptadır ve tek alanda görev yapan bu sistemlere dar yapay zekâ denir; türlerin tamamı için yapay zekâ türleri dersine, kullanım alanları için yapay zekâ nerelerde kullanılır? dersine ve dar türün ayrıntıları için dar yapay zekâ yazımıza bakabilirsin.

Sık Yapılan Hatalar ve Yanılgılar

• “Yapay zekâ insan gibi düşünüyor.” Model istatistiksel örüntülerle tahmin üretir; bilinci, niyeti ya da insan gibi anlama deneyimi yoktur. İki zekâyı karşılaştırmak için yapay zekâ ve insan zekâsı dersine göz at.
• “Sohbet asistanının her cevabı canlı bir internet aramasından gelir.” Temel model yanıtını eğitim verisindeki örüntülerden üretir; bazı güncel asistanlar bunun yanında web aramasını ayrı bir araç olarak kullanabilir.
• “Yapay zekâ hata yapmaz.” Model, verisindeki eksiklikler ve örüntülerin sınırları yüzünden yanılabilir; dil modellerinde kendinden emin ama yanlış bilgi üretme (halüsinasyon) buna bir örnektir. Kritik kararlar insan denetiminden geçmelidir.
• “Model bir kez eğitilir, iş biter.” Dünya değişir, veri eskir; güncel kalan sistemler yeni veriyle yeniden eğitim ve düzenli denetim gerektirir.
• “Ne kadar çok veri, o kadar iyi model.” Miktar kadar nitelik de belirleyicidir: hatalı, eksik veya tek taraflı veri, güçlü bir algoritmayı bile yanıltır.

Özetlemek gerekirse yapay zekâ büyülü bir zekâ değil, veriden örüntü öğrenen bir tahmin sistemidir: algoritma öğrenme yöntemini, veri ham maddeyi, model ise öğrenilmiş sonucu temsil eder. Bu üçlüyü kavradıysan üniteye devam etmek için bir sonraki dersimiz olan yapay zekânın tarihçesi yazımıza geçebilirsin.