Covid-19 ve hayatımıza soktuğu yeni normal gündeminin ortasında, bir süredir sadece teknoloji dünyasında tartışılan ancak aslında hepimizin hayatının bir parçası olacak yapay zeka alanında hepimizi etkileyecek olan bir süreç başladı.
IBM CEO’su Arvind Krishna, 8 Haziran 2020 tarihinde Amerikan kongresine yazdığı mektupla [1] IBM’in yüz tanıma teknolojisi ile ilgili ürün ve teknolojilerini pazardan çektiğini, araştırma ve geliştirme faaliyetlerini durdurduğunu ve bu konuda diğer teknoloji şirketleri ile sürdürdüğü işbirliklerini askıya aldığını açıkladı. Bu radikal kararın gerekçesi olarak da, ilgili teknolojinin kamu ve devlet güçleri tarafından kitlesel kullanımı sonucu doğabilecek, temel insan hak ve özgürlüklerine dönük potansiyel zararları gösterdi. Krishna, George Floyd’un öldürülmesi sonrası, öncelikle ABD ve sonrasında dünyada oluşan hassas ortamın, bu tip teknolojilerin kitlesel kullanım şeklinin yasalar ve etik kurallar çerçevesinden kontrol altına alınması için doğru bir zaman olabileceğini de vurguladı.
IBM’in bu açıklamasından kısa bir süre sonra ise, önce Microsoft yüz tanıma teknolojisinin ABD’de polis güçleri tarafından kullanımını IBM’in önerdiği gibi yasal mevzuat netleşene ve kamu vicdanı tarafından kabul edilene kadar durdurduğunu; ardından Amazon yüz tanıma teknolojisi Rekognition’u polis güçleri tarafından kullanımını bir sene boyunca durdurduğunu açıkladı.
Gelin, 21. yüzyılda hayatımızı en çok etkileyecek kavramlardan biri olan yapay zekanın neden sadece teknoloji değil, daha geniş bir perspektiften değerlendirilmesi gerektiğini, yüz tanıma teknolojileri konusundaki bu son gelişmelerden yola çıkarak inceleyelim. Bunu yaparken bu alandaki teknolojik detaylar, diğer kullanım alanları ve hassas noktaları da dikkate alalım.
Yapay Zeka Derken?
1 Ocak 2005 tarihinde, Türk Lirasından 6 sıfır atıldığında beni en çok heyecanlandıran konulardan bir tanesi 10 TL’lik banknotun arka yüzünün merhum ODTÜ öğretim üyesi Ord. Prof. Dr. Cahit Arf’a ayrılmış olmasıydı. Bir matematikçinin nasıl bu şekilde onurlandırıldığını araştırmaya başladığımda, Oktay Sinanoğlu gibi göğsümüzü kabartan bir başka Türk bilim adamını tanımanın hazzını yaşadım.
Dünya Alan Turing’in 1950’lerde “Makineler düşünebilir mi?” sorusunun peşine düşmesi ile yeni bir kavramla tanıştı. 1956 yılında yine bir İngiliz bilim adamı John McCarthy bu yeni kavramı “yapay zeka” ismi ile literatüre soktu. Bizi gururlandıran ise Türkiye’de sadece 3 yıl sonra yani 1959 yılında, Cahit Arf’ın Erzurum’da düşünen makinaları ülke bilimin çevrelerine tanıtmasıydı! [2]
Yaklaşık 60 yıldır üzerinde çalışılan bu teknoloji, — her ne kadar aralarda ilgi zaman zaman kaybolsa da (bknz. AI Winter) — özellikle son 10 yılda veri işleme kapasitesi ve hızlarının artması ile ciddi bir ilerleme kaydetti. Bulut platformlarının kullanılması, CPU güçlerinin hızla artması ve ucuzlaması, ek olarak grafik dünyasında doğan GPU teknolojisinin diğer hesaplama alanlarında da kullanılmaya başlaması ile daha ulaşılabilir oldu ve çok çeşitli kullanım alanları hızla hayatımıza girmeye başladı. Bu teknolojiler sayesinde, yapay zeka sistemlerinin ihtiyacı olan daha fazla veriyi daha hızlı bir şekilde işleme imkanı doğmuştu.
Mayıs 2017’de Economist dergisi “Veri artık yeni petrolümüz” başlığını kapağına taşıyarak, tüm dünyayı içinde bulunduğumuz veri çağına uyandırdı. Bundan 4 yıl önce IBM’in o günlerdeki CEO’su Ginni Rommety, 2013 yılından itibaren IBM’in Watson iş birimi etrafında veri ve yapay zeka çözümlerine stratejik önem vereceğini ve yatırımlarını hızlandıracağını duyuruyordu. O günlerde, ben de New York’ta ki IBM T.J. Watson Araştırma Merkezinde çalışıyor olmanın ve bu değişime yakından tanıklık etmenin haklı gururunu yaşıyordum. Dünyanın en büyük şirketlerinin üst düzey yöneticileri, Watson’ı deneyimlemeye geliyor, ben de kendileriyle sohbet etme ve yapay zeka konusundaki heyecanlarını gözlemleme fırsatı buluyordum.
İşin teknik boyutuna gelirsek, yapay zeka yaklaşımını oluşturan temel bileşenler en basit hali ile yandaki grafikte özetlendiği gibidir. Ana yaklaşım olan makine öğrenmesi, özel bir programlamaya gerek kalmadan, veri seti üzerinde çeşitli algoritmaları çalıştırarak ilişki ve örüntüleri belirler ve bununla ilgili modeller oluşturur. Basit bir benzetme yapmak gerekirse, yapay zeka sistemini, bir çocuğu eğitir gibi, verdiğiniz bilgilerle beslersiniz ve bu eğitim sonrası yeni gelen verileri daha önce öğrendiği şekilde, ilişkiler, örüntüler ve modelleri baza alarak analiz etmesini beklersiniz. Bu konuda basit denemeler yapmak ve bu teknolojilere giriş yapmak isteyenler internetteki birçok kaynaktan (ingilizce veya türkçe) yararlanabilirler.
Bu konulara aşina iseniz veya yukarıdaki gibi bazı denemeler yaparak hızlı bir giriş yaparsanız, ilk sonuçların çok hızlı bir şekilde alınabildiğini, kullandığınız araçların birçok işlemi sizin adına kolaylıkla yaptığını fark edecek ve biraz da şaşıracaksınız. Açıkçası yapay zeka ile ilgili yapılan en temel tartışmayı çok hızlı keşfettiniz 🙂 Basit uygulamalarda Yapay Zeka’yı denemek kolaydır fakat kurumunuzun temel iş süreçlerine dahil edilmesi, optimum algoritma ve yöntemlerin belirlenmesi, yaklaşımın doğruluğunun kanıtlanması, ihtiyaç duyulan veri ile sistemin temiz ve düzenli bir şekilde beslenmesi ve bunların otomatikleşmesi ise zordur ve ciddi teknolojik yatırımlar ve hatta kurumsal kültür değişimleri gerektirebilir. Bu zorlukların bir kısmını aşmanızı sağlayan yeni metotlar, araçlar ve platformlar her geçen gün karşımıza çıkmaya devam ediyor. Bir örnek vermek gerekirse IBM’in 2019’da duyurduğu AutoAI platformu, en iyi modeli seçme ve modeli sürekli iyileştirme gibi birçok zorlu işlemi kolayca yapmamızı sağlıyor ve veriye ilgi duyan herkesin yapay zeka dünyasında hızla yer almasına olanak tanıyor.
Yapay Zeka Uygulama Alanları
Yapay zeka alanında bazı ileri yaklaşımları sizlerle paylaşmadan önce, hem uzaktan takip ettiğim hem de dahil olduğum projelerde gözlemlediğim bazı kullanım alanlarını sizlerle kısaca paylaşmak isterim. Burada ilk olarak yaklaşık 20 yıldır yoğun olarak kullanılan ileri analitik yaklaşımlarının (kestirimler, ileri raporlamalar, istatiksel analizler) bazılarının yapay zeka şeklinde adlandırılması, katkı sunanları motive etse de, bu yaklaşımın yapay zeka kavramının daha odaklı ve planlı bir şekilde çalışılmasının önündeki en büyük engel olduğunu düşündüğümü belirtmek isterim. Örneğin, 1997 de IBM’in süper bilgisayarı ‘Deep Blue’nun dünya satranç şampiyonu Gary Kasparov’u yenmesini hatırlayalım.[3] Burada güçlü bir bilgisayarın, mükemmel bir programlamayla, olabilecek tüm ihtimalleri hesaplayıp, yüzlerce hamle sonrasını modelleyip, her hamlede oyunu baştan kurması ve insanı yenmesine şahit olduk. (sizin de chessmaster günleriniz aklınıza geldi değil mi?) Hepimizim aklındaki soru: ‘Deep Blue’ yapay zeka mıydı?
Uygulama alanları konusuna dönersek, yapay zekanın en göz önünde olan iki çalışma alanı doğal dil işleme ve görüntü analizi olarak karşımıza çıkıyor. Doğal dil işleme, çok uzun yıllardır üniversitelerde ders olarak okutulan, bilgisayarların bizler gibi konuşabilmesi, söylediklerimizi anlayabilmesini hedefleyen yapay zeka alanıdır. Tahmin edebileceğiniz gibi İngilizce ve diğer yaygın diller ile ilgili başarılı uygulamalar oluşmuştur. Türkçe uygulamaları ise hem bu konuda çalışan araştırmacı sayısı azlığı, hem de dilimizin kendine has zorlukları (sondan eklemeli yapısı, çekim ekleri, lehçeler, eş anlamlılar, deyimler) sebebiyle ancak son 3–4 yılda daha ileri bir noktaya gelmiştir.
Konuyla ilgili olmayan insanların farkında olmadan hızla adapte oldukları, akıllı asistanlar ve “chatbot”lar bugün hemen hemen hepimizin bankacılık, e-ticaret ve telekom şirketleri ile ana iletişim kanalımız olma yolunda ilerliyor. Diğer taraftan Apple’ın Siri’si ve Amazon’un Alexa’sı ise bu iletişim mekanizmasına sesten yazıya ve yazıdan sese gibi özellikleri de ekleyerek, bilgisayarlara doğal dilimizde komut vermemize ve cevapları tercih ettiğimiz dilde almamıza imkan tanır hale geldi. IBM ise, bu gibi son kullanıcı ile yeni bir iletişim kanalı oluşturan kullanıma ek olarak, organizasyonlardaki yapısal olmayan verilerin (belgeler, yazışmalar, notlar) analizi ve işlenebilir / sorgulanabilir hale getirilmesi için de ileri çalışmalar yapmaktadır. Bu sayede, organizasyonların yapay zeka öncesi işleyemedikleri için karar destek süreçlerine dahil edemedikleri bilgiyi, işleyişteki verimlik ve müşteri deneyimini arttırmak için kullanabilme imkanları doğacaktır.
IBM, doğal dil işleme alanında yukarıda bahsettiğim ileri ar-ge çalışmalarına ek olarak toplumun yapay zekayı daha net anlaması, çalışmaların laboratuvarlardan çıkıp güncel hayata etki etmesi ve daha geniş bir kesimin ilgisine sunulması sağlayan ‘Deep Blue’ örneğinde olduğu gibi tartışma yaratan açılımlarına devam etti. Yukarıda andığım New York yıllarımdan sadece iki sene önce, 2011 yılında IBM yıllardır AR-GE olarak yürüttüğü Watson Yapay Zeka Sistemini dünyaya açtı ve insan-makine ilişkisini yeni bir boyuta taşıdı. Watson artık doğal dil ile iletilen soruları anlıyor, ulaşabildiği belgeler üzerinden bu soruların cevaplarını araştırıyor ve sonucu yine bize doğal dilde iletiyordu. Öyle ki Watson, Türkiye’de ‘riziko’ adıyla yayınlanan bilgi yarışmasının Amerika versiyonunda, Amerikalı şampiyonları yendiğinde yapay zeka insanoğlunun elinden bir başka kaleyi daha almıştı. [4] Bu gösteri ile IBM doğal dil işleyen yapay zeka sistemlerinin hayatımızı nasıl değiştireceğinin ipuçlarını bize verdi ve birçok değerli kaynağın bu alana odaklanmasına vesile oldu. Sanırım artık Stanley Kubrick’in 1968’de hayal ettiği ‘HAL 9000’ bilgisayarı 43 sene sonra ‘ete kemiğe’ bürünmüştü. Bu da yetmezmiş gibi, IBM 2018 sonunda Project Debater’ı duyurdu. Yapay zeka artık gerçek insanlar ile bir fikri tartışabiliyor, karşısındaki insanların argümanlarını çürütebiliyor ve onları ikna edebiliyordu! [5] (ilköğretim yıllarımızdaki münazaraları hatırlayın, yeni rakibiniz 8-B değil Watson :))
Yukarıda bahsettiğim iki önemli yapay zeka çalışma alanından ikincisi ise görüntü işleme. Yazının başlangıcında vurguladığımız yüz tanıma ile ilgili teknolojilerin de dahil olduğu bu alan bana göre yapay zeka’nın en eğlenceli kısımlarından. IBM, Google, Microsoft gibi şirketlerin hazır API’larını (Application Programming Interface) kullanarak veya OpenCV, Mathoas, Pillow gibi açık kaynak kodlu Pyhton programlama dili kütüphanelerini kendi bilgisayarınızda deneyimleyerek bu dünyaya giriş yapabilirsiniz. Bugünlerde sosyal medyada çok moda olan, bir fotoğraftaki sevimli kediyi bulmaktan, yüz tanıma ile güvenlik işlemlerine, kaza yapan bir araçta otomatik hasar tespitinden, bir hastanın röntgen görüntüsünü okuyarak hastalık teşhisine, iş yerlerinde Covid19 kapsamında maske ve sosyal mesafe kontrolünden, otonom arabalarda nesne yakalama ve tehlike analizine kadar çok çeşitli alanlarda uygulamalar yapmak mümkün.
IDC, 2025 yılında günlük 463 milyar GB veri üretileceğini öngörüyor. Bu verinin önemli bir kısmını görsellerin oluşturacağını tahmin etmek çok zor değil. Keza 2019 yılı için yapılan dünyadaki verinin nasıl büyüdüğünü gözler önüne seren bir çalışma bize görüntü işleme konusunun neden bu kadar gündemde olduğunu rakamlarla gösteriyor. [6] Bu bağlamda, yukarıda bahsettiğimiz ve daha da fazla örneklenebilecek yapay zeka görüntü işleme kullanım alanları için oldukça geniş bir veri havuzu kaçınılmaz olarak oluştuğunu görebiliyoruz.
Görüntü işleme ile ilgili, benim de yakından takip ettiğim bazı örnek çalışmalardan bahsetmek isterim. Bir sigorta şirketimiz, kullanıcıların kaza sonrası sisteme yükledikleri hasarlı araç fotoğraflarından, araçtaki hasarın otomatik tespiti ve takip eden süreçlerin buna istinaden yapay zeka tarafından değerlendirilerek, bir taraftan hızlandırılırken diğer taraftan hatayı minimize edecek şekilde standartlaştırılması sağlanabiliyor. Bir başka örnekte ise bir Türk şirketinin turnikelerden geçişi yüz tanıma yardımı ile temassız hale getirebiliyor ve kimlik unutma / kaybetme gibi problemleri temelden çözebiliyor. Son olarak bugünlerde Covid19 önlemleri kapsamında maske ve sosyal mesafe kontrolü gibi yeni normal ihtiyaçların karşılanmasında yapay zekanın görüntü işleme teknolojilerinden yoğun olarak faydalanıyoruz. Akıllı şehir çalışmaları kapsamında bu yaklaşımın yeni normalde daha da fazla yer bulacağını tahmin ediyorum. Burada da birçok Türk şirketinin başarılı uygulamaları mevcut.
Birkaç İleri Yapay Zeka Yaklaşımı ve Endişeler
Her teknolojik gelişmede olduğu gibi, yapay zeka alanında da işlenmesi gereken veri miktarı logaritmik bir şekilde çoğaldıkça, kullanım senaryoları çeşitlendikçe ve hepimizin hayatlarına daha temelden dahil olmaya başladıkça, hem etik hem de teknolojik açıdan birçok dikkat edilmesi gereken kavram gündeme gelmektedir. Bu kavramların tamamını listelemek ve henüz tartışmalar sürerken ‘net’ çözümlerden bahsetmek bu yazının kapsamında doğal olarak mümkün değil. Burada sizlerle etik ve teknik alandan ilgimi çeken ve çok önemsediğim birer konuyu kısaca paylaşmak isterim.
Bu yazıya başlarken bahsettiğim, IBM’in yüz tanıma teknolojisinin kitlesel kullanımı konusundaki öncü kararının arka planındaki önemli etkenlerden biri olan yapay zekada peşin hüküm (bias) konusundan etik tartışmaları çerçevesinde bahsetmek isterim. IBM sadece yüz tanıma alanında değil, tüm yapay zeka kullanım senaryolarında ‘bias’ konusundaki çekinceler ve potansiyel çözüm önerilerini yıllardır değerlendirip paylaşmaktaydı.
2018 yılında MIT Medya Laboratuvarında çalışan bilgisayar bilimcisi Joy Buolamwini ve çalışma arkadaşlarının ‘Gender Shades’ (cinsiyet tonları) başlığı ile yayınladıkları makalede, yapay zeka yüz tanıma sistemlerinin açık tenli insanlarda daha başarılı sonuçlar verdiğini, fakat siyah tenli insanlarda ve özellikle siyah tenli kadınlarda algoritmaların 35% oranında başarısız olduğunu tespit ettiklerini açıkladılar. [8] 1270 resim üzerinden ve Microsoft, IBM ve Face++ şirketlerinin platformlarında yapılan testlerin sonuçları bu şirketler ve kamuoyu tarafından o kadar önemsendi ki, şirketler çözüm önerileri üretmeye odaklandılar. IBM eş zamanlı bir çalışmasında, bu ve benzer problemlerin yapay zekanın çalışma biçiminden değil, eğitim sırasında kullanılan veri setleri ve tekniklerdeki eksikliklerden kaynaklandığını bir makale ile paylaştı. [9] Ek olarak modellerin daha iyi eğitilebilmesi için işaretlenmiş (tag) 36.000 resimlik, ‘bias’ı önlemek için kullanılacak, o güne kadarki en büyük veri setini yayınladı. [10] IBM’in bu katkıları ile hızlanan çalışmalar, yüz tanıma teknolojisinde eğitim sırasındaki çeşitlendirilmiş veri eksikliğinden kaynaklı bu problemin üstesinden gelinmesinde önemli bir yol alınmasını sağladı.
Görüntü işleme konusunda tartışmaların / çalışmaların devam ettiği tek alan etik çekinceler değil. Teknolojik anlamda yapay zeka sistemlerinin maruz kalabileceği güvenlik saldırıları ve bunların sonuçlara etkisi de bir başka ileri çalışma alanı olarak öne çıkıyor. Birçok ileri yapay zeka algoritması temelde Deep Neural Networks (DNNs) yöntemini kullanıyor. Kısaca bahsetmeden geçmememiz gerektiğini düşündüğüm bu yöntem temel olarak insan beyninin öğrenme biçimini olan nöronlar arası bağ-ağ kurma tekniğini kullanıyor. Bu da, görsellerde bulunan milyonlarca pikselin ve bunlar arasındaki örüntülerin yapay zeka tarafından soyutlanarak öğrenilmesine olanak tanıyor. Doğal olarak bu yöntem de özellikle eğitim aşamasında dışarıdan müdahalelere açık hale gelebiliyor. Aşağıda bağlantısını paylaştığım detaylı örnekte de anlatıldığı gibi, milyonlarca pikselden oluşan bir kedi görselinde, insan gözünün fark etmeyeceği oranda pikselin değiştirilmesi ile, yapay zekanın bu görseli bir ambulans (evet ambulans!) sanmasına neden olmak mümkün. [11] Bir başka deyişle, kötü niyetli veya dikkatsiz biri henüz eğitim aşamasında, yapay zekanın gelecekte yanlış kararlar almasını isteyebilir veya buna sebep olabilir. Burada basit bir örnekten anlatılan bir durumun gerçek hayatta bir ameliyatı gerçekleştiren bir robotu ya da otonom bir aracı yöneten yapay zeka sistemi olduğunu düşündüğümüzde, bu konunun ve bunun önlenmesinin en az etik tartışmalar kadar önemli ve değerli olduğu ortaya çıkmaktadır.
Şöyle bir toparlarsak 🙂 Yapay zeka, bana göre oldukça eğlenceli, insanın düşüncelerini tetikleyen ve her hâlükârda hayatımıza her gün daha fazla dahil olacak bir olgu. Birçok yenilikte olduğu gibi insanoğlunun bu teknolojiden göreceği fayda veya zarar yine insanoğlunun bu aracı nasıl kullanacağı ile belirlenecektir. Hepimizin bu alanlarda söyleyecek birçok sözü olduğuna eminim. Nasıl ki yukarıda veri setini zenginleştirmek sonuçları pozitif yönde etkiledi ise, yapay zeka ve etkileri konusunda fikir setinin mümkün olduğu kadar zenginleştirmemiz bu teknolojiden zarardan çok fayda görmemize yardımcı olacaktır.
Yazımın sonunda yapay zeka gibi teknolojilerin yakın gelecekte hayatımızı nasıl değiştireceğini senaryolaştıran İngiliz ‘Black Mirror’ dizisinin ‘Hated in the Nation’ bölümüne de kısaca değinelim. Burada, yukarıda sizlere aktarmaya çalıştığım, bizlere olumlu anlamda birçok imkan sunan yapay zekanın gerekli güvenlik önlemleri alınmadan ve toplumsal altyapısı kurgulanmadan kitlesel kullanımının insanlığa karşı nasıl bir tehdide dönüşebileceğini 90 dakikalık harika bir kurguda deneyimleyebilirsiniz. (Mutlaka izleyin:))
Bu değerli içeriği bizlerle paylaştığı için Sayın Hüseyin Erdem Yöntem’e teşekkür ederiz.
Kaynak: Medium/HüseyinErdemYöntem
günümüzde yapay zeka türkiye'de yapay zeka uygulamaları türkiyede yapay zeka ne durumda Yapay zeka yapay zeka nedir yapay zeka nedir kısaca tanımı yapay zeka teknolojileri yapay zeka trendleri yapay zeka uygulama alanları