Yapay zeka nedir?

Yapay Zeka (AI); bilgisayarların ve makinelerin insan öğrenmesini, anlamayı, problem çözmeyi, karar vermeyi, yaratıcılığı ve özerkliği taklit etmesini sağlayan bir teknolojidir.

Yapay zeka ile donatılmış uygulama ve cihazlar, nesneleri görüp tanıyabilir; insan dilini anlayıp buna yanıt verebilirler. Ayrıca yeni bilgi ve deneyimlerden öğrenerek kullanıcılara ve uzmanlara ayrıntılı öneriler sunabilirler. Bağımsız bir şekilde hareket edebilmeleri sayesinde, insan zekasına veya müdahalesine duyulan ihtiyacı ortadan kaldırırlar (bunun klasik bir örneği, sürücüsüz araçlardır).

Ancak 2024 yılında, yapay zeka araştırmacılarının ve bu alanda çalışanların büyük bir kısmı ile konuya dair haber başlıklarının çoğu, özgün metinler, görseller, videolar ve diğer içerikleri oluşturabilen bir teknoloji olan Üretken Yapay Zeka (Gen AI) alanındaki gelişmelere odaklanmaktadır. Üretken yapay zekayı tam anlamıyla kavrayabilmek için, öncelikle bu teknolojinin araçlarının temelini oluşturan teknolojileri —yani Makine Öğrenimi (ML) ve Derin Öğrenme'yi— anlamak önemlidir.

Makine Öğrenmesi (Machine Learning)

Yapay zekâyı düşünmenin basit bir yolu, onu 70 yılı aşkın bir süre zarfında ortaya çıkan, birbiriyle iç içe geçmiş veya birbirine dayalı kavramlar dizisi olarak ele almaktır:

Yapay zekâ şemsiyesi altında doğrudan makine öğrenimi yer alır; bu alan , veriye dayalı tahminlerde bulunmak veya kararlar almak üzere bir algoritmanın eğitilmesi yoluyla modeller oluşturmayı kapsar ve bilgisayarların, belirli görevler için açıkça programlanmaksızın verilerden öğrenmesini ve bu verilerden çıkarımlar yapmasını sağlayan geniş bir teknik yelpazesini içerir.

Doğrusal regresyon, lojistik regresyon, karar ağaçları, rastgele orman (random forest), destek vektör makineleri (SVM), en yakın komşu (KNN) algoritması, kümeleme ve diğerleri dahil olmak üzere pek çok makine öğrenimi tekniği veya algoritması türü bulunmaktadır. Bu yöntemlerin her biri, farklı problem ve veri türleri için uygundur.

Makine öğrenimi algoritmalarının en bilinen türlerinden biri, sinir ağı (veya yapay sinir ağı) olarak adlandırılır; bu ağlar, insan beyninin yapısı ve işleyişi örnek alınarak modellenmiştir. Sinir ağı, karmaşık verileri işlemek ve analiz etmek üzere birlikte çalışan, birbirine bağlı düğüm katmanlarından (sinir hücreleri işlevi gören) oluşur. Sinir ağları, büyük miktarlardaki verilerde karmaşık örüntülerin ve ilişkilerin tespit edilmesini gerektiren görevler için son derece uygundur.

Makine öğreniminin en basit biçimi, algoritmaları verileri sınıflandırmak veya sonuçları doğru bir şekilde tahmin etmek üzere eğitmek için etiketlenmiş veri kümelerinin kullanılmasını içeren " Denetimli Öğrenme"dir (Supervised Learning) . Bu öğrenme türünde insanlar, her bir eğitim örneğini belirli bir etiketli çıktı ile ilişkilendirir. Buradaki amaç, modelin eğitim verilerindeki girdiler ve çıktılar arasındaki ilişkiyi öğrenmesi ve böylece daha önce hiç görmediği yeni verilerin çıktılarını tahmin edebilmesidir.

Derin Öğrenme (Deep Learning)

Derin öğrenme, insan beyninin karmaşık karar verme yeteneğini yakından taklit eden ve "derin sinir ağları" olarak adlandırılan çok katmanlı sinir ağlarını kullanan bir makine öğrenimi alt dalıdır.

Derin sinir ağları; genellikle yalnızca bir veya iki gizli katman içeren klasik makine öğrenimi modellerindeki sinir ağlarının aksine, bir giriş katmanı, en az üç gizli katman (ki bunlar genellikle yüzlercesini bulur) ve bir çıkış katmanı içerir.

Bu çoklu katmanlar, denetimsiz öğrenmeyi (Unsupervised Learning) mümkün kılar: Büyük, etiketlenmemiş ve yapılandırılmamış veri kümelerinden öznitelik çıkarımını otomatikleştirebilir ve verilerin neyi temsil ettiğine dair kendi tahminlerini sunabilirler.

Derin öğrenme insan müdahalesi gerektirmediğinden, devasa ölçekte makine öğrenimine olanak tanır. Bu yöntem; doğal dil işleme (NLP), bilgisayarlı görü ve büyük veri kümelerindeki karmaşık örüntülerin ve ilişkilerin hızlı ve doğru bir şekilde tespit edilmesini gerektiren diğer görevler için son derece uygundur. Günlük yaşamımızdaki yapay zeka uygulamalarının çoğu da derin öğrenmenin bir biçimine dayanmaktadır.

Derin öğrenme ayrıca şunları da mümkün kılar:

1. Yapay zeka modellerini sınıflandırma ve regresyon görevleri için eğitmek amacıyla etiketli ve etiketsiz veriler kullanarak, denetimli ve denetimsiz öğrenmeyi birleştiren yarı denetimli öğrenme .
2. Denetim sinyalleri için etiketlenmiş veri kümelerine dayanmak yerine, yapılandırılmamış verilerden örtük etiketler üreten öz denetimli öğrenme .
3. Gizli örüntülerden bilgi çıkarmak yerine, deneme-yanılma ve ödül fonksiyonları aracılığıyla öğrenen pekiştirmeli öğrenme .
4. Transfer öğrenimi ; bir görev veya veri kümesi aracılığıyla edinilen bilginin, ilgili başka bir görevde veya farklı bir veri kümesinde modelin performansını iyileştirmek için kullanıldığı yöntemdir.

Üretken Yapay Zeka (Generative AI)

Bazen "Gen AI" olarak da adlandırılan üretken yapay zeka; kullanıcının bir komutuna veya isteğine yanıt olarak uzun metinler, yüksek kaliteli görseller,gerçekçi video veya ses ve daha fazlası gibi özgün ve karmaşık içerikler oluşturabilen derin öğrenme modellerini ifade eder.

Genel olarak üretken modeller, eğitim verilerinin basitleştirilmiş bir temsilini kodlar ve ardından bu temsili kullanarak, orijinal verilere benzer ancak onlarla birebir aynı olmayan yeni bir eser oluşturur.

Üretken modeller, sayısal verileri analiz etmek amacıyla yıllardır istatistikte kullanılagelmiştir. Ancak son on yılda bu modeller, çok daha karmaşık veri türlerini analiz edip üretmek üzere evrilmiştir. Bu gelişim, derin öğrenme modellerinin üç gelişmiş türünün ortaya çıkışıyla eş zamanlı gerçekleşmiştir:

1. 2013 yılında tanıtılan ve modellerin bir istem veya talimata yanıt olarak çeşitli içerik türleri üretmesini sağlayan Değişken Otomatik Kodlayıcılar (VAE'ler) .
2. İlk kez 2014 yılında ortaya çıkan ve görüntülere, ayırt edilemez hale gelene kadar "gürültü" ekleyip ardından istemlere yanıt olarak özgün görüntüler oluşturmak üzere bu gürültüyü gideren Difüzyon Modelleri (Diffusion Models) .
3. Cümlelerdeki kelimeler, görüntülerdeki şekiller, videolardaki kareler veya program kodundaki komutlar gibi uzun içerik dizileri oluşturmak üzere sıralı verilerle eğitilen "Transformer" modelleri ; ChatGPT, GPT-4, Copilot, Gemini ve diğerleri dahil olmak üzere, günümüzde manşetlere taşınan çoğu üretken yapay zeka aracının temelini oluşturmaktadır.

Üretken Yapay Zeka Nasıl Çalışır?

Genel olarak, üretken yapay zeka üç aşamada çalışır:

1. Temel bir model oluşturmak için eğitim .
2. Modeli belirli bir uygulamaya uyarlamak için yapılan ayarlama .
3. Doğruluğu artırmak için üretim, değerlendirme ve ince ayar .

Eğitim

Üretken yapay zeka, çeşitli üretken yapay zeka uygulamaları türleri için bir temel işlevi gören derin öğrenme modeli niteliğindeki bir "temel model" ile başlar.

Günümüzde en yaygın temel modeller, metin oluşturma uygulamaları için geliştirilmiş olan Büyük Dil Modelleri'dir (LLM'ler) . Ancak; görsel, video, ses veya müzik oluşturmaya yönelik temel modellerin yanı sıra, birden fazla içerik türünü destekleyen çok modlu temel modeller de mevcuttur.

Bir temel model oluşturmak için uzmanlar, derin öğrenme algoritmasını internetten elde edilen terabaytlar veya petabaytlarca metin, görüntü veya video gibi devasa miktardaki ilgili, yapılandırılmamış ve etiketlenmemiş ham veri üzerinde eğitirler. Bu eğitim süreci sonucunda, verilerdeki varlıkların, kalıpların ve ilişkilerin kodlamalarını temsil eden ve istemlere (prompt) yanıt olarak bağımsız bir şekilde içerik üretebilen, milyarlarca parametreye sahip bir sinir ağı ortaya çıkar. İşte bu, temel modeldir.

Bu eğitim süreci muazzam bir işlem gücü gerektirir, çok zaman alır ve son derece maliyetlidir. Süreç; binlerce GPU'nun (grafik işlem birimi) bir araya getirilmesini ve haftalarca süren işlem faaliyetlerini gerektirir; bunların tümü de genellikle milyonlarca dolara mal olur. Meta'nın Llama-2'si gibi açık kaynaklı temel model projeleri, üretken yapay zeka geliştiricilerinin bu aşamadan ve ilgili maliyetlerden kaçınmasını sağlar.

Ayarlar

Daha sonra, modelin belirli bir içerik oluşturma görevi için ayarlanması gerekir. Bu işlem, aşağıdakiler de dahil olmak üzere çeşitli yollarla yapılabilir:

1. Modele; uygulamaya özgü etiketlenmiş verilerin, uygulamanın alması muhtemel soru veya istemlerin ve bunlara karşılık gelen doğru yanıtların istenen formatta sağlanmasını içeren ince ayar (fine-tuning) süreci .
2. İnsan geri bildirimiyle pekiştirmeli öğrenme (RLHF) ; modelin kendini geliştirebilmesi amacıyla, insan kullanıcıların modelin çıktılarını doğruluk veya uygunluk açısından değerlendirdiği bir yöntemdir. Bu süreç, insanların bir sohbet robotu veya sanal asistan için düzeltmeleri yazması ya da sözlü olarak ifade etmesi kadar basit olabilir.

Üretim, değerlendirme ve ince ayar

Geliştiriciler ve kullanıcılar, üretken uygulamalarının çıktılarını düzenli olarak değerlendirir; doğruluk veya uygunluk düzeyini artırmak amacıyla modeli —hatta haftada bir kez olacak şekilde— sürekli olarak ince ayarlardan geçirirler. Buna karşılık, temel modelin kendisi çok daha seyrek aralıklarla, örneğin yılda bir veya 18 ayda bir güncellenir.

Üretken yapay zeka uygulamalarının performansını artırmaya yönelik bir diğer seçenek de, daha yüksek doğruluk veya uygunluk sağlamak amacıyla temel modeli, eğitim verileri dışındaki ilgili kaynakları kullanacak şekilde genişleten bir teknik olan "Geri Getirme Destekli Üretim"dir (RAG) .

Yapay Zeka Ajanları ve Ajan Tabanlı Yapay Zeka

Yapay zeka temsilcisi (AI agent), kendi iş akışını tasarlayıp mevcut araçları (diğer uygulamalar veya hizmetler) kullanarak, insan müdahalesi olmaksızın bir kullanıcı veya başka bir sistem adına görevleri yerine getirebilen ve hedeflere ulaşabilen otonom bir yapay zeka yazılımıdır.

Agentic AI (Temsilci Tabanlı Yapay Zeka) , sistemdeki tek bir temsilcinin tek başına başarabileceğinden daha karmaşık bir görevi veya daha büyük bir hedefi gerçekleştirmek üzere çabaları koordine edilen, birden fazla yapay zeka temsilcisinden oluşan bir sistemdir.

Önceden belirlenmiş sınırlar dahilinde çalışan ve insan müdahalesi gerektiren sohbet robotları ve diğer yapay zeka modellerinin aksine; yapay zeka ajanları ve "ajan tabanlı" (agentic) yapay zeka, özerklik, hedefe yönelik davranış ve değişen koşullara uyum sağlama yeteneği sergiler. "Ajan" ve "ajan tabanlı" terimleri, bu modellerin "ajanlık" niteliğine, yani bağımsız ve amaca yönelik hareket etme kapasitelerine işaret eder.

Yapay zeka ajanlarını düşünmenin bir yolu, onları üretken yapay zekadan sonraki doğal bir adım olarak görmektir. Üretken modeller, öğrenilmiş kalıplara dayalı içerik oluşturmaya odaklanırken; ajanlar bu içeriği kullanarak birbirleriyle ve diğer araçlarla etkileşime girer; böylece kararlar alır, sorunları çözer ve görevleri tamamlarlar. Örneğin, üretken bir yapay zeka uygulaması çalışma programınıza dayanarak Everest Dağı'na tırmanmak için en iyi zamanı size söyleyebilir; ancak bir ajan size bu bilgiyi vermenin yanı sıra, çevrimiçi bir seyahat hizmetini kullanarak sizin için en iyi uçuşu ayarlayabilir ve Nepal'deki en uygun otelde yer ayırtabilir.

Yapay zekanın faydaları

Yapay zeka, çeşitli sektörlerde ve uygulamalarda pek çok fayda sunmaktadır. En yaygın faydalardan bazıları şunlardır:

1. Tekrarlayan görevlerin otomasyonu.
2. Verilerden daha fazla ve daha hızlı içgörü.
3. Karar verme sürecini güçlendirmek.
4. Daha az insan hatası.
5. Haftanın yedi günü, günün her saati erişilebilirlik.
6. Maddi risklerin azaltılması.

Tekrarlayan görevlerin otomasyonu

Yapay zeka; veri toplama, girme ve işleme gibi dijital görevlerin yanı sıra, depolarda stok toplama ve üretim süreçleri gibi fiziksel görevler de dahil olmak üzere, rutin, tekrarlayan ve çoğu zaman sıkıcı olan işleri otomatikleştirebilir. Bu otomasyon, çalışanların daha yüksek değerli ve daha yaratıcı işlere odaklanabilmelerine olanak tanır.

Karar verme sürecini güçlendirme

Yapay zeka, ister karar destek süreçlerinde ister tam otomatik karar alma mekanizmalarında kullanılsın; daha hızlı ve isabetli öngörülerde bulunulmasını ve veriye dayalı, güvenilir kararlar alınmasını sağlar. Otomasyonla birleştiğinde ise yapay zeka, şirketlerin fırsatları değerlendirmesine ve krizlere ortaya çıktıkları anda, gerçek zamanlı olarak ve insan müdahalesi olmaksızın yanıt vermesine olanak tanır.

Daha az insan hatası

Yapay zeka; kişileri bir sürecin doğru adımları konusunda yönlendirmekten, olası hataları henüz gerçekleşmeden işaret etmeye ve süreçleri insan müdahalesi olmaksızın tamamen otomatikleştirmeye kadar çeşitli yollarla insan kaynaklı hataları azaltabilir. Bu durum, özellikle sağlık hizmetleri gibi sektörlerde büyük önem taşımaktadır; nitekim örneğin yapay zeka destekli cerrahi robotlar, tutarlı bir hassasiyet sağlamaktadır.

7/24 Erişilebilirlik ve Tutarlılık

Yapay zeka sürekli çalışır, günün her saati hizmet verir ve her seferinde tutarlı bir performans sergiler. Sohbet robotları veya sanal asistanlar gibi araçlar, müşteri hizmetleri veya destek alanında çalışan personele yönelik iş yükünü hafifletebilir. Malzeme işleme veya üretim hatları gibi diğer uygulama alanlarında ise yapay zeka; tekrarlayan veya sıkıcı görevleri yerine getirmek üzere kullanıldığında, iş kalitesinin ve üretim seviyelerinin korunmasına yardımcı olabilir.

Maddi risklerin azaltılması

Yapay zeka; hayvanları kontrol altına alma, patlayıcılarla işlem yapma ve derin okyanus sularında, yüksek irtifalarda ya da uzayda görevleri yerine getirme gibi tehlikeli işleri otomatikleştirerek, çalışanları yaralanma veya daha kötü sonuçlar riskiyle karşı karşıya bırakma gerekliliğini ortadan kaldırabilir. Henüz mükemmel düzeye ulaşmamış olsalar da, otonom araçlar ve diğer taşıtlar, yolcuların yaralanma riskini azaltma potansiyeli sunmaktadır.

Yapay zeka kullanım alanları

Yapay zekânın gerçek dünyadaki uygulamaları çok çeşitlidir. İşte potansiyelini gözler önüne sermek amacıyla, farklı sektörlerden kullanım örneklerine dair küçük bir seçki:

Müşteri Deneyimi, Hizmet ve Destek

Şirketler; müşteri taleplerini, destek taleplerini ve daha fazlasını yönetmek amacıyla yapay zeka destekli sohbet robotlarını ve sanal asistanları devreye alabilirler. Bu araçlar, sipariş durumu, ürün detayları ve iade politikaları hakkındaki müşteri sorularını anlayıp yanıtlamak için Doğal Dil İşleme (NLP) ve üretken yapay zeka yeteneklerinden yararlanır.

Dolandırıcılık tespiti

Makine öğrenimi ve derin öğrenme algoritmaları, işlem modellerini analiz edebilir ve dolandırıcılık faaliyetlerine işaret eden olağandışı harcamalar veya alışılmadık giriş konumları gibi anormallikleri bildirebilir. Bu durum, kuruluşların olası dolandırıcılık girişimlerine daha hızlı yanıt vermesini ve bunların etkisini sınırlamasını sağlar.

Kişiselleştirilmiş pazarlama

Perakendeciler, bankalar ve müşterilerle etkileşimde bulunan diğer şirketler; kişiselleştirilmiş müşteri deneyimleri ile müşterileri memnun eden, satışları artıran ve müşteri kaybını önleyen pazarlama kampanyaları oluşturmak için yapay zekayı kullanabilirler.

İnsan Kaynakları ve İşe Alım

Yapay zekâ tabanlı işe alım platformları; özgeçmişleri inceleyerek, adayları iş tanımlarıyla eşleştirerek ve hatta video analizi yoluyla ön görüşmeler gerçekleştirerek işe alım sürecini kolaylaştırabilir.

Uygulama geliştirme ve güncelleme

Yapay zeka destekli kod oluşturma ve otomasyon araçları, uygulama geliştirmeyle ilgili tekrarlayan kodlama görevlerini basitleştirebilir; ayrıca eski uygulamaların geniş ölçekte taşınmasını ve modernize edilmesini hızlandırabilir.

Öngörücü Bakım

Makine öğrenimi modelleri; bakım ihtiyacı zamanını öngörmek ve ekipman arızalarını henüz gerçekleşmeden tahmin etmek amacıyla sensörlerden, Nesnelerin İnterneti (IoT) cihazlarından ve operasyonel teknolojiden (OT) gelen verileri analiz edebilir.

Yapay zekanın zorlukları ve riskleri

Kuruluşlar, en son yapay zeka teknolojilerinden yararlanmak ve bunların sunduğu sayısız avantajdan faydalanmak için birbiriyle yarışıyor. Bu hızlı benimseme süreci gerekli olsa da, yapay zeka iş akışlarının hayata geçirilmesi ve sürdürülmesi birtakım zorlukları ve riskleri de beraberinde getiriyor.

Veri riskleri

Yapay zeka sistemleri; veri zehirlenmesi, veri manipülasyonu, verideki önyargılar veya veri ihlallerine yol açabilecek siber saldırılara karşı savunmasız olabilen veri kümelerine dayanır.

Model riskleri

Kötü niyetli aktörler; hırsızlık, tersine mühendislik veya yetkisiz manipülasyon amacıyla yapay zeka modellerini hedef alabilirler.

Operasyonel riskler

Tüm teknolojilerde olduğu gibi, modeller de model sapması, önyargı ve yönetişim yapısındaki çöküşler gibi operasyonel risklere açıktır.

Etik ve hukuki riskler

Kuruluşlar, yapay zeka sistemlerini geliştirirken ve kullanıma sunarken güvenlik ve etiğe öncelik vermezlerse, gizlilik ihlallerine yol açma ve önyargılı sonuçlar üretme riskiyle karşı karşıya kalırlar.

Yapay Zeka Etiği ve Yönetişimi

Yapay zeka etiği, riskleri ve olumsuz sonuçları en aza indirirken yapay zekanın faydalı etkisini nasıl artıracağını inceleyen disiplinlerarası bir alandır. Yapay zeka etiği ilkeleri, yapay zeka araçlarının ve sistemlerinin güvenli ve etik kalmasını sağlayan bir yönetişim sistemi aracılığıyla hayata geçirilir.

Yapay zeka etiği ve sorumlu yapay zeka ile ilişkili yaygın değerler şunları içerir:

Açıklanabilirlik ve Yorumlanabilirlik

Yapay zeka ilerledikçe, insanlar bir algoritmanın sonuca nasıl ulaştığını anlama konusunda zorluklarla karşılaşmaktadır. Açıklanabilir yapay zeka; kullanıcıların algoritmaların sonuçlarını yorumlamasını, anlamasını ve bunlara güvenmesini sağlayan bir dizi süreç ve yöntemdir.

Adalet ve Kapsayıcılık

Makine öğrenimi doğası gereği bir tür istatistiksel ayrımcılık olsa da, ayrıcalıklı gruplara sistematik bir avantaj sağlayıp ayrıcalıklı olmayan grupları dezavantajlı bir duruma düşürdüğünde bu ayrımcılık kabul edilemez hale gelir.

Dayanıklılık ve Güvenlik (Robustness and Security)

Dayanıklı yapay zeka; girdi bozulmaları veya kötü niyetli saldırılar gibi olağanüstü durumlarla, kasıtsız bir zarara yol açmaksızın etkili bir şekilde başa çıkar.

Hesap Verebilirlik ve Şeffaflık

Kuruluşlar, net sorumluluklar ve yönetişim yapıları hayata geçirmelidir. Buna ek olarak kullanıcılar; yapay zeka hizmetinin nasıl çalıştığını görebilmeli, işlevlerini değerlendirebilmeli ve güçlü yönleri ile sınırlamalarını anlayabilmelidir.

Gizlilik ve Uyumluluk

Genel Veri Koruma Tüzüğü (GDPR) dahil olmak üzere birçok düzenleyici çerçeve, kuruluşların kişisel bilgileri işlerken belirli gizlilik ilkelerine uymasını zorunlu kılmaktadır.

Zayıf Yapay Zeka ve Güçlü Yapay Zeka

Yapay zeka kullanımını farklı karmaşıklık düzeyleri bağlamında ele almak amacıyla, araştırmacılar çeşitli yapay zeka türleri tanımlamışlardır:

Zayıf Yapay Zeka (Weak AI) : "Dar Yapay Zeka" olarak da bilinir ve belirli bir görevi yerine getirmek üzere tasarlanmış yapay zeka sistemlerini ifade eder. Örnekler arasında Alexa ve Siri gibi "akıllı" sesli asistanlar veya sosyal medyadaki sohbet botları yer alır.

Güçlü Yapay Zeka (Strong AI) : "Genel Yapay Zeka" (AGI) olarak da bilinir; insan zekasına eşdeğer veya ondan üstün bir düzeyde, çok çeşitli görevler genelinde bilgiyi anlama, öğrenme ve uygulama yeteneğine sahiptir. Yapay zekanın bu düzeyi şu an için teorik niteliktedir ve bu gelişmişlik seviyesine yaklaşan bilinen herhangi bir yapay zeka sistemi bulunmamaktadır.

Yapay zekanın tarihi

"Düşünen bir makine" fikri Antik Yunan'a kadar uzanır. Ancak elektronik bilişimin ortaya çıkışından bu yana, yapay zekanın gelişimindeki önemli olaylar ve dönüm noktaları şunları içerir:

1. 1950 : Alan Turing, "Hesaplama Makineleri ve Zeka" başlıklı makalesini yayımladı. Bu makalede "Makineler düşünebilir mi?" şeklindeki ünlü sorusunu ortaya attı ve günümüzde "Turing Testi" olarak bilinen testi önerdi.
2. 1956 : John McCarthy, ilk yapay zeka konferansında "yapay zeka" terimini ortaya attı.
3. 1967 : Frank Rosenblatt, deneme-yanılma yoluyla "öğrenen" bir sinir ağına dayalı ilk bilgisayar olan Mark 1 Perceptron'u inşa etti.
4. 1980 : Kendilerini eğitmek için geri yayılım (backpropagation) algoritmasını kullanan yapay sinir ağları, yapay zekâ uygulamalarında yaygın olarak kullanılmaya başlandı.
5. 1997 : IBM'in Deep Blue bilgisayarı, dönemin dünya satranç şampiyonu Garry Kasparov'u yendi.
6. 2011 : IBM Watson, Jeopardy! yarışma programındaki şampiyonları yendi.
7. 2015 : Baidu'nun Minwa adlı süper bilgisayarı, görüntüleri insan ortalamasından daha yüksek bir doğrulukla tanımlamak ve sınıflandırmak için özel bir derin sinir ağı kullandı.
8. 2016 : DeepMind'ın AlphaGo programı, Go dünya şampiyonu Lee Sedol'u yendi.
9. 2022 : OpenAI'ın ChatGPT'si gibi büyük dil modellerinin (LLM'ler) ortaya çıkışı, yapay zekânın performansı ve potansiyelinde muazzam bir değişime yol açtı.
10. 2024 : En güncel yapay zeka eğilimleri, yapay zeka alanındaki yükselişin sürdüğüne işaret ediyor. Birden fazla veri türünü işleyebilen çok modlu modeller, daha zengin ve güçlü deneyimler sunuyor. Ayrıca, daha küçük boyutlu modeller de ilerleme kaydediyor.

Artık bu heyecan verici dünyanın temelleri konusunda bir uzman olduğuna göre, sıra uygulamaya geldi.

Kelimelerinizi kalpleri ve zihinleri büyüleyen bir sese dönüştürmeye hazır mısınız?

Sesli içerik dünyasındaki yolculuğunuza bugün başlayın.

" Makina " platformunu ücretsiz deneyin ve ilk 1000 karakteri 5 dakikadan kısa sürede profesyonel bir seslendirmeye dönüştürün!

Ücretsiz denemenize hemen başlayın

Kaynak: IBM.COM