Alan Turing’in öncülük ettiği yapay zeka alanındaki gelişmeler, teknoloji dünyasında devrim niteliğinde yeniliklere yol açmaya devam ediyor.
Detaylar haberimizde
Yapay zeka, dijital bilgisayarların veya bilgisayar kontrollü robotların, genellikle insan zekasıyla ilişkilendirilen görevleri yerine getirme yeteneğini ifade eder.
Akıl yürütme, öğrenme, anlam çıkarma ve genelleme yapma gibi insanlara özgü entelektüel süreçlerle donatılmış sistemler geliştirmek, yapay zeka çalışmalarının temelini oluşturur. Yapay zekanın tarihi, 1930’lu yıllarda Alan Turing’in öncülük ettiği teorik çalışmalarla başlamış ve günümüzde büyük dil modelleri gibi modern teknolojilerle devam etmiştir.
Alan Turing ve Yapay Zekanın Temelleri
İngiliz mantıkçı ve bilgisayar bilimcisi Alan Mathison Turing, yapay zeka alanındaki ilk önemli çalışmaları gerçekleştirdi. 1935 yılında, sınırsız bir belleğe sahip, bellekte ileri geri hareket eden, bulduklarını okuyan ve yeni semboller yazan soyut bir hesaplama makinesi fikrini ortaya koydu. Bu model, günümüzde evrensel Turing makinesi olarak bilinmektedir ve modern bilgisayarların temelini oluşturdu.
II. Dünya Savaşı sırasında İngiltere’nin Bletchley Park bölgesinde kripto analiz çalışmaları yürüten Turing, savaşın ardından bilgisayar zekası üzerine yoğunlaştı 1947 yılında Londra’da verdiği bir konferansta,
“İstediğimiz şey deneyimlerden öğrenebilen bir makine”
dedi. Makinenin kendi talimatlarını değiştirebilme olasılığına dikkat çekti. 1948 yılında kaleme aldığı ancak yayımlanmayan “Akıllı Makineler” adlı raporunda yapay zekanın temel kavramlarını ortaya koydu.
Turing ve Satranç Programları
Alan Turing, yapay zekanın problem çözme yeteneğini test etmek için satranç oyununu kullanmıştır. Teorik olarak, bir bilgisayar tüm olası hamleleri inceleyerek satranç oynayabilir; ancak pratikte bu işlem astronomik derecede fazla kombinasyonu içerdiğinden, sezgisel yöntemler gerekmekte.
Turing, satranç programları üzerine çeşitli teoriler geliştirmiş ancak programlarını çalıştıracak bir bilgisayar olmadığından bunları yalnızca kağıt üzerinde test edebilmiştir.
1997 yılında, IBM tarafından geliştirilen Deep Blue, dünya satranç şampiyonu Garry Kasparov’u altı maçlık seride mağlup ederek Turing’in öngörüsünü gerçeğe dönüştürmüştür. Ancak, satranç programlamadaki ilerlemelerin büyük ölçüde yapay zekadan ziyade bilgisayar mühendisliğindeki gelişmelere bağlı olduğu görülmüştür.
10 Şubat 1996
Turing Testi: Yapay Zekanın Zeka Kriteri
1950 yılında Turing, yapay zekanın zekasını değerlendirmek için bir test önerdi. Turing Testi olarak bilinen bu yöntem, bir insan sorgulayıcı ile bir bilgisayar ve bir insanın yazılı ortamda iletişim kurmasını gerektirir. Sorgulayıcı, sorular sorarak hangisinin bilgisayar olduğunu belirlemeye çalışır. Eğer bilgisayar, insandan ayırt edilemezse, zeki kabul edilir.
1991 yılında, Amerikalı hayırsever Hugh Loebner, Loebner Ödülü yarışmasını başlatarak, Turing Testi’ni geçen ilk bilgisayara 100.000 dolar ödül vadetmiştir. Ancak hiçbir yapay zeka programı tam anlamıyla bu testi geçememiştir.
2022’de büyük dil modeli ChatGPT, Turing Testi’nin geçilip geçilmediği konusunda yeni tartışmalar başlatmıştır. Bazı uzmanlar, ChatGPT’nin gerçek bir Turing Testi’ni geçemediğini çünkü kendisinin bir yapay zeka olduğunu belirttiğini savunmaktadır.
Yapay Zekanın İlk Kilometre Taşları
1951 yılında, Oxford Üniversitesi’nden Christopher Strachey tarafından yazılan ilk başarılı yapay zeka programı, Manchester Üniversitesi’ndeki Ferranti Mark I bilgisayarında çalıştırılmıştır. Strachey’nin dama oyunu programı, 1952 yazına kadar tam bir oyunu makul bir hızda oynayabilecek seviyeye ulaşmıştır.
1952 yılında Cambridge Üniversitesi’nden Anthony Oettinger tarafından geliştirilen Shopper, yapay zekanın ilk öğrenme yeteneğini gösteren programlardan biri olmuştur.
Shopper, sekiz mağazadan oluşan bir simüle edilmiş alışveriş merkezinde, ürünleri rastgele ararken önceki deneyimlerinden öğrenerek daha verimli aramalar yapabilmiştir.
Evrimsel Bilişim ve Genetik Algoritmalar
Yapay zeka tarihindeki bir diğer önemli gelişme, evrimsel hesaplama kavramı. 1952 yılında John Holland, IBM 701 prototipi için yapay sinir ağları üzerine çalışmalar yürütmüştür. Holland, yapay zekanın gelişimi için genetik algoritmalar fikrini ortaya atmış ve bu algoritmaların optimizasyon süreçlerinde kullanılabileceğini göstermiştir.
Günümüzde, genetik algoritmalar finans, mühendislik ve biyoinformatik gibi birçok alanda kullanılmakta. Yapay zekanın evrimsel hesaplamalar ile geliştirilmesi, makinelerin kendilerini sürekli olarak optimize etmesine ve daha iyi sonuçlar üretmesine olanak tanımakta.
Yapay Zekanın Geleceği
Yapay zeka, Alan Turing’in teorik çalışmalarıyla başlayan yolculuğunda büyük gelişmeler kaydetti. Günümüzde, makine öğrenimi ve derin öğrenme algoritmaları ile donatılmış yapay zeka sistemleri, sağlık, finans, otomotiv ve birçok farklı sektörde devrim yaratmakta. Ancak, etik ve güvenlik konularının da bu gelişmelerle birlikte ele alınması gerekmekte.
Gelecekte yapay zeka, insan hayatını daha da kolaylaştıracak çözümler sunarken, insan-makine etkileşimini de yeniden tanımlayacak. Bu süreçte, Turing’in temellerini attığı yapay zeka anlayışı, bilim dünyasında rehber olmaya devam edecek.
Mantıksal Muhakeme ve Problem Çözme: Yapay Zekanın Temelleri
Yapay zeka araştırmalarının en önemli alanlarından biri mantıksal akıl yürütme yeteneği. Bu alan, tarih boyunca birçok dönüm noktasına tanıklık etmiştir.
1955-1956 yıllarında, RAND Corporation’dan Allen Newell ve J. Clifford Shaw ile Carnegie Mellon Üniversitesi’nden Herbert Simon, bu alanda büyük bir adım attı.
Üçlü tarafından geliştirilen ve daha sonra “Logic Theorist” olarak adlandırılan teorem ispatlama programı, İngiliz filozof ve matematikçiler Alfred North Whitehead ve Bertrand Russell tarafından yazılan Principia Mathematica (1910-1913) adlı üç ciltlik eserdeki teoremleri ispatlamak için tasarlandı. Bu programın oluşturduğu bazı ispatlar, kitapta sunulanlardan bile daha zarifti.
Newell, Simon ve Shaw, bu projeyi bir adım öteye taşıyarak Genel Problem Çözücü (GPS) adlı daha güçlü bir program geliştirdiler. İlk versiyonu 1957’de çalıştırılan GPS, yaklaşık on yıl boyunca geliştirildi. Bu sistem, deneme-yanılma yöntemi kullanarak birçok farklı bulmacayı çözebiliyordu.
Ancak GPS’in ve benzeri sistemlerin en büyük eleştirisi, öğrenme yeteneğinden yoksun olmalarıydı. Programın başarısı, tamamen programcının önceden dahil ettiği bilgilere dayanıyordu.
Yapay Zekada İngilizce Diyalog: Eliza ve Parry
Yapay zekanın insanlarla etkileşim kurmasını sağlayan ilk programlar arasında Eliza ve Parry büyük yankı uyandırdı. MIT Yapay Zeka Laboratuvarı‘ndan Joseph Weizenbaum tarafından geliştirilen Eliza, bir psikoterapisti simüle ediyordu.
Stanford Üniversitesi’nden psikiyatrist Kenneth Colby tarafından geliştirilen Parry ise paranoya hastalığına sahip bir bireyin davranışlarını taklit ediyordu. Hatta psikiyatristler, Parry’nin gerçek bir insan mı yoksa bir yazılım mı olduğunu çoğu zaman ayırt edemiyordu. Ancak her iki program da basit kurallara dayanıyordu ve gerçekten “zeki” olarak değerlendirilemezdi. Konuşmaların çoğu önceden belirlenmiş şablonlardan oluşuyordu.
Yapay Zeka Programlama Dillerinin Evrimi
Yapay zeka programlama dilleri, bu alandaki araştırmaların gelişimini büyük ölçüde şekillendirdi. Logic Theorist ve GPS üzerinde çalışırken Newell, Simon ve Shaw, özel olarak yapay zeka için tasarlanmış Bilgi İşleme Dili (IPL) adlı bir dil geliştirdi. IPL’nin merkezinde, veri yapısını esnek hale getiren liste kavramı bulunuyordu.
1960 yılında John McCarthy, IPL’nin özelliklerini lambda hesabı ile birleştirerek LISP (Liste İşlemcisi) programlama dilini geliştirdi. Onlarca yıl boyunca Amerika Birleşik Devletleri’nde yapay zeka çalışmalarının en yaygın dili olan LISP, 21. yüzyılda Python, Java ve C++ gibi modern dillerle yer değiştirdi.
Avrupa’da ve Japonya’da ise PROLOG dili ön plana çıktı. 1973 yılında Fransa’daki Aix-Marseille Üniversitesi’nde Alain Colmerauer tarafından geliştirilen PROLOG, mantıksal çıkarım yapabilen güçlü bir dildi ve yapay zeka araştırmalarında geniş bir kullanım alanı buldu.
Mikrodünya Programları: Yapay Zekanın Gerçeklikle İmtihanı
Gerçek dünyanın karmaşıklığını aşmak için bilim insanları, yapay zekayı öncelikle daha basitleştirilmiş ortamlarda test etmeyi tercih ettiler. 1970’te MIT Yapay Zeka Laboratuvarı’ndan Marvin Minsky ve Seymour Papert, mikrodünya yaklaşımını önerdi. Bu yöntemde, yapay zeka sistemleri gerçek dünyayı değil, daha küçük ve kontrol edilebilir ortamları temel alıyordu.
Bu yaklaşımın önemli başarılarından biri, MIT’den Terry Winograd tarafından geliştirilen SHRDLU programıydı. 1972’de yayımlanan bu sistem, bir robot kolu yönlendirerek belirli komutlara yanıt veriyordu. Ancak SHRDLU, geniş ölçekli yapay zeka uygulamaları için yetersiz kaldı. Program, blok dünyasının dışında çalışamıyordu ve gerçek dünyaya uygulanabilirliği sınırlıydı.
Mikrodünya araştırmalarının bir diğer önemli ürünü, 1968-1972 yılları arasında Stanford Araştırma Enstitüsü’nde geliştirilen mobil robot Shakey idi.
Shakey, özel olarak tasarlanmış bir ortamda hareket edebiliyordu. Ancak çok basitleştirilmiş çevresine rağmen oldukça yavaş çalışıyordu. İnsanların birkaç dakika içinde gerçekleştirdiği eylemleri, Shakey günler içinde tamamlayabiliyordu.
Uzman Sistemler: Bilgi ve Çıkarım Mekanizmaları
Mikrodünya yaklaşımının en büyük başarılarından biri, uzman sistemler olarak bilinen program türlerinin geliştirilmesi oldu. Uzman sistemler, belirli bir konuda uzman kişilerden alınan bilgileri içeren bilgi tabanı (KB) ve bu bilgileri kullanarak sonuçlar üreten çıkarım motoru bileşenlerinden oluşuyordu. Bilgi mühendisi, uzmanlardan topladığı bilgileri “eğer-o zaman” formatında kurallar halinde düzenliyordu.
Uzman sistemler, özellikle tıp, mühendislik ve finans gibi alanlarda büyük bir etki yarattı. Bir sistem, “Eğer x doğruysa, o zaman y doğrudur” ve “Eğer y doğruysa, o zaman z doğrudur” gibi kurallar içeriyorsa, çıkarım motoru “Eğer x doğruysa, o zaman z doğrudur” sonucuna ulaşabiliyordu. Bu sistemler, günümüzde birçok alanda kullanılmaya devam etmekte.
Uzman Sistemler ve Yapay Zeka Alanındaki Gelişmeler
Yapay zeka teknolojileri, mantıksal muhakeme ve problem çözme yetenekleri ile gün geçtikçe gelişim kaydetmekte. Bu bağlamda, uzman sistemler ve bağlantıcılık gibi yaklaşımlar, yapay zekanın önemli bölümlerinden biri haline gelmiş durumda.
Bulanık Mantık ve Uzman Sistemler
Uzman sistemler bazen bulanık mantık kullanarak belirsiz bilgileri işleyebilir. Geleneksel mantıkta yalnızca iki doğruluk değeri bulunur: doğru ve yanlış. Ancak, gerçek hayatta sıkça belirsiz ifadeler kullanılır. (“Ne zaman seyrek bir saç kel bir kafaya dönüşür?” gibi.) Bu nedenle, uzman sistemlerin bulanık mantık kullanması büyük avantaj sağlar.
DENDRAL: Kimyasal Analizde Uzman Sistem Kullanımı
Stanford Üniversitesi’nden Edward Feigenbaum ve Joshua Lederberg, 1965’te DENDRAL isimli uzman sistemi geliştirdi. Bu sistem, karbon, hidrojen ve nitrojen gibi elementlerden oluşan karmaşık bilesikleri analiz ederek moleküler yapılarını tahmin ediyordu.
DENDRAL, uzman kimyagerlerle yarışabilecek düzeyde başarılı sonuçlar elde etti ve akademik ile endüstriyel alanlarda kullanıldı.
MYCIN: Tıbbi Teşhiste Yapay Zeka
1972’de Stanford Üniversitesi’nde başlatılan MYCIN, kan enfeksiyonlarını teşhis etmek ve tedavi önerileri sunmak amacıyla geliştirildi.
MYCIN, semptomlar ve laboratuvar sonuçlarına dayanarak hastalıkları tespit ediyor ve uzmanların bilgisine yakın bir düzeyde sonuçlar üretiyordu. Bununla birlikte, bu tür sistemlerin sağduyuya sahip olmaması ve yanlış verilerle çalışabilmesi büyük bir eksiklik olarak görüldü.
CYC Projesi ve Sağduyu Bilgisi
1984’te başlatılan CYC projesi, bilgisayarlara insan sağduyusunu kazandırmayı amaçlıyordu. Proje, milyonlarca sağduyulu bilgiyi bir bilgi tabanına ekleyerek yapay zekanın daha akılcı çıkarımlar yapmasını hedefledi. Ancak, bilgiye erişim ve problem çözme süreci gibi teknik zorluklar nedeniyle projenin başarısı sınırlı kaldı.
Bağlantıcılık: Yapay Sinir Ağları
Bağlantıcılık, insan beyninin çalışma prensiplerini taklit eden yapay sinir ağlarının temelini oluşturur. 1943’te Warren McCulloch ve Walter Pitts, beyin nöronlarını dijital işlemciler olarak modelleyerek sinir ağları teorisini ortaya koydular.
1954’te MIT’den Belmont Farley ve Wesley Clark, ilk yapay sinir ağını geliştirerek basit desenleri tanıyabilen sistemler oluşturdular. Nöronlar arasındaki bağlantılar, deneyimlere göre ağırlıklarını değiştirerek öğrenme sağlıyordu. Bu sayede, sistemler tamamen mekanik bir yolla bilgi öğrenebilir hale geldi.
Yapay Zeka Gelecekte Nereye Gidiyor?
Uzman sistemler, bulanık mantık ve bağlantıcılık yaklaşımları, yapay zekanın gelecekteki gelişimini şekillendirmeye devam edecek. Sağduyu bilgisini ve insan benzeri düşünme yetilerini kazanan sistemler, tıp, endüstri, finans ve eğitim gibi birçok alanda devrim yaratmaya aday.
Yapay zeka alanındaki bu gelişmelere paralel olarak, etik ve güvenlik sorunları da önemli bir tartışma konusu olmaya devam edecek. Gelecekte, yapay zeka teknolojileri daha insana yakın karar mekanizmaları geliştirerek şirketler ve bireyler için büyük kolaylıklar sağlayacak. Ancak, bu gelişmelerin sorumlu ve etik bir çerçeve içinde ilerlemesi büyük önem taşıyor.
Yapay Zeka ve Algılayıcıların Evrimi
Algılayıcıların Gelişimi ve Yapay Sinir Ağları
1957 yılında, New York Ithaca’daki Cornell Üniversitesi’nde bulunan Cornell Havacılık Laboratuvarı’nda Frank Rosenblatt, perceptron adı verilen yapay sinir ağları üzerinde araştırmalar yapmaya başladı. Bu çalışmalar, yapay zeka alanına hem bilgisayar simülasyonlarıyla hem de matematiksel analizlerle önemli katkılar sağladı.
Rosenblatt, bağlantıcılık olarak adlandırılan yaklaşımıyla nöronlar arasındaki bağlantıların oluşturulması ve değiştirilmesinin öğrenmedeki kritik rolünü vurguladı. Günümüzde modern yapay zeka araştırmaları bu terimi benimsemiştir.
En önemli katkılarından biri, Farley ve Clark’ın yalnızca iki katmanlı ağlara uyguladığı eğitim prosedürünü çok katmanlı ağlara uyarlayarak geliştirmesiydi. Geri yayılma (backpropagation) olarak bilinen bu yöntem, yapay sinir ağlarının daha karmaşık öğrenme süreçlerine adapte olmasını sağladı.
Yapay Sinir Ağlarının Dil ve Öğrenme Üzerindeki Etkisi
1986 yılında, San Diego’daki California Üniversitesi’nde yapılan bir deneyde David Rumelhart ve James McClelland, 460 nörondan oluşan iki katmanlı bir sinir ağını İngilizce fiillerin geçmiş zaman çekimlerini öğrenmek üzere eğitti. Yaklaşık 400 farklı fiil, ağın girişine sunuldu ve bağlantılar, her sunumdan sonra güncellendi. 200 tekrar sonunda, ağ yeni fiillerin geçmiş zamanlarını tahmin edebilecek hale geldi. Bu çalışma, yapay sinir ağlarının genelleme yeteneğini ortaya koyan önemli bir örnek olarak kabul edilir.
Bağlantıcılık yaklaşımı, “paralel dağıtılmış işleme” olarak da bilinir. Bu yöntem, birçok basit işlemcinin paralel olarak çalışmasını ve bilgilerin dağıtılmış şekilde depolanmasını içerir. İnsan beyninin bilgiyi nasıl işlediğine dair önemli ipuçları sunan bu yaklaşım, yapay sinir ağlarının öğrenme süreçlerinde kritik bir rol oynamakta.
Yapay Sinir Ağlarının Günümüzdeki Kullanım Alanları
Gelişen yapay sinir ağları teknolojisi, birçok farklı alanda aktif olarak kullanılmakta:
Görsel Algı: Sinir ağları, görüntülerdeki nesneleri ve yüzleri tanıyabilir, örneğin kedi ve köpek ayrımı yapabilir.
Dil İşleme: El yazısı ve basılı metinleri elektronik formata çevirebilir, konuşmayı metne ve metni konuşmaya dönüştürebilir.
Finansal Analiz: Kredi risk değerlendirmesi, hisse senedi fiyat tahmini ve iflas analizinde kullanılır.
Tıp: Akciğer nodüllerinin ve kalp aritmilerinin tespitinde, ilaç reaksiyonlarının tahmininde kullanılır.
Telekomünikasyon: Telefon ağlarını kontrol etme ve uydu bağlantılarında yankı iptali sağlama gibi görevlerde rol oynar.
Nouvelle AI: Yeni Yapay Zeka Yaklaşımı
1980’lerin sonunda, MIT AI Laboratuvarı’nda Rodney Brooks tarafından geliştirilen Nouvelle AI (Yeni Yapay Zeka) yöntemi, güçlü yapay zeka hedeflerinden uzaklaşarak, böcek seviyesinde zekayı simüle etmeye odaklanmıştır. Bu yaklaşım, geleneksel yapay zekanın sembolik modellerine dayanmaktansa, çevreyle doğrudan etkileşimi esas alır.
Nouvelle AI, “çevresel bilgiye doğrudan erişim” prensibiyle çalışır. Bu sistemler, dünyanın içsel bir modeline değil, doğrudan çevredeki verilere dayanır. Bu sayede, sistem çevresini algılayarak sürekli olarak güncellenen bir bilgi kaynağına sahip olur.
Nouvelle AI’nın önemli bir örneği, MIT AI Laboratuvarı’nda geliştirilen Herbert adlı robot olmuştur. Herbert, çevresindeki boş soda kutularını bulup toplamak gibi temel bir görevi yerine getirebiliyordu. Bu tür sistemler, sembolik yapay zekanın temel sorunlarından biri olan çerçeve problemine takılmadan, doğrudan çevresel verilerle hareket etmekte.
Durumsal Yaklaşım ve Gelecekteki Yapay Zeka
Nouvelle AI, durumsal yaklaşım adı verilen bir yönteme dayanır. Geleneksel yapay zeka modelleri, genellikle yalnızca soyut problemlerle ilgilenirken, durumsal yaklaşım fiziksel dünya ile doğrudan etkileşime giren sistemler inşa etmeyi hedefler.
Alan Turing’in 1950’lerde öngördüğü gibi, en iyi yapay zeka sistemleri yalnızca satranç oynamak gibi görevler yerine getirmekten ziyade, bir çocuğun öğrenme sürecini taklit ederek geliştirilmeli.
Bert Dreyfus gibi eleştirmenler, bağlantıcı ve durumsal yaklaşımların, yapay zekanın geleceği için çok daha uygun olabileceğini savunmuştur. Günümüzde, bu yaklaşımlar otonom araçlar, robotik sistemler ve akıllı cihazlar için temel oluşturuyor.
Ancak, Nouvelle AI’nın eleştirmenleri, bu tür sistemlerin bilinç ya da dil yetenekleri geliştirme konusunda sınırlı kaldığını belirtmekte. Gelecekteki araştırmalar, yapay zekanın daha üst seviyelere ulaşabilmesi için bağlantıcılık ve durumsal yaklaşımın nasıl daha verimli hale getirilebileceği üzerine yoğunlaşmakta.
Yapay sinir ağları ve Nouvelle AI gibi yeni yaklaşımlar, yapay zekanın evriminde kritik rol oynamakta. Sembolik yapay zeka ile bağlantıcı yaklaşımlar arasındaki tartışma devam ederken, günümüz teknolojisi bu iki yöntemin birleşimiyle giderek daha gelişmiş sistemler yaratmakta.
Gelecekte yapay zeka sistemlerinin insan beynine daha yakın bir öğrenme kapasitesine sahip olup olmayacağı ise merakla beklenmekte.
Derleyen: Ceren Bal
