Bu çalışma, yapay zekânın tanımından başlayarak, yapay zekâ türleri ve bu türlerin çeşitli alanlardaki uygulamaları üzerine odaklanmaktadır. Yapay zekânın öğrenme süreçleri, olasılık hesaplamalarına dayalı karar alma mekanizmaları ve bu sistemlerin insan zekâsıyla karşılaştırılması detaylandırılmıştır. Dar yapay zekâ, genel yapay zekâ ve süper yapay zekâ gibi farklı yapay zekâ türleri incelenmiş; bu türlerin özellikle sağlık, oyun ve otonom araçlar gibi çeşitli endüstrilerdeki kullanımları örneklerle açıklanmıştır. Derin öğrenme algoritmalarının tıbbi görüntüleme ve hastalık teşhisindeki kullanımları ve bu sistemlerin insan doktorlarla karşılaştırılması, yapay zekânın tıbbi alandaki potansiyelini ortaya koymuştur. Son olarak, yapay zekânın karar alma süreçlerindeki etkileri ve bu süreçlerin gelecekteki uygulamaları ele alınmıştır. Yapay Zekâ ve İnsan Zekâsı: Bilgisayarların Öğrenme Mekanizmaları ve Karar Alma Süreçlerine Etkileri Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). I. Yapay Zekânın Tanımı ve Türleri Yapay Zekâ (YZ) , bilgisayar sistemlerinin insan benzeri düşünme ve davranma yetenekleri sergileyebilmesi amacıyla geliştirilen bir teknoloji ve araştırma alanıdır. Bu alan, öğrenme, akıl yürütme, problem çözme, algılama ve yaratıcı düşünme gibi insan zekâsı ile ilişkilendirilen bilişsel süreçleri taklit eden sistemler geliştirmeye odaklanır. Yapay zekâ sistemleri, belirli görevleri yerine getirebilmek için algoritmalar ve modeller kullanır ve bu sayede bilgisayarların, insan zekâsını gerektiren karmaşık sorunları çözebilmesi hedeflenir (Russell Norvig, 2020). Yapay zekâ, oldukça geniş bir araştırma alanını kapsar ve makine öğrenmesi, derin öğrenme, doğal dil işleme (NLP - Natural Language Processing) ve bilgisayarla görme gibi alt disiplinleri içerir (Goodfellow et al., 2016). Yapay zekâ, insan zekâsıyla etkileşim düzeyine ve işlevselliğine göre üç ana kategoriye ayrılmaktadır: Dar Yapay Zekâ (ANI - Artificial Narrow Intelligence), Genel Yapay Zekâ (AGI - Artificial General Intelligence) ve Süper Yapay Zekâ (ASI - Artificial Superintelligence) . Bu türler, yapay zekânın sahip olduğu yetenekler ve kullanım alanları açısından birbirinden farklıdır. II. Yapay Zekânın Gelişim Süreci ve İnsan Yaşamıyla Karşılaştırılması Yapay zekâ (YZ), bilgisayar sistemlerinin insan benzeri düşünme, öğrenme ve problem çözme yetenekleri sergileyebilmesi amacıyla geliştirilen bir teknolojidir. İnsan ömrünü 80 yıl olarak kabul ettiğimizde, yapay zekânın şu anki gelişim düzeyini bir insanın yaşıyla karşılaştırmak ilginç bir zihin egzersizi sunar. Yapay zekâ şu anda birçok görevi başarıyla yerine getirebilen, öğrenen ve gelişen bir teknoloji olsa da hala insan zekâsına kıyasla sınırlı kapasitelere sahiptir. Bu bağlamda, yapay zekâyı bir insanın yaşamındaki gelişim evreleriyle ilişkilendirebiliriz. Dar Yapay Zekâ (Artificial Narrow Intelligence, ANI) , yalnızca belirli görev veya işlevleri yerine getirebilen, sınırlı işlevselliğe sahip sistemleri ifade eder. Örneğin, yüz tanıma sistemleri, öneri algoritmaları ve sesli asistanlar dar yapay zekâ sistemleridir. Bu sistemler belirli bir alanda uzmanlaşmıştır, ancak bu alan dışında etkin şekilde çalışamazlar. Bu sistemler, öğrenme yeteneklerine sahip olmalarına rağmen, yaratıcı düşünme veya çok yönlü problem çözme yeteneklerine sahip değillerdir. İnsan yaşamıyla kıyasladığımızda, dar yapay zekâ sistemleri bir çocuk veya genç bir birey seviyesindedir. Kabaca 10-18 yaş aralığında oldukları düşünülebilir, çünkü belirli görevlerde başarılıdırlar ancak genel zekâya sahip değillerdir. Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). Genel Yapay Zekâ (Artificial General Intelligence, AGI) ise, insan zekâsıyla eşdeğer geniş bilişsel yeteneklere sahip olmayı hedefler. AGI, sadece belirli alanlarda uzmanlaşmakla kalmaz, aynı zamanda farklı alanlardaki görevleri de yerine getirebilir ve yeni durumlara uyum sağlayabilir. AGI, henüz bilimsel olarak geliştirilememiştir; ancak bu teknolojiye ulaşıldığında, yetişkin bir insan zekâsına benzer seviyede olacağı düşünülmektedir. Bu durumda, AGI'nın bir insanın 20-40 yaş aralığındaki bilişsel kapasitesine eşdeğer olabileceği öngörülmektedir. Süper Yapay Zekâ (Artificial Superintelligence, ASI) ise, insan zekâsını aşan ve her alanda insanlardan daha üstün performans gösterebilen bir yapay zekâ türüdür. Teorik olarak, problem çözme, yaratıcı düşünme, bilgi işleme ve karar verme gibi süreçlerde insan zekâsından daha ileri olabilir. ASI, insan zekâsından çok daha hızlı bilgi işleyebilir ve bu sayede bilimsel keşifler yapma, karmaşık sosyal ve ekonomik sorunları çözme gibi alanlarda büyük başarılar gösterebilir. Süper yapay zekâ, henüz teorik bir kavram olarak ele alınmakta olup, geliştirilmiş bir örneği bulunmamaktadır. Bu tür bir teknoloji, insan yaşamı ile karşılaştırılamayacak bir zekâ seviyesi sunabilir. Sonuç olarak, yapay zekânın mevcut gelişim seviyesi ergen veya genç bir birey olarak değerlendirilebilir. Yapay zekâ, dar yapay zekâ düzeyinde belirli görevlerde başarılı, ancak genel zekâya sahip olmayan bir teknoloji olarak hayatımızda yer almaktadır. Gelecekte AGI seviyesine ulaşıldığında, bu teknolojinin olgun bir yetişkin insan zekâsına benzer bir kapasiteye sahip olacağı öngörülmektedir. Süper yapay zekâya ulaşıldığında ise, bu düzeyde bir yapay zekânın insan zekâsını aşan, hatta insan ömrü ile karşılaştırılamayacak düzeyde bir zekâ düzeyi sergileyebileceği düşünülmektedir. III. Yapay Zekâ Türlerine Göre Örnekler Yapay zekâ, farklı işlevleri yerine getirebilme kapasitesine sahip sistemler olarak çeşitli türlere ayrılır. Bu türler, belirli görevler için özelleşmiş dar yapay zekâ sistemlerinden, teorik olarak insan zekâsını aşabilecek süper yapay zekâ türlerine kadar uzanır. Farklı yapay zekâ sistemleri, doğal dil işleme, görüntü tanıma, oyun oynama ve tıbbi analizler gibi çeşitli alanlarda başarıyla uygulanmaktadır. İşte bu yapay zekâ türlerinin belirli alanlardaki örnekleri: i. Doğal Dil İşleme (NLP) Yapay Zekâ Sistemleri Doğal Dil İşleme (NLP), yapay zekânın önemli bir alt dalıdır ve makinelerin insan dilini anlaması ve kullanması üzerine yoğunlaşır. Bu sistemler, metin tabanlı görevlerde kullanılmak üzere geliştirilmiştir ve dilin yapısını analiz ederek makinelerin insanlar gibi dilsel etkileşim kurmasını sağlar. NLP sistemleri, dilin gramerini, anlamını ve bağlamını anlayarak çeşitli dil görevlerini yerine getirebilir. Bu teknolojinin en belirgin örneklerinden biri ChatGPT gibi modellerdir. ChatGPT (GPT-4) , derin öğrenme teknikleri kullanılarak geliştirilen bir yapay zekâ modelidir. Bu sistem, insan dilini analiz edebilir ve metin tabanlı görevlerde oldukça etkili bir şekilde performans gösterebilir. Örneğin, kullanıcılarla sohbet edebilir, soruları yanıtlayabilir, yaratıcı yazılar üretebilir ve çok çeşitli konularda metinler oluşturabilir. ChatGPT, dil işleme görevlerinde uzmanlaşmıştır; ancak, bu sistem yalnızca metinlerle etkileşimde bulunabilmekte ve başka görevlerde işlev gösterememektedir. Bu nedenle, ChatGPT bir Dar Yapay Zekâ örneğidir. ii. Görüntü Tanıma ve Bilgisayarla Görme Yapay zekânın bir diğer önemli uygulama alanı, görüntü tanıma ve bilgisayarla görme teknolojisi dir. Bu sistemler, dijital görüntüleri veya videoları analiz ederek anlamlı veriler çıkarır ve makinelerin çevresini tanımasını sağlar. Bilgisayarla görme, özellikle otonom araçlar, güvenlik sistemleri ve sağlık teşhisleri gibi çeşitli alanlarda kullanılmaktadır. Örneğin, Tesla'nın Otopilot sistemi , bilgisayarla görme teknolojisini kullanarak trafikteki diğer araçları, yol işaretlerini ve yaya gibi unsurları algılar ve bu bilgiler doğrultusunda otonom sürüş işlemini gerçekleştirir. Otopilot, yol üzerindeki tüm nesneleri analiz ederek, güvenli ve akıllı bir şekilde araç yönlendirmesi yapar. Ancak, bu sistem yalnızca sürüşe yönelik görevlerde uzmanlaşmıştır ve başka alanlarda işlev gösteremez. Dolayısıyla, Tesla’nın Otopilot sistemi de bir Dar Yapay Zekâ örneğidir. Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). iii. Oyun Oynamada Uzman Yapay Zekâ Sistemleri Yapay zekâ, oyun oynama alanında da önemli ilerlemeler kaydetmiştir. DeepMind’in AlphaZero sistemi , satranç, Go ve Shogi gibi stratejik ve karmaşık oyunlarda büyük başarılar elde etmiş bir yapay zekâ sistemidir. Bu sistem, kurallarını öğrendiği oyunlarda, tamamen kendi başına oynayarak stratejiler geliştirmiş ve dünya şampiyonlarını yenebilme kapasitesine ulaşmıştır. AlphaZero , oyunların kurallarını öğrendikten sonra, milyonlarca simülasyon üzerinden kendi stratejilerini geliştirir ve zamanla bu stratejilerde ustalaşır. Örneğin, Go gibi karmaşık bir oyunda, insan beyninin stratejik düşünme yeteneklerini aşan bir seviyede performans gösterebilir. Ancak AlphaZero, yalnızca oyun oynama alanında uzmanlaşmıştır ve bu bilgi başka alanlara aktarılamaz. Yani, AlphaZero da bir Dar Yapay Zekâ örneğidir, çünkü yetenekleri yalnızca belirli bir oyun alanıyla sınırlıdır. iv. Tıbbi Yapay Zekâ Sistemleri Yapay zekâ, sağlık ve tıp alanında da önemli uygulamalar sunar. IBM Watson for Healthcare , tıbbi verileri analiz ederek doktorlara tanı ve tedavi süreçlerinde yardımcı olabilecek bir yapay zekâ sistemidir. Bu sistem, büyük miktarda tıbbi veriyi işleyebilir ve bu verilerden elde edilen bilgileri doktorlara sunarak daha iyi kararlar almalarına yardımcı olabilir. Özellikle onkoloji (kanser tedavisi) alanında Watson, hastaların tıbbi geçmişine dayalı olarak kişiselleştirilmiş tedavi önerilerinde bulunabilir. Watson, tıbbi literatürü tarayarak ve hastaların verilerini analiz ederek kanser tedavisi gibi kritik alanlarda doktorlara yardımcı olur. Watson'ın en güçlü yönlerinden biri, büyük veri kümelerini hızlı bir şekilde analiz edebilmesi ve tıbbi literatürden en uygun tedavi seçeneklerini çıkarmasıdır. Ancak, Watson’ın yetenekleri sadece tıbbi verilere dayalıdır ve başka alanlarda işlev gösteremez. Bu nedenle, IBM Watson da bir Dar Yapay Zekâ örneği olarak kabul edilir. IV. Yapay Zekânın Karar Alma Süreçleri ve İnsan Zekâsıyla Benzerliği Yapay zekâ (YZ) sistemleri, karar alma süreçlerinde temelde olasılık hesaplamalarına ve istatistiksel modellemelere dayanır. Bu mekanizmalar, insanın öğrenme ve karar alma süreçlerine oldukça benzer şekilde işler. İnsanlar gibi, yapay zekâ da geçmiş deneyimlerden öğrenerek gelecekteki olayların olasılıklarını tahmin eder ve bu tahminler doğrultusunda kararlar verir. Yapay zekâ sistemleri, kendisine sunulan verilerden anlamlı örüntüler ve ilişkiler çıkarır; bu sayede gelecekte karşılaşacağı benzer durumlar hakkında daha isabetli tahminler yapabilir. Karar alma süreçleri, veriyle beslenen ve sürekli öğrenme yoluyla kendini geliştiren bir yapıya sahiptir (Murphy, 2012). Yapay zekâ, temel olarak iki ana aşamada çalışır: İlk aşama, veri toplama ve bu verilerden çıkarımlar yapma sürecidir. İkinci aşama ise bu çıkarımlar üzerine kurulu bir karar verme mekanizmasıdır. YZ, bu süreçte olasılık hesaplamaları yaparak, geçmiş deneyimlerinden öğrendiği bilgilere dayanarak bir olayın gerçekleşme olasılığını değerlendirir ve bu olasılıklar üzerinden kararlar verir. Yapay zekâ, tıpkı bir insan gibi, her yeni veri parçasını analiz eder ve önceki tahminlerini bu yeni bilgiler doğrultusunda güncelleyerek zaman içinde daha doğru kararlar almayı öğrenir. Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). i. Olasılık Hesaplamalarına Dayalı Karar Alma Yapay zekâ sistemleri, olasılık hesaplamaları ve istatistiksel çıkarımlar yaparak bir durumun gelecekte nasıl sonuçlanacağı hakkında tahminlerde bulunur. Örneğin, bir yapay zekâ modeli, daha önce belirli bir olayın kaç kez gerçekleştiği ve bu olayın koşulları hakkında veri topladıysa, bu verilerden yararlanarak aynı olayın tekrar gerçekleşme olasılığını hesaplayabilir. Yapay zekâ, bu olasılıkları değerlendirdikten sonra, en yüksek başarı şansına sahip olan kararları almak üzere programlanır. Örneğin, bir e-ticaret platformu, geçmiş satın alma verilerine dayanarak, bir müşterinin belirli bir ürünü satın alma olasılığını hesaplayabilir. Eğer müşteri geçmişte benzer ürünler satın almışsa veya belirli bir ürünü görüntülemişse, yapay zekâ sistemi bu müşterinin o ürünü satın alma olasılığını hesaplayarak, ona kişiselleştirilmiş öneriler sunar. Bu öneriler, daha önceki kullanıcı davranışları temel alınarak yapılan olasılık hesaplamalarına dayanır. ii. Basit Bir Örnek: Zar Deneyi Yapay zekânın olasılık hesaplamalarına dayalı karar alma mekanizmasını daha iyi anlamak için zar deneyi gibi basit bir örneği ele alabiliriz. Bu deney, yapay zekânın nasıl veri topladığını, bu verilerden nasıl öğrendiğini ve gelecekteki olayları nasıl tahmin ettiğini açıklar. Diyelim ki, 6 yüzlü bir zar kullanılıyor ve bu zarın nasıl çalıştığını bilmeyen bir kişiye gösteriliyor. Kişi, zarı ilk kez attığında zarın 2 geldiğini varsayalım. Bu kişi, sadece elindeki tek bir veri noktası olduğundan, ikinci atışta yine 2 geleceğini tahmin edebilir. Çünkü, başka bir veri noktası bulunmamaktadır. İkinci zar atıldığında bu kez 3 geldiğini düşünelim. Bu durumda, kişi yeni bir veri noktası elde eder ve zarın farklı yüzlerinin farklı sayılar getirebileceğini öğrenir. Zamanla, zarın farklı atışlarla 1, 2, 3, 4, 5 ve 6 gibi farklı sayılar getirdiğini gözlemler ve bu gözlemler arttıkça, her yüzün gelme olasılığının %16,67 (1/6) olduğunu öğrenir (Bishop, 2006). Yapay zekâ sistemleri de bu şekilde çalışır. İlk başta sınırlı veriyle çalışan yapay zekâ, sadece eldeki verilere dayanarak olasılık hesaplamaları yapar. Ancak zamanla daha fazla veri topladıkça, yapay zekânın tahminleri daha isabetli hale gelir. Örneğin, bir yapay zekâ modeline yüzlerce zar atışı verisi sağlandığında, model bu verilerdeki sayısal dağılımları analiz eder ve her bir sayının ne sıklıkta geleceğini olasılıksal olarak hesaplayabilir. Model, öğrendiği bilgilere dayanarak gelecekteki zar atışlarının sonuçlarını tahmin edebilir ve en olası sonucu belirlemek için bu tahminleri kullanabilir. Bu süreçte yapay zekâ, verilerden öğrendiklerini sürekli olarak günceller. Yeni veri elde ettikçe eski tahminlerini yeniler ve olasılık hesaplamalarını daha doğru hale getirir. Tıpkı insan öğrenmesi gibi, yapay zekâ da veri biriktikçe daha karmaşık ilişkiler kurabilir ve daha doğru sonuçlara ulaşabilir. Dolayısıyla, öğrenme ve karar alma süreçlerinde verilerin sürekli olarak sisteme sunulması ve bu verilerin işlenmesi yapay zekânın doğruluk ve performansını artırır. iii. Karmaşık Veriler ve Karar Alma Süreci Yapay zekâ sistemleri, basit zar örneğinden çok daha karmaşık veri setleriyle çalışabilir. Bu veri setleri, milyonlarca veri noktası içerebilir ve yapay zekâ, bu büyük veri kümelerini analiz ederek daha karmaşık tahminlerde bulunabilir. Örneğin, tıbbi bir yapay zekâ sistemi, binlerce hastanın tıbbi geçmişini analiz ederek belirli bir hastalığın gelişme olasılığını tahmin edebilir. Yapay zekâ, hastaların yaşları, genetik yapıları, yaşam tarzları gibi faktörlere dayalı olarak bu tahminleri yapar ve hastalığın hangi kişilerde daha olası olduğuna dair çıkarımlar yapar. Bu tür sistemler, sadece olasılık hesaplamaları yapmaz, aynı zamanda makine öğrenmesi algoritmaları kullanarak veri setlerinden anlamlı örüntüler çıkarır. Bu sayede, yapay zekâ daha önce hiç görmediği yeni bir veriyle karşılaştığında bile, öğrendiği bilgiler doğrultusunda tahminlerde bulunabilir ve doğru kararlar verebilir. Örneğin, bir finansal yapay zekâ modeli, geçmiş piyasa verilerini analiz ederek gelecekteki piyasa hareketlerini tahmin edebilir ve bu tahminler doğrultusunda yatırım kararları alabilir. V. Gelişmiş Bir Örnek: Tıbbi Görüntüleme ve Yapay Zekâ Yapay zekânın işleyişini anlamak için ileri düzey bir uygulama olan tıbbi görüntüleme sistemleri örneği oldukça açıklayıcıdır. Tıbbi görüntülemede, doktorlar ve tıp öğrencileri, röntgen filmleri, manyetik rezonans (MR) görüntüleri veya bilgisayarlı tomografi (BT) taramaları gibi verileri analiz ederek hastalıkları teşhis ederler. Bu süreç, deneyim ve tekrara dayalı öğrenme yoluyla gelişir. Örneğin, bir tıp öğrencisi, eğitim sürecinde çok sayıda röntgen filmi görür ve eğitmenleri ona bu görüntülerdeki belirli lekelerin, çizgilerin veya anomalilerin ne anlama geldiğini açıklar. Her yeni görüntü, öğrencinin öğrenmesine katkıda bulunur ve zamanla teşhis süreçleri daha hızlı ve isabetli hale gelir (Topol, 2019). Yapay zekâ sistemleri de benzer şekilde öğrenir, ancak insanlardan farklı olarak çok daha büyük veri setleri üzerinde çalışabilir. Makine öğrenmesi algoritmaları , milyonlarca tıbbi görüntüyü analiz edebilir ve bunlardan öğrenir. Örneğin, milyonlarca akciğer röntgeni içeren bir veri setini ele alalım. Bu görüntüler, sağlıklı ve hastalıklı akciğerleri temsil eden etiketlerle işaretlenmiştir. Yapay zekâ algoritmaları, bu görüntülerdeki belirli desenleri ve anormallikleri öğrenir ve zamanla hastalıkları tanıma konusunda yetkin hale gelir. Örneğin, bir yapay zekâ modeli, akciğer röntgenlerindeki lekeleri analiz ederek bunların zatürre, akciğer kanseri veya başka bir hastalık olup olmadığını belirleme kapasitesine ulaşabilir (Litjens et al., 2017). Yapay zekâ, tekrara dayalı öğrenme süreci ile daha hassas hale gelir. Tıpkı bir doktorun yıllar süren tecrübelerle geliştirdiği bilgi birikimi gibi, yapay zekâ da sürekli öğrenme ve geri bildirim yoluyla performansını iyileştirir. Bu tür yapay zekâ sistemleri, zamanla teşhis süreçlerinde daha isabetli hale gelir ve doktorlara yardımcı olarak bazı görevleri otomatikleştirir. Bu durum, özellikle büyük hacimli görüntülerin hızlıca analiz edilmesi gerektiğinde büyük avantaj sağlar. Örneğin, bir yapay zekâ modeli, binlerce röntgen filmini kısa sürede analiz edebilir ve doktorlara hızlı teşhis konusunda yardımcı olabilir. Bu, teşhis sürecini hızlandırır ve klinik verimliliği artırır (Topol, 2019). VI. Sürekli Öğrenme ve Geri Bildirim Yapay zekâ sistemlerinin başarılı olmasında sürekli öğrenme ve geri bildirim mekanizmaları kritik bir rol oynar. Tıpkı bir doktorun sürekli gelişimi gibi, yapay zekâ da önceki analizlerinde yaptığı hatalardan öğrenir ve bu hataları düzeltmek için modelini günceller. Örneğin, makine öğrenmesi algoritmaları bir hastalık teşhisi sırasında yaptığı hataları geri bildirim olarak alır ve bu geri bildirimler doğrultusunda gelecekte aynı hatayı yapmamak için kendini geliştirir. Ayrıca, veri setleri sürekli olarak güncellendiğinde, yapay zekâ yeni teşhis yöntemlerini ve bilgilerini öğrenme kapasitesine sahip olur. Bu öğrenme süreci, yapay zekânın zamanla daha doğru ve güvenilir hale gelmesini sağlar (Murphy, 2012). İnsan Doktorlar ve Yapay Zekânın Performans Karşılaştırmaları Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). Yapay zekânın tıbbi görüntüleme alanındaki performansı, insan doktorlarla karşılaştırıldığında dikkate değer başarılar göstermiştir. Çeşitli akademik çalışmalar, yapay zekânın tıbbi görüntüleme teknikleriyle ilgili teşhis yapma yeteneğini değerlendirmiştir. Özellikle, röntgen ve göğüs filmi gibi tıbbi görüntüleme yöntemleri üzerinde yapılan araştırmalar, yapay zekânın hastalıkları tespit etmede doktorlarla karşılaştırılabilir bir performans sergilediğini ortaya koymuştur. Bazı durumlarda, yapay zekâ sistemlerinin belirli hastalıkları tespit etme konusundaki doğruluğu, insan doktorlardan daha yüksek olabilir. Örneğin, akciğer grafilerinde yaygın olarak görülen hastalıkların teşhisinde yapay zekâ sistemleri yüksek bir başarı oranı yakalamıştır. Bununla birlikte, daha karmaşık vakalar söz konusu olduğunda, yapay zekâ sistemlerinin performansı hala insan doktorların gerisinde kalabilmektedir. Bu nedenle, birçok uzman, yapay zekânın doktorların yerine geçmesindense, onları destekleyecek bir araç olarak kullanılması gerektiğini savunmaktadır. Yapay zekâ, özellikle zaman alan ve büyük veri gerektiren görevlerde doktorlara yardımcı olarak onların iş yükünü hafifletebilir ve klinik süreçleri daha verimli hale getirebilir. Sonuç olarak, yapay zekâ teknolojisi tıbbi görüntüleme alanında büyük potansiyel taşımakta ve bu alandaki uygulamaları giderek daha yaygın hale gelmektedir. Yapay zekâ, hastalıkların erken teşhisi, tedavi süreçlerinin planlanması ve genel klinik verimlilik gibi konularda önemli katkılar sunmaktadır. Bu tür teknolojiler, sağlık sistemlerinin daha etkili çalışmasına yardımcı olabilir ve hastaların daha hızlı ve doğru teşhis almasına olanak tanır. Bu konudaki en önemli çalışmalar aşağıdaki gibidir. Performans Karşılaştırmaları : Stanford Üniversitesi'nde yapılan bir çalışma, bir yapay zekâ algoritmasının 14 farklı patolojiyi (hastalık belirtisi) aynı anda tarayabildiğini ve bunları tespit etme açısından radyologlar kadar başarılı olduğunu göstermiştir. Örneğin, akciğer büyümesi, pnömoni gibi yaygın hastalıkların teşhisinde YZ, radyologlarla benzer performans göstermiştir. Bununla birlikte, bazı patolojilerde yapay zekânın performansı radyologları bile geçebilmiştir ( Stanford Medicine ). Radyoloji Asistanlarıyla Karşılaştırma : Yapılan bir başka çalışma, derin öğrenme algoritmaları ile radyoloji asistanlarının performanslarını karşılaştırmıştır. Çalışmada 342,126 göğüs röntgeni kullanılarak bir YZ modeli eğitilmiş ve sonuçlar, 1,998 yeni röntgen üzerinden test edilmiştir. Sonuçlar, YZ algoritmasının ortalama pozitif öngörü değerinin (PPV) radyoloji asistanlarından daha yüksek olduğunu (YZ için %73, radyoloji asistanları için %68) ve benzer spesifiklik (%98) ile çalıştığını göstermiştir ( JAMA Network ) ( Diagnostic Imaging ). Karmaşık Vaka Yorumlama : Yapay zekâ, belirli hastalıkları ve yaygın patolojileri hızlı ve doğru bir şekilde tespit etme konusunda çok başarılı olabilirken, daha karmaşık vakalarda veya nadir görülen hastalıklarda insan uzmanlara ihtiyaç duyulabilir. Bir çalışmada, YZ algoritmalarının yüksek prevalanslı hastalıklar (örneğin, akciğer ödemi, kalp büyümesi) üzerindeki performansının oldukça yüksek olduğu, ancak kitleler veya nodüller gibi daha zor ve nadir bulguların yorumlanmasında insan uzmanlarla birlikte çalışması gerektiği vurgulanmıştır ( Diagnostic Imaging ) ( Stanford Medicine ). VIII. Yapay Zekânın Çalışma Mekanizması Yapay zekâ (YZ), bilgisayarların insan zekâsına benzer şekilde düşünmesi ve belirli görevleri gerçekleştirmesi için tasarlanan sistemlerdir. Bu sistemler, çeşitli algoritmalar ve matematiksel modeller kullanarak verileri işler, öğrenir ve kararlar alır. Yapay zekânın çalışma mekanizması, birkaç temel adımı içerir: i. Veri Girişi Yapay zekâ sistemlerinin temelinde veri bulunur. Veriler, yapay zekânın öğrenmesini sağlayan ham maddelerdir. Bu veriler, metin, görüntü, ses veya sayısal bilgiler gibi farklı formatlarda olabilir. Örneğin, bir yüz tanıma sistemi binlerce yüz fotoğrafı ile eğitilirken, dil işleme sistemleri büyük metin veri kümeleriyle beslenir. Bu süreçte yapay zekâ, bu verilere dayalı olarak kararlar almayı öğrenir. Veriler ne kadar büyük ve çeşitliyse, yapay zekânın doğruluğu ve performansı o kadar artar. Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). ii. Makine Öğrenmesi Makine öğrenmesi, yapay zekânın temelini oluşturur. Yapay zekâ, verilerden öğrenerek, zamanla daha doğru tahminler yapar ve kararlar alır. Üç ana makine öğrenme yöntemi vardır: Denetimli Öğrenme: Bu yöntemde yapay zekâ, etiketlenmiş verilerle eğitilir. Yani, her veri setine doğru cevap eklenir ve sistem bu ilişkileri öğrenir. Örneğin, bir e-posta sistemi, "spam" ve "spam değil" olarak işaretlenmiş e-postalarla eğitilir ve zamanla yeni e-postaları doğru kategorilere ayırmayı öğrenir. Denetimsiz Öğrenme: Burada etiketli veriler kullanılmaz. Yapay zekâ, verilerdeki örüntüleri kendi başına keşfeder. Bu, örneğin müşteri segmentasyonu gibi veriler arasındaki benzerlikleri bulmaya yönelik işlemlerde kullanılır. Pekiştirmeli Öğrenme: Bu yöntemde yapay zekâ, doğru kararlar aldığında ödüllendirilir, yanlış yaptığında ise cezalandırılır. Özellikle otonom araçlar ve robotik uygulamalar için kullanılan bir yöntemdir. Yapay zekâ, ödül ve ceza mekanizması sayesinde davranışlarını geliştirir. iii. Algoritmalar ve Modeller Yapay zekâ, öğrenme ve karar alma süreçlerini yürütmek için çeşitli algoritmalar ve matematiksel modeller kullanır. Karar ağaçları , yapay sinir ağları ve destek vektör makineleri gibi yöntemler, verileri analiz ederek sonuçlar üretir. Yapay sinir ağları, özellikle derin öğrenme alanında kullanılır ve insan beyninin yapısını taklit eder. Bu ağlar, çok katmanlı yapılar sayesinde karmaşık verileri öğrenip anlamlandırabilir. Örneğin, derin öğrenme modeli bir görüntüdeki nesneleri tanımlamak için kullanılır. iv. Öğrenme Süreci Yapay zekânın öğrenme süreci, büyük miktarda veriyle başlar. Sistem, bu verilerdeki desenleri ve ilişkileri öğrenir. Eğitim sürecinde model, veri üzerinden eğitilir ve doğruluğunu artırmak için ayarlamalar yapılır. Sonrasında sistem test edilir; bu test aşamasında modelin ne kadar doğru çalıştığı ölçülür. Yanlış tahminler yaparsa, bu hatalar düzeltilir ve sistemin performansı artırılır. v. Tahmin ve Karar Alma Model eğitildikten sonra, yapay zekâ yeni verilerle karşılaştığında öğrendiği bilgileri uygulayarak tahminlerde bulunur veya kararlar alır. Örneğin, bir dil işleme modeli, karşılaştığı bir cümleyi analiz ederek bu cümlenin anlamını çıkarabilir veya hangi dilde olduğunu belirleyebilir. Yapay zekâ, öğrendiği kuralları yeni verilere uygulayarak sonuçlar üretir. vi. Geri Bildirim ve Sürekli Öğrenme Yapay zekâ sistemleri, geri bildirim mekanizmaları sayesinde sürekli olarak kendini geliştirir. Modelin ürettiği sonuçlar, geri bildirim olarak değerlendirilir ve bu geri bildirimler doğrultusunda model güncellenir. Örneğin, bir yapay zekâ teşhis modeli yanlış bir teşhiste bulunduğunda, bu hata geri bildirim olarak alınır ve model bu hatayı tekrarlamamak üzere kendini geliştirir. Bu sürekli öğrenme süreci, yapay zekânın zamanla daha doğru ve etkili olmasını sağlar. Yapay zekâ, verileri analiz eden, bu verilerden öğrenen ve kararlar alabilen bir sistemdir. Veriler, yapay zekânın öğrenme sürecinin başlangıç noktasıdır ve makine öğrenmesi algoritmaları sayesinde yapay zekâ, zamanla daha doğru sonuçlar üretir. Geri bildirim mekanizmaları ise yapay zekânın sürekli gelişmesini sağlar ve yapay zekâ, zaman içinde daha karmaşık görevlerde başarılı hale gelir. IX. ChatGPT'nin Öne Çıkışı ve Diğerlerinden Farklı Özellikleri ChatGPT, doğal dil işleme (NLP) ve yapay zekâ alanındaki büyük gelişmelerin bir sonucu olarak öne çıkmıştır. Onu diğerlerinden ayıran en belirgin özellikleri arasında bağlam farkındalığı (context awareness) ve bilgi tutma (retention) yetenekleri yer almaktadır. Bu iki kavram, yapay zekânın daha akıllı, çevik ve insan benzeri tepkiler vermesini sağlar. Yapay zekânın çevresini anlaması ve öğrendiklerini gelecekteki karar süreçlerinde kullanabilmesi, birçok uygulamada yenilikçi çözümler üretmesine imkan tanır. i. Bağlam Farkındalığı (Context Awareness) Bağlam farkındalığı, bir yapay zekâ sisteminin sadece aldığı komutu değil, aynı zamanda bu komutun gerçekleştiği çevresel koşulları da analiz edebilme yeteneğidir. Yani, yapay zekâ kullanıcının konumunu, zamanı ve önceki etkileşimlerini dikkate alarak daha kişiselleştirilmiş ve anlamlı cevaplar üretebilir. Örneğin, bir akıllı asistan, sabah ve akşam saatlerinde aynı komuta farklı cevaplar verebilir, çünkü bağlam farkındalığı sayesinde kullanıcının o anki ihtiyaçlarını anlayabilir. Bu yetenek, özellikle doğal dil işleme, akıllı asistanlar ve otonom sistemlerde büyük öneme sahiptir. Yapay zekânın, çevresel verileri işleyip analiz edebilmesi, kullanıcı deneyimini daha doğal ve sezgisel hale getirir. Yapılan birçok akademik çalışma, yapay zekâ sistemlerinde bağlam farkındalığının geliştirilmesinin, bu teknolojilerin etkileşim kapasitesini ciddi şekilde artırdığını göstermektedir (Lungren et al., 2018). ii. Bilgi Tutma (Retention) Bilgi tutma, yapay zekânın önceki etkileşimlerden öğrendiği bilgiyi hafızasında saklayarak ilerleyen süreçlerde kullanabilme yeteneğidir. Bu, yapay zekânın sürekli öğrenme ve gelişme kabiliyetini destekler. Örneğin, bir eğitim uygulaması, öğrencinin önceki zayıf noktalarını hatırlayarak, sonraki derslerde bu konulara odaklanabilir. Benzer şekilde, bir sağlık yapay zekâsı, hastanın önceki verilerini kullanarak gelecekteki tedavi süreçlerini daha verimli hale getirebilir. Bilgi tutma, yapay zekâ modellerinin geçmiş deneyimlerden ders alarak daha tutarlı ve sofistike sonuçlar üretmesine olanak tanır. Bu yetenek, yapay zekânın insan benzeri öğrenme mekanizmalarına yaklaşmasına önemli bir adım olarak kabul edilir (Rajpurkar et al., 2024). iii. Yapay Zekâ Üzerindeki Etkileri Bağlam farkındalığı ve bilgi tutma yetenekleri, yapay zekânın daha karmaşık sorunları çözme becerisini geliştirir. Bu yetenekler, yapay zekâ sistemlerinin daha duyarlı ve kişiselleştirilmiş çözümler sunmasına olanak tanır. Özellikle otonom araçlar, kişisel asistanlar ve sağlık sistemleri gibi alanlarda bu yetkinlikler, teknolojinin başarısını büyük ölçüde artırmaktadır. Stanford Üniversitesi'nin geliştirdiği CheXNeXt algoritması, yapay zekânın bağlam farkındalığı kullanarak akciğer grafilerinde patoloji tespitinde başarılı sonuçlar elde etmiştir (Lungren et al., 2018). iv. Akademik Zorluklar Bu iki yetkinliğin entegrasyonu bazı zorlukları da beraberinde getirir. Özellikle bilgi tutma kapasitesi, veri gizliliği ve güvenliği gibi önemli konuları gündeme getirir. Yapay zekâ sistemleri, kullanıcı verilerini uzun süre sakladığında, bu verilerin korunması büyük önem taşır. Aynı zamanda, bağlam farkındalığı, çevresel koşulların doğru algılanmasıyla doğrudan ilişkilidir ve karmaşık durumlarda yapay zekânın performansını etkileyebilir (European Radiology, 2024). Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). X. Sonuç Yapay zekâ, modern teknolojinin en hızlı gelişen alanlarından biri olarak, insan hayatının pek çok yönünü köklü bir şekilde değiştirme potansiyeline sahiptir. Günümüzde dar yapay zekâ, birçok alanda etkin bir şekilde kullanılmakta ve insanlara günlük yaşamlarında kolaylıklar sağlamaktadır. Gelecekte ise genel yapay zekânın, insan benzeri düşünme kapasitesine sahip sistemlerin geliştirilmesinde önemli bir rol oynaması beklenmektedir. Süper yapay zekâ ise hâlâ teorik bir kavram olarak karşımızda durmakta, insan zekâsının ötesine geçebilecek potansiyel bir teknoloji olarak tartışılmaktadır. Yapay zekâ, yalnızca teknolojik bir yenilik olmaktan öte, insan hayatını daha güvenli, verimli ve etkili hale getirebilecek güçlü bir çözüm sunmaktadır. Ancak, bu teknolojinin geliştirilmesi sırasında etik ve güvenlik konuları da göz önünde bulundurulmalıdır. Yapay zekâ, doğru yönlendirildiğinde insanlığa büyük faydalar sağlayabilir; ancak yanlış kullanıldığında ciddi riskler ve tehlikeler de barındırmaktadır. Yapay zekânın gelişimindeki en önemli faktörlerden biri verilerdir. Ne kadar çok veri işlenirse, sonuçlar o kadar detaylı ve isabetli olur. Bu bağlamda, Google, Twitter, Facebook, WeChat gibi platformlar topladıkları büyük veri setleri sayesinde kitlelerin davranışlarını, uyku düzenlerini, alışveriş eğilimlerini, korkularını ve ilgi alanlarını analiz edebilmekte ve bu verileri stratejik bir kaynak haline getirebilmektedirler. Yapay zekâ, bu verilerle beslenerek daha derinlemesine analizler yapabilir ve çeşitli alanlarda daha etkili çözümler sunabilir. Bu durum, büyük verinin ve yapay zekânın, modern dünyanın stratejik kaynaklarından biri haline geldiğini göstermektedir. Bu yazıda ifade edilen görüşler yalnızca yazara aittir; KAPDEM’in kurumsal duruşunu, editoryal görüşünü ve/veya politik tutumunu yansıtmayabilir. KAPDEM, yayınladığı içerikler aracılığıyla farklı perspektiflerin ifade edilmesini teşvik eder, ancak bu içeriklerde kullanılan bilgi ve üretilerin fikirlerin tüm sorumluluğu yazarlarına aittir. The views expressed in this article are solely those of the author and may not reflect the institutional stance, editorial perspective, and/or policy orientation of KAPDEM. While KAPDEM encourages the articulation of diverse perspectives through its published content, it bears no responsibility for the information and intellectual output presented therein; all responsibility lies with the respective authors. Kaynaklar: Russell, S., Norvig, P. (2020). Artificial Intelligence: A Modern Approach Google Books - Artificial Intelligence: A Modern Approach (Russell Norvig) Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep Learning Deep Learning Book by Ian Goodfellow (MIT Press) Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies Oxford University Press - Superintelligence by Nick Bostrom Silver, D., et al. (2016). "Mastering the game of Go with deep neural networks and tree search" Nature - Mastering the game of Go (Silver et al., 2016) Brown, T., et al. (2020). "Language Models are Few-Shot Learners" arXiv - Language Models are Few-Shot Learners (Brown et al., 2020) Jurafsky, D., Martin, J. H. (2020). Speech and Language Processing Pearson - Speech and Language Processing by Jurafsky Martin Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective MIT Press - Machine Learning: A Probabilistic Perspective by Kevin Murphy Bishop, C. M. (2006). Pattern Recognition and Machine Learning Springer - Pattern Recognition and Machine Learning by Christopher Bishop Topol, E. J. (2019). Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again Basic Books - Deep Medicine by Eric Topol Litjens, G., et al. (2017). "A survey on deep learning in medical image analysis" arXiv - A Survey on Deep Learning in Medical Image Analysis (Litjens et al., 2017) Sutton, R. S., Barto, A. G. (2018). Reinforcement Learning: An Introduction MIT Press - Reinforcement Learning: An Introduction by Sutton Barto
