Yapay zekâ tek bir ölçüte göre sınıflandırılmaz. En anlaşılır yaklaşım, önce sistemin ne kadar genel bir yeteneğe sahip olduğuna, ardından nasıl öğrendiğine ve bilgiyi nasıl işlediğine bakmaktır. Böylece bir sistem aynı anda dar kapsamlı, denetimli öğrenme kullanan ve sinir ağı tabanlı olabilir. Bu ayrımları öğrendiğinizde, bir yapay zekâ sisteminin ne yaptığını ve ne yapamadığını daha doğru yorumlayabilirsiniz.
Sınıflandırma başlıkları birbirinin alternatifi değildir. Örneğin e-posta istenmeyen ileti tespiti yapan bir sistem, görev kapsamı bakımından dar yapay zekâ; eğitim yöntemi bakımından denetimli öğrenme; teknik yapı bakımından da makine öğrenmesi ve sinir ağı tabanlı bir sistem olabilir.
Bu nedenle “Bu yapay zekâ hangi tür?” sorusunun tek bir yanıtı olmayabilir. Doğru yanıt için en az üç soru sorulur: Hangi görevi yapıyor? Nasıl öğreniyor? Çıktıyı nasıl üretiyor?
Dar yapay zekâ (ANI), belirli bir görevi veya sınırlı bir görev grubunu yerine getirmek üzere tasarlanır. Görsel sınıflandırma, konuşma tanıma, öneri sistemleri ve metin oluşturma araçları bu kategori içinde değerlendirilebilir. Başarılı olduğu alanın dışına kendiliğinden güvenilir biçimde genellenmesi beklenmez.
Örneğin bir model, “Bu e-postayı istenmeyen ileti olarak işaretle” görevinde başarılı olabilir; ancak aynı modelin hukuki sözleşme yorumlama veya fiziksel bir robotu kontrol etme becerisine sahip olduğu sonucu çıkarılamaz.
Genel yapay zekâ (AGI), farklı alanlarda insan benzeri genel öğrenme, akıl yürütme ve uyum yeteneğine sahip olması beklenen kuramsal bir kavramdır. Bu adlandırmanın ölçütleri üzerinde herkesin kabul ettiği tek bir uygulama standardı yoktur. Bu nedenle bir sistemin birkaç farklı görevi yapabilmesi, tek başına onun genel yapay zekâ olduğu anlamına gelmez.
Süper yapay zekâ (ASI), insan zekâsını çok geniş bir alanda aşacağı varsayılan kuramsal aşamayı ifade eder. Günlük kullanımda bu terim çoğunlukla geleceğe yönelik tartışmalarda geçer; mevcut bir aracın hızlı, bilgili veya etkileyici olması otomatik olarak ASI olduğu anlamına gelmez.
Bir başka yaklaşım, sistemin çevresindeki bilgiyi ne kadar süre ve hangi biçimde kullandığına bakar.
Tepkisel sistemler, yalnızca o anda kendilerine verilen girdiye tepki verir; kalıcı bağlam veya geçmiş deneyim kullanmaz. Klasik satranç programları bu sınıfa örnek gösterilebilir.
Sınırlı bellek kullanan sistemler, önceki verilerden veya eğitim sırasında öğrenilmiş örüntülerden yararlanarak karar üretir. Günümüzdeki pek çok makine öğrenmesi sistemi bu geniş kategoriyle ilişkilendirilir. Buradaki “bellek”, insan bilincine veya kalıcı kişisel hatırlamaya sahip olmak anlamına gelmez.
Zihin kuramına sahip sistemler ve öz farkındalığa sahip sistemler ise çoğunlukla araştırma ve kuramsal sınıflandırma başlıklarıdır. Bir sistemin insan duygularını taklit eden cümleler kurması, gerçekten bilinç, niyet veya öz farkındalık taşıdığını kanıtlamaz.
Denetimli öğrenmede modele, doğru yanıtları bilinen örnekler verilir. Örneğin geçmiş satış kayıtlarında “yüksek talep” ve “düşük talep” etiketleri bulunur. Model bu örneklerden öğrenerek yeni bir ürün için tahmin üretir.
Denetimsiz öğrenmede veriler önceden doğru-yanlış etiketleriyle işaretlenmez. Sistem, benzer kayıtları gruplama veya verideki yapıları bulma gibi işlemler yapar. Örneğin müşterileri satın alma alışkanlıklarına göre gruplandırabilir; ancak ortaya çıkan grupların işletme açısından kesin ve doğal kategoriler olduğu varsayılamaz.
Pekiştirmeli öğrenmede sistem, yaptığı eylemlerden sonra aldığı ödül veya ceza sinyaline göre daha iyi kararlar öğrenmeye çalışır. Bir oyun oynayan modelin kazanmayı sağlayan hamleleri daha sık seçmeyi öğrenmesi buna örnektir. Ödülün nasıl tanımlandığı sonucu doğrudan etkiler; yanlış hedef, istenmeyen davranışa yol açabilir.
Üretken yapay zekâ, metin, görsel, ses veya kod gibi yeni içerikler oluşturur. Üretken olması, oluşturduğu içeriğin otomatik olarak doğru, özgün veya gerçek bir kaynağa dayalı olduğu anlamına gelmez. Çıktı, görevin önemine göre insan tarafından kontrol edilmelidir.
Aşağıdaki tablo, en sık kullanılan sınıflandırmaları birbirine karıştırmadan karşılaştırır.
Sembolik yapay zekâ, kurallar, mantıksal ifadeler ve açıkça tanımlanmış bilgi yapıları kullanır. “Eğer stok miktarı sıfırsa ürünü satışa kapat” gibi kuralların izlenmesi gereken uygulamalarda açıklanabilirliği güçlü olabilir; ancak kuralların önceden yazılmadığı karmaşık ve belirsiz durumlarda sınırlı kalabilir.
Bağlantıcı yaklaşım, çoğunlukla yapay sinir ağları ve makine öğrenmesiyle ilişkilidir. Sistem, çok sayıda örnekten örüntü öğrenir. Görüntü, ses ve doğal dil gibi karmaşık verilerde güçlü sonuçlar verebilir; buna karşılık modelin belirli bir karara neden ulaştığını açıklamak zor olabilir.
Hibrit yaklaşım, öğrenme tabanlı modelleri kurallar, bilgi tabanları veya mantıksal kısıtlarla birleştirir. Örneğin bir model müşteri talebini metinden çıkarabilir, ardından işletmenin “stok yoksa teslim tarihi önerme” kuralını uygulayabilir. Bu yaklaşım, öğrenme esnekliği ile açık kuralların denetlenebilirliğini birlikte kullanmayı amaçlar; ancak kurulumu ve bakımı daha karmaşık olabilir.
Varsayımsal olarak bir elektronik tabloya şu iki sütunun eklendiğini düşünün:
Ürün: Kablosuz kulaklık
Son 30 gündeki satış: 420
Stok: 18
[Çıktı]
“Stok yenileme önceliği: yüksek”
Bu sistem satış ve stok verilerinden karar üretiyorsa, görev kapsamı bakımından dar yapay zekâdır. Kararları daha önce “yüksek” veya “düşük” etiketleri verilmiş örneklerden öğreniyorsa denetimli öğrenme kullanabilir. Yeni bir açıklama veya rapor metni yazıyorsa üretken bir bileşen de içerebilir.
Ancak bu çıktı, stok kararının kesinlikle doğru olduğunu kanıtlamaz. Satış kampanyası, sezon değişimi, tedarik süresi veya hatalı veri gibi etkenler hesaba katılmamış olabilir. Sonucu kullanmadan önce modelin hangi verilerle eğitildiğini, tahminin hangi ölçümle değerlendirildiğini ve insan onayının gerekli olup olmadığını kontrol etmek gerekir.
Bir yapay zekâ aracını sınıflandırmak için şu sırayı kullanabilirsiniz:
Yapay zekâ hangi ölçütlere göre sınıflandırılır?
Sınıflandırma başlıkları birbirinin alternatifi değildir. Örneğin e-posta istenmeyen ileti tespiti yapan bir sistem, görev kapsamı bakımından dar yapay zekâ; eğitim yöntemi bakımından denetimli öğrenme; teknik yapı bakımından da makine öğrenmesi ve sinir ağı tabanlı bir sistem olabilir.
Bu nedenle “Bu yapay zekâ hangi tür?” sorusunun tek bir yanıtı olmayabilir. Doğru yanıt için en az üç soru sorulur: Hangi görevi yapıyor? Nasıl öğreniyor? Çıktıyı nasıl üretiyor?
Yetenek kapsamına göre yapay zekâ türleri
Dar yapay zekâ (ANI), belirli bir görevi veya sınırlı bir görev grubunu yerine getirmek üzere tasarlanır. Görsel sınıflandırma, konuşma tanıma, öneri sistemleri ve metin oluşturma araçları bu kategori içinde değerlendirilebilir. Başarılı olduğu alanın dışına kendiliğinden güvenilir biçimde genellenmesi beklenmez.
Örneğin bir model, “Bu e-postayı istenmeyen ileti olarak işaretle” görevinde başarılı olabilir; ancak aynı modelin hukuki sözleşme yorumlama veya fiziksel bir robotu kontrol etme becerisine sahip olduğu sonucu çıkarılamaz.
Genel yapay zekâ (AGI), farklı alanlarda insan benzeri genel öğrenme, akıl yürütme ve uyum yeteneğine sahip olması beklenen kuramsal bir kavramdır. Bu adlandırmanın ölçütleri üzerinde herkesin kabul ettiği tek bir uygulama standardı yoktur. Bu nedenle bir sistemin birkaç farklı görevi yapabilmesi, tek başına onun genel yapay zekâ olduğu anlamına gelmez.
Süper yapay zekâ (ASI), insan zekâsını çok geniş bir alanda aşacağı varsayılan kuramsal aşamayı ifade eder. Günlük kullanımda bu terim çoğunlukla geleceğe yönelik tartışmalarda geçer; mevcut bir aracın hızlı, bilgili veya etkileyici olması otomatik olarak ASI olduğu anlamına gelmez.
İşleyiş biçimine göre sınıflandırma
Bir başka yaklaşım, sistemin çevresindeki bilgiyi ne kadar süre ve hangi biçimde kullandığına bakar.
Tepkisel sistemler, yalnızca o anda kendilerine verilen girdiye tepki verir; kalıcı bağlam veya geçmiş deneyim kullanmaz. Klasik satranç programları bu sınıfa örnek gösterilebilir.
Sınırlı bellek kullanan sistemler, önceki verilerden veya eğitim sırasında öğrenilmiş örüntülerden yararlanarak karar üretir. Günümüzdeki pek çok makine öğrenmesi sistemi bu geniş kategoriyle ilişkilendirilir. Buradaki “bellek”, insan bilincine veya kalıcı kişisel hatırlamaya sahip olmak anlamına gelmez.
Zihin kuramına sahip sistemler ve öz farkındalığa sahip sistemler ise çoğunlukla araştırma ve kuramsal sınıflandırma başlıklarıdır. Bir sistemin insan duygularını taklit eden cümleler kurması, gerçekten bilinç, niyet veya öz farkındalık taşıdığını kanıtlamaz.
Öğrenme yöntemine göre türler
Denetimli öğrenmede modele, doğru yanıtları bilinen örnekler verilir. Örneğin geçmiş satış kayıtlarında “yüksek talep” ve “düşük talep” etiketleri bulunur. Model bu örneklerden öğrenerek yeni bir ürün için tahmin üretir.
Denetimsiz öğrenmede veriler önceden doğru-yanlış etiketleriyle işaretlenmez. Sistem, benzer kayıtları gruplama veya verideki yapıları bulma gibi işlemler yapar. Örneğin müşterileri satın alma alışkanlıklarına göre gruplandırabilir; ancak ortaya çıkan grupların işletme açısından kesin ve doğal kategoriler olduğu varsayılamaz.
Pekiştirmeli öğrenmede sistem, yaptığı eylemlerden sonra aldığı ödül veya ceza sinyaline göre daha iyi kararlar öğrenmeye çalışır. Bir oyun oynayan modelin kazanmayı sağlayan hamleleri daha sık seçmeyi öğrenmesi buna örnektir. Ödülün nasıl tanımlandığı sonucu doğrudan etkiler; yanlış hedef, istenmeyen davranışa yol açabilir.
Üretken yapay zekâ, metin, görsel, ses veya kod gibi yeni içerikler oluşturur. Üretken olması, oluşturduğu içeriğin otomatik olarak doğru, özgün veya gerçek bir kaynağa dayalı olduğu anlamına gelmez. Çıktı, görevin önemine göre insan tarafından kontrol edilmelidir.
Aşağıdaki tablo, en sık kullanılan sınıflandırmaları birbirine karıştırmadan karşılaştırır.
| Sınıflandırma ölçütü | Örnek tür | Temel soru | Ne anlama gelmez? |
|---|---|---|---|
| Yetenek kapsamı | Dar yapay zekâ | Kaç farklı görevi güvenilir biçimde yapabiliyor? | Her alanda uzman olduğu anlamına gelmez. |
| Öğrenme yöntemi | Denetimli öğrenme | Eğitim verisinde doğru yanıtlar var mı? | Sonuçların her yeni durumda doğru olacağını göstermez. |
| Çıktı biçimi | Üretken yapay zekâ | Yeni içerik oluşturuyor mu? | Üretilen içeriğin doğru olduğu anlamına gelmez. |
| Teknik yaklaşım | Sembolik, sinir ağı veya hibrit | Bilgiyi hangi yapıyla işliyor? | Tek başına performans veya güvenilirlik garantisi vermez. |
Sembolik, bağlantıcı ve hibrit yaklaşımlar
Sembolik yapay zekâ, kurallar, mantıksal ifadeler ve açıkça tanımlanmış bilgi yapıları kullanır. “Eğer stok miktarı sıfırsa ürünü satışa kapat” gibi kuralların izlenmesi gereken uygulamalarda açıklanabilirliği güçlü olabilir; ancak kuralların önceden yazılmadığı karmaşık ve belirsiz durumlarda sınırlı kalabilir.
Bağlantıcı yaklaşım, çoğunlukla yapay sinir ağları ve makine öğrenmesiyle ilişkilidir. Sistem, çok sayıda örnekten örüntü öğrenir. Görüntü, ses ve doğal dil gibi karmaşık verilerde güçlü sonuçlar verebilir; buna karşılık modelin belirli bir karara neden ulaştığını açıklamak zor olabilir.
Hibrit yaklaşım, öğrenme tabanlı modelleri kurallar, bilgi tabanları veya mantıksal kısıtlarla birleştirir. Örneğin bir model müşteri talebini metinden çıkarabilir, ardından işletmenin “stok yoksa teslim tarihi önerme” kuralını uygulayabilir. Bu yaklaşım, öğrenme esnekliği ile açık kuralların denetlenebilirliğini birlikte kullanmayı amaçlar; ancak kurulumu ve bakımı daha karmaşık olabilir.
Basit bir örnekle sınıflandırma
Varsayımsal olarak bir elektronik tabloya şu iki sütunun eklendiğini düşünün:
Ürün: Kablosuz kulaklık
Son 30 gündeki satış: 420
Stok: 18
[Çıktı]
“Stok yenileme önceliği: yüksek”
Bu sistem satış ve stok verilerinden karar üretiyorsa, görev kapsamı bakımından dar yapay zekâdır. Kararları daha önce “yüksek” veya “düşük” etiketleri verilmiş örneklerden öğreniyorsa denetimli öğrenme kullanabilir. Yeni bir açıklama veya rapor metni yazıyorsa üretken bir bileşen de içerebilir.
Ancak bu çıktı, stok kararının kesinlikle doğru olduğunu kanıtlamaz. Satış kampanyası, sezon değişimi, tedarik süresi veya hatalı veri gibi etkenler hesaba katılmamış olabilir. Sonucu kullanmadan önce modelin hangi verilerle eğitildiğini, tahminin hangi ölçümle değerlendirildiğini ve insan onayının gerekli olup olmadığını kontrol etmek gerekir.
Bir sistemi değerlendirirken hangi adımlar izlenir?
Bir yapay zekâ aracını sınıflandırmak için şu sırayı kullanabilirsiniz:
- Görevi tanımlayın. Sistemden beklenen işi tek cümleyle yazın: metin özetleme, görüntü tanıma, satış tahmini veya karar önerisi gibi.
- Kapsamını belirleyin. Sistem yalnızca belirli bir görevi mi yapıyor, yoksa farklı görevlerde de kullanılabiliyor mu? Farklı görevleri yapabilmesi, her görevde aynı doğrulukta olduğu anlamına gelmez.
- Öğrenme biçimini inceleyin. Eğitim verilerinde etiketli doğru yanıtlar mı var, sistem grupları kendisi mi buluyor, yoksa ödül-ceza sinyaliyle mi gelişiyor?
- Çıktı türünü ayırın. Sistem sınıflandırma mı yapıyor, tahmin mi üretiyor, yoksa yeni metin, görsel veya kod mu oluşturuyor?
- Sınırlarını kontrol edin. Hangi verilerde başarısının ölçüldüğünü, hangi durumlarda hata yapabileceğini ve sonucun insan tarafından doğrulanıp doğrulanmayacağını belirleyin.
