Yapay zekâ nedir?
Yapay zekâ, bilgisayarların yalnızca kendilerine verilen sabit komutları çalıştırması yerine; veriden öğrenmesi, örüntü bulması, sınıflandırması, tahmin yapması, görüntü ve dili işlemesi gibi “akıllı davranış” gerektiren görevleri yerine getirmesini sağlayan yöntemlerin genel adıdır.
Bilgisayarın her kuralını bizim yazmamız yerine, bazı kuralları veriden öğrenmesini sağlıyoruz.
- E-posta servisleri: şüpheli iletileri spam klasörüne ayırır.
- Bankalar: olağandışı kart işlemlerini dolandırıcılık ihtimali açısından işaretler.
- Navigasyon uygulamaları: geçmiş ve anlık trafik verilerinden varış süresi tahmini yapar.
- Telefon kameraları: yüz, nesne veya sahne algılayarak otomatik odaklama ve sınıflandırma yapabilir.
- Üretken yapay zekâ araçları: metin, kod, görsel veya ses üretebilir.
Normal program ile yapay zekâ arasındaki fark nedir?
Her problem için yapay zekâ gerekmez. Bazı problemler açık kurallarla çok daha iyi çözülür.
Kuralları biz biliyoruz.
Örneğin öğrencinin notu 50 ve üzerindeyse “Geçti” yazdırmak için yapay zekâya gerek yoktur.
if (not >= 50)
sonuc = "Geçti";
else
sonuc = "Kaldı";Kuralları yazmak zor.
“Bu e-posta spam mı?” sorusunda yüzlerce kelime, gönderici, bağlantı ve davranış birlikte etkili olabilir. Tüm kuralları elle yazmak zordur.
- KDV hesaplama: klasik programlama. Kural nettir: oran bellidir.
- Şifre doğru mu? klasik programlama. Girilen değer ile kayıtlı değer karşılaştırılır.
- Bir öğrencinin sınavda zorlanacağı konuyu tahmin etme: makine öğrenmesi düşünülebilir; çok sayıda geçmiş davranış birlikte etkili olabilir.
- Fotoğraftaki kişinin yüzünü bulma: elle kural yazmak çok zor olduğu için bilgisayarlı görü / derin öğrenme uygundur.
Her gün kaç kişinin yemek yiyeceğini tahmin etmek istiyorsunuz. “Pazartesi ise 800 kişi gelir” gibi tek bir kural yeterli olmayabilir. Haftanın günü, hava durumu, sınav haftası, tatil, geçmiş tüketim gibi değişkenler birlikte etkili olabilir. İşte burada geçmiş veriden örüntü öğrenen bir model işe yarayabilir.
Bugünkü yapay zekâ yaklaşık 70 yıllık birikimin sonucu.
Alan bazen büyük beklentilerle hızlandı, bazen donanım ve veri yetersizliği nedeniyle yavaşladı.
“Bir makine düşünebilir mi?” sorusunu sistematik biçimde tartıştı. İnsan ile makineyi konuşma üzerinden ayırma fikri daha sonra “Turing Testi” olarak anıldı.
“Artificial Intelligence” ifadesinin bilimsel alan adı olarak yerleştiği önemli dönüm noktalarından biri.
İnsan uzmanların bilgisi “Eğer X ise Y yap” biçimindeki kurallara dönüştürüldü.
Belirli uzmanlık alanlarında karar destek sistemleri yaygınlaştı. Ancak kural sayısı büyüdükçe bakım zorlaştı.
“Kuralları tek tek yazmak yerine örneklerden öğrenelim” yaklaşımı daha güçlü hale geldi.
Daha büyük veri, GPU kullanımı ve derin sinir ağları; görüntü, konuşma ve dil işlemede büyük ilerlemeler sağladı.
Dilde uzun bağlamları işlemek için attention yaklaşımı öne çıktı. Modern büyük dil modellerinin önemli temellerinden biri oldu.
Metin, görsel, ses, kod ve video üreten modeller gündelik kullanıma girdi.
- IBM Deep Blue (1997): dünya satranç şampiyonu Garry Kasparov'u bir maçta yenerek bilgisayarların belirli görevlerde ne kadar güçlü olabileceğini gösterdi.
- ImageNet / AlexNet dönemi (2012): derin sinir ağlarının görüntü sınıflandırmadaki etkisini geniş kitlelere gösteren önemli dönüm noktalarından biri oldu.
- AlphaGo (2016): Go oyununda dünya düzeyindeki oyunculara karşı başarı göstererek derin öğrenme ve pekiştirmeli öğrenmeye ilgiyi artırdı.
- Transformer (2017 sonrası): modern büyük dil modellerinin gelişimini hızlandıran temel mimarilerden biri haline geldi.
AI, Machine Learning ve Deep Learning aynı şey değildir.
| Kavram | Kısa anlam | Örnek |
|---|
| Kavram | Kısa anlam | Örnek |
|---|---|---|
| AI | Akıllı davranış gerektiren sistemlerin genel alanı. | Satranç oynayan sistem, robot, öneri sistemi. |
| ML | Veriden örüntü öğrenen yöntemler. | Spam tespiti, fiyat tahmini. |
| Deep Learning | Çok katmanlı sinir ağlarıyla öğrenme. | Görüntü tanıma, konuşma tanıma, LLM. |
Soru: Bir karar ağacı makine öğrenmesidir ama derin öğrenme midir?
Bir model nasıl öğrenir?
Bir model doğuştan “bilmiyor”. Örnekler üzerinden hata yapıyor, hatasını ölçüyor ve parametrelerini iyileştiriyor.
Örneğin 10.000 e-posta ve her birinin spam olup olmadığı.
Kelime sıklığı, bağlantı sayısı, gönderici bilgisi vb.
Model, girişlerle doğru cevaplar arasındaki ilişkiyi öğrenmeye çalışır.
Modelin daha önce görmediği örneklerde başarılı olup olmadığına bakılır.
Yeni gelen e-posta için artık model tahmin üretir.
Bir öğrenci sadece çözümlerini ezberlediği 100 soruda çok başarılı olabilir. Fakat yeni sorular gelince başarısız oluyorsa gerçekten öğrenmemiştir. Makine öğrenmesinde de model yalnızca eğitim verisini “ezberlerse” buna overfitting (aşırı öğrenme) denir.
- Spam modeli: geçmiş e-postalar + spam/normal etiketleri.
- Ev fiyatı modeli: m², oda sayısı, bina yaşı, konum + gerçek satış fiyatı.
- Görüntü modeli: binlerce kedi, köpek, araç vb. fotoğraf + doğru sınıf etiketi.
- Trafik tahmini: geçmiş hızlar, saat, gün, hava, yol yoğunluğu + gerçekleşen seyahat süresi.
Sınıflandırma: Sonuç bir kategori ise.
Modelin cevabı belirli sınıflardan biridir. “Hangisi?” sorusuna cevap verir.
Spam / Normal
Yeni gelen e-postanın hangi sınıfa ait olduğunu belirler.
Riskli / Risksiz
Belirli ölçümlere göre bir risk sınıfı üretir.
Kedi / Köpek / Kuş
Fotoğrafı önceden tanımlanan sınıflardan birine atar.
- Bankacılık: işlem → normal / şüpheli.
- Müşteri hizmetleri: gelen mesaj → fatura / teknik destek / iptal / diğer.
- Üretim: ürün fotoğrafı → hatalı / sağlam.
- Eğitim: öğrenci → düşük / orta / yüksek risk grubu.
- Metin: yorum → olumlu / olumsuz / nötr.
Soru: “Bu öğrenci dersi geçer mi?” problemi sınıflandırma olabilir mi?
Regresyon: Sonuç bir sayı ise.
“Hangi sınıf?” yerine “Kaç?” sorusuna cevap verir.
Ev fiyatı
m², konum, oda sayısı → yaklaşık fiyat.
Tüketim
Hava, saat, geçmiş kullanım → yarınki tüketim.
Sınav puanı
Çalışma süresi ve geçmiş performans → beklenen puan.
- Navigasyon: hedefe kalan süreyi dakika olarak tahmin etmek.
- Enerji: yarın beklenen elektrik tüketimini kWh olarak tahmin etmek.
- Perakende: gelecek hafta kaç ürün satılacağını tahmin etmek.
- Emlak: bir evin olası satış fiyatını tahmin etmek.
- Tarım: sıcaklık, yağış ve toprak verilerinden beklenen su ihtiyacını tahmin etmek.
Yarın kaç bardak kahve satılacağını tahmin etmek istiyorsunuz. Gün, hava sıcaklığı, etkinlikler ve geçmiş satışlar giriş; “satılacak kahve sayısı” sayısal çıktı olduğu için problem regresyondur.
İlk soru algoritma değil, çıktı türüdür.
| Soru | Çıktı | Yaklaşım |
|---|
| Soru | Çıktı | Yaklaşım |
|---|---|---|
| Bu e-posta spam mı? | Spam / Normal | Sınıflandırma |
| Bu ev kaç TL? | 3.250.000 TL | Regresyon |
| Fotoğrafta hangi nesne var? | Kedi | Görüntü sınıflandırma |
| Fotoğrafta kedinin yeri neresi? | Koordinat + sınıf | Nesne tespiti |
| Bu metnin duygusu nedir? | Olumlu / olumsuz | NLP sınıflandırma |
| Bu paragrafı özetle. | Yeni metin | Üretken AI / LLM |
Karar ağacı: sorular sorarak sonuca gider.
İnsanların karar verme biçimine benzediği için ilk öğrenilecek algoritmalardan biridir.
Karar verirken “Yağmur var mı?”, “Hava çok soğuk mu?”, “Rüzgâr kuvvetli mi?” gibi sorular soruyoruz. Karar ağacı da benzer biçimde veriyi dallara ayırır.
- Müşteri kaybı: “Son 30 günde kullanım azaldı mı?”, “Şikâyet sayısı arttı mı?” gibi özelliklerden churn riski tahmini.
- Kredi ön değerlendirme: gelir, borç oranı, ödeme geçmişi gibi tablosal özelliklerden risk sınıfı üretme.
- Üretim: sıcaklık, basınç ve ölçüm değerlerinden ürünün kalite sınıfını belirleme.
KNN: “Bana benzeyenler kim?”
K-Nearest Neighbors, yeni bir örneğin en yakın komşularına bakar.
- Benzer ürün bulma: özellikleri birbirine yakın ürünleri komşuluk mantığıyla eşleştirme.
- Basit el yazısı tanıma: yeni rakam görüntüsünü en benzer geçmiş örneklere göre sınıflandırma.
- Öğrenci gruplama: çalışma süresi ve başarı profili benzer öğrencilerin durumuna bakarak yeni öğrenci için tahmin üretme.
Sinir ağı: küçük hesapların katmanlar halinde birleşmesi.
- Konuşmayı yazıya çevirme: ses dalgasından metin üretmek.
- Yüz tanıma: yüz görüntüsünden ayırt edici özellikler öğrenmek.
- Makine çevirisi: bir dildeki cümlenin başka dildeki karşılığını üretmek.
- Görüntü sınıflandırma: fotoğrafın kedi, köpek, araç vb. sınıflardan hangisi olduğunu belirlemek.
Bilgisayar fotoğrafı “resim” olarak değil, sayı olarak görür.
| Görev | Soru | Örnek |
|---|
| Görev | Soru | Örnek |
|---|---|---|
| Classification | Bu görüntü ne? | Kedi |
| Object Detection | Ne var ve nerede? | Kedi: x=120, y=80... |
| Segmentation | Hangi pikseller nesneye ait? | Kedinin tam silueti |
Object Detection = sınıf + konum.
🚘 Trafik
Araç, yaya, trafik işareti tespiti.
🏭 Fabrika
Hatalı ürün veya eksik parça tespiti.
📦 Depo
Kutu, palet ve ürün sayımı.
📱 Mobil
Kamera üzerinden gerçek zamanlı nesne algılama.
- Trafik kameraları: araçları tek tek bulup saymak.
- Otonom sürüş sistemleri: araç, yaya, bisiklet ve trafik işaretlerinin yerini belirlemek.
- Depo otomasyonu: palet ve kutuların konumunu kamera üzerinden tespit etmek.
- Spor analizi: oyuncu ve topun görüntüdeki konumunu takip etmek.
NLP: bilgisayarların insan diliyle çalışması.
Duygu analizi
“Bu ürün çok iyi” → olumlu.
Çeviri
Türkçe metni İngilizceye dönüştürme.
Özetleme
Uzun metnin daha kısa anlamlı sürümünü üretme.
Model metni her zaman “kelime kelime” okumaz. Metin, modelin kullandığı daha küçük parçalara ayrılır. Bu parçalara token denir. Bir kelime bazen tek token, bazen birkaç token olabilir.
- Arama motorları: kullanıcının yazdığı sorgunun anlamını yorumlamaya çalışır.
- Çağrı merkezi: müşteri mesajını “şikâyet / teknik destek / satış” gibi kategorilere ayırabilir.
- Çeviri sistemleri: bir dildeki metni başka dile dönüştürür.
- Otomatik özetleme: uzun raporlardan kısa özet üretir.
- Yazım yardımcısı: eksik veya hatalı cümleleri düzeltmek için dil modeli kullanabilir.
LLM: bağlama göre sonraki tokenı tahmin eden büyük model.
Large Language Model = Büyük Dil Modeli. Çok büyük metin koleksiyonları üzerinde eğitilir.
“Bugün okuldan sonra arkadaşlarımla …” cümlesini sınıfa verin. Her öğrenci doğal olarak olası bir sonraki kelime düşünür: “buluştum”, “yemek”, “sinemaya”… LLM de benzer biçimde olası sonraki tokenlar için olasılık dağılımı üretir.
- Soru-cevap sistemleri: doğal dilde sorulan sorulara açıklayıcı yanıt üretme.
- Kod yardımcısı: kod tamamlama, hata açıklama veya örnek kod üretme.
- Belge asistanı: uzun PDF veya kurum dokümanlarını özetleme ve soru yanıtlama.
- Müşteri destek asistanı: kullanıcının mesajını anlayıp uygun cevap taslağı oluşturma.
- Eğitim: konu açıklama, örnek soru üretme, öğrencinin cevabına geri bildirim verme.
Soru: LLM cevaplarını hazır bir cevap listesinden mi seçer?
Artık model yalnızca karar vermiyor; yeni içerik de üretiyor.
Yazı üretimi
Özet, soru, makale, e-posta, kod.
Image generation
Metinden yeni görseller üretme.
Speech / audio
Ses sentezi, konuşma ve müzik.
Video generation
Metin veya görselden hareketli içerik.
- Pazarlama: ürün açıklaması ve farklı reklam metni alternatifleri üretme.
- Yazılım geliştirme: kod örneği, test senaryosu ve dokümantasyon taslağı üretme.
- Tasarım: metin açıklamasından yeni görsel oluşturma.
- Eğitim: aynı konudan farklı zorluklarda soru ve açıklama üretme.
- Kurumsal kullanım: toplantı notundan özet, e-posta taslağı veya rapor bölümü üretme.
| Görev | Model ne yapıyor? |
|---|---|
| Spam tespiti | Bir sınıf seçiyor. |
| Ev fiyatı | Bir sayı tahmin ediyor. |
| Nesne tespiti | Nesnenin sınıfını ve konumunu buluyor. |
| Metin üretimi | Yeni içerik oluşturuyor. |
“Model söyledi” demek, “doğru” demek değildir.
Hallucination
Model gerçekte olmayan fakat ikna edici görünen bilgi üretebilir.
Bias
Eğitim verisindeki dengesizlik ve önyargılar modele yansıyabilir.
Güncellik
Model kendi başına güncel dünyayı takip etmeyebilir; dış kaynak gerekebilir.
- Kaynak uydurma: bir dil modeli var olmayan makale veya bağlantı adı üretebilir.
- Yanlış sınıflandırma: üretim hattındaki sağlam ürünü hatalı sanabilir veya tam tersi olabilir.
- Dağılım değişimi: geçmiş yıllarda eğitilmiş model yeni davranışlara karşı başarısız olabilir.
- Eksik veri: sensör arızalıysa veya giriş verisi yanlışsa modelin çıktısı da güvenilmez olabilir.
Bu dersten akılda kalması gereken harita
4 saatlik önerilen çalışma akışı
- Çıktı bir kategori mi? → sınıflandırma.
- Çıktı bir sayı mı? → regresyon.
- Görüntüde nesnenin yeri de gerekli mi? → object detection.
- Metin, ses veya görüntüden yeni içerik mi üretilecek? → generative AI.
- Problem açık kurallarla çözülebiliyor mu? → belki AI'ya hiç gerek yok.
4 saatlik önerilen çalışma akışı
| Süre | Konu |
|---|---|
| 0–35 dk | Yapay zekâ nedir? Klasik programlama farkı, günlük örnekler. |
| 35–60 dk | Tarihçe ve AI / ML / Deep Learning ilişkisi. |
| 60–100 dk | Veri, eğitim, test, sınıflandırma ve regresyon. |
| 100–135 dk | Karar ağacı, KNN, “hangi probleme hangi yöntem?” |
| 135–170 dk | Sinir ağları ve derin öğrenme. |
| 170–200 dk | Bilgisayarlı görü, nesne tespiti. |
| 200–230 dk | NLP, token, LLM mantığı. |
| 230–240 dk | Üretken AI, sınırlar ve genel tekrar. |