Yapay Zekâ: Acep ne ola ki?

Yapay zekâ (YZ), bir makinenin genellikle insan zihniyle ilişkilendirdiğimiz bilişsel işlevleri yerine getirme yeteneğidir.

İnsanlar ve makineler: üretkenlik cennetinde yapılmış bir eşleşme. Makineleşmiş yük hayvanlarımız olmasaydı türümüz çok fazla ilerleyemezdi. Tarımda devrim yaratan tekerlekten, giderek daha karmaşık hale gelen inşaat projelerini bir arada tutan vidaya ve günümüzün robot destekli montaj hatlarına kadar, makineler bildiğimiz yaşamı mümkün kılmıştır. Yine de, görünüşte sonsuz faydalarına rağmen, insanlar uzun zamandır makinelerden korkuyor - daha spesifik olarak, makinelerin bir gün insan zekasına sahip olma ve kendi başlarına hareket etme olasılığı.

Ancak bilinçli makinelerin ortaya çıkma olasılığına korkuyla olduğu kadar hayranlıkla da bakma eğilimindeyiz. Bu merak, bilim kurgunun gerçek bilime dönüşmesine yardımcı olmuştur. Bilgisayar bilimcisi ve matematikçi Alan Turing gibi yirminci yüzyıl teorisyenleri, makinelerin işlevleri insanlardan daha hızlı yerine getirebileceği bir gelecek hayal ediyorlardı. Turing ve diğerlerinin çalışmaları kısa sürede bunu gerçeğe dönüştürdü. Kişisel hesap makineleri 1970'lerde yaygın olarak kullanılmaya başlandı ve 2016'da ABD nüfus sayımı Amerikan hanelerinin yüzde 89'unda bilgisayar olduğunu gösterdi. Makineler -hem de akıllı makineler- artık hayatımızın ve kültürümüzün sıradan bir parçası.

Bu akıllı makineler giderek daha hızlı ve daha karmaşık hale geliyor. Bazı bilgisayarlar artık exascale eşiğini aşmış durumda, yani bir saniyede bir bireyin 31.688.765.000 yılda yapabileceği kadar hesaplama yapabiliyorlar. Ancak mesele sadece hesaplama değil. Bilgisayarlar ve diğer cihazlar artık daha önce sadece bize ait olan becerileri ve algıları ediniyor.

YZ, bir makinenin algılama, muhakeme etme, öğrenme, çevreyle etkileşim kurma, problem çözme ve hatta yaratıcılık gibi insan zihniyle ilişkilendirdiğimiz bilişsel işlevleri yerine getirme yeteneğidir. Farkında olmasanız bile muhtemelen YZ ile etkileşime girmişsinizdir - Siri ve Alexa gibi sesli asistanlar, web sitelerinde gezinmenize yardımcı olmak için ortaya çıkan bazı müşteri hizmetleri sohbet robotları gibi YZ teknolojisi üzerine kurulmuştur.

Uygulamalı yapay zeka, yani gerçek dünyadaki sorunlara uygulanan yapay zeka, iş dünyası için ciddi sonuçlar doğurmaktadır. Şirketler yapay zekayı kullanarak işlerini daha verimli ve kârlı hale getirme potansiyeline sahip. Ancak sonuçta yapay zekanın değeri sistemlerin kendisinde değil, şirketlerin bu sistemleri insanlara yardımcı olmak için nasıl kullandıklarında ve bu sistemlerin ne işe yaradığını hissedarlara ve kamuoyuna güven oluşturacak ve kazandıracak şekilde açıklayabilmelerinde yatıyor.

Makine öğrenimi nedir?

Makine öğrenimi, veriler üzerinde eğitilen algoritmalara dayanan bir yapay zeka biçimidir. Bu algoritmalar, açık bir programlama talimatı almak yerine verileri ve deneyimleri işleyerek kalıpları tespit edebilir ve tahmin ve önerilerde bulunmayı öğrenebilir. Algoritmalar ayrıca zaman içinde etkinliklerini artırmak için yeni verilere ve deneyimlere yanıt olarak adapte olur. Günümüzde üretilen ve insanların makul bir şekilde hesaba katamayacağı kadar büyük olan verilerin hacmi ve karmaşıklığı, makine öğreniminin potansiyelini ve buna duyulan ihtiyacı artırmıştır. 1970'lerde başlayan yaygın kullanımından bu yana geçen yıllarda makine öğrenimi, tıbbi görüntüleme analizi ve yüksek çözünürlüklü hava durumu tahminindeki başarılar da dahil olmak üzere bir dizi sektörde etkili olmuştur.

Günümüzde üretilen ve insanların makul bir şekilde hesaba katamayacağı kadar büyük olan verilerin hacmi ve karmaşıklığı, makine öğreniminin potansiyelini ve buna duyulan ihtiyacı artırmıştır.

Derin öğrenme nedir?

Derin öğrenme, daha geniş bir veri kaynağı yelpazesini (örneğin metne ek olarak görüntüler) işleyebilen, daha az insan müdahalesi gerektiren ve genellikle geleneksel makine öğreniminden daha doğru sonuçlar üretebilen bir makine öğrenimi türüdür. Derin öğrenme, verileri almak ve verilerin giderek daha karmaşık özelliklerini öğrenen çoklu yinelemeler yoluyla işlemek için nöronların insan beyninde etkileşime girme yollarına dayanan sinir ağlarını kullanır. Sinir ağı daha sonra veriler hakkında tespitler yapabilir, bir tespitin doğru olup olmadığını öğrenebilir ve öğrendiklerini yeni veriler hakkında tespitler yapmak için kullanabilir. Örneğin, bir nesnenin neye benzediğini "öğrendiğinde", yeni bir görüntüdeki nesneyi tanıyabilir.

İşte makine öğreniminde kullanılan üç tür yapay sinir ağı:

• İleri beslemeli sinir ağları

İlk olarak 1958 yılında önerilen bu basit sinir ağında bilgi sadece tek bir yönde hareket eder: modelin girdi katmanından çıktı katmanına doğru, model tarafından yeniden analiz edilmek üzere geriye doğru hiç gitmeden. Bu, verileri modele besleyebileceğiniz veya girebileceğiniz, ardından modeli farklı veri kümeleri hakkında bir şeyler tahmin etmek için "eğitebileceğiniz" anlamına gelir. Sadece bir örnek olarak, ileri beslemeli sinir ağları diğer sektörlerin yanı sıra bankacılıkta da hileli finansal işlemleri tespit etmek için kullanılır.

Şöyle çalışır: ilk olarak, işlemleri manuel olarak hileli olarak etiketlemek için kullandığınız bir veri setine dayanarak bir işlemin hileli olup olmadığını tahmin etmek için bir model eğitirsiniz. Daha sonra modeli yeni gelen işlemlerin hileli olup olmadığını tahmin etmek için kullanabilir, böylece bunları daha yakından incelemek için işaretleyebilir veya tamamen engelleyebilirsiniz.

• Evrişimli sinir ağları (CNN'ler - Convolutional Neural Network)

CNN'ler, beynin görüntüleri işleyen kısmı olan hayvan görsel korteksinin yapısı üzerine modellenmiş bir tür ileri beslemeli sinir ağıdır. Bu nedenle CNN'ler, fotoğraflara dayanarak kuş veya bitki türlerini tanımlayabilmek gibi algısal görevler için çok uygundur. İş dünyasındaki kullanım alanları arasında tıbbi taramalardan hastalıkların teşhis edilmesi ya da bir markanın itibarını yönetmek veya potansiyel ortak pazarlama fırsatlarını belirlemek için sosyal medyadaki bir şirket logosunun tespit edilmesi sayılabilir.

CNN'ler şu şekilde çalışır:

1. İlk olarak, CNN bir görüntü alır - örneğin "A" harfi - bunu bir piksel koleksiyonu olarak işler.
2. Gizli katmanlarda, CNN benzersiz özellikleri tanımlar - örneğin, "A" harfini oluşturan tek tek çizgiler.
3. CNN, görüntünün daha önce harfi oluşturduğunu belirlediği benzersiz özelliklere sahip olduğunu tespit ederse artık farklı bir görüntüyü "A" harfi olarak sınıflandırabilir.

• Tekrarlayan sinir ağları (RNN'ler)

RNN'ler, bağlantıları döngüler içeren yapay sinir ağlarıdır, yani model hem verileri ileriye doğru hareket ettirir hem de önceki katmanlar boyunca tekrar çalıştırmak için geriye doğru döndürür. RNN'ler, büyük bir metin, konuşma veya görüntü örneği gibi bir duyguyu veya bir dizinin sonunu tahmin etmek için yararlıdır. Bunu yapabilirler çünkü her bir girdi modele kendi başına ve önceki girdiyle birlikte beslenir.

Bankacılık örneğinden devam edersek, RNN'ler tıpkı ileri beslemeli sinir ağları gibi hileli finansal işlemlerin tespit edilmesine yardımcı olabilir, ancak daha karmaşık bir şekilde. İleri beslemeli sinir ağları tek bir işlemin hileli olup olmayacağını tahmin etmeye yardımcı olabilirken, tekrarlayan sinir ağları bir bireyin finansal davranışından (kredi kartı geçmişi gibi bir dizi işlem gibi) "öğrenebilir" ve her bir işlemi kişinin kayıtlarına karşı bir bütün olarak ölçebilir. Bunu, ileri beslemeli sinir ağı modelinin genel öğrenmelerini kullanmaya ek olarak yapabilir.

Hangi sektörler makine öğrenimi ve derin öğrenmeden faydalanabilir?

McKinsey, 19 sektör ve dokuz iş fonksiyonu genelinde makine öğrenimi ve derin öğrenmenin 400'den fazla kullanım örneğini derledi. Neredeyse tüm sektörler makine öğrenimi ve derin öğrenmeden faydalanabilir. İşte çeşitli sektörleri kesen birkaç kullanım örneği örneği:

• Kestirimci bakım

Kestirimci bakım, ekipmana dayalı her sektör veya işletmenin önemli bir parçasıdır. Şirketler, bir ekipmanın bozulmasını beklemek yerine, bakımın ne zaman gerekeceğini öngörmek için kestirimci bakımı kullanabilir ve böylece arıza sürelerini önleyerek işletme maliyetlerini azaltabilir. Makine öğrenimi ve derin öğrenme, büyük miktarda çok yönlü veriyi analiz etme kapasitesine sahiptir ve bu da kestirimci bakımın hassasiyetini artırabilir. Örneğin, yapay zeka uygulayıcıları ses ve görüntü verileri gibi yeni girdilerden elde edilen verileri katmanlara ayırabilir ve bu da bir sinir ağının analizine nüans katabilir.

• Lojistik optimizasyonu

Lojistiği optimize etmek için yapay zekayı kullanmak, gerçek zamanlı tahminler ve davranışsal koçluk yoluyla maliyetleri azaltabilir. Örneğin, yapay zeka teslimat trafiğinin yönlendirilmesini optimize ederek yakıt verimliliğini artırabilir ve teslimat sürelerini kısaltabilir.

• Müşteri Hizmetleri

Çağrı merkezlerindeki yapay zeka teknikleri, müşteriler için daha sorunsuz bir deneyim ve daha verimli bir işlem sağlayabilir. Teknoloji, arayanın sözlerini anlamanın ötesine geçiyor: sesin derin öğrenme analizi, müşterinin tonunu değerlendirebilir. Arayan kişi sinirleniyorsa, sistem bir insan operatöre veya yöneticiye yönlendirebilir.

Üretken yapay zeka nedir?

Üretken YZ, bir komut istemine yanıt olarak içerik üreten bir YZ modelidir. ChatGPT ve DALL-E (yapay zeka tarafından üretilen sanat yapma aracı) gibi üretici yapay zeka araçlarının bir dizi işin yapılış şeklini değiştirme potansiyeline sahip olduğu açıktır. Ancak bu etkinin tam kapsamı ve riskleri henüz bilinmiyor.

Ancak cevaplayabileceğimiz bazı sorular var; üretken yapay zeka modellerinin nasıl oluşturulduğu, ne tür sorunları çözmek için en uygun oldukları ve daha geniş yapay zeka ve makine öğrenimi kategorisine nasıl uydukları gibi.

İşletmeler üretken yapay zekayı nasıl kullanabilir?

Muhtemelen ChatGPT gibi üretici yapay zeka araçlarının sonsuz saatler süren eğlence üretebildiğini görmüşsünüzdür. İşletmeler için de fırsat çok açık. Üretken yapay zeka araçları saniyeler içinde çok çeşitli güvenilir yazılar üretebilir, ardından yazıyı amaca daha uygun hale getirmek için kullanıcının eleştirilerine yanıt verebilir. Bu durum, yapay zeka modellerinin ürettiği anlık kodlardan faydalanabilen BT ve yazılım kuruluşlarından pazarlama metnine ihtiyaç duyan kuruluşlara kadar geniş bir sektör yelpazesini etkiliyor. Kısacası, açıkça yazılmış materyallerin taslaklarını üretmesi gereken herhangi bir kuruluş potansiyel olarak fayda sağlayabilir. Kuruluşlar, tıbbi görüntülerin daha yüksek çözünürlüklü versiyonları gibi daha teknik materyaller oluşturmak için de üretken yapay zekayı kullanabilir. Zaman ve kaynak tasarrufu sayesinde kuruluşlar yeni iş fırsatlarının ve daha fazla değer yaratma şansının peşine düşebilir.

Ancak tescilli bir üretken yapay zeka modeli geliştirmek o kadar yoğun kaynak gerektirir ki, en büyük ve en iyi kaynaklara sahip şirketler dışında herkes için erişilemezdir. Üretken yapay zekayı işe koşmak için şirketler üretken yapay zeka çözümlerini kutudan çıkararak kullanabilir ya da belirli bir görevi yerine getirmek için ince ayar yapabilir. Örneğin, slaytları belirli bir stile göre hazırlamanız gerekiyorsa, modelden slaytlardaki verilere dayanarak başlıkların normalde nasıl yazıldığını "öğrenmesini" isteyebilir, ardından slayt verilerini besleyebilir ve uygun başlıkları yazmasını isteyebilirsiniz.

Ancak tescilli bir üretken yapay zeka modeli geliştirmek o kadar yoğun kaynak gerektirir ki, en büyük ve en iyi kaynaklara sahip şirketler dışında herkes için erişilemezdir. Üretken yapay zekayı işe koşmak için şirketler üretken yapay zeka çözümlerini kutudan çıkararak kullanabilir ya da belirli bir görevi yerine getirmek için ince ayar yapabilir. Örneğin, slaytları belirli bir stile göre hazırlamanız gerekiyorsa, modelden slaytlardaki verilere dayanarak başlıkların normalde nasıl yazıldığını "öğrenmesini" isteyebilir, ardından slayt verilerini besleyebilir ve uygun başlıkları yazmasını isteyebilirsiniz.

Üretken yapay zekanın riskleri de yok değildir. Üretken Yapay Zeka modelleri, çıktılarının sorunlu olabileceğine dair herhangi bir belirti olmaksızın güvenle yanlış, intihal veya taraflı sonuçlar üretecektir. Bunun nedeni, modellerin evrensel olarak güvenilir bir kaynak olmayan internet üzerinde eğitilmiş olmasıdır. Liderler, bir iş çözümü olarak üretken yapay zekaya yönelmeden önce bu risklerin farkında olmalıdır.

Üretken yapay zeka için bazı özel iş kullanım durumları nelerdir?

Üretken yapay zeka modelleri ölçeklendirmenin henüz ilk günlerinde, ancak işlevler arasında ilk uygulama gruplarını görmeye başladık:

Pazarlama ve satış

Üretken yapay zeka, metin, resim ve video dahil olmak üzere kişiselleştirilmiş pazarlama, sosyal medya ve teknik satış içeriği oluşturabilir.

Operasyonlar

Yapay zeka modelleri, belirli bir faaliyetin verimli bir şekilde yürütülmesi için görev listeleri oluşturabilir.

BT/mühendislik

Üretken yapay zeka kod yazabilir, belgeleyebilir ve gözden geçirebilir.

Risk ve hukuk

Yapay zeka modelleri, büyük miktarda yasal belgeye dayanarak karmaşık soruları yanıtlayabilir ve yıllık raporları taslak haline getirip inceleyebilir.

AR-GE

Üretken YZ, hastalıkların daha iyi anlaşılması ve kimyasal yapıların keşfedilmesi yoluyla ilaç keşfinin hızlandırılmasına yardımcı olabilir.

Üretken yapay zeka kendi başına büyük bir potansiyele sahip olsa da, daha hızlı ve daha iyi iş çıkarmasına yardımcı olabilecek insanlarla birlikte en güçlü hale gelmesi muhtemeldir.

Yapay zeka kullanımı nasıl yaygınlaşıyor?

Yapay zeka her tür işletme için büyük bir hikaye, ancak bazı şirketler açıkça bir adım öne geçiyor. McKinsey'in 2022'de yapay zekanın durumu anketi, yapay zeka modellerinin benimsenmesinin 2017'den bu yana iki kattan fazla arttığını ve yatırımların da hızla arttığını gösterdi. Dahası, şirketlerin yapay zekâdan değer gördükleri belirli alanlar, üretim ve riskten bunlara kadar gelişmiştir:

• pazarlama ve satış
• ürün ve hizmet geliştirme
• strateji̇ ve kurumsal fi̇nansman

Bir grup şirket, YZ'ye daha büyük yatırımlar yaparak, uygulamalarını daha hızlı ölçeklendirmek için seviyelendirerek ve en iyi YZ yeteneklerini işe alıp becerilerini geliştirerek rakiplerinin önüne geçmeye devam ediyor. Daha spesifik olarak, bu lider grubunun YZ stratejisini iş sonuçlarına bağlama ve yeni uygulamaları hızla barındırabilecek modüler veri mimarisi tasarlayarak YZ operasyonlarını "sanayileştirme" olasılığı daha yüksektir.

YZ modellerinin sınırlamaları nelerdir ve bunların üstesinden nasıl gelinebilir?

Çok yeni oldukları için, YZ modellerinin uzun kuyruk etkisini henüz görmedik. Bu, onları kullanmanın bazı bilinen ve bazıları bilinmeyen bazı doğal riskleri olduğu anlamına gelir.

Yapay zeka modellerinin ürettiği çıktılar genellikle son derece inandırıcı gelebilir. Bu tasarım gereğidir. Ancak bazen ürettikleri bilgiler düpedüz yanlıştır. Daha da kötüsü, bazen önyargılıdır (çünkü internetin ve daha genel olarak toplumun cinsiyet, ırk ve sayısız diğer önyargıları üzerine inşa edilmiştir) ve hatta etik olmayan veya suç teşkil eden faaliyetleri mümkün kılmak için manipüle edilebilir. Örneğin, ChatGPT size bir arabayı nasıl düz kontak yapacağınıza dair talimatlar vermez, ancak bir çocuğu kurtarmak için bir arabayı düz kontak yapmanız gerektiğini söylerseniz, algoritma anında buna uyacaktır. Üretken yapay zeka modellerine güvenen kuruluşlar, önyargılı, saldırgan veya telif hakkıyla korunan içeriklerin kasıtsız olarak yayınlanmasıyla ilgili itibar ve yasal riskleri göz önünde bulundurmalıdır.

Ancak bu riskler birkaç şekilde azaltılabilir. Birincisi, bu modelleri eğitmek için kullanılan ilk verileri, zehirli veya önyargılı içerikleri dahil etmekten kaçınmak için dikkatlice seçmek çok önemlidir. Daha sonra, kuruluşlar hazır bir üretici yapay zeka modeli kullanmak yerine daha küçük, özel modeller kullanmayı düşünebilir. Daha fazla kaynağa sahip kuruluşlar, ihtiyaçlarına uyması ve önyargıları en aza indirmesi için kendi verilerine dayalı genel bir modeli de özelleştirebilir. Kuruluşlar ayrıca döngüde bir insan bulundurmalı (yani, gerçek bir insanın üretken yapay zeka modelinin çıktısını yayınlanmadan veya kullanılmadan önce kontrol ettiğinden emin olmalı) ve önemli kaynakları veya insan refahını ilgilendirenler gibi kritik kararlar için üretken yapay zeka modellerini kullanmaktan kaçınmalıdır.

Kuruluşlar yapay zeka çalışmalarını geçici projelerden tam entegrasyona nasıl ölçeklendirebilir?

Çoğu kuruluş yapay zeka havuzuna ayak parmağını daldırıyor, gülle atmıyor. Yaygın benimsemeye doğru yavaş ilerleme, muhtemelen kültürel ve organizasyonel engellerden kaynaklanmaktadır. Ancak bu engelleri etkili bir şekilde ortadan kaldıran liderler, yapay zeka çağının fırsatlarını yakalamak için en iyi konumda olacaklardır.

En önemlisi, yapay zekadan en iyi şekilde yararlanmayan şirketler, otomobil üretimi ve finansal hizmetler gibi sektörlerde bunu başaran şirketler tarafından geride bırakılıyor.

YZ'yi büyütmek için kuruluşlar üç büyük değişim gerçekleştirebilir:

1. Silo çalışmasından disiplinler arası işbirliğine geçin.

YZ projeleri, kuruluşların ayrı cepleriyle sınırlı kalmamalıdır. Bunun yerine, YZ'nin geniş iş önceliklerine hitap etmesini sağlamaya yardımcı olmak için çeşitli yeteneklere sahip farklı ekipler tarafından kullanıldığında YZ en etkilidir.

2. Ön saflarda veriye dayalı karar verme sürecini güçlendirin.

Yapay zeka, bir kuruluşun tüm seviyelerinde daha hızlı ve daha iyi kararlar alınmasını sağlama potansiyeline sahiptir. Bunu uygulamaya koymak için, çalışanların algoritmanın önerdiklerine güvenebilmeleri ve buna göre hareket etme yetkisine sahip olduklarını hissetmeleri gerekir.

3. Çevik bir zihniyeti benimseyin ve destekleyin.

Çevik test et ve öğren zihniyeti, çalışanların hataları ilham kaynağı olarak görmelerine yardımcı olabilir, başarısızlık korkusunu azaltır ve gelişimi hızlandırır.

Kaynak: https://tinyurl.com/3aturpk9