Yapay Zekâ: Nedir, Ne Değildir?

(1)

Yapay Zekâ:

Nedir, Ne Değildir?

Prof. Dr. A. Egemen YILMAZ Ankara Üniversitesi

Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği Bölümü Mühendislik Fakültesi Yazılım Mühendisliği Bölümü Fen Bilimleri Enstitüsü Disiplinler Arası Yapay Zeka Teknolojileri Ana Bilim Dalı

(2)

Bilgi Piramidi Üzerinden Bir Açıklama

Wisdom

Knowledge

Information

Data Gözlemler: Ölçümler

(HAM)

Veriler arasındaki ilişkiler: Ne?/Nerede?/Ne zaman?/Neden?/Kim? (ANLAM)

Bilginin faaliyet için kullanımı: Nasıl? (BAĞLAM) İletişim ve Paylaşım, Farkındalık: Neden/Ne zaman?

(KARAR / UYGULAMA)

Veri

Bilgelik, İrfan,

‘Hikmet’

Malumat?

Bilgi?

(3)

Bilgi Piramidi Üzerinden Bir Açıklama

Wisdom

Knowledge

Information

Data 252.144.122.355 IP Numaralı Trafik Lambası: Kırmızı (HAM)

Cumhuriyet Caddesi ve Atatürk Bulvarı

kesişimindeki güney-kuzey doğrultusundaki trafik lambası kırmızı (ANLAM)

Benim gittiğim yöndeki trafik lambası kırmızı (BAĞLAM)

Kullandığım aracı durdurmalıyım (KARAR / UYGULAMA)

Veri

Bilgelik, İrfan,

‘Hikmet’

Malumat?

Bilgi?

(4)

Tarihçeyi Özetlersek

 1956-1974: Birinci Altın Dönem (First Golden Era) veya İlk Patlama (First Burst) veya Çıkarım Dönemi

(Inference Period)

 1974-1980: Birinci Yapay Zeka Kışı (First AI Winter)

 1980-1987: Gümbürtü Dönemi (Boom) veya İkinci

Patlama (Second Burst) veya Bilgi Dönemi (Knowledge Period)

 1987-1993: İkinci Yapay Zeka Kışı (Second AI Winter)

 1993-Günümüze: Üçüncü Patlama (Third Burst) veya

Öğrenme Dönemi (Learning Period)

(5)

Biraz Tarihçe - 1

 1642: Fransız mucit ve matematikçi Blaise Pascal’ın mekanik hesap makinesi

 1837: Charles Babbage ve Ada Lovelace tarafından ilk programlanabilir makinenin tasarlanması

 1943: Warren McCulloch ve Walter Pitts tarafından insan beyni ve makineler arasındaki benzerlik ilişkisi fikirlerinin ilk olarak ortaya atılışı

 1949: Donald Hebb’in «The Organization of Behavior»

isimli çalışmasında nöral güzergahların kullanıldıkça

kuvvetlendiği fikrini ileri sürmesi

(6)

Biraz Tarihçe - 2

 1950: Alan Turing tarafından bir makinenin ne kadar zeki olduğunu ölçmeye dair «Turing Testi» tanımının yapılması

 1950: Edmonds ve Minsky tarafından vakum tüpler ile B24 bombardıman uçağının otopilot sistemini taklit eden bir yapay sinir ağı mimarisinin oluşturulması

 1955: John McCarthy tarafından «Artificial Intelligence»

teriminin ilk kez kullanılması

 1956: Konu ile ilgili Dartmouth College Workshop’ın düzenlenmesi

 1958: Frank Rosenblatt tarafından «Perceptron» fikrinin

ortaya atılması

(7)

Biraz Tarihçe - 3

 1958: John McAfee tarafından Lisp programlama dilinin geliştirilmesi

 1959: IBM’den Nathaniel Rochester’ın geometrik

teoremleri ispatlayan program geliştirme denemeleri

 1960: Stanford Üniversitesi’nden Bernard Widrow ve öğrencisi Ted Hoff tarafından ADALINE (Adaptive Linear Neuron; Adaptive Linear Element) yapısının geliştirilmesi

 1962: ADALINE’ın 3 katmanlı MADALINE (Multiple ADALINE) versiyonunun; telefon hatlarında yankı giderme

algoritmasının geliştirilmesi

 1966: MIT’den Joseph Weizenbaum tarafından

Chatbot’ların atası olan psikoterapist simülatörü ELIZA’nın

geliştirilmesi

(8)

Biraz Tarihçe - 4

 1980: Ticari olarak başarılı Uzman Sistemlerin ortaya çıkışı (Carnegie Mellon’ın XCON’u ve diğerleri)

 1980: Kohonen’in Öz Düzenlemeli Haritası

 1982: Hopfield Ağı

 1985: Boltzmann Makinesi (Hinton ve Sejnowski)

 1986: Rumelhart, Hinton ve Williams tarafından Çok Katmanlı Perceptron fikrinin hayata geçirilmesi

 1986: İlk Tekrarlayan Sinir Ağı (Jordan)

 1987: Kısıtlı Boltzmann Makinesi (Smolensky)

 1990: İlk Evrişimli Sinir Ağı LeNet (Lecun)

 1995: Adaptive Boosting ve Destek Vektör Makineleri

(9)

Biraz Tarihçe - 5

 1997: Çift Yönlü RNN (Schuster ve Paliwal)

 1997: LSTM (Hochreiter ve Schmidhuber)

 2006: Derin Boltzmann Makineleri (Salakhudnitov)

 2006: Derin Kanı Ağları (Hinton)

 2012: Dropout (Hinton)

 2014: GAN (Goodfellow)

 2017: Kapsül Ağları (Sabour, Frosst, Hinton)

(10)

Biraz da Popülarite - 1



1997: İlk başarılı ve ticari Konuşma Tanıma Uygulaması (Dragon Systems)



1997: IBM Deep Blue’nun Kasparov’u yenmesi



1998: MIT’de karşıdakinin duygularını tespit eden KISmet’in geliştirilmesi



2002: Otonom elektrik süpürgesi Roomba’nın piyasaya çıkışı



2009: Google’ın Kendini Süren Aracı



2011: IBM Watson’un ABD’deki Jeopardy şampiyonlarını yenmesi



2011-2014: Kişisel Asistan Uygulamaları (Siri, Now, Cortana, Alexa)



2014: Turing Test’ten geçen ve birçok değerlendiriciyi insan olduğuna ikna eden «Eugene Goostman» chatbot’u



2016: Microsoft Tay’in sosyal medyada ırkçı yorumlarda bulunması



2016: AlphaGo’nun profesyonel Go oyuncusunu yenmesi

(11)

Doğal Sinir Hücresi

(12)

Yapay Sinir Hücresi

(13)

Doğal ve Yapay Sinir Hücresi Karşılaştırma

(14)

Yapay Sinir Ağları - 1

Kapalı Kutu Olarak

Modellenen Sistem

x

₁

x

₂

x

_N

. . . . . . .

y

₁

y

₂

y

_M

. . . .

Girdiler Çıktılar

(15)

Yapay Sinir Ağları - 2

x

₁

x

₂

x

_N

. . . . . . .

y

₁

y

₂

y

_M

. . . . .

. . . . . .

. .

Giriş Katmanı

Çıkış Katmanı Gizli Katmanlar

‘Derin’lik Kavramı

(16)

Veri Analitiği – İstatistik – Yapay Zeka

Elimizde bir büst olsun

Söz konusu büst, tarihteki ünlü bir şahsa dair olsun; ayrıca ünlü bir

heykeltıraşın eseri olduğu düşünülüyor olsun

(17)

İstatistik, gerçeklere dayalı (factual) bir bilim dalıdır.

Elimizdeki büste dair ölçümlere (alın genişliği, göz küreleri arasındaki

mesafe, vb.) dayalı olarak söz konusu şahsın genel popülasyon içerisinde hangi yüzdelik dilimde olduğunu, standart sapma içerisinde olup olmadığını, vb. söyler.

Veri Analitiği – İstatistik – Yapay Zeka

(18)

Veri Analitiği ise çıkarımcı (inferential) bir bilim dalıdır.

Büste dair ölçümlere (alın genişliği, göz küreleri arasındaki mesafe, vb.) dayalı olarak söz konusu şahsın boyu, kilosu, ayakkabı numarası gibi değerleri tahmin etmeye çalışır!...

Veri Analitiği – İstatistik – Yapay Zeka

(19)

Yapay Zekâ ise öğrenmelere veya deneyimlere dayalı sezgisel bir yaklaşımdır.

Önceden yeterince veri ile eğitildiyse, elimizdeki büste dair ölçümlere (alın genişliği, göz küreleri arasındaki mesafe, vb.) dayalı olarak büstü yapılmış şahsa veya büste ilişkin olarak anomali tespiti yapabilir (örneğin şahsın alın genişliği aşırı derecede büyük; veya büst yanlış yapılmış vb.)

Veri Analitiği – İstatistik – Yapay Zeka

(20)

Veri Analitiği, çıkarımlar yaparken zaman zaman İstatistik Yöntemlerden ve Yapay Zekâ'dan yararlanabilir.

Büstün ölçümlerine, A ve B ırklarının antropometrik verilerine dayalı olarak büstü yapılmış olan şahsın A ırkından mı, B ırkından mı olmasının daha yüksek olasılıklı olduğunu tahmin etmeye

çalışabilir.

Veri Analitiği – İstatistik – Yapay Zeka

(21)

Büstün ölçümlerine ve genel toplumun antropometrik verilerine dayalı olarak büstü yapılmış olan şahsın Akromegali hastası olup olmadığını belirlemeye çalışabilir.

Veri Analitiği – İstatistik – Yapay Zeka

(22)

Büstün ölçümlerine ve büstü yaptığı iddia edilen heykeltıraşın diğer

eserlerinin özelliklerine dayalı olarak büstün gerçekten de ilgili şahsın eseri olup olmadığını belirlemeye çalışabilir.

Veri Analitiği – İstatistik – Yapay Zeka

(23)

Betimleyici Veri Analitiği (Descriptive Data Analytics): Mevcut durumun fotoğrafını çeker Öngörücü Veri Analitiği (Predictive Data

Analytics): Veri değişim eğilimlerini

irdeleyerek gelecekte ne olacağını tahmin eder

Reçete Yazıcı Veri Analitiği (Prescriptive Data Analytics):

What-If senaryoları koşturarak bunlara ilişkin sonuçlar bulur; önerilerde bulunur

Veri Analitiği – İstatistik – Yapay Zeka

(24)

Betimleyici Veri Analitiği (Descriptive Data Analytics): X Firması, 34 ayrı lokasyondaki

şubesi ve 165 çalışanıyla 2019 yılında Y lira kâr elde etmiştir

Öngörücü Veri Analitiği (Predictive Data

Analytics): İlk 9 aydaki verilere dayalı olarak X Firması’nın 2020 yılındaki kârının Z lira olacağı öngörülmektedir

Reçete Yazıcı Veri Analitiği (Prescriptive Data Analytics): X firması, A, B ve C lokasyonlarında bulunan ve verimliliği düşük olan şubelerini kapatıp D, E ve F lokasyonlarında aynı

büyüklükte 3 yeni şube açarsa toplam çalışan sayısı sabit kalmak kaydıyla kârlılık oranını %7

Veri Analitiği – İstatistik – Yapay Zeka

(25)

Betimleyici Veri Analitiği (Descriptive Data

Analytics): 15 Ekim 2020 tarihi itibarı ile ABD’de SarsCoV2’ye dayalı ölümler 250,000’i aşmış

durumdadır

Öngörücü Veri Analitiği (Predictive Data

Analytics): Şubat 2021 sonu itibarı ile ABD’de SarsCoV2’ye dayalı ölümler 500,000’i aşmış olacaktır

Reçete Yazıcı Veri Analitiği (Prescriptive Data Analytics): Nüfusun %85’inin maske vb

tedbirlere uyması durumunda bu ölümlerin 96,000 tanesi; %95’inin uyması durumunda ise 131,000 tanesi engellenebilir

Kaynak:

https://www.usatoday.com/story/news/health /2020/10/23/current-covid-strategies-could-