Yapay Zeka Nasıl Çalışır? Teknik Bilgi Gerektirmeyen Basit Anlatım

Telefonunuz fotoğraflarınızı “plaj”, “kedi”, “doğum günü” diye kendi kendine grupluyor. Bankanız kartınızdan yapılan tuhaf bir harcamayı saniyeler içinde fark edip size mesaj atıyor. Bir sohbet robotu, sorduğunuz soruya bir insan gibi cevap yazıyor. Bunların hepsinin arkasında aynı temel fikir var ve o fikir sanıldığı kadar büyülü değil.

Bu yazıda yapay zekanın nasıl çalıştığını tek bir formül kullanmadan anlatmaya çalışacağım. Amaç mühendis olmanız değil; bir sonraki haberde “model eğitildi” ya da “algoritma karar verdi” gibi cümleleri okuduğunuzda kafanızda net bir resim oluşması.

Kural yazmak yerine örnek göstermek

Klasik bilgisayar programı bir yemek tarifi gibidir. Programcı her adımı tek tek yazar: “Şu olursa bunu yap, bu olursa şunu yap.” Hesap makinesi, muhasebe yazılımı, e-Devlet’teki form kontrolleri hep bu mantıkla çalışır.

Peki bir fotoğrafta kedi olup olmadığını anlayan programı nasıl yazarsınız? “Sivri kulak varsa kedidir” derseniz tilki de kedi olur. “Bıyık varsa kedidir” derseniz dedeniz de. Kuralları yazmaya çalıştıkça istisnalar çoğalır ve iş içinden çıkılmaz hale gelir.

Yapay zekanın, daha doğrusu bugün kullandığımız yapay zekanın büyük kısmını oluşturan makine öğrenmesinin yaklaşımı farklıdır. Kuralları biz yazmayız. Bilgisayara on binlerce “bu kedi”, “bu kedi değil” etiketli fotoğraf gösteririz ve kuralları kendisinin çıkarmasını isteriz.

Bir çocuğun köpeği tanımayı öğrenmesi gibi

Küçük bir çocuğa köpeğin tanımını vermezsiniz. Parkta, kitapta, televizyonda köpek gördükçe “bak, kuçu kuçu” dersiniz. Çocuk bir süre sonra hiç görmediği bir cinsi de köpek olarak tanır. Bazen yanılır, kediye “hav hav” der; siz düzeltirsiniz, o da zihnindeki resmi biraz günceller.

Makine öğrenmesi kabaca bu döngüyü taklit eder. Model bir örneğe bakar, tahmin yapar, cevabın doğru mu yanlış mı olduğunu öğrenir ve iç ayarlarını ufak ufak değiştirir. Bu işlem milyonlarca kez tekrarlandığında, model örnekler arasındaki ortak desenleri yakalamaya başlar. Bu sürece eğitim denir.

Önemli bir fark var: Çocuk birkaç köpek görerek öğrenir, model ise çoğu zaman devasa miktarda örneğe ihtiyaç duyar. Bu yüzden yapay zeka konuşulurken veri meselesi hep ön plandadır.

Her eğitim böyle etiketli örneklerle yapılmaz. Bazı modellere etiketsiz yığınla veri verilir ve modelden içindeki grupları kendi bulması istenir; müşterileri alışveriş alışkanlıklarına göre kümeleyen sistemler buna örnektir. Bazılarıysa deneme yanılma ile öğrenir: Doğru hamlede “ödül”, yanlışta “ceza” alır. Satranç ya da Go oynayan programların önemli bir kısmı bu yolla ustalaşmıştır. Yöntemler farklı olsa da ortak nokta aynı: Kural yazılmıyor, deneyimden çıkarılıyor.

“İç ayarlar” dediğimiz şey ne?

Bir ses mikserini düşünün. Yüzlerce düğme var ve her biri sesin bir özelliğini biraz artırıp azaltıyor. Doğru ayarı bulduğunuzda şarkı kulağa güzel gelir.

Yapay zeka modelinin içinde de buna benzer, ama sayısı milyonları hatta milyarları bulan küçük ayar noktaları vardır. Teknik dilde bunlara parametre denir. Eğitim, bu düğmelerin hepsini, model doğru cevaba yaklaşacak şekilde azar azar çevirme işidir. Hiç kimse düğmeleri elle ayarlamaz; bilgisayar her hatadan sonra hangi düğmeyi hangi yöne çevirmesi gerektiğini matematiksel olarak hesaplar.

“Yapay sinir ağı” ifadesi de buradan gelir. Bu ayar noktaları katmanlar halinde birbirine bağlanır ve bu yapı, beyindeki sinir hücrelerinden gevşek bir şekilde esinlenmiştir. Gevşek diyorum, çünkü gerçek beyinle benzerlik oldukça sınırlıdır. Katman sayısı arttığında bu yaklaşıma derin öğrenme adı verilir.

Eğitim bitti, sonra ne oluyor?

Eğitim pahalı ve uzun bir süreçtir, genellikle büyük veri merkezlerinde haftalarca sürebilir. Ama bittiğinde elinizde düğmeleri ayarlanmış, “donmuş” bir model kalır. Siz telefonunuzda bir fotoğraf çektiğinizde ya da bir sohbet robotuna soru sorduğunuzda model yeniden eğitilmez. Sadece mevcut ayarlarıyla yeni girdiye bakıp bir tahmin üretir.

Bu ikinci aşamaya teknik literatürde çıkarım denir. Eğitim bir öğrencinin yıllarca okula gitmesiyse, çıkarım o öğrencinin sınavda soru çözmesidir. Sınav sırasında yeni bir şey öğrenmez, bildikleriyle cevap verir.

Yapay zeka aslında “anlıyor” mu?

Bu, en çok tartışılan sorulardan biri ve dürüst cevabı şu: Bizim anladığımız anlamda anladığını söylemek zor. Model, gördüğü örneklerdeki istatistiksel ilişkileri çok iyi yakalar. Bir sohbet robotu “Ankara’nın başkenti olduğu ülke” sorusuna “Türkiye” der, çünkü eğitim verisinde bu kelimeler çok kez yan yana gelmiştir.

Bu yetenek şaşırtıcı derecede güçlü sonuçlar verebilir. Ama aynı mekanizma, modelin kendinden emin bir şekilde yanlış bilgi üretmesine de yol açar. Model “doğru” olanı değil, “en olası görünen” cevabı üretmeye ayarlanmıştır. Çoğu zaman ikisi örtüşür, bazen örtüşmez. Uydurulmuş kaynaklar ya da var olmayan kanun maddeleri bu boşluktan doğar.

Neden bazen önyargılı ya da tuhaf sonuçlar çıkıyor?

Model, kendisine gösterilen örneklerden öğrenir. Örnekler dengesizse öğrenilen desen de dengesiz olur. Yalnızca açık tenli insanların fotoğraflarıyla eğitilen bir yüz tanıma sistemi, koyu tenli yüzlerde daha fazla hata yapabilir. Bu, makinenin “kötü niyetli” olmasından değil, verideki eksiklikten kaynaklanır.

Aynı şekilde, eğitim sırasında hiç karşılaşmadığı bir durumla karşılaşan model saçmalayabilir. Sadece gündüz çekilmiş trafik fotoğraflarıyla eğitilen bir sistem, gece çekimlerinde zorlanır. Yapay zekanın gücü de zayıflığı da büyük ölçüde gördüğü verinin kalitesine bağlıdır.

Gündelik hayatta nerede karşımıza çıkıyor?

Birçok uygulamayı yapay zeka olarak düşünmeden kullanıyoruz. Birkaç tanıdık örnek:

• E-posta kutunuzdaki spam filtresi
• Video ve müzik platformlarındaki öneriler
• Telefon klavyesinin bir sonraki kelimeyi tahmin etmesi
• Harita uygulamasının trafik yoğunluğuna göre süre hesaplaması
• Sesli asistanın konuşmanızı yazıya dökmesi

Bunların hepsi aynı döngünün farklı versiyonları: çok sayıda örnekten desen öğrenmek, sonra yeni bir durumda tahmin yapmak.

Bu bilgi size ne kazandırır?

Yapay zekanın bir tahmin makinesi olduğunu akılda tutmak, onu daha bilinçli kullanmanızı sağlar. Bir sohbet robotunun verdiği bilgiyi, özellikle sağlık, hukuk ve para gibi konularda, başka bir kaynaktan kontrol etmek için iyi bir sebebiniz olur. Bir sistemin “karar verdiğini” okuduğunuzda, o kararın hangi verilerle eğitilmiş bir modelden çıktığını sormayı öğrenirsiniz.

Kısacası yapay zeka ne sihir ne de düşünen bir varlık. Çok büyük miktarda örnekten desen çıkarıp bunu yeni durumlara uygulayan, son derece becerikli ama kör noktaları olan bir araç.

Sık Sorulan Sorular

Yapay zeka ile makine öğrenmesi aynı şey mi?

Tam olarak değil. Yapay zeka, makinelerin akıllı görünen işler yapmasını hedefleyen geniş alanın adı. Makine öğrenmesi bu alanın içindeki bir yöntem ve bugün kullandığımız yapay zeka uygulamalarının çok büyük kısmı bu yöntemle çalışıyor.

Yapay zeka kullandıkça kendi kendine öğreniyor mu?

Çoğu durumda hayır. Kullandığınız model, eğitimi tamamlanmış sabit bir sürümdür. Şirketler kullanıcı etkileşimlerini ileride yeni sürümleri eğitmek için toplayabilir, ama bu sizin sohbetiniz sırasında anlık olarak gerçekleşmez.

Yapay zeka neden bazen yanlış bilgi veriyor?

Çünkü model doğruyu kontrol etmek yerine en olası görünen cevabı üretir. Eğitim verisinde yeterince örnek olmayan ya da belirsiz konularda, kulağa makul gelen ama gerçek olmayan bilgiler üretebilir.

Yapay zekayı anlamak için matematik bilmem gerekir mi?

Temel mantığı kavramak için gerekmez. Örneklerden öğrenme, tahmin etme ve verinin kalitesine bağımlılık fikirlerini anlamak, gündelik kullanım için fazlasıyla yeterli.

Bir dahaki sefere bir uygulama size “akıllı” bir öneri sunduğunda, arkasında milyonlarca örnekten süzülmüş bir tahmin olduğunu hatırlamak yeterli.