- Katılım
- 21 May 2023
- Mesajlar
- 752
- Tepki
- 17
- Puan
- 18
"Yapay zekâ" tek bir teknoloji adı gibi kullanılıyor ama altında birbirinden ayrı alanlar var. Sesinizi yazıya çeviren sistemle fotoğraftaki nesneyi tanıyan sistem aynı başlık altında toplanıyor, oysa ikisi farklı yöntemlerle çalışıyor.
Aşağıda bu alanların resmî bir rehberde nasıl ayrıldığını, her birinin hangi işlerde kullanıldığını ve kamu hizmetlerinde kullanım kararının hangi ölçütlere bağlandığını iki resmî belgeye bakarak topluyoruz.
Sinir ağları nerede kullanılıyor?
Birleşik Krallık kamu yönetimi yapay zekâ el kitabı alanları tek tek sayıyor ve her biri için uygulama örnekleri veriyor.
Sinir ağları, insan beynindeki biyolojik ağlardan esinlenen bir hesaplama modeli olarak tanımlanıyor. Rehbere göre 1940'larda makine öğrenmesinin bir yönü olarak ortaya çıkmışlar, bugün ise daha karmaşık derin öğrenme sistemlerinin bileşenleri sayılıyorlar.
Kullanım alanları da sıralanmış: görüntü tanıma uygulamaları, tıbbi görüntüleme, konuşma tanıma modelleri ve otonom sistemler.
- Model: Biyolojik sinir ağlarından esinlenen hesaplama modeli.
- Öğrenme: Eğitim döngülerinde veriye maruz kalarak.
- Örnekler: Görüntü tanıma, tıbbi görüntüleme, otonom sistemler.
Makine öğrenmesi hangi işleri yapıyor?
Rehber makine öğrenmesini yapay zekânın veriden öğrenen dalı olarak tanımlıyor: veriden öznitelikler çıkarıyor ve bu öznitelikler arasındaki ilişkileri öğreniyor.
Somut uygulamalar da sayılıyor: sahtecilik tespiti, geri bildirim analizi, görüntü işleme ve özetleme. Rehber, bugün yaygın kullanılan büyük dil modellerinin de makine öğrenmesi sistemlerine örnek olduğunu belirtiyor.
Derin öğrenme ise daha karmaşık model yapıları kullanan bir alt küme. Kullanım örnekleri arasında biyomedikal araştırma ve otonom sürüş ile birlikte görüntü ve konuşma tanıma, doğal dil işleme ve kişiselleştirilmiş öneriler sayılıyor.
Rehber bir de sınır çiziyor: daha basit görevlerde ilk tercih hâlâ makine öğrenmesi; daha az veri ve daha düşük işlem gücüyle uygulanması kolay oluyor.
Ses ve görüntü tarafı
Konuşma tanıma, konuşmayı işlemeye ayrılmış bir makine öğrenmesi alanı olarak tarif ediliyor ve hem konuşmayı metne çeviren hem de konuşmadan konuşmaya çalışan sistemleri kapsıyor.
Uygulama listesi gündelik hayattan: bankacılık, telefonlarda ve otomobillerde yerleşik konuşma tanıma işlevi, çağrı analitiği, acil servisler, toplantı özetleme ve medya altyazılama.
Bilgisayarlı görü ise görsel bilgiyi yorumlayan alan. Rehbere göre nesne tanıma, yüz tanıma ve sahne anlama gibi görevleri yerine getiriyor; en yaygın değerlendirmeleri sınıflandırma, nesne tespiti, video analizi ve görüntü bölütleme.
Kullanıldığı alanlar da sayılmış: yüz tanıma, kalite kontrol, sağlık ve tıbbi görüntüleme, gözetim ve robotik.
Püf nokta' Alıntı:
Dil ve üretim tarafı
Doğal dil işleme, insan dilini işlemeye odaklanan alan. Rehber uygulamalarını sayıyor: makine çevirisi, belge sınıflandırma, duygu analizi, sözcük türü etiketleme, adlandırılmış varlık tanıma, metin özetleme ve konuşma temelli yapay zekâ.
Kamu kurumları için özel bir kullanım da belirtiliyor: e-posta, mektup ve çevrimiçi formlar gibi kaynaklardan gelen büyük hacimli dil verisinin yönetilmesi ve işlenmesi.
Üretken yapay zekâ ise metin, görüntü, video ya da başka çıktı üretebilen alt küme olarak tanımlanıyor. Örnek uygulamalar arasında ilaç keşfi için moleküler yapıların denenmesi ve finans sektöründe güvenlik ile alım satım gözetim modellerini sınamak üzere veri yüzeyleri üretilmesi sayılıyor.
Mesajı anlayıp yanıt üreten sistemlerin nasıl çalıştığını chatbot yazımızda ele almıştık.
Kullanma kararı neye bağlı?
Örnekleri saymak yetmiyor; rehberlerin ikincisi kullanım kararına ölçüt koyuyor. GOV.UK hizmet el kitabı ilkesini açık yazıyor: yapay zekâ yalnız açık bir kullanıcı ihtiyacı kanıtı varken kullanılmalı.
Bir uyarı da ekliyor: daha yerleşik teknolojiler sorunu yapay zekâdan daha iyi çözebilir.
Şeffaflık tarafında kural somut: hizmette yapay zekâ kullanılıyorsa bunun kullanıcının verisini ve hizmetten aldığı sonucu nasıl etkileyebileceği açıkça belirtilmeli. Yapay zekâ destekli sohbet botu kullanılıyorsa kullanıcılar yanıtların bir insandan gelmediğini ve doğru olmayabileceğini anlamalı, bir insana nasıl ulaşacaklarını bilmeli.
Sorumluluk da adreslenmiş: hizmet sahibi kullanılan teknolojiyi, risklerini ve bunların nasıl azaltılacağını anlamak zorunda; ekipten birinin hizmetteki yapay zekâ kullanımını açıklayabilmesi gerekiyor.
Bu alanların ortak temeli olan adım kavramını algoritma yazımızda, standart tanımını ise yapay zekâ yazımızda bulabilirsiniz.
Sık Sorulan Sorular
Yapay zekâ örnekleri nelerdir?
Görüntü ve konuşma tanıma, tıbbi görüntüleme, sahtecilik tespiti, makine çevirisi, metin özetleme ve otonom sistemler sayılan uygulamalar arasında.
Makine öğrenmesi nerede kullanılıyor?
Sahtecilik tespiti, geri bildirim analizi, görüntü işleme ve özetleme gibi işlerde; büyük dil modelleri de bu sınıfta.
Bilgisayarlı görü ne yapıyor?
Görsel bilgiyi yorumluyor; sınıflandırma, nesne tespiti, video analizi ve görüntü bölütleme başlıca görevleri.
Doğal dil işleme ne işe yarıyor?
Makine çevirisi, belge sınıflandırma, duygu analizi, özetleme ve konuşma temelli sistemlerde kullanılıyor.
Her işte yapay zekâ kullanılmalı mı?
Hayır. Rehber, yalnız açık bir kullanıcı ihtiyacı kanıtı varken kullanılmasını ve yerleşik teknolojilerin daha iyi çözüm olabileceğini söylüyor.
Özetle
Yapay zekâ örnekleri tek bir listeye sığmıyor çünkü alanlar farklı: sinir ağları örüntü tanıyor, makine öğrenmesi veriden ilişki çıkarıyor, konuşma tanıma sesi işliyor, bilgisayarlı görü görüntüyü yorumluyor, doğal dil işleme metni çözümlüyor, üretken modeller yeni içerik üretiyor. Karar tarafında ölçüt sabit: açık bir kullanıcı ihtiyacı, kullanıcıya şeffaf bildirim ve riski anlayan bir sahip.
Kullanmayı düşündüğünüz işte gerçekten bir yapay zekâ ihtiyacı mı var, yoksa yerleşik bir çözüm mü yeterli?
Güncelleme: 4 Eylül 2026. GOV.UK yapay zekâ el kitabı ve hizmet el kitabının yapay zekâ bölümü kontrol edildi.
Dijital Dünyanıza Yön Veren Pusula
