Yapay zeka (AI), günümüzde sıklıkla konuşulan bir konudur. Ancak yapay zeka hakkında konuşurken, bazı terimlerin birbiriyle karıştırılmaması önemlidir. Özellikle “güçlü yapay zeka” ile “zayıf yapay zeka”, “makine öğrenimi” ile “derin öğrenme” terimlerinin farklı anlamlara sahip olduğunu bilmek önemlidir. Bu yazıda, yapay zeka tanımlarının belirtilen farklılıklarını anlatacağım.
Genel anlamda, yapay zeka sistemleri, genellikle insan zihinsel fonksiyonlarıyla ilişkilendirilen görevleri gerçekleştirebilirler – örneğin, konuşmayı yorumlama, oyun oynama ve desenleri tanıma gibi. Genellikle kendi karar verme süreçlerinde modellemek için büyük miktarda veri işleyerek bunu yapmayı öğrenirler. Birçok durumda, insanlar yapay zekanın öğrenme sürecini denetler, iyi kararları pekiştirir ve kötü kararlardan kaçınmasını sağlar. Ancak bazı yapay zeka sistemleri denetim olmaksızın öğrenmek üzere tasarlanmıştır – örneğin, bir video oyununu tekrar tekrar oynayarak sonunda kuralları ve nasıl kazanılacağını çözerler.
Güçlü Yapay Zeka (Strong AI) ve Zayıf Yapay Zeka (Weak AI)
Zeka tanımlamak zordur, bu nedenle yapay zeka uzmanları genellikle güçlü yapay zeka ve zayıf yapay zeka arasında ayrım yapar.
Güçlü Yapay Zeka
Güçlü yapay zeka, aynı şekilde bir insanın yapabileceği gibi, eğitim almadığı sorunları çözebilen bir makinedir. Bu, Westworld filmindeki robotlar veya Star Trek: Gelecek Nesil’deki Data karakteri gibi filmlerde gördüğümüz türde bir yapay zeka. Bu tür bir yapay zeka şu anda mevcut değildir.
Herhangi bir göreve uygulanabilen insan düzeyinde bir zeka ile makine yaratmak, birçok yapay zeka araştırmacısı için kutsal kâse oluştururken, yapay genel zeka için olan arayış zorluklarla dolu olmuştur. Bazıları, uygun güvenlik önlemleri olmadan güçlü bir yapay zeka yaratmanın potansiyel riskleri nedeniyle güçlü yapay zeka araştırmalarının sınırlandırılması gerektiğine inanmaktadır.
Zayıf Yapay Zeka
Zayıf yapay zeka, bazen dar yapay zeka veya özelleştirilmiş yapay zeka olarak da adlandırılır, sınırlı bir bağlamda çalışır ve bir web sitesinde içerik oluşturma, insan konuşmasını yazıya dökme veya araba kullanma gibi belirli bir probleme uygulanan insan zekasının bir simülasyonudur.
Zayıf yapay zeka genellikle sadece bir görevi son derece iyi yapmak üzerine odaklanır. Bu makineler zeki gibi görünebilir, ancak en basit insan zekasından bile daha fazla sınırlamalarla çalışırlar.
Zayıf yapay zeka örnekleri şunları içerir:
- Siri, Alexa ve diğer akıllı asistanlar
- Sürücüsüz arabalar
- Google arama
- Sohbet botları
- E-posta spam filtreleri
- Netflix önerileri
Yapay Zeka tanımları: Makine ve Derin Öğrenme
yapay zeka tanımlarında Makine Öğrenimi (Machine Learning) ve Derin Öğrenme (Deep Learning)
“Makine öğrenimi” ve “derin öğrenme” terimleri yapay zeka hakkında yapılan konuşmalarda sık sık geçer, ancak bunları birbirinin yerine kullanmamak gerekir. Derin öğrenme, makine öğreniminin bir alt dalıdır ve makine öğrenme, yapay zekanın bir alt alanıdır.
Makine Öğrenimi
Makine öğrenimi algoritması, bir bilgisayar tarafından veriye beslenir ve istatistiksel teknikler kullanarak bir görevde giderek daha iyi olmayı “öğrenmesine” yardımcı olur, bu görev için özel olarak programlanmış olmadığı halde. Bunun yerine, makine öğrenme algoritmaları, yeni çıktı değerlerini tahmin etmek için giriş olarak tarihsel veriyi kullanır. Bu amaçla, makine öğrenimi hem denetimli öğrenmeyi (etiketli veri kümeleri sayesinde giriş için beklenen çıktının bilinmesi) hem de denetimsiz öğrenmeyi (etiketlenmemiş veri kümelerinin kullanılması nedeniyle beklenen çıktıların bilinmemesi) içerir.
Derin Öğrenme
Yapay zeka tanımalarından biri olan derin öğrenme, girişleri biyolojik olarak ilham alan bir sinir ağı mimarisi ile işleyen bir makine öğrenme türüdür. Sinir ağları, verinin işlendiği bir dizi gizli katman içerir, böylece makine en iyi sonuçlar için bağlantılar kurabilir ve girişleri ağırlık andırabilir, “derin” bir şekilde öğrenebilir.
Sonuç olarak, yapay zeka kavramı altında güçlü ve zayıf yapay zeka, makine öğrenimi ve derin öğrenme olmak üzere farklı alt alanlar bulunmaktadır. Bu kavramları ayırt etmek önemlidir, çünkü her biri farklı yeteneklere ve uygulama alanlarına sahiptir. Her bir teknolojinin kendi getirdiği avantajlar ve kısıtlamalar vardır ve bu nedenle doğru alanın doğru problemler için seçilmesi önemlidir.