Önceleri Yapay Zeka (Artificial Intelligence) ve Makine Öğrenimi (Machine Learning), konu Büyük Veri Analizi olduğunda (ve belki bazı bilim kurgu filmlerinde) karşımıza çıkıyordu. Fakat şimdi bu iki kavramı; kendi kendine giden arabalar, sanal asistanlar, akıllı ev aletleri ve yüz / ses tanıma çözümlerinin yaygınlaşması ile beraber, günlük hayatımızda görmezden gelmek artık imkansız.
Bu terimler oldukça yaygın olabilir, fakat birbirleriyle çok fazla ilişkili oldukları ve genellikle birbirlerinin yerine kullanıldığı için, genellikle karışıklığa neden oluyorlar. Peki Yapay Zeka ve Makine Öğrenimi arasında ne gibi bir fark var?
Farkı daha iyi açıklamak için önce geçmişlerine bir göz atalım:
Yapay zeka, makine öğreniminden daha uzun bir geçmişi dayanıyor. Bize yeni bir terim gibi gelebilir ancak Aristo’nun biçimsel ve mekanik düşünce metodu olan karşılaştırma metodolojisini (syllogism) bizlere tanıtmasından bu yana geçen yıllar boyunca incelenmiş ve geliştirilmiş olduğunu söyleyebiliriz.
Bununla birlikte, mevcut anlayışın gerçek doğuşu, 1940’lı ve 50’li yıllarda matematik, mühendislik, psikoloji, ekonomi ve siyaset bilimleri ile uğraşan bazı bilim insanlarının “yapay bir beyin yaratma” fikrini ortaya atmalarıyla başlıyor. Bu oluşum da, 1956’da ‘Yapay Zeka’ alanının akademik bir disiplin olarak kurulmasının ilk adımlarını atıyor.
Bu dönemde Alan Turing, düşünen makineleri yaratma ihtimalini speküle eden “Turing Test”i yayınlıyor. Bu testi geçebilmek için bir bilgisayar, bir insanla yapılan sohbetten ayırt edilemeyecek bir konuşma yapabilmeliydi. Bu “bir duruma tepki vermek için insanları taklit eden teknoloji” önerisi, yapay zeka felsefesindeki ilk ciddi tasarı olarak açıklanabilir. Daha basit anlatımla yapay zeka, insanlar gibi davranan (düşünen) makineleri içerir.
Geniş kapsama sahip bir alan olarak, daha sonraları “zeka yaratma” problemi bir takım alt sorunlara ayrılıp devamında her alt küme, kendi sorununu çözmek için ayrı bir çalışma alanı haline gelmiştir. Aşağıda başlıca Yapay Zeka sorunlarını * (Yapay Zeka hedeflerini) görebilirsiniz:
- Çıkarım, Akıl yürütme, Sorun Çözme
- Bilgi temsili
- Planlama ve zamanlama
- Makine öğrenimi
- Doğal dil işleme
- Algı (Bilgisayar vizyonu)
- Yaratıcılık
- Genel zeka, ya da güçlü yapay zeka
Yukarıda belertildiği gibi gibi, Makine Öğrenimini Yapay Zekanın bir alt kümesi olarak değerlendirebiliriz. Yapay zeka, insan gibi davranan bir teknoloji düşüncesiyken, makine öğrenme algoritmaları, büyük veri paternlerini ve değişmezlerini bulmaya yöneliktir. Bu kendi kendine öğrenme kabiliyetine sahip algoritmalar, makinelerin veri kümelerinden (çıkarım istatistikleri) öğrenim yapmasını sağlar ve bir görevin tamamlanmasının yolunu açan bir dizi adımdır.
Yapay zeka, makine öğrenimi dışında bilgi tabanları, doğal dil işleme, robotik vb. gibi başka alanları da kapsar. Ayrıca sembolik mantık (kural motorları, bilgi tabanları, uzman sistemler vb.), Bayesian istatistiği, robotik ve evrimsel algoritmalar yapay zekanın alanına girmekle beraber bunların hiçbirini makine öğrenimi kapsamaz.
Aşağıda, Ian Goodfellow’un Derin Öğrenme kitabından alınan, makine öğrenmesinin yapay zekanın (tamamı olmasa da) pek çok yaklaşımında nasıl kullanıldığını gösteren bir şemasını inceleyebilirsiniz:
Makine Öğrenme algoritmaları, varolan verilerin içindeki paternleri ve gelecekteki benzer modelleri saptayıp veri odaklı öngörülerde bulunabilirler. Bu algoritmalar, davranışları deneysel verilere dayanarak geliştirir, böylece belirli talimatların yardımıyla ve yeni koşullara uyarlanarak yazılım rutinlerini kodlamaktan fazlasını yapabilirler. Basitçe anlatmak gerekirse, makinelerin bir görevi nasıl gerçekleştireceğini tecrübelerden öğrenmek için “eğitildiğini” söyleyebiliriz.
Bu konu için en bilinen örnek, Google search olacaktır. Google aramalarında bir arama sorgusunu yanlış yazarsanız, örneğin aşağıdaki örnekteki gibi ‘speling’ yazdınız; Google makine öğrenme algoritmaları sizi : ‘spelling mi demek istediniz?’ şeklinde uyarır ya da sizi otomatik olarak ‘spelling’ aramasına yönlendirir. Algoritmalar algıladıkları sayısız örnekle beslenip (örneği yanlış yazdığınız anda fark edip düzeltirseniz, Google algoritmaları, başka bir şey araştırdıktan sonra bir şey aradığınızı fark eder) benzer yazım hatalarını, gelecekteki kullanıcılar için “akıllarında” bulundururlar. Basit bir deyişle, sizi düzeltmeyi öğrenirler.
Google algoritmalarına ek olarak, tavsiye motorları (alışveriş, Netflix filmi, sosyal medya vb.), sıralamalar (reklamlar, newsfeed, arama) ve kişisel asistanlar (Siri), günlük hayatımızda karşımıza çıkan Makine Öğrenmesi uygulamaları olarak sayılabilir.
Makine öğrenimi, yukarıda bahsettiğimiz basit kullanımlara ek olarak dolandırıcılık önleme, risk analizi, daha iyi müşteri içgörüsü edinme gibi diğer birçok alanda ve tıp bilimini geliştirmek gibi daha karmaşık çözümler için de yoğun bir şekilde kullanılmakta.
Görüldüğü üzere Yapay Zeka, temel olarak ‘zeka’ ya da ‘tüm bu kavramların genel teknolojisi’, makine öğrenimi de onu destekleyen, hesaba dayalı yöntemlerinin uygulanmasıdır.
Yapay zeka uygulamalarının çok uzun süre boyunca “çok da heyecan verici olmayan bir teknoloji” olarak hayatımızda yer almasının ardından, makine öğrenmesi kesinlikle bazı ilginç uygulamalarla bu teknolojiyi ayağa kaldırmayı ve bizleri büyülemeyi başardı.
Google DeepMind’in AlphaGo programı Güney Koreli usta Lee Se-dol’u bir board oyunu olan Go’da yendiğinde, yapay zeka ve makine öğreniminin sunabileceği çok şeyin olduğu ve büyük oyuncuların neden bu teknolojileri odak merkezleri haline getirdiği açıklığa kavuştu. Bu konularda yakın gelecekte heyecan verici birçok yenilik ve ortaya çıkacak yeni teknolojileri görmemiz kaçınılmaz.