Yapay Zeka Nedir? Çalışma Mantığı, Türleri ve İşletmelerde Kullanımı

Yapay zeka, insanın yaptığı zihinsel işlerin bir bölümünü — örüntü tanıma, sınıflandırma, tahmin, dil anlama ve üretme — verilerden öğrenerek yapabilen yazılım sistemlerinin ortak adıdır. Kısacası tanımı budur; geri kalan her şey bu tanımın nasıl işlediğiyle ilgilidir.

Bu yazı, terimi duyup ne olduğunu tam olarak netleştiremeyen okur için yazıldı. Yapay zekanın çalışma mantığını, makine öğrenmesi ve derin öğrenme gibi sık karıştırılan kavramlarla ilişkisini, işletmelerde gerçekten hangi işleri yaptığını ve bir kurumun bu işe nereden başlaması gerektiğini sırayla ele alıyor.

Yapay zeka nasıl çalışır?#

Bir yapay zeka sistemi kural yazarak değil, örnek görerek kurulur. Klasik yazılımda geliştirici "şu koşul varsa şunu yap" der. Yapay zekada geliştirici doğru cevabı yazmaz; sisteme yeterince örnek gösterir ve doğruya kendisinin yaklaşmasını sağlar. Süreç üç aşamada ilerler.

1. Veri#

Her şey veriyle başlar. Bir sistemin kusurlu parçayı ayırt etmesini istiyorsanız elinizde kusurlu ve kusursuz parçaların görüntüleri olmalıdır. Müşteri sorularını yanıtlamasını istiyorsanız ürün dokümanlarınız, kataloğunuz ve geçmiş yazışmalarınız gerekir. Verinin miktarı kadar temizliği de belirleyicidir: yanlış etiketlenmiş bir veri kümesi, üzerine kurulan her şeyi yanlış öğretir.

2. Eğitim#

Eğitim, modelin veri içindeki ilişkileri sayısal parametrelere çevirdiği aşamadır. Model binlerce örneğe bakar, tahmin eder, hata yapar ve hatasını küçültecek yönde kendi parametrelerini düzeltir. Bu döngü milyonlarca kez tekrarlanır. Sonuçta ortaya çıkan şey bir kural listesi değil, girdiyi çıktıya bağlayan istatistiksel bir işlevdir.

3. Çıkarım#

Çıkarım, eğitilmiş modelin sahada çalıştığı andır: kameradan gelen yeni bir görüntü, ziyaretçinin yazdığı yeni bir soru, henüz görülmemiş bir aday özgeçmişi. Model bunlara eğitimde öğrendiği örüntülere dayanarak bir cevap üretir. Çıkarım genellikle eğitimden çok daha ucuzdur; asıl maliyet bir kez ödenir, kullanım tarafı hafiftir.

Bu üç aşama, yapay zeka sistemlerinin neden bakıma ihtiyaç duyduğunu da açıklar. Süreçleriniz değişince veriniz değişir, veriniz değişince modelin öğrendiği örüntü eskimeye başlar. Devreye alma bir bitiş değil, izlemenin başlangıcıdır.

Makine öğrenmesi, derin öğrenme ve üretken yapay zeka aynı şey mi?#

Hayır — ama iç içe geçmiş kavramlar. En geniş çemberden en dara doğru sıralamak, kafa karışıklığının büyük bölümünü gideriyor.

Uygulamada bu ayrım şuna denk gelir: üretim hattında parçayı kameradan denetleyen bir sistem derin öğrenme kullanır; web sitenizde ziyaretçiyle konuşan bir dijital asistan üretken yapay zeka üzerine kurulur; hangi müşterinin hangi ürünü alma ihtimalinin yüksek olduğunu tahmin eden bir model ise klasik makine öğrenmesiyle de yeterince iyi çalışabilir. Her problem en yeni yöntemi gerektirmez.

Yapay zeka türleri: dar yapay zeka ve genel yapay zeka#

Bugün kullandığınız her yapay zeka sistemi dar yapay zekadır. Tek bir işi yapmak üzere eğitilmiştir ve o işin dışına çıkamaz. Kusur denetimi yapan bir model özgeçmiş okuyamaz; dil modeli metin üretir ama kamera görüntüsünden parça ölçmez. Bir modelin çok yetenekli görünmesi, tek bir alanda çok iyi olmasından kaynaklanır.

Genel yapay zeka, insanın yapabildiği her zihinsel işi öğrenebilen bir sistem anlamına gelir ve henüz mevcut değildir. Kurumsal bir kararı verirken bugünün gerçeğiyle çalışmak gerekir: eldeki teknoloji, iyi tanımlanmış tek bir işi çok iyi yapan sistemler kurmaya elverişlidir. Kapsamı dar tutmak bir sınırlama değil, projenin başarı şansını artıran bir tercih.

Yapay zeka işletmelerde ne işe yarıyor?#

Somut olmayan her yapay zeka anlatısı havada kalır. Bugün sahada karşılığı olan başlıklar kabaca dört grupta toplanıyor.

• Tekrar eden iletişimi devralmak. Aynı sorunun günde otuz kez gelmesi bir insan işi değildir. Bir asistan bu yükü alır, istisnalar ekibe kalır.
• Görsel denetim. Gözle yapılan kalite kontrolü dikkat yorgunluğuna bağlıdır; kamera ve model bu işi vardiya boyunca aynı ölçütle yapar.
• Ön eleme ve sıralama. Yüzlerce başvuru, teklif ya da talep arasında ilk okuma yükünü sistem alır, insan sıralanmış bir listeyle başlar.
• Belge ve veri işleme. Gelen kutusundan formlara, faturadan sözleşmeye kadar yapılandırılmamış içeriğin okunup sınıflandırılması.

Ortak nokta şu: bunların hiçbiri insanın yerine geçmiyor, insanın en az değer ürettiği adımı üstleniyor. Çözümlerimizin tamamına baktığınızda hepsinin bu mantıkla kurulduğunu görürsünüz.

Bir işletme yapay zekaya nereden başlamalı?#

En sık yapılan hata, teknolojiyi seçip ona uygun problem aramak. Doğru sıra tersidir — biz de projeleri dört adımda yürütüyoruz.

1. Süreç analizi. İşin sahada nasıl yürüdüğü izlenir ve otomasyona gerçekten değecek adım birlikte belirlenir.
2. Fizibilite ve prototip. Kurumun kendi verisiyle küçük ölçekli bir prototip kurulur; hedef metrik devreye almadan önce ölçülür.
3. Devreye alma. Sistem mevcut altyapıya entegre edilir, ekibe eğitim ve dokümantasyonla birlikte teslim edilir.
4. İzleme ve iyileştirme. Devreye alma sonrası performans takip edilir, gelen geri bildirimle model ve kurallar güncellenir.

İkinci adım pahalı bir kararı ucuza test ettiği için atlanmamalı. Bir prototip, fikrin çalışmayacağını üç haftada gösterirse o üç hafta kazançtır.

Sık yapılan üç hata#

Problemi tanımlamadan araç seçmek. "Bize de yapay zeka lazım" bir gereksinim değildir. Hangi işin ne kadar süre aldığı ve neyin iyileşmesi beklendiği yazılı değilse, projenin başarılı olup olmadığı da sonradan tartışma konusu olur.

Klasik yazılımla çözülecek işe model kurmak. Kuralları net, istisnası az bir süreç için yapay zeka fazladan karmaşıklıktır. Bir problem klasik yazılımla çözülüyorsa doğru cevap odur; doğru araç, en gösterişli araç değildir.

Veriyi sonradan düşünmek. Model kurulacak veri yoksa proje veri toplamayla başlar. Bunu baştan planlamak, ortasında keşfetmekten çok daha ucuzdur.

Sık sorulan sorular#

Yapay zeka için çok büyük veri şart mı?#

Hayır. Gereken veri miktarı probleme göre değişir. Dar tanımlı bir sınıflandırma işi birkaç bin iyi etiketlenmiş örnekle çalışabilirken, sıfırdan bir dil modeli eğitmek başka bir ölçektir. Pratikte çoğu kurumsal proje sıfırdan model eğitmez; hazır bir temel modeli kendi verisiyle yapılandırır.

Yapay zeka çalışanların yerini alır mı?#

Bugünkü sistemler işleri değil görevleri devralıyor. Bir işin içindeki tekrar eden, kural bazlı ve yorucu adımlar otomatikleşiyor; karar, istisna yönetimi ve sorumluluk insanda kalıyor. Devreye aldığımız sistemlerde de kurgu budur: sistem hazırlar, insan karar verir.

Verilerimiz güvende mi?#

Bu, teknolojinin değil kurulumun sorusudur. Verinin nerede saklandığı, kimin eriştiği, ne kadar süre tutulduğu ve nasıl silineceği proje başında yazılı olarak belirlenmelidir. Gerekli durumlarda kurum içi (on-premise) kurulum da bir seçenektir.

Bir yapay zeka projesi ne kadar sürer?#

Kapsama bağlı. İçerik kaynakları hazır olan bir dijital asistan kurulumu tipik olarak 2-4 haftada tamamlanır; üretim hattına giren bir görüntü işleme sistemi veri toplama ve saha testleriyle birlikte daha uzun sürer.

Özet#

Yapay zeka, veriden öğrenerek belirli zihinsel işleri yapan sistemlerin ortak adı. Bugünün teknolojisi dar ve iyi tanımlanmış işlerde çok güçlü, sınırsız bir zekâ değil. Bir kurum için doğru başlangıç noktası da bu yüzden teknoloji değil, süreç: hangi adımın ne kadar zaman aldığını bilmek, hangi aracın gerektiğini kendiliğinden söyler.

Kendi sürecinizde bu adımın hangisi olduğunu konuşmak isterseniz, bize ulaşın — kısa bir görüşmeyle ne yapılabileceğini birlikte netleştirelim.