Yapay Zeka’daki İlk Sistemler
Yapay zeka alanını tanımlamış ve etkilemeye devam eden önemli yaklaşımları, uzman sistemlerin neden önemli olduğunu, Prolog dilindeki ilerlemeleri ve makine öğreniminin yapay zekaya nasıl katkı sağladığını konuşacağız.
Yapay zekanın tarihi boyunca, bilişsel süreçlerin ve yeteneklerin bilgisayarlarca taklit edilmesi için çeşitli yaklaşımlar araştırılmıştır. Bunlardan bazıları bilim camiası tarafından neredeyse terk edilmiş, bazıları ise bugüne kadar aktif olarak kullanılmaya devam etmektedir. Ancak yapay zeka alanında yapılan son 70 yıllık araştırma boyunca çoğunun popülaritesinde büyük farklılıklar yaşanmıştır. Özellikle, yapay zekanın terk edilmiş dalları bile zekanın farklı yönlerine ilişkin değerli içgörüler ortaya çıkarmışt, bilişsel süreçlerin karmaşıklığını vurgulamış ve algı ve bilişle ilgili görevlerin varsayılan basitliği hakkındaki erken dönemlerde orataya çıkan birçok yanlış kanıyı ortadan kaldırmıştır. Hadi yapay zeka araştırmalarındaki araştırma algısını önemli ölçüde geliştiren üç önemli dalı inceleyelim.
Uzman Sistemler
Uzman sistemlerin amacı bir uzmanın karar verme ve çözüm bulma sürecini taklit etmektir. “Uzman” kelimesi, tıp veya mekanik gibi belirli bir alanda uzmanlaşmış bilgi ve deneyime sahip bir insanı ifade eder. Herhangi bir alandaki problemler birbirine benzer, ancak hiçbir zaman tam olarak aynı olamayacağından, belirli bir alandaki problemlerin çözümü yalnızca ezberlemeyle gerçekleştirilemez. Bunun yerine problem çözme, deneysel bilgiyi yeni problemler ve uygulama senaryolarıyla eşleştiren bir yöntemle desteklenir. Uzman sistemler bu nedenle resmileştirilmiş bir bilgi kümesinden ve sonuç çıkarmak için bilgi tabanını kullanan bir çıkarım motorundan oluşur.
Bilginin temsiline ilişkin olarak uzman sistemlere yönelik üç ana yaklaşım ayırt edilebilir:
- Vaka bazlı sistemler, somut problemlerin örneklerini başarılı bir çözümle birlikte saklarlar. Yeni, daha önce görülmemiş bir durum sunulduğunda, sistem benzer bir duruma çözüm bulmaya ve bu çözümü eldeki duruma uygulamaya çalışır. Temel zorluk, problem ayarlarını karşılaştırmak için uygun bir benzerlik ölçüsü tanımlamaktır.
- Kurala dayalı sistemler, bilgi tabanını gerçekler ve gerçekler arasındaki ilişkileri tanımlayan if else tipi kurallar biçiminde temsil edilirler.
- Çözülecek problem sınıfı bir karar problemi olarak kategorize edilebilirse bilgi, karar ağaçları şeklinde temsil edilebilir. Bu genelde bir dizi örneğin analiz edilmesiyle oluşturulur.
Öte yandan çıkarım motoru, verili bilgi tabanı külliyatında (corpus) açıkça yer almayan yeni bilgileri, kuralları ve sonuçları türetmek için mantıksal akıl yürütme kurallarını uygular.
Tarihsel olarak uzman sistemler, genel problem çözücü olarak adlandırılan yöntemin uygulanmasına yönelik daha önceki girişimlerin bir sonucudur. Bu yaklaşım öncelikle, 1950'lerin sonlarında bazı problemleri daha basit problemlere indirgeyerek çözmeyi amaçlayan bir sistem oluşturmak için bilişsel bilimden elde edilen bilgi ve formal akıl yürütmenin matematiksel modellerinin bir kombinasyonunu kullanan araştırmacılar Herbert A. Simon ve Allen Newell ile ilişkilidir. Bu girişimin, yüksek hedefleri ile karşılaştırıldığında sonuçta bir başarısızlık olarak görülmesi gerekse de, yine de bilişsel bilimin gelişiminde son derece etkili olduğu kanıtlanmıştır.
Genel problem çözme girişiminden elde edilen ilk içgörülerden biri, alana özgü bir problem çözücünün oluşturulmasının daha kolay olması gerektiğidir. Bu, alana özgü bilgiyi alana bağlı uygun akıl yürütme kalıplarıyla birleştiren sistemler hakkında düşünmenin yolunu açtı. O dönemde konunun önde gelen akademik kurumu olan Stanford Üniversitesi’nde çalışan Edward Feigenbaum, Sezgisel Programlama Projesi’ne liderlik ederken uzman sistem terimini tanımladı ve ilk pratik örnekleri oluşturdu.
İlk dikkate değer uygulama, organik molekülleri tanımlamaya yönelik bir sistem olan DENDRAL’di. Veriler ve kurallar göz önüne alındığında bir sonraki adım, bulaşıcı hastalıkların tıbbi teşhisine yardımcı olacak uzman sistemler oluşturmaktı. Bundan ortaya çıkan uzman sisteme “MYCIN” adı verildi ve yaklaşık 600 kuraldan oluşan bir veritabanı vardı. Ancak uzman sistemlerin araştırma ilgisinin doruğa ulaşması ve ticari uygulamaların gelişmesine yol açması 1980'li yıllara kadar sürdü.
Uzman sistemlerin asıl başarısı, bilginin resmi ancak erişilebilir temsili fikrine öncülük etmedeki rolleriydi. Bu temsil, bir alan uzmanı tarafından oluşturulmaya, incelenmeye ve gözden geçirilmeye uygun bir dizi gerçek ve kural olarak formüle edilmiş olması anlamında açıktı. Dolayısıyla bu yaklaşım, alana özgü iş mantığını, programı çalıştırmak için gereken genel mantıktan açıkça ayırır. Tam tersine, daha geleneksel programlama yaklaşımları, hem iç kontrolü hem de iş mantığını, BT uzmanı olmayan kişiler tarafından okunması ve anlaşılması zor bir program kodu biçiminde dolaylı olarak temsil eder. En azından prensipte, uzman sistemler tarafından desteklenen yaklaşım, programcı olmayanların bile bir yazılım çözümü geliştirmesine, iyileştirmesine ve sürdürmesine olanak sağladı. Dahası, sabit çıkarım motoru, yalnızca bilgi tabanındaki temel kurallar dizisini değiştirerek tamamen farklı amaçlara yönelik programların oluşturulmasını mümkün kıldığından hızlı prototip oluşturma fikrini ortaya attı.
Hızlı prototipleme
Bu, prototiplerin mümkün olduğu kadar çabuk oluşturulduğu ve değerlendirildiği bir prosedürdür. Hızlı prototip oluşturma yoluyla, geliştirme sürecinin erken aşamalarında potansiyel kullanıcılardan önemli işlevlere ilişkin geri bildirim alınabilir.
Bununla birlikte, uzman sistem paradigmasının popülaritesinde keskin bir düşüşe yol açmış olan önemli bir dezavantaj da aynı zamanda bilgi tabanlı olmasıdır. Uzman sistemler artan sayıda uygulama için tasarlandıkça, birçok ilginç kullanım durumu, söz konusu alanı tatmin edici bir şekilde temsil etmek için giderek daha büyük bilgi tabanları gerektirmiştir. Bu içgörünün iki farklı açıdan sorunlu olduğu ortaya çıkmıştır. İlki, çıkarımın hesaplama karmaşıklığı, olgu ve kural sayısında doğrusal olarak olduğundan daha hızlı artıyordu. Bu, birçok pratik sorun için sistemin yanıt verme sürelerinin engelleyici derecede yüksek olduğu anlamına geliyor. İkincisi, bilgi tabanı büyüdükçe, hiçbir bileşenin birbiriyle çelişmemesini sağlayarak tutarlılığını kanıtlamak son derece zorlayıcı bir hale gelmektedir.
Tutarlılık
Tüm önermelerin aynı anda doğru olduğu, çelişkilerden arınmış bir dizi mantıksal önermeye tutarlılık denir. Tüm ifadelerin aynı anda doğru olamayacağı önermeler kümesi ise tutarsızdır.
Uzman sistemler için çıkarım motorlarının inşası, mantıksal kuralların ve akıl yürütme süreçlerinin formüle edilmesini kolaylaştıran bir programlama diline olan ihtiyacın altını çizdi. Bu amaçla, “mantıkta programlama” anlamına gelen “programming in logic” Prolog programlama dili devreye girdi.
Prolog’a Giriş
Prolog, Fransız bilgisayar bilimciler Alain Colmerauer ve Philippe Roussel tarafından oluşturuldu ve mantıkçı Robert Kowalski tarafından daha da geliştirildi. İlk kez 1970'lerin başında uygulamaya konuldu. Prolog’u oluşturmanın ana motivasyonu, onu doğal dil işleme ve yapay zekaya yönelik sistemlerin geliştirilmesinde kullanmaktı.
Hadi Prolog’un mantıksal problemleri çözmede bir araç olarak ve yapay zekanın gelişimine ve programlama dillerinin tasarımına katkısını inceleyelim.
En temel düzeyde, dijital bir bilgisayar, bilgiyi bit olarak belirlenen 0–1 değerleri biçiminde işler. Açıkça görülüyor ki, bu temsil biçimi, insan yorumu ve manipülasyonu için ideal değildir. Böyle bir cihazın programlanmasını kolaylaştırmak için programlama dilleri, temel teknik katmana insan düşüncesine, algoritmik tanımlamaya ve akıl yürütme kalıplarına daha yakın soyutlamalar sağlayacak şekilde tasarlanmıştır. Programlama dilleri arasındaki en önemli fark, getirilen soyutlamaların derecesi ve türünden kaynaklanmaktadır. Prolog’un tasarlandığı ve uygulandığı dönemde geliştirilen bilgisayar dillerinin çoğu zorunlu dillerdi; yani, makinenin istenen sonucu veya çözümü üretmek için takip edeceği bir dizi talimat olarak bir programda kodlanan dillerdi.
Bunun aksine, Prolog bildirimsel programlama paradigmasına dayanmaktadır. Programcı istenen çözümün özelliklerini belirler ve programlama dili yorumlayıcısı daha sonra verilen hedefe ulaşmak için bir dizi işlem adımı oluşturur. Bu paradigmanın öne çıkan bir örneği, ilişkisel veritabanları için yapılandırılmış sorgulama dilidir (SQL). Tipik bir sorgu, kayıtların alınması gereken tabloyu ve kayıtların yerine getirmesi gereken bir veya daha fazla koşulu belirten bir ifadeyle verilir. Veritabanı yönetim sistemi daha sonra sorgu tarafından belirtilen sonucu üreten bir yürütme planını (bir dizi işlem adımı) otomatik olarak oluşturur. Benzer şekilde, bir Prolog programı, gerçekleri birbiriyle ilişkilendiren bir dizi gerçek ve kuraldan oluşur. Daha sonra programın yürütülmesi, yukarıda belirtilen bilgi tabanı kullanılarak bir sorgu formüle edilerek başlatılır.
Bildirimsel (declerative) programlama
Bu, programcının aranan çözümün özelliklerini belirttiği ancak algoritmayı (yani çözüme götüren işlem dizisini) belirtmediği bir programlama stilidir.
Prolog’a daha derinlemesine dalmadan önce aşağıdaki benzetmeyi bir düşünün:
1. Bir insan olarak hayatınız boyunca biriken veriler, bilgiler, sayılar ve bilgi parçalarıyla dolu bir beyniniz var. Bunu bilgi tabanınız olarak düşünün.
2. Ayrıca, zaman içinde gözlemlediğiniz ve uyguladığınız bilgilerle uyumlu kuralları da anlamaktasınız. Bunları, uygulandığında iyi kararlarla sonuçlanan mantık kuralları olarak düşünün.
3. Ayrıca çevrenizi daha iyiye doğru değiştirmeyi merak ediyor ve öğrenmek istiyorsunuz, bu nedenle sık sık sorular soruyorsunuz. Cevaplar bulmak için gerçeklerden yararlanırsınız, kuralları uygularsınız ve algılanan sorunlara çözüm teşkil edeceğini umduğunuz makul ve sağduyulu yanıtlar alırsınız.
Prolog, bu süreçleri birinci dereceden mantık biçiminde resmileştirmek için tasarlanmıştır. Prolog’un yapısı yüklemlerden (predicates) ve cümlelerden (clauses) oluşur. Yüklem, bir X nesnesine doğruluk değeri atayan bir Boole işlevidir. Bu nedenle yüklemler, nesnelerin özelliklerini tanımlamak için yaygın olarak kullanılır. “Cümle” terimi, sonlu sayıda sabit değerden oluşan mantıksal bir ifadeyi ifade eder.
Birinci dereceden mantık
Bu, yüklem mantığı olarak da adlandırılan matematiksel mantığın bir dalıdır.
Prolog programları genellikle gerçekleri ve ilişkileri açıklayarak başlar. Örneğin:
- A ve B’nin ikisi de erkek.
- A ve B’nin babası aynı.
- A ve B’nin annesi aynı.
- A ve B aynı değildir.
Başka bir ilişki beyanı kişi ile bir mülk arasında olabilir. Örneğin, “İmran’ın bir kitabı var” ifadesi, İmran ile kitap arasında bir mülkiyet ilişkisi olduğunu beyan eder.
Temel ilişkiler açıklandıktan sonra gerçekler dikkate alınabilir, sorular sorulabilir, değişkenler dahil edilebilir, hedefler formüle edilebilir ve modeller eşleştirilebilir. Aşağıda dilin doğasını gösteren çok temel ifadelerden birkaç örnek vardır. İfadeler her zaman küçük harfle yazılır ve değişkenler büyük harfle başlar.
Prolog, mantığı işlemeye ve bilgi tabanlarını sorgulamaya benzersiz bir şekilde uyarlandığı için,çeşitli ticari uygulamalarda etkili hale gelmiştir. Bunlardan bazıları Penn State Üniversitesinde havadurumu ve hava kirliliği dağılımında, Birleşik Krallık Surrey Üniversitesinde acil durumlarda su dağıtımı ve planlanmasında, Boeing tarafından montaj süresi kısaltılmasında kullanılmıştır.
Örüntü Tanıma ve Makine Öğrenmesi (ML)
Makine öğrenimi alanı yapay zekanın kendisi kadar eskidir. Ancak son zamanlarda yapay zeka araştırmalarındaki baskın paradigma haline gelmiştir. Makine öğreniminin en sık alıntı yapılan operasyonel tanımlarından biri Amerikalı araştırmacı Tom Mitchell tarafından ortaya atılmıştır: “Bir bilgisayar programının, bazı T görev sınıflarına ve P performans ölçümüne göre E deneyiminden öğrendiği söylenir. P ile ölçülen T görevlerindeki performansı, E deneyimiyle birlikte artıyorsa.” Bu tanım, verilerden öğrenmenin makine öğreniminin temel bir özelliği olduğu gerçeğinin altını çizmektedir. Bu amaçla makine öğrenmesinde, klasik istatistiklerden daha algoritmik yaklaşımlara kadar çok sayıda yöntemden yararlanır.
Makine öğrenimine daha iyi bir genel bakış sağlamak için öğrenmeye yönelik bazı önemli yaklaşımlar arasında ayrım yapmak faydalı olacaktır. Temel olarak aşağıdaki üç tür ayırt edilebilir:
Denetimli öğrenme
Denetimli öğrenme, etiketlenmiş veri kümeleri üzerinde çalışır. Yani bu öğrenme örneklerinin, onalara ait nesne açıklaması etiketleriyle birlikte bulunduğu anlamına gelir. Daha sonra görevler, modelin şimdiye kadar görülmemiş nesnelerin etiketini tahmin etmesini sağlayan özellik değerleri ile çıktılar arasındaki ilişkiyi tanımlamak için verilen örnekler kullanılarak açıklanabilir. Üretilecek çıktının türüne bağlı olarak işlemin regresyon veya sınıflandırma olduğu arasında ayrım yapılabilir. Regresyonda çıktı sürekli bir sayısal değişkendir.
Not: Süreksiz değişkenler ölçülen özellikle ilgili yalnızca sınırlı sayıda değer alırken, sürekli değişkenler iki ölçüm arasında sonsuz sayıda değer alabilirler
Böylece regresyon, özelliklerin girdi uzayı ile ilgili değerlerin çıktı uzayı arasındaki ilişkiyi temsil eden gerçek değer fonksiyonlarını bulmayı amaçlar. Öte yandan, çıktı sınırlı bir değer kümesiyle sınırlıysa sınıflandırmadan söz edilir. E-posta mesajlarının spam olarak etiketlenmesi veya belirli içeriğin görsellerinin büyük resim veritabanlarında bulunması popüler sınıflandırma problemleridir.
Denetimsiz öğrenme
Denetimsiz öğrenme, herhangi bir etiketleme bilgisi olmayan veriler üzerinde çalışır. Birincil amaç, verilerdeki yapıları veya kalıpları tanımlamaktır. Denetimsiz öğrenme tekniklerinin en belirgin örnekleri arasında kümeleme (yani yüksek benzerliğe sahip veri noktası gruplarını bulma), boyutsallık azaltma teknikleri (yani aynı zamanda potansiyel olarak yüksek boyutlu özellik alanlarının düşük boyutlu projeksiyonlarının oluşturulması) yer alır ve rastgele değişkenlerin olasılık yoğunluk fonksiyonlarını tahmin eden istatistiksel bir tekniktir.
Pekiştirmeli öğrenme
Pekiştirmeli öğrenmede, ortamda bir ajan vardır. Bu ajan, kendisinin ve çevrenin iç durumunu etkileyen eylemler gerçekleştirebilir. Belirtilen hedefe göre gerçekleştirilen eylemlerin faydasını hesaplamak için bir ödül yöntemi kullanılır. Ajan, eylem alternatiflerinin deneme yanılma testi yoluyla kendi öğrenme verilerini oluşturduğundan, önceden veri toplanmasına gerek yoktur. Öğrenme probleminin ortamından dolayı, pekiştirmeli öğrenme genellikle oyun ve karar teorisinin sonuçlarıyla ilişkilendirilir veya bunlar tarafından yönlendirilir. Pekiştirmeli öğrenme tekniklerini kullanan yapay zeka sistemlerinin öne çıkan bir örneği AlphaZero’dur. Bu sistemin örnekleri Go, satranç ve shogi oyunlarını insanüstü oyun yeteneğiyle yalnızca temel kurallara ilişkin bilgiyi kullanarak ve kendi kendine oynayarak oynamayı öğrenmiştir.
Ajan
Yapay zeka alanında ajan terimi, çevresini algılayan ve ona göre hedef odaklı hareket eden özerk bir varlığı ifade eder.
Kullanım Alanları
Bu ünitede yapay zekanın gelişimindeki üç ana akım tespit edilmiştir. Aşağıdaki liste, yapay zeka kullanılarak çözülen çok sayıda soruna kısa bir bakış sunmaktadır:
Sağlık
- Giyilebilir cihazlar, kol saatlerinden farklı olarak kan basıncı ve vücut sıcaklığı gibi kritik yaşam belirtilerini izleyebilir. Bu verilerden bir yapay zeka ajanı veya uzman sistem, kullanıcının koşullarına göre tavsiyelerde bulunabilir.
- Birden fazla tıbbi durum göz önüne alındığında, reçeteyi yazan kişi, olumsuz yan etkilerden kaçınmak amacıyla reçetelerin optimal kombinasyonu açısından tedavi seçenekleri önerebilir.
- Özellikle çok sayıda hasta olduğunda, randevu tarihlerinin karşılandığından emin olmak amacıyla bir doktorun hastalarını ve onların ihtiyaçlarını izlemek için bir yapay zeka ajanı kullanılabilir.
Ulaşım
- Otomobiller normal trafikte henüz tamamen otonom olmasa da ortalama bir otomobil, sürücünün güvende kalmasına yardımcı olacak çok sayıda algılama cihazıyla donatılmıştır.
- Yapay zeka sensörleri, araçtan kaynaklanan teknik sorunların yanı sıra sürücünün alkollü nefesi gibi sürücüden kaynaklanan tıbbi durumları da tespit edebilir.
Bankacılık
- Büyük çaplı dolandırıcılık, meydana geldikten yıllar sonra tespit edilmiştir. Yapay zeka kullanan örüntü tanıma teknolojileri sayesinde günlük en küçük düzensizlikler bile artık hemen tespit edilebilmektedir.
- Orijinallerin bir veritabanına taranması nedeniyle sahte imzalar daha kolay tespit edilmektedir.
- Robo-danışmanlık artık bankalar ve broker bayileri tarafından da sunulmaktadır. Zengin çeşitlilikte menkul kıymetlere ve yatırımcının risk profiline dayanarak, uygun bir portföy oluşturmak için bir robo-danışman kullanılabilir.
Üretim
- 3000'den fazla uçak parçasının doğru montajının kesinliği artık uzman sistemlerle sağlanabilmektedir.
- Yapay zeka teknolojisi, yeni ürünlerin tasarımının karşı karşıya olduğu birçok farklı olasılığın tamamını değerlendirme konusunda başarılıdır. Bu nedenle yaratıcı tasarım sürecine yardımcı olmak için kullanılabilir.
Eğitim
- Çevrimiçi öğretimde kişiselleştirme, öğretimin kalitesini önemli ölçüde artırabilir. Bu, Kitlesel Açık Çevrimiçi Kurslar (MOOC) gibi çok sayıda katılımcı nedeniyle bireysel desteğin zor olduğu durumlarda özellikle önemlidir.
- Test sonuçlarının hem sayısal notlar açısından niceliksel hem de sözlü yanıtlar açısından niteliksel olarak zamanında derecelendirilmesi yapay zeka teknolojileri ile artırılabilir.
Perakende
- Web siteleri, web sitesi ziyaretlerinin ve yapılan satın almaların sayısına göre ilgi alanlarının nasıl değiştiğini takip edebilir. Web sitesi ziyaretçilerinin tespit edilebildiği durumlarda yapay zeka, kişiselleştirilmiş satın alma tahminleri yapabilmektedir.
- Geleceğin sohbet robotları, arayanları ses tanıma yoluyla tanıyacak ve sabır, mizah, görgü kuralları ve nazeket konusunda kendini ayarlayabilecektir. Bu amaçla, sohbet robotları müşteri tutmayı ve müşteri hizmetlerine destek olabilecektir.
- Pazar bölümlendirmesi eskiden eyalet, il veya ilçe gibi coğrafi bölgelere dayanıyordu. Artık bu sokak bazında da mümkündür.
Bu konulardaki seçenekler sınırsızdır. Örneğin elektrikli süpürgeniz, kat edilen mesafeyi en aza indirerebilir ve oturma odanızın düzenini öğrenebilir. Kişisel anlık tercümanınız, bir sonraki yurtdışı tatilinizde yerel halkla iletişim kurmanıza yardımcı olabilir.
Yukarıdaki örnekler yapay zekanın muhtemelen önemli bir rol oynayacağı uygulamaları kısaca özetlemektedir. Aşağıdaki vaka çalışması, bu teknolojinin acil şirket ihtiyaçlarının karşılanmasına nasıl yardımcı olacağını göstermektedir.
İş Vakası Çalışması
Bu vaka çalışması, merkezi Tokyo’da bulunan ve 500'ün üzerinde şubesi bulunan Japonya’daki Mizuho Bank’ı kapsamaktadır. Ele alınan konu, bankacılık sektöründeki karmaşık müşteri hizmetleri işlemiydi. Buradaki sorunlar, tek yapmanız gerekenin envanter listesine bakıp müşterilerin sorularını “evet o parça bizde ve fiyatı…” şeklinde yanıt vermek olduğu bir depo müşteri hizmetleri hizmetinden daha karmaşıktı. Bankacılık soruları genellikle uluslararası transferleri, yerel düzenlemeleri, vergi sorunlarını, dolandırıcılığı, yatırım tavsiyelerini ve faizli borç verme oranlarını içermekteydi.
Mizuho’nun amacı, doğal dil işleme (NLP) algoritmalarını kullanarak müşteri konuşmalarını gerçek zamanlı olarak analiz etmekti; böylece müşteri sorularını yanıtlayan çalışanlar, bilgisayar ekranlarında mevcut en iyi bilgilere sahip olacak ve böylece onların iyi, gerçek zamanlı yanıtlar vermelerine olanak sağlanacaktı. Bu vaka, yapay zeka teknolojisinin insanlara işyerinde yardımcı olacak bir araç olarak nasıl kullanılabileceğini göstermektedir.
Bankanın amacı, çalışanların, özellikle de daha az pratik deneyimi olan yeni çalışanların çağrılarına yanıt verme konusundaki performansını artırmaktı. Bankanın yöntemleri arasında bulut bilişim, internet, NLP algoritmaları, istatistik yöntemleri ve telefon görüşmelerini dinleyen bir algoritma sonucunda sürekli öğrenme yapan bir ajan yer alıyordu. Sonuçlar şunları içermekteydi:
- Daha yüksek seviyede müşteri hizmeti elde edilmişti.
- Çalışanların müşteri sorularına yanıt verme süresinde azalma görülmüştü.
- Çağrı merkezi personelinin kalite iyileştirme eğitimlerinin azaltılması sağlanmıştı.
Ancak müşteri konuşmalarının müşterinin izni olmadan kaydedildiğini varsayalım. Bunun etik bir ihlal teşkil ettiğini düşünüyor musunuz? Neden?
Özet
Bu yazıda, yapay zeka tarihi boyunca, yapay zeka araştırma alanını şekillendiren üç ana akım başlığı inceledik:
Uzman sistemler, insan uzmanların bilgi ve karar verme yeteneklerini taklit etmeye çalışır. Bu amaçla, belirli bir alandaki gerçekler ve onları yöneten kurallar, bir bilgi tabanında makine tarafından okunabilen bir biçimde kodlanır. Bir çıkarım motoru, ilgili alandaki kararları vermek veya sorunları çözmek için kullanılabilecek yeni gerçekleri ve ilişkileri türetmek amacıyla bu bilgi tabanı üzerinde çalışır. Prolog, mantıksal programlamanın birincil örneği olarak tanıtılmıştır. Mantık programlama birinci dereceden mantıksal akıl yürütmeyi uygulamaya çalışır. Prolog’da gerçekler, kurallar, ilişkiler, yüklemler ve cümleler aracılığıyla formüle edilirler. Programlama işlemi, bir çözüme götüren adımları açıkça belirtmeden gerçeklerin ve kuralların bilgi tabanını sorgulamasıyla bildirimsel bir şekilde yapılır.
Yapay zekada olduğu gibi, makine öğreniminin bilimsel alanı da 1950'lerin sonlarında kurulmuştur. Makine öğrenimi, verilerden öğrenmek için istatistiklerden yararlanan algoritmik teknikler ve yaklaşımlardır.
Makine öğrenmesinde kullanılan veri türüne bağlı olarak farklı öğrenme türleri vardır. Denetimli öğrenme etiketlere bağlıyken denetimsiz öğrenme daha çok verilerdeki yapıların ve düzenliliklerin tanımlanmasıyla ilgilidir. Pekiştirmeli öğrenme, bir hedefe ulaşma yolunda ödüllendirilme aracılığıyla çevresini keşfeden bir ajan kavramına dayanmaktadır.
Kaynakçalar
[1] ITU, (2023), Uzman Sistemler:
[https://web.itu.edu.tr/~sonmez/lisans/es/uzman_sistemler_giris.pdf]
[2] Ecehan Yıldırım, (1 December 2020), Örüntü Tanımaya Giriş:
[https://ecehanyildirim.medium.com/%C3%B6r%C3%BCnt%C3%BC-tan%C4%B1maya-giri%C5%9F-6416d8aca5f7]
[3] Microsoft, (2023), Makine öğrenmesi nedir?
