Yapay zekâ, insanın bütün zihinsel yetilerini tek bir makinede yeniden kuran değişmez bir teknoloji adı değildir. Alan, çevreden veri alma, örüntü tanıma, bilgi üzerinde çıkarım yapma, seçenekler arasında plan kurma, doğal dili işleme ve belirli hedefler için çıktı üretme gibi farklı problemleri inceler. Bir sistem bu işlerden birinde yüksek başarı gösterirken başka bir görevde hiçbir yeteneğe sahip olmayabilir. Kural tabanlı yöntemler, arama ve planlama algoritmaları, olasılıksal modeller ve makine öğrenmesi aynı geniş alan içinde farklı araçlardır. Sistemin “akıllı” diye adlandırılması, doğru, güvenli veya uygun olduğu anlamına gelmez. Amaç, kullanım bağlamı, eğitim ve değerlendirme verisi, hata maliyeti, insan denetimi ve işletim koşulları açıkça tanımlanmalıdır. Sağlam inceleme, etkileyici tek örnek yerine hangi girdilerde nasıl davrandığını, sınırlarını ve sonuçtan kimin sorumlu olduğunu belgeler. Alan hızla geliştiği için belirli ürün adı veya güncel model ailesi kalıcı tanımın merkezine yerleştirilmez. Yeni bir yöntem, önce hangi problemi farklı çözdüğü, hangi kanıtla daha iyi olduğu ve hangi yeni riskleri getirdiği üzerinden değerlendirilir. İnsanla karşılaştırma ancak aynı görev, bilgiye erişim ve hata ölçüsü sağlandığında anlamlıdır. Gösterişli bir çıktı, sistemin kararlı genelleme yaptığını veya gerçek kullanımda yararlı olacağını tek başına kanıtlamaz.
Yapay zekâ sisteminde amaçtan gözleme
- Amaç Çözülecek görev ve etkilenen bağlam
- Veri ve bilgi Gözlem, temsil ve kurallar
- Yöntem Arama, çıkarım, öğrenme ve planlama
- Değerlendirme Başarım, hata ve güvenilirlik
- Gözetim İnsan kararı, izleme ve düzeltme
Alanın kapsamı ve problem türleri
Yapay zekâ araştırmaları problem çözme, oyun, planlama, robotik, bilgisayarlı görü, konuşma ve dil işleme gibi birçok alt alanı kapsar. Ortak nokta, sistemin yalnız sabit bir hesap yapması değil, durumlar arasından hedefle ilişkili bir çıktı seçmesidir. Ancak bir vergi toplamını hesaplayan programın yapay zekâ sayılmaması, kullanılan işlemin basit olmasından çok davranışın önceden eksiksiz belirlenmiş olmasına bağlıdır. Sınır tarih içinde değişebilir; bir zamanlar araştırma problemi olan yöntem sıradan yazılım bileşenine dönüşebilir. Bu yüzden tanım ürün etiketi yerine işlev ve yöntem üzerinden kurulur.
Dar görev sistemi belirli girdi ve hedef için tasarlanır. Görüntüde nesne bulma, rota önerme veya belge sınıflandırma bunun örnekleridir. Farklı görevleri yerine getirebilen genel amaçlı model daha geniş kullanım sunsa da her bağlamda güvenilir değildir. İnsan benzeri metin üretmesi dünyaya ilişkin bütün önermeleri doğruladığını göstermez. Zekâ düzeyi tek bir çizgide ölçülmez; algı, bellek, genelleme, araç kullanma ve toplumsal yorum farklı yeteneklerdir. Sistemin yeterliği amaçlanan kullanım ve sınanmış koşullarla birlikte açıklanır.
Bilgi gösterimi, arama ve çıkarım
Kural tabanlı sistemler alan bilgisini olgu ve koşul-sonuç ilişkileriyle gösterir. Çıkarım motoru bu kuralları uygulayarak yeni sonuçlar üretir. Bilginin açık olması karar yolunu izlemeyi kolaylaştırabilir, ancak geniş ve değişken alanlarda kuralları elle oluşturmak zordur. Ontoloji kavramları ve ilişkileri ortak bir sözlükte düzenler; mantıksal gösterim çelişki ve sonuç ilişkisini biçimsel olarak inceleyebilir. Gerçek dünyadaki belirsizlik için olasılıksal modeller, tek doğru değer yerine olası durumların dağılımını temsil eder.
Arama, olası durumlar arasından hedefe götüren yol veya eylem dizisini bulur. Bütün seçenekleri denemek çoğu problemde olanaksız olduğundan sezgisel değerler umut vadeden yönü öne çıkarır. Sezginin hızlı olması doğru sonucu garanti etmez; kabul edilebilir hata ve arama sınırı belirtilir. Planlama, eylemlerin ön koşul ve etkilerini kullanarak hedef duruma ulaşan sıra kurar. Ortam değişkense plan yürütme sırasında yeniden değerlendirilebilir. Bilgi tabanlı ve öğrenen yöntemler birbirini dışlamaz; model çıktısı açık kurallar ve alan kısıtlarıyla denetlenebilir.
Makine öğrenmesi ile ilişki ve veri temeli
Makine öğrenmesi, yapay zekânın veriden örüntü ve karar işlevi edinmeye odaklanan bölümüdür; yapay zekânın tamamı değildir. Bir model örneklerden sınıflandırma, tahmin veya üretim davranışı öğrenebilir. Öğrenme süreci hedef işlev, veri gösterimi, kayıp ölçüsü ve iyileştirme yöntemini içerir. Eğitim verisindeki düzen, hatalı etiket ve eksik grup model davranışına yansır. Büyük veri tek başına uygun veri anlamına gelmez. Kaynak, izin, zaman aralığı ve örnekleme yöntemi belgelenerek modelin neyi temsil ettiği sınırlandırılır.
Öğrenen bileşen, geleneksel yazılım ve insan iş akışı içinde çalışır. Belge sınıflandırma modeli bir olasılık üretir; eşik, hata durumunda yönlendirme, kullanıcı arayüzü ve kayıt politikası sistem tasarımıyla belirlenir. Model başarımı yüksek olsa bile yanlış sonucun maliyeti bazı gruplarda yoğunlaşabilir. Eğitimden farklı veri dağılımı üretimde başarıyı düşürür. Bu nedenle veri kayması, kalibrasyon ve geri bildirim düzenli izlenir. Modeli güncellemek yalnız yeni dosya yüklemek değil, davranış değişikliğini sürümleyip yeniden onaylamaktır.
Değerlendirme, açıklanabilirlik ve güven
Değerlendirme ölçüsü göreve göre seçilir. Dengesiz sınıflarda genel doğruluk, nadir ama önemli hatayı gizleyebilir; kesinlik, duyarlılık ve hata maliyeti birlikte incelenir. Üretici sistemlerde tek bir doğru yanıt bulunmayabilir; olgusal tutarlılık, görev başarısı, güvenlik ve insan değerlendirmesi ayrı ölçülür. Test verisinin eğitimle örtüşmesi sonucu şişirir. Alt gruplar, uç durumlar ve kasıtlı zorlayıcı girdiler bağımsız deneme kümelerinde sınanır. Ölçüm belirsizliği ve örnek sayısı raporlanmadan küçük farklar üstünlük sayılmaz.
Açıklanabilirlik, her sistem için aynı tür açıklama istemez. Geliştirici hatayı bulmak için özellik etkisini, kullanıcı belirli kararın nedenini, denetleyici süreç ve veri kaydını görmek isteyebilir. Sonradan üretilen açıklama modelin gerçek karar mekanizmasını tam yansıtmayabilir. Güven, akıcı bir gerekçeden değil, sınanmış performans, izlenebilir veri, yetki sınırı ve itiraz yolundan doğar. Model belirsizliğini saklamak yerine uygun biçimde göstermeli; yüksek riskli kararda insanın yalnız sembolik onay veren konuma düşmesi önlenmelidir.
Risk yönetimi ve sistem yaşam döngüsü
Yapay zekâ riski yalnız saldırganın sistemi bozması değildir. Yanlış amaç, temsil etmeyen veri, mahremiyet ihlali, ayrımcı etki, güvenilmez otomasyon ve kötüye kullanım da değerlendirilir. NIST AI RMF, yönetişim, bağlamı haritalama, ölçme ve yönetme işlevlerini sürekli bir döngü olarak ele alır. Kurum bu başlıkları somut sahip, eşik ve kanıta dönüştürür. Risk değerlendirmesi bir kez yapılan belge değildir; veri, model, kullanıcı grubu veya kullanım amacı değiştiğinde yeniden yürütülür.
Yaşam döngüsü veri edinimi, geliştirme, değerlendirme, dağıtım, izleme ve hizmetten kaldırmayı kapsar. Model kartı veya benzeri kayıt amaç, veri, ölçüm ve bilinen sınırlara ortak görünürlük sağlayabilir. Erişim kaydı ve sürüm bilgisi olay incelemesini destekler. Kötüye kullanım denemeleri yalnız yayımdan önce değil, tehdit değiştikçe yinelenir. Kullanıcı verisinin geri bildirime dönüştürülmesi için açık amaç ve izin gerekir. Sistem beklenen güvenceyi sağlayamıyorsa kapsam daraltma, insan incelemesini artırma veya kullanımdan kaldırma seçenekleri gerçek olmalıdır.
Terim kullanımı, toplumsal anlatı ve GTS bağlantısı
Genel dilde “yapay zekâ” bazen model, uygulama, robot, otomasyon veya bütün bir şirket hizmeti için kullanılır. Teknik açıklamada bu katmanlar ayrılır. Bir sohbet arayüzünün davranışı model kadar sistem iletisi, bilgi erişimi, güvenlik filtresi ve ürün kararlarından doğar. “Yapay zekâ karar verdi” ifadesi sorumluluk zincirini görünmez kılabilir; sistemi tasarlayan, kullanan ve sonucu onaylayan aktörler belirtilir. İnsanlaştırıcı anlatım iletişimi kolaylaştırsa da niyet, duygu veya kesin anlayış kanıtı gibi kullanılmaz.
T-BDLD'de “yapay zekâ”, “yapay zekâ sistemi”, “üretken yapay zekâ”, “karar destek sistemi” ve “akıllı sistem” sorguları kullanımın akademik, haber ve genel metinlerdeki gelişimini canlı gösterir. Şapkasız “zeka” yazımı aramada eşleştirilebilir, fakat madde başı Türkçe yazım düzenine göre korunur. Reklam diliyle teknik açıklama, cümle bağlamı ve kaynak türü üzerinden ayrılır. Yeni veriler terimin yayılımını günceller; ansiklopedi metni yöntem, amaç ve sorumluluk sınırını sürümlü editoryal denetimle korur.
Doğrulanmış kaynakça
- Association for Computing Machinery, IEEE Computer Society ve Association for the Advancement of Artificial Intelligence (2024). Computer Science Curricula 2023: The Final Report. Kaynağı aç
- International Organization for Standardization (2022). ISO/IEC 22989:2022, Information technology — Artificial intelligence — Artificial intelligence concepts and terminology. Kaynağı aç
- Tabassi, Elham (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. DOI: 10.6028/NIST.AI.100-1. Kaynağı aç