Yapay Zekânın Tarihsel Gelişimi (1950–2026)

 Bu bölüm, yapay zekânın yaklaşık 75 yıllık gelişimini, önemli bilim insanlarını, teknolojik kırılma noktalarını ve günümüzdeki üretken yapay zekâ devrimini ayrıntılı olarak anlatır. 

1950'den Günümüze Yapay Zekâ Yolculuğu

Yapay zekâ bir anda ortaya çıkmış bir teknoloji değildir. Matematik, bilgisayar bilimi, sinir bilimleri ve istatistiğin onlarca yıl süren ortak çalışmasının ürünüdür.

Bölümün Öğrenme Kazanımları

Bu bölüm sonunda öğrenciler:

• Yapay zekânın ortaya çıkış nedenlerini açıklar.

• Tarihsel gelişim sürecindeki önemli olayları kronolojik olarak sıralar.

• AI Winter (Yapay Zekâ Kışı) dönemlerini açıklar.

• Makine öğrenmesi ve derin öğrenmenin gelişimini yorumlar.

• Günümüzdeki üretken yapay zekâ devriminin neden önemli olduğunu açıklar.

1. Yapay Zekâ Tarihine Genel Bakış

Yapay Zekâ Nereden Doğdu?

İnsanlık yüzyıllardır "düşünebilen makineler" hayal etti.

İlk Fikirler

Yapay zekâ bilgisayarların icadıyla başlamadı. Fikir çok daha eskidir.

El Cezerî ve İlk Akıllı Makineler

Anadolu'dan Dünyaya Bir Bilim İnsanı

El Cezerî (1136–1206)

• Diyarbakır'da yaşamıştır.

• Otomatik çalışan makineler geliştirmiştir.

• Robotik tarihinin öncülerindendir.

Bugünkü robotların temel mantığı:

• sensör,

• mekanizma,

• kontrol sistemi.

El Cezerî'nin eserlerinde görülmektedir.

Charles Babbage ve Ada Lovelace

Bilgisayarın Temelleri

Charles Babbage

Bilgisayarın babası olarak bilinir.

Ada Lovelace

İlk bilgisayar programcısı kabul edilir.

İlginç Bilgi Kutusu

Ada Lovelace 1843 yılında şunu yazmıştır:

Makine müzik bile üretebilir.

Bugünkü üretken yapay zekâ fikrine şaşırtıcı derecede yakındır.

1950 — Alan Turing ve Yapay Zekânın Doğuşu

Alan Turing Kimdir?

• Matematikçi

• Kriptolog

• Bilgisayar bilimcisi

• II. Dünya Savaşı'nda Enigma şifrelerini çözdü.

Modern bilgisayar biliminin kurucularındandır.

Turing Testi

Soru

Bir makine insan gibi konuşabiliyorsa gerçekten zeki midir?

Testin Mantığı

Hakem yalnızca yazışarak hangisinin insan olduğunu anlamaya çalışır.

Tartışma Sorusu

ChatGPT bugün Turing Testini geçiyor mu?

• Bazı araştırmalarda insanlar AI'yı insan sanabiliyor.

• Ancak bu, bilinç sahibi olduğu anlamına gelmez.

Turing Testi, İngiliz matematikçi ve bilgisayar bilimcisi Alan Turing tarafından 1950 yılında yayımlanan "Bilgisayar Mekanizmaları ve Zeka" (Computing Machinery and Intelligence) adlı makalede ortaya atılan, bir makinenin "düşünebildiğini" veya insan zekasına eşdeğer bir zeka gösterebildiğini belirlemeye yarayan kavramsal bir testtir.

Alan Turing, makalesine doğrudan şu ünlü soruyla başlar: "Makineler düşünebilir mi?" Ancak "düşünmek" kavramını tanımlamak çok zor olduğu için, bu felsefi soruyu somut, pratik bir oyuna dönüştürür. Turing'in bu test için orijinal olarak adlandırdığı isim "Taklit Oyunu" (The Imitation Game) idi.

Turing Testi Nasıl Uygulanır?

Testin klasik kurgusu son derece basittir ve birbirini görmeyen üç katılımcı ile yapılır:

1. Sorgulayıcı/Hakem (İnsan): Bir odada tek başınadır. Amacı, konuştuğu diğer iki "varlığın" hangisinin insan, hangisinin makine olduğunu bulmaktır.
   
   
2. A Katılımcısı (Bilgisayar / Yapay Zeka): Sorgulayıcıyı kendi insan olduğuna inandırmaya, yani onu kandırmaya çalışır.
   
   
3. B Katılımcısı (İnsan): Sorgulayıcıya dürüst cevaplar vererek kendi insan olduğunu kanıtlamaya çalışır.
   
   

Tüm iletişim yazılı (metin tabanlı) bir ekran üzerinden yapılır; böylece ses tonu, görünüm veya fiziksel tepkiler gibi etkenler ortadan kaldırılır. Sadece zihinsel kapasite, mantık ve dil becerisi ölçülür.

Eğer sorgulayıcı/hakem yeterli bir süre sorular sorduktan sonra (örneğin 5 dakika) bilgisayar ile insanı birbirinden ayırt edemezse, o bilgisayar/yapay zeka Turing Testini geçmiş sayılır. Yani makine, insan zekasını başarıyla "taklit etmiştir".

Neden Önemlidir?

Turing Testi, yapay zekanın (AI) nihai hedefi için felsefi bir standart belirlemiştir. Testin asıl dehası, zekanın nasıl üretildiğine (biyolojik nöronlar mı yoksa silikon çipler mi) değil, doğrudan dışarıya yansıyan davranışlara ve dil becerisine odaklanmasıdır. Turing'e göre zeka, karmaşık sorulara mantıklı, yaratıcı ve insani cevaplar verebilme yeteneğidir.

Testin Sınırları ve Eleştirileri (Çin Odası Argümanı)

Zamanla test, bazı filozoflar ve bilim insanları tarafından eleştirilmiştir. En ünlü karşı argüman, filozof John Searle tarafından ortaya atılan Çin Odası (Chinese Room) deneyidir.

Searle özetle şunu savunur: Bir makine (veya Çince bilmeyen ama kuralları uygulayan biri), kusursuz bir kural kitabına bakarak kendisine sorulan Çince sorulara mükemmel Çince cevaplar verebilir ve dışarıdaki hakemi Çince bildiğine ikna edebilir. Ancak makine aslında tek bir kelimenin bile anlamını bilmiyordur, sadece sembolleri eşleştiriyordur.

Bu argümana göre Turing Testi "gerçek anlamayı ve bilinci" değil, sadece başarılı bir simülasyonu (taklidi) ölçmektedir.

Günümüzde ChatGPT veya Claude gibi gelişmiş Büyük Dil Modelleri (LLM'ler), Turing'in öngördüğü konuşma yeteneğine neredeyse ulaşmıştır ve birçok insanı kolayca kandırabilir. Ancak AI camiasında odak, sadece insanı kandırmaktan ziyade "gerçek dünyada işe yarar problemleri çözmeye" kaymıştır.

1956 — Dartmouth Konferansı

Yapay Zekâ İsmi İlk Kez Kullanıldı

John McCarthy şu ifadeyi kullandı:

Artificial Intelligence

Bu konferans AI'nın resmi doğum günü kabul edilir.

Neden Bu Kadar Önemli?

İlk kez bilim insanları şunu söyledi:

İnsan zekâsının her yönü makineler tarafından modellenebilir.

1960'lar — İlk Yapay Zekâ Programları

ELIZA

İlk sohbet botlarından biri.

Psikolog rolü yapıyordu.

ELIZA, yapay zekâ tarihinin en önemli erken dönem doğal dil işleme çalışmalarından biridir. 1960'ların ortalarında Joseph Weizenbaum tarafından MIT'de geliştirilen ELIZA, insanlarla yazılı olarak sohbet edebilen erken bir bilgisayar programıdır.

ELIZA özellikle insan-bilgisayar etkileşimi ve doğal dil işleme (NLP) tarihindeki yeri açısından önemlidir.

ELIZA nedir?

ELIZA, kullanıcı tarafından yazılan cümleleri analiz ederek belirli anahtar kelimeleri ve kalıpları arayan, ardından önceden tanımlanmış kurallara göre cevap oluşturan bir programdı.

Örneğin:

Kullanıcı: Annemle sürekli tartışıyorum.
ELIZA: Ailen hakkında biraz daha anlatır mısın?

Başka bir örnek:

Kullanıcı: Kendimi yalnız hissediyorum.
ELIZA: Neden yalnız hissettiğini düşünüyorsun?

Burada önemli nokta şudur:

ELIZA gerçekten anlamıyor veya düşünmüyordu.

Program, insanların kullandığı ifadelerdeki belirli kalıpları yakalıyor ve bunlara uygun cevap şablonları üretiyordu.

---

ELIZA nasıl çalışıyordu?

ELIZA'nın çalışma mantığını basitleştirerek şöyle gösterebiliriz:

        KULLANICI
            │
            ▼
    "Kendimi yalnız
       hissediyorum."
            │
            ▼
    Metin analizi
            │
            ▼
   Anahtar kelime bulma
       "yalnız"
            │
            ▼
      Kural eşleştirme
            │
            ▼
    Cevap şablonu
            │
            ▼
"Neden yalnız
hissediyorsun?"

Yani ELIZA'nın temelinde modern anlamda makine öğrenmesi veya büyük dil modeli bulunmuyordu.

Temel yaklaşım:

Girdi → Anahtar kelime → Kural → Şablon → Cevap

şeklindeydi.

---

DOCTOR senaryosu

ELIZA'nın en meşhur senaryosu DOCTOR adı verilen psikoterapist benzetimli konuşma sistemiydi.

Bu senaryoda program, özellikle Carl Rogers'ın danışan merkezli psikoterapi yaklaşımını taklit eden cevaplar üretmeye çalışıyordu.

Örneğin:

Kullanıcı:
Babam beni anlamıyor.
ELIZA:
Babanızın sizi anlamadığını düşünüyorsunuz.
Kullanıcı:
Evet, onunla konuşmak çok zor.
ELIZA:
Babanızla konuşmak sizin için neden zor?

ELIZA burada gerçekten kullanıcının psikolojik durumunu analiz etmiyordu.

Daha çok:

• anahtar kelimeleri belirliyor,
• cümle yapılarını dönüştürüyor,
• hazır cevap kalıplarını kullanıyor,
• kullanıcıyı konuşmaya devam ettirecek sorular oluşturuyordu.

---

ELIZA'nın temel tekniği

ELIZA'nın önemli tekniklerinden biri pattern matching (örüntü eşleştirme) yöntemidir.

Örneğin şöyle bir kural düşünelim:

Girdi:
"Ben X hissediyorum."
Cevap:
"Neden X hissediyorsun?"

Kullanıcı:

Ben üzgün hissediyorum.

Program:

X = üzgün

olarak kabul edip:

Neden üzgün hissediyorsun?

cevabını oluşturabilir.

Başka bir kural:

"Annem X"
        ↓
"Bana annen hakkında daha fazla
anlatır mısın?"

Bu yaklaşım oldukça basit görünmesine rağmen o dönemde insanlar üzerinde şaşırtıcı derecede güçlü bir etki oluşturdu.

---

ELIZA neden önemliydi?

ELIZA'nın en önemli özelliği, insanların çok basit bir bilgisayar programıyla bile anlamlı bir sohbet yaptıkları hissine kapılabilmeleri olduğunu göstermesidir.

Joseph Weizenbaum, insanların ELIZA ile konuşurken programa beklenenden daha fazla anlam ve anlayış yüklediklerini gözlemledi.

Bu durum daha sonra ELIZA etkisi (ELIZA effect) olarak adlandırıldı.

ELIZA etkisi

ELIZA etkisi, insanların bilgisayar programlarının gerçekte sahip olmadıkları anlama, düşünme veya empati gibi insansı özelliklere sahip olduğunu varsayma eğilimidir.

Örneğin:

Bilgisayar:
"Neden böyle hissediyorsun?"

insana oldukça anlayışlı bir cevap gibi gelebilir.

Ancak bilgisayarın gerçekten:

"Bu kişinin duygusal durumunu anlıyorum."

şeklinde bir içsel anlayışı yoktur.

---

ELIZA ile modern ChatGPT arasındaki fark

ELIZA ile günümüzün büyük dil modelleri arasında çok büyük teknik farklar vardır.

Özellik	ELIZA	Modern LLM
Dönem	1960'lar	2020'ler
Temel yaklaşım	Kural/örüntü eşleştirme	Sinir ağları + makine öğrenmesi
Eğitim	Önceden yazılmış kurallar	Çok büyük veri kümeleri üzerinde eğitim
Anahtar kelime	Önemli	Tek başına temel mekanizma değil
Bağlam	Çok sınırlı	Çok daha geniş bağlam işleme
Yeni cevap üretme	Şablonlara dayalı	Öğrenilmiş dil örüntülerinden üretim
Gerçek anlama	Yok	İnsan anlamıyla aynı türden değil
Diyalog yeteneği	Sınırlı	Çok daha gelişmiş

Ancak burada önemli bir eğitim noktası var:

ELIZA ile günümüz yapay zekâ sistemleri aynı teknik yöntemle çalışmaz; fakat ELIZA, insanlarla doğal dil üzerinden etkileşim kurulabileceğini gösteren önemli öncülerden biridir.

---

Basit bir Python ELIZA örneği

Öğrencilerinize ELIZA'nın çalışma mantığını göstermek için oldukça basit bir Python uygulaması yapılabilir:

while True:    
    mesaj = input("Sen: ")    
    if "annem" in mesaj.lower():
        print("ELIZA: Annen hakkında biraz daha anlatır mısın?")
    elif "üzgün" in mesaj.lower():
        print("ELIZA: Neden üzgün hissediyorsun?")
    elif "mutlu" in mesaj.lower():
        print("ELIZA: Seni mutlu eden şey nedir?")
    elif mesaj.lower() == "çıkış":
        print("ELIZA: Görüşmek üzere.")
        break
    else:
        print("ELIZA: Bunu biraz daha açıklar mısın?")

Örneğin:

Sen: Annemle tartıştım.
ELIZA: Annen hakkında biraz daha anlatır mısın?
Sen: Çok üzgünüm.
ELIZA: Neden üzgün hissediyorsun?
Sen: Okula gitmek istemiyorum.
ELIZA: Bunu biraz daha açıklar mısın?
Sen: çıkış
ELIZA: Görüşmek üzere.

Bu küçük program bile ELIZA'nın temel fikrini öğrencilerin görmesini sağlar.

---

ELIZA'nın yapay zekâ tarihindeki yeri

Yapay zekânın gelişimini kabaca şu şekilde gösterebiliriz:

1950'ler
   │
   ├── Yapay zekânın ortaya çıkışı
   │
1960'lar
   │
   ├── ELIZA
   │
1970–80'ler
   │
   ├── Uzman sistemler
   │
1990'lar
   │
   ├── İstatistiksel makine öğrenmesi
   │
2000'ler
   │
   ├── Büyük veri + makine öğrenmesi
   │
2010'lar
   │
   ├── Derin öğrenme
   │
2020'ler
   │
   └── Büyük dil modelleri
       (LLM)

Bu nedenle ELIZA'yı öğrencilerinize anlatırken onu "ilk ChatGPT" olarak tanımlamak yerine:

"Doğal dil ile insan-bilgisayar etkileşiminin erken ve etkili örneklerinden biri"

şeklinde tanımlamak daha doğru olur.

Ders için önemli soru

Öğrencilerinize şu soruyu yöneltebilirsiniz:

"Bir bilgisayar sizin söylediklerinize uygun cevap verebiliyorsa, gerçekten sizi anlıyor mudur?"

Bu soru ELIZA'dan başlayarak kural tabanlı yapay zekâ → makine öğrenmesi → derin öğrenme → üretken yapay zekâ gelişimini tartışmak için çok güzel bir başlangıç noktasıdır.

🤖 SHAKEY Robotu

İlk mobil AI robotlarından biri.

• Oda içinde dolaşıyordu.

• Engel algılıyordu.

• Planlama yapıyordu.

Shakey, yapay zekâ ve robotik tarihinin en önemli dönüm noktalarından biridir. 1966–1972 yılları arasında Stanford Research Institute (SRI) bünyesinde geliştirilen Shakey, çevresini algılayıp eylemleri hakkında akıl yürütebilen ilk mobil robotlardan biri olarak kabul edilir. darpa.mil

Shakey neden önemli?

Shakey'den önce robotlar genellikle kendilerine verilen hareketleri adım adım uygulayan makinelerdi.

Örneğin klasik bir robot için:

İleri git → sağa dön → 2 metre ilerle → nesneyi it.

gibi ayrıntılı komutlar gerekebilirdi.

Shakey'nin yaklaşımı ise farklıydı:

"Bloğu platformdan indir."

Robot, bu yüksek seviyeli amacı gerçekleştirmek için gerekli hareketleri kendisi planlamaya çalışıyordu. SRI'nin açıklamasına göre Shakey, bir görevi adım adım talimat almadan planlama, yol bulma ve nesneleri yeniden düzenleme yeteneklerini bir araya getiriyordu. SRI

Bu nedenle Shakey'yi şu basit modelle anlatabiliriz:

Algıla → Durumu değerlendir → Planla → Hareket et → Sonucu kontrol et

---

Shakey'nin temel özellikleri

Shakey üzerinde dönemin teknolojisine göre oldukça gelişmiş bir sistem bulunuyordu.

Özellik	Görevi
📷 TV kamera	Çevresini algılamak
📡 Radyo bağlantısı	Bilgisayarla iletişim
📏 Mesafe algılama	Nesnelere ve engellere olan uzaklığı belirlemek
👆 Dokunma sensörleri	Engel/çarpışma algılama
⚙️ Tekerlekler	Hareket etmek
🧠 Planlama yazılımı	Hedefe ulaşmak için eylemleri belirlemek
🗺️ Harita/durum modeli	Ortam ve robotun konumunu takip etmek

Shakey'nin kamerası, kızılötesi mesafe bulucusu, radyo iletişimi ve tekerlekleri bulunuyordu. Çalışmaların önemli bölümü büyük bir bilgisayar üzerinde yürütülüyordu. Stanford Gazetesi

---

Shakey nasıl çalışıyordu?

Shakey'nin çalışma mantığını günümüzdeki otonom robotların çok basitleştirilmiş bir atası olarak düşünebiliriz.

Örnek görev:

"Bloğu platformdan indir."

Robotun karşısında şöyle bir ortam olduğunu düşünelim:

┌───────────────────────────────┐
│                               │
│       ┌───────────┐           │
│       │   BLOK    │           │
│       └───────────┘           │
│            PLATFORM            │
│                               │
│  🤖 SHAKЕY                    │
│                               │
└───────────────────────────────┘

Shakey doğrudan:

"Şu motoru çalıştır."

şeklinde düşünmez.

Bunun yerine problemi daha yüksek seviyede ele alır:

AMAÇ
  ↓
Bloğu platformdan indir
  ↓
Bloğa ulaş
  ↓
Uygun konuma gel
  ↓
Bloğu it
  ↓
Bloğun platformdan çıkmasını sağla
  ↓
AMAÇ TAMAMLANDI

Bu yaklaşım, yapay zekâda problem çözme ve planlama kavramlarının robotik bir sistem üzerinde uygulanmasının önemli örneklerinden biriydi. Stanford Yapay Zeka Laboratuvarı

---

Shakey neden "akıllı robot" olarak görülüyor?

Buradaki kritik nokta robotun yalnızca hareket etmesi değildir.

Asıl önemli olan:

Robotun çevresinden bilgi alıp, bu bilgiyi kullanarak bir hedefe ulaşmak için eylemlerini planlayabilmesidir.

Stanford, Shakey'yi çevresini algılayabilen ve eylemleri hakkında akıl yürütebilen ilk mobil robotlardan biri olarak tanımlıyor. Proje; bilgisayarlı görü, doğal dil işleme, yol bulma ve nesne manipülasyonu gibi alanlarda ilerlemelere katkıda bulundu. Stanford Gazetesi

---

Shakey ile günümüz robotlarını karşılaştıralım

Shakey	Günümüz robotları
TV kamera	RGB, stereo, LiDAR, derinlik kameraları
Basit mesafe algılama	Gelişmiş sensör füzyonu
STRIPS	Modern AI planning / öğrenme tabanlı planlama
Kural ve mantık ağırlıklı	Makine öğrenmesi + derin öğrenme + planlama
Basit ortam modeli	Karmaşık 3B dünya modelleri
Önceden tanımlı eylemler	Öğrenilmiş ve planlanmış davranışlar
Büyük harici bilgisayar	Yerleşik işlemciler + GPU/AI hızlandırıcılar
Basit oda/nesne ortamı	Gerçek dünya

Burada önemli bir ders var:

Yapay zekâ robotlarda bir anda ortaya çıkmadı.

Shakey gibi projeler, algılama + bilgi gösterimi + arama + planlama + eylem kavramlarını aynı sistem içinde birleştirmeye başladı.

---

Yapay zekâ tarihi açısından yeri

Shakey'yi AI tarihindeki gelişim zincirine yerleştirirsek:

1950'ler
   │
   ├── Turing
   │
1960'lar
   │
   ├── ELIZA
   ├── DENDRAL
   ├── MYCIN
   │
   └── 🤖 SHAKЕY
          │
          ├── Computer Vision
          ├── Planning
          ├── Search
          ├── Robotics
          └── Natural Language
                 │
                 ↓
        Modern Autonomous Systems
                 │
          ├── Robot süpürgeler
          ├── Otonom araçlar
          ├── Drone'lar
          └── Akıllı robotlar

Shakey projesi 1966–1972 arasında sürdü; proje döneminin sonunda fon sağlayıcıların daha doğrudan uygulamalara yönelmesiyle sona erdi. Robot bugün Mountain View, California'daki Computer History Museum'da sergilenmektedir. Stanford Gazetesi

Shakey, çevresini sensörlerle algılayabilen, verilen bir hedefe ulaşmak için eylemlerini planlayabilen ve daha sonra bu planı fiziksel olarak uygulayabilen erken dönem yapay zekâ robotudur.

Uzman Sistemler Dönemi (1970–1985)

Uzman Sistemler Dönemi, yapay zekâ tarihinin önemli aşamalarından biridir. Bu dönemde araştırmacılar, insan uzmanların sahip olduğu bilgi ve karar verme kurallarını bilgisayara aktararak, belirli bir alanda uzman gibi önerilerde bulunabilen sistemler geliştirmeye odaklandılar.

Bu dönem özellikle kural tabanlı yapay zekâ, bilgi temsili, çıkarım motorları ve uzman sistemler kavramlarının geliştiği dönemdir.

Uzman sistem nedir?

En basit ifadeyle:

Uzman sistem, belirli bir alandaki insan uzmanının bilgi ve problem çözme yöntemlerini bilgisayar ortamında modelleyen yapay zekâ sistemidir.

Örneğin bir doktorun:

"Eğer hastada A, B ve C belirtileri varsa X hastalığından şüphelen."

şeklindeki bilgisini bilgisayara aktarabiliriz.

Bilgisayar bunu bir kural olarak saklar:

EĞER
    Ateş yüksek
VE
    Boğaz ağrısı var
VE
    Bademciklerde iltihap var
İSE
    Streptokok enfeksiyonu olasılığını değerlendir

Dolayısıyla uzman sistemlerin temel yaklaşımı:

Uzman bilgisi → Kurallar → Bilgi tabanı → Çıkarım → Sonuç

şeklindedir.

---

Neden uzman sistemlere ihtiyaç duyuldu?

1960'larda yapay zekâ araştırmalarında önemli gelişmeler yaşanmıştı.

Örneğin:

• ELIZA → İnsanla doğal dil üzerinden iletişim kurmaya çalışıyordu.
• DENDRAL → Kimyasal analiz konusunda uzmanlık sağlamaya çalışıyordu.
• MYCIN → Tıbbi tanı ve tedavi önerileri konusunda çalışıyordu.
• Shakey → Çevresini algılayıp planlama yaparak hareket edebiliyordu.

Araştırmacılar zamanla şu fikre yöneldiler:

"Genel amaçlı bir zekâ oluşturmak yerine, belirli bir alanda uzmanlaşmış bir sistem geliştirmek daha mümkün olabilir."

Böylece uzman sistemler önem kazandı.

---

Uzman sistemin temel yapısı

Klasik bir uzman sistemi genellikle şu bileşenlerden oluşur:

                 KULLANICI
                     │
                     ▼
             ┌───────────────┐
             │ Kullanıcı     │
             │ Arayüzü       │
             └───────┬───────┘
                     │
                     ▼
             ┌───────────────┐
             │ Çıkarım Motoru│
             └───────┬───────┘
                     │
             ┌───────┴────────┐
             ▼                ▼
      ┌─────────────┐  ┌──────────────┐
      │ Bilgi       │  │ Çalışma      │
      │ Tabanı      │  │ Belleği      │
      └─────────────┘  └──────────────┘
             │
             ▼
      ┌─────────────┐
      │ Açıklama    │
      │ Mekanizması │
      └─────────────┘

Temel bileşenler

Bileşen	Görevi
Bilgi tabanı	Uzman bilgilerini ve kuralları saklar
Çıkarım motoru	Kuralları kullanarak sonuç üretir
Çalışma belleği	Problemle ilgili mevcut bilgileri tutar
Kullanıcı arayüzü	Kullanıcı ile iletişim sağlar
Açıklama mekanizması	Sistemin sonuca nasıl ulaştığını açıklar

Expert Systems

Bilgi tabanı + kurallar.

Çalışma Mantığı

MYCIN

MYCIN, 1970'lerde Stanford Üniversitesi'nde geliştirilen, tıp alanında kullanılan erken dönem uzman sistemlerden (expert systems) biridir.

MYCIN'in temel amacı, özellikle kan enfeksiyonları (bakteriyemi) ve menenjit gibi enfeksiyonların tanısına yardımcı olmak ve uygun antibiyotik tedavisi konusunda öneriler sunmaktı.

🧠 MYCIN nasıl çalışıyordu?

MYCIN, günümüzdeki makine öğrenmesi sistemlerinden farklı olarak önceden tanımlanmış kurallar kullanıyordu.

Örneğin basitleştirilmiş olarak:

EĞER
    hastanın ateşi yüksek
    VE
    kan kültüründe belirli bir bakteri görülüyor
    VE
    hastanın bağışıklık durumu belirli özelliklere sahip
İSE
    belirli bir enfeksiyon olasılığını değerlendir
    VE
    uygun antibiyotik öner

Bu kuralların büyük bölümü:

• IF / THEN mantığına,
• uzman hekimlerin bilgilerine,
• hastadan alınan verilere

dayanıyordu.

🔍 MYCIN'in temel yapısı

              HASTA BİLGİLERİ
                    │
                    ▼
          ┌──────────────────┐
          │   Bilgi Tabanı   │
          │  Tıbbi Bilgiler  │
          └────────┬─────────┘
                   │
                   ▼
          ┌──────────────────┐
          │ Çıkarım Motoru   │
          │ (Inference       │
          │    Engine)       │
          └────────┬─────────┘
                   │
             Kuralları uygula
                   │
                   ▼
          ┌──────────────────┐
          │     SONUÇ        │
          │ Tanı / Öneri     │
          └──────────────────┘

⭐ MYCIN neden önemlidir?

MYCIN, yapay zekâ tarihindeki önemli uzman sistemlerden biri olarak kabul edilir. Özellikle şu fikirlerin gelişmesine katkı sağladı:

Kavram	MYCIN'deki karşılığı
Bilgi tabanı	Tıbbi uzmanlık bilgileri
Kural tabanı	IF–THEN kuralları
Çıkarım motoru	Kuralları kullanarak sonuç çıkarma
Uzman sistem	Uzman bilgisini bilgisayara aktarma
Belirsizlik	Kesin olmayan tıbbi bilgileri değerlendirme
Açıklanabilirlik	Verdiği sonucun nedenini açıklama

🎯 MYCIN ile günümüz yapay zekâsı arasındaki fark

MYCIN:

Uzman bilgisi
     ↓
Kurallar
     ↓
Çıkarım
     ↓
Sonuç

Modern makine öğrenmesi:

Veriler
  ↓
Eğitim
  ↓
Model
  ↓
Tahmin

Yani MYCIN esas olarak "İnsan uzman bilgisini kurallara dönüştürerek karar verme" yaklaşımını kullanıyordu.

Bu nedenle MYCIN'i, kural tabanlı yapay zekâ → uzman sistemler → modern yapay zekâ gelişimini anlatırken güzel bir tarihsel örnek olarak kullanabilirsiniz.

Bakteri teşhis edebiliyordu.

Yaklaşık 450 kural içeriyordu.

Python Benzeri Uzman Sistem

Python:

ates = True
oksuruk = True
if ates and oksuruk:
    print("Grip olabilir.")

Tartışma

Bu AI mı?

Evet.

Ama öğrenmiyor.

Ve öğrencilerin aklında kalması için:

ELIZA → İnsanla konuşmaya çalıştı.

MYCIN → Uzman gibi karar vermeye çalıştı.

SHAKEY → Çevresini algılayıp plan yaparak hareket etmeye çalıştı.

Bu üç örnek, 1960'lar ve 1970'lerin başındaki kural tabanlı ve sembolik yapay zekânın farklı kullanım alanlarını anlatmak için çok güzel bir ders dizisi oluşturur. darpa.mil

Yapay Zekâ Kışı (AI Winter)

AI Winter Nedir?

Beklentiler çok yükseldi.

Sonuçlar yetersiz kaldı.

Fonlar kesildi.

Birinci AI Winter

1974–1980

Sebepler:

• Bilgisayarlar yavaştı.

• Veri azdı.

• Bellek küçüktü.

İkinci AI Winter

1987–1993

Sebepler:

• Uzman sistemler pahalıydı.

• Güncellemek zordu.

• Ticari başarısızlıklar yaşandı.

Teknoloji neden bazen geri gider?

1997 — Deep Blue Satranç Şampiyonunu Yendi

IBM Deep Blue

İlk kez dünya satranç şampiyonu Garry Kasparov'u yendi.

Neden Tarihi?

• Milyonlarca hamle hesaplıyordu.

• İnsan stratejisini taklit etmiyordu.

• Çok hızlı hesaplama yapıyordu.

Sınıf Tartışması

Satranç kazanmak zeki olmak mıdır?

IBM Deep Blue, bilgisayar bilimleri ve yapay zeka tarihinde kritik bir eşiği temsil eden, 1997 yılında dünya satranç şampiyonu Garry Kasparov'u yenerek bu unvana sahip bir insanı kurallı bir maçta (turnuva koşullarında) mağlup eden ilk bilgisayar sistemidir.

AlphaGo'nun Go oyunundaki zaferinden yaklaşık 20 yıl önce gerçekleşen bu olay, makine zekasının insanların en çok övündüğü entelektüel alanlardan birini fethettiği sembolik bir andır.

1. Sistemin Mimarisi ve Çalışma Mantığı

Deep Blue, günümüzdeki AlphaGo veya ChatGPT gibi veriden öğrenen "Derin Öğrenme" (Deep Learning) modellerinden farklı çalışıyordu. Temelde devasa bir "kaba kuvvet" (brute force) hesaplama makinesiydi.

• Özel Donanım: Sadece satranç oynamak için tasarlanmış özel VLSI çipleriyle donatılmış, 1.4 ton ağırlığında dev bir süper bilgisayardı.
  
  
• Hesaplama Gücü: Saniyede yaklaşık 200 milyon satranç pozisyonunu hesaplayabiliyordu.
  
  
• Veritabanı: İçerisinde satranç ustalarının oynadığı binlerce oyunun açılış ve oyun sonu veri tabanı yüklüydü. Deep Blue "düşünmüyor" veya "sezgisel" bir hamle yapmıyordu; sadece olası tüm ağacı inanılmaz bir hızla tarayıp en yüksek puanlı (en güvenli) hamleyi seçiyordu.
  
  

2. Tarihi Karşılaşmalar

Kasparov ile Deep Blue arasındaki mücadele iki perdeden oluşuyordu:

• 1996 (İlk Maç): Philadelphia'da oynanan ilk 6 maçlık seride Kasparov sistemi 4-2 yendi. Ancak Deep Blue'nun ilk maçı kazanması, bir bilgisayarın dünya şampiyonunu yendiği ilk "oyun" olarak tarihe geçti (seriyi kaybetmiş olsa da).
  
  
• 1997 (Rövanş ve Tarihi Zafer): IBM, bir yıl boyunca sistemi büyük usta Joel Benjamin'in de yardımıyla satranç stratejileri açısından geliştirdi ve donanımını iki kat hızlandırdı (sisteme "Deeper Blue" takma adı da verildi). New York'ta oynanan seride durum 2.5 - 2.5 iken son maçı (6. oyun) Kasparov bir açılış hatası yaparak sadece 19 hamlede kaybetti ve seri 3.5 - 2.5 Deep Blue'nun üstünlüğüyle sona erdi.
  
  

3. Kasparov'un Tepkisi ve Tartışmalar

Yenilgi sonrası Garry Kasparov çok öfkeliydi. İkinci oyundaki (1997) bir hamlenin (44. hamle) bir bilgisayarın kaba kuvvetiyle değil, ancak bir insanın "sezgisel ve derin stratejik" anlayışıyla yapılabileceğini iddia ederek IBM'i hile yapmakla suçladı (insan müdahalesi olduğunu savundu). IBM bu iddiaları kesin bir dille reddetti.

Yıllar sonra Kasparov olaya daha yumuşak yaklaştı, hile iddialarını geri çektiğini belirtti ve makinenin üstünlüğünü kabullendi. (Hatta daha sonra satrançta insan + yapay zeka birleşimini savunan "Centaur Chess" - Gelişmiş Satranç kavramını ortaya attı).

4. Neden Önemliydi?

Deep Blue, hesaplama gücünün sınırlarını zorlayarak belirli ve kuralları katı bir alanda (satranç gibi sınırlı bir evrende) donanımın insan beynini yenebileceğini kanıtladı.

Ancak Deep Blue satranç dışında hiçbir şey yapamıyordu. AlphaGo'ya giden yolda yapay zekanın salt "hesaplama"dan, "öğrenmeye ve kendi kendine keşfetmeye" evrilmesi gerektiğinin en net başlangıç noktası oldu. Maçın ardından IBM projeyi sonlandırdı ve Deep Blue'yu emekliye ayırdı (bugün parçaları müzelerde sergilenmektedir).

2000'ler — Büyük Veri Çağı

İnternet büyüdü.

• Google

• Facebook

• Amazon

• YouTube

Devasa veri üretmeye başladı.

AI Neden Güçlendi?

Yapay zekânın son yıllarda büyük bir sıçrama yapmasının tek bir nedeni yoktur. Ancak en önemli nedenlerden biri Big Data (Büyük Veri) olmuştur.

İnternet büyüdükçe insanlar ve şirketler inanılmaz miktarda veri üretmeye başladı:

• 🔎 Google: Arama sorguları, web sayfaları ve kullanıcı davranışları
• 👥 Facebook: Paylaşımlar, fotoğraflar, yorumlar ve etkileşimler
• 🛒 Amazon: Ürünler, alışverişler, aramalar ve kullanıcı tercihleri
• ▶️ YouTube: Videolar, izleme süreleri, beğeniler ve yorumlar
• 📱 Akıllı telefonlar: Konum, fotoğraf, video ve uygulama kullanım verileri
• 🌐 IoT cihazları: Sensörler ve makinelerden gelen sürekli veriler

Peki bu veriler neden önemli?

Çünkü makine öğrenmesi veriden öğrenir.

Basitçe:

Daha fazla veri → Daha fazla öğrenme fırsatı → Daha iyi modeller

Örneğin bir bilgisayara sadece 10 kedi fotoğrafı gösterirsek kediyi tanımayı öğrenmesi zor olabilir.

Ama ona 10 milyon farklı kedi fotoğrafı gösterirsek;

• farklı renklerde,
• farklı açılardan,
• farklı ışıklarda,
• farklı ortamlarda,
• farklı cinslerde

kedileri görerek daha genel bir model oluşturabilir.

Ancak sadece veri yetmez!

AI'nin güçlenmesinde aynı anda birkaç gelişme gerçekleşti:

1. 📊 Big Data
Daha önce hiç olmadığı kadar büyük miktarda veri oluştu.

2. ⚡ Güçlü donanım
Özellikle GPU'lar, milyarlarca matematiksel işlemi paralel olarak yapmayı mümkün hale getirdi.

3. 🧠 Yeni algoritmalar
Derin öğrenme ve özellikle Transformer gibi yöntemler çok büyük verilerden daha etkili öğrenmeyi sağladı.

4. ☁️ Bulut bilişim
Binlerce bilgisayarın gücü bir araya getirilerek devasa modeller eğitilebilir hale geldi.

5. 💾 Daha ucuz depolama
Terabaytlarca, hatta petabaytlarca veriyi saklamak daha erişilebilir oldu.

Bunu öğrencilerinize şu şekilde özetleyebilirsiniz:

🚀 Yapay Zekânın Büyük Sıçraması

Büyük Veri + Güçlü Donanım + Yeni Algoritmalar + Bulut Bilişim = Modern AI

Burada önemli bir noktayı da vurgulamak gerekir:

AI'nin güçlenmesi sadece "çok veri" sayesinde olmadı. Veri, algoritma ve hesaplama gücünün aynı dönemde gelişmesi bir araya geldi.

Bu nedenle Big Data, yapay zekâ tarihindeki en önemli dönüm noktalarından biridir.

Makine Öğrenmesi Devrimi

Machine Learning

Kuralları yazmak yerine öğrenir.

Örnek

Spam e-postaları.

AI binlerce spam e-postadan öğrenir.

2012 — Derin Öğrenme Patlaması

ImageNet Yarışması

Geoffrey Hinton'un ekibi büyük fark attı.

ImageNet Büyük Ölçekli Görsel Tanıma Yarışması (ImageNet Large Scale Visual Recognition Challenge - ILSVRC), bilgisayarlı görü (computer vision) ve yapay zeka alanında tarihin en etkili ve dönüm noktası olarak kabul edilen yarışmalarından biridir.

2010 ile 2017 yılları arasında her yıl düzenlenen bu yarışma, araştırmacıların nesne tespiti (object detection) ve görüntü sınıflandırma (image classification) algoritmalarını devasa ve standart bir veri kümesi üzerinde değerlendirmelerini ve karşılaştırmalarını sağlamıştır.

İşte ImageNet Yarışması'nın temel özellikleri ve yapay zeka dünyasındaki önemi:

1. Devasa Veri Kümesi (Dataset)

Yarışma, adını aldığı ImageNet veri tabanının bir alt kümesi üzerinde gerçekleştirilirdi. Sınıflandırma görevi için kullanılan standart veri kümesi, "köpek", "çilek", "balon", "uçak" gibi 1.000 farklı kategoriyi (sınıfı) ve bu kategorilere ait yaklaşık 1,2 milyon eğitim görüntüsünü içeriyordu.

Ayrıca modellerin başarısını test etmek için 50.000 adet doğrulama görüntüsü kullanılıyordu. Bu ölçekte etiketlenmiş bir veri kümesi, daha önce görülmemişti ve karmaşık modellerin eğitilmesi için kritik bir zemin hazırladı.

2. Derin Öğrenme Devrimi (2012 Dönüm Noktası)

Yarışmanın ve yapay zeka tarihinin en önemli anı 2012 yılında yaşandı. O yıla kadar yarışmayı, geleneksel makine öğrenmesi ve manuel olarak tasarlanmış özellik çıkarım yöntemleri (feature extraction) kazanıyordu. Ancak 2012'de Toronto Üniversitesi'nden Geoffrey Hinton ve ekibi, AlexNet adını verdikleri Derin Evrişimli Sinir Ağı (Deep Convolutional Neural Network - CNN) modeliyle yarışmaya katıldı.

AlexNet, en yakın rakibine %10'dan fazla fark atarak (hata payını %26'lardan %15.3'e düşürerek) ezici bir zafer kazandı.

Bu olay, günümüzde hala içinde bulunduğumuz "Derin Öğrenme (Deep Learning) Devrimi"ni başlatan kıvılcım olarak kabul edilir.

3. İnsan Başarısını Aşmak

Yarışmada temel ölçütlerden biri "Top-5 Hata Oranı" (Top-5 Error Rate) idi. Yani modelin tahmin ettiği en olası 5 sonuçtan birinin doğru kategori olması bekleniyordu. Sıradan bir insanın bu görevdeki hata oranı yaklaşık %5 olarak hesaplanmıştı.

• 2015 yılında,

  Microsoft Research tarafından geliştirilen ResNet (Residual Networks) adlı model, hata oranını %3.57'ye düşürerek görüntü sınıflandırma konusunda insan performansını resmen geride bıraktı.
  
  

4. Gelişen Mimariler

Yıllar içinde bu yarışmayı kazanmak için geliştirilen mimariler, günümüz yapay zeka sistemlerinin yapıtaşları haline geldi:

• 2012:

  AlexNet (Derin öğrenme çağının başlangıcı)
  
  
• 2013:

  ZFNet
  
  
• 2014:

  GoogLeNet (Inception) ve VGGNet
  
  
• 2015:

  ResNet (Çok derin ağların eğitilebilmesini sağlayan kalıntı bağlantıları)
  
  
• 2017:

  SENet
  
  

5. Yarışmanın Sonucu

Görüntü sınıflandırma problemi (1000 sınıflı ImageNet için) artık "çözülmüş" bir problem olarak kabul edilmeye başlandığı ve hata oranları %2'lere kadar düştüğü için ILSVRC, 2017 yılında son kez geleneksel formatında düzenlenmiş ve misyonunu tamamlamıştır. Ardından araştırmalar; 3D nesne algılama, video analizi ve daha karmaşık anlamsal anlama (semantic understanding) gibi daha zorlu alanlara kaymıştır.

Günümüzde ImageNet veri kümesi üzerinde eğitilmiş (pre-trained) ResNet veya VGG gibi modeller, başka bir görüntü problemini çözmek isteyen geliştiriciler tarafından Transfer Öğrenmesi (Transfer Learning) için bir başlangıç noktası olarak standart şekilde kullanılmaktadır.

AlexNet

Derin öğrenme dönemi başladı.

Derin Öğrenme Nedir?

Çok katmanlı sinir ağları.

• Görme

• Ses

• Dil

• Çeviri

Geoffrey Hinton

"Derin öğrenmenin babası."

2024 Nobel Fizik Ödülü'nü makine öğrenmesine katkıları nedeniyle aldı.

Not: Sinir ağları biyolojik beyinden ilham alır.

2016 — AlphaGo

Google DeepMind.

Go oyununda dünya şampiyonunu yendi.

Go Neden Zor?

Satrançtan çok daha fazla olasılık içerir.

AlphaGo, Google'ın yapay zeka şirketi DeepMind tarafından geliştirilen ve 2.500 yıllık karmaşık masa oyunu Go'da dünya şampiyonu seviyesindeki bir insanı yenen tarihteki ilk yapay zeka programıdır.

Yapay zeka tarihinde, tıpkı IBM'in Deep Blue bilgisayarının 1997'de satranç şampiyonu Garry Kasparov'u yenmesi gibi, çok daha büyük ve dönüm noktası niteliğinde bir olay olarak kabul edilir. AlphaGo hakkında bilinmesi gereken temel detaylar şunlardır:

1. Go Oyunu Neden Bu Kadar Zordu?

Satrançta bir bilgisayar, bir sonraki hamleyi seçmek için milyonlarca olası durumu matematiksel olarak hızlıca hesaplayabilir (kaba kuvvet - brute force). Ancak 19x19'luk bir tahtada oynanan Go oyununda, tahtadaki olası dizilişlerin sayısı evrendeki toplam atom sayısından daha fazladır (yaklaşık $10^{170}$).

Bu astronomik ihtimal sayısı nedeniyle, bilgisayarların tüm hamleleri hesaplaması imkansızdır. Go ustaları oyunu oynarken hesaplamadan ziyade "sezgilerine" güvenirler. Bu yüzden bilim insanları, bir yapay zekanın Go oyununda insanı yenebilmesi için en az on yıl daha geçmesi gerektiğini düşünüyordu.

2. Tarihi Zaferler

AlphaGo bu imkansız görünen engeli çok hızlı aştı ve yapay zeka tarihinde şok etkisi yaratan şu maçlara imza attı:

• 2015 (Fan Hui Maçı): AlphaGo, Avrupa Go Şampiyonu Fan Hui'yi 5-0 yenerek profesyonel bir oyuncuyu yenen ilk bilgisayar programı oldu.

• 2016 (Lee Sedol Maçı): Asıl tarihi an, 18 kez dünya şampiyonu olmuş efsanevi Güney Koreli oyuncu Lee Sedol ile yapılan 5 maçlık seriydi. AlphaGo maçı 4-1 kazandı. Özellikle ikinci maçtaki 37. Hamle, hiçbir insanın yapmayacağı, yapay zekanın "yaratıcılık" ve "sezgi" geliştirdiğinin kanıtı sayılan son derece yenilikçi ve sıra dışı bir hamle olarak tarihe geçti.

• 2017 (Ke Jie Maçı): O dönemin dünya 1 numarası olan Çinli oyuncu Ke Jie'yi de yenerek Go dünyasındaki mutlak üstünlüğünü kanıtladı ve ardından Go oynamaktan emekli edildi.

3. AlphaGo Nasıl Çalışıyordu?

AlphaGo, geleneksel programlama yerine insan sezgisini taklit edebilmek için üç farklı yapay zeka tekniğini birleştirdi:

• Derin Sinir Ağları (Deep Neural Networks): AlphaGo'nun bir "Politika Ağı" (hangi hamlelerin mantıklı olduğunu seçen) ve bir "Değer Ağı" (mevcut tahta durumunda kimin kazanmaya daha yakın olduğunu değerlendiren) olmak üzere iki farklı sinir ağı vardı. Önce binlerce gerçek insan maçı incelenerek eğitildi.

• Pekiştirmeli Öğrenme (Reinforcement Learning): AlphaGo, temel seviyeye geldikten sonra kendi kopyalarıyla milyonlarca kez maç yaparak hatalarından ders çıkardı ve kendi kendine yeni stratejiler keşfetti.

• Monte Carlo Ağaç Arama (MCTS): Tüm ihtimalleri hesaplamak yerine, sinir ağlarının yönlendirmesiyle sadece "en çok umut vadeden" hamle senaryolarını derinlemesine inceledi.

4. AlphaGo'nun Mirası: Zero ve Sonrası

DeepMind ekibi AlphaGo'nun başarısıyla yetinmedi ve teknolojiyi daha da ileri taşıdı:

• AlphaGo Zero: 2017'de tanıtıldı. Önceki versiyonların aksine, insan maçlarından hiçbir veri almadan, sadece oyunun kuralları verilerek eğitildi. Kendi kendine oynayarak sadece 3 gün içinde Lee Sedol'ü yenen orijinal AlphaGo'yu 100-0 yenecek seviyeye ulaştı. Bu, yapay zekanın insan verisine ihtiyaç duymadan da üstün zeka geliştirebileceğinin kanıtı oldu.

• AlphaZero: Go, Satranç ve Shogi (Japon satrancı) oyunlarının sadece kurallarını alarak birkaç saat içinde hepsinde dünya şampiyonu programları yenecek seviyeye geldi.

Bugün AlphaGo'nun arkasındaki teknoloji; protein katlanmalarını çözmek (AlphaFold), enerji tasarrufu sağlamak ve hastalıkların tedavisine yardımcı olacak yeni algoritmalar geliştirmek gibi insanlığın en büyük problemlerini çözmek için kullanılıyor.

Transformer Devrimi (2017)

Transformer Mimarisi (2017) ve Yapay Zekadaki Etkisi

Yapay zeka ve doğal dil işleme (NLP) tarihindeki en büyük dönüm noktalarından biri, 2017 yılında Google araştırmacıları tarafından yayımlanan "Attention Is All You Need" (İhtiyacınız Olan Tek Şey Dikkat) başlıklı makaledir. Bu makale, Transformer adı verilen yepyeni bir yapay sinir ağı mimarisini tanıtmış ve bugün kullandığımız ChatGPT, Gemini, Claude gibi tüm gelişmiş büyük dil modellerinin (LLM) temelini atmıştır.

1. Transformer Öncesi Durum (RNN ve LSTM)

2017'den önce, metin veya konuşma gibi sıralı verileri işlemek için genellikle RNN (Recurrent Neural Networks - Tekrarlayan Sinir Ağları) ve onun gelişmiş bir versiyonu olan LSTM kullanılıyordu.

• Sorun: RNN'ler kelimeleri sırayla (tek tek) okumak zorundaydı. Bir kelimeyi anlamak için önceki tüm kelimeleri okuyup hafızasında tutması gerekiyordu. Bu durum, uzun cümlelerde sistemin "unutkanlık" yaşamasına (ilk kelimelerin anlamını kaybetmesine) ve çok yavaş eğitilmesine (paralel işlem yapılamamasına) neden oluyordu.
  
  

2. Transformer'ın Çözümü: "Dikkat" (Attention) Mekanizması

Transformer mimarisi, RNN'lerin "sırayla okuma" zorunluluğunu tamamen ortadan kaldırdı. Bunun yerine Öz-Dikkat (Self-Attention) adı verilen dahiyane bir mekanizma kullandı.

• Aynı Anda İşleme: Transformer, bir cümledeki tüm kelimeleri aynı anda (paralel olarak) sisteme verir.
  
  
• Bağlamı Anlama: Öz-Dikkat mekanizması, cümledeki her kelimenin diğer tüm kelimelerle olan ilişkisini matematiksel olarak hesaplar.
  
  
  • Örnek: "Ali elmayı masadan aldı ve onu yedi." cümlesinde Transformer, "onu" kelimesinin masayla değil "elma" ile güçlü bir matematiksel bağ (yüksek dikkat puanı) kurduğunu anında hesaplar.
    
    
• Çoklu Dikkat (Multi-Head Attention): Transformer, bu dikkat işlemini aynı anda birçok farklı "kafa" ile (farklı açılardan) yapar. Biri kelimenin dilbilgisi yönüne odaklanırken, diğeri duygusuna veya mantıksal bağına odaklanabilir.
  
  

3. Yapay Zekada Neden Devrim Yarattı?

Transformer'ın getirdiği yenilikler, yapay zekada eşi benzeri görülmemiş bir sıçramaya neden oldu:

• Paralel Eğitim ve Hız: Kelimeler sırayla değil aynı anda işlendiği için devasa veri setleri binlerce GPU üzerinde aynı anda (paralel) işlenebilir hale geldi. Model eğitim süreleri yıllardan haftalara düştü.
  
  
• Ölçeklenebilirlik (Scaling): Transformer mimarisi, ne kadar çok veri ve ne kadar çok işlem gücü verirseniz o kadar akıllanma eğilimi gösterdi. Bu sayede milyarlarca hatta trilyonlarca parametreli devasa modeller eğitilebildi.
  
  
• Sınırları Aşması: Başlangıçta sadece metin çevirisi için tasarlanan Transformer, kısa sürede görüntü işleme (Vision Transformers - ViT), ses tanıma, müzik üretimi ve protein katlanması (AlphaFold) gibi farklı alanlara başarıyla uyarlandı.
  
  

Özetle Transformer mimarisi; yapay zekaya devasa metinleri hızlıca okuma, bağlamı insan gibi anlama ve devasa ölçeklerde öğrenme yeteneği vererek günümüzdeki "Üretken Yapay Zeka" (Generative AI) çağının kapısını açan anahtardır.

"Attention Is All You Need"

Google araştırmacıları.

Bugünkü ChatGPT'nin temel teknolojisi.

Attention Mekanizması

Model hangi kelimeye dikkat edeceğini öğrenir.

Üretken Yapay Zekâ Çağı (2022–2026)

Generative AI

Metin üretir.

Resim üretir.

Video üretir.

Kod üretir.

Müzik üretir.

Üretken Yapay Zeka (Generative AI), mevcut verileri analiz etmek veya sınıflandırmak yerine; metin, görsel, ses, kod veya video gibi tamamen yeni ve orijinal içerikler üretebilen yapay zeka sistemlerini tanımlayan çatı terimdir.

Yapay zekanın uzun yıllardır hayatımızda olmasına rağmen (öneri algoritmaları, spam filtreleri, yüz tanıma), Üretken YZ sistemlerinin kitleler tarafından benimsenmesi 2022'de ChatGPT'nin piyasaya sürülmesiyle başlamış ve teknoloji dünyasında yeni bir devrim yaratmıştır.

Geleneksel YZ ile Üretken YZ Arasındaki Fark

Üretken yapay zekanın yeniliğini anlamak için onu kendinden önceki "Geleneksel (Ayrımcı/Öngörücü)" sistemlerle kıyaslamak gerekir:

• Geleneksel Yapay Zeka (Discriminative AI): Veri içindeki kalıpları tanır ve karar verir. Örneğin, ona binlerce kedi fotoğrafı gösterirseniz, yeni bir fotoğrafta kedi olup olmadığını sınıflandırabilir veya bir evin özelliklerine bakarak fiyatını tahmin edebilir.

• Üretken Yapay Zeka (Generative AI): Verinin altındaki kuralları öğrenir ve sıfırdan üretim yapar. Ona binlerce kedi fotoğrafı gösterdiğinizde, dünyada daha önce hiç var olmamış, "astronot kıyafeti giymiş ve Mars'ta yürüyen fotogerçekçi bir kedi" görselini yaratabilir.

Temel Teknolojiler ve Modeller

Üretken yapay zekanın arkasında, genellikle devasa veri setleriyle eğitilmiş farklı "Derin Öğrenme" (Deep Learning) mimarileri bulunur:

• Büyük Dil Modelleri (LLMs - Large Language Models): Metin tabanlı üretimden sorumlu olan modellerdir. 2017'de icat edilen Transformer mimarisine dayanırlar. İnsan dilinin istatistiksel yapısını öğrenerek, bir kelimeden sonra hangi kelimenin gelmesi gerektiğini muazzam bir doğrulukla tahmin ederler (Örn: GPT-4, Gemini, Claude).

• Difüzyon Modelleri (Diffusion Models): Görsel üretiminde çığır açan mimaridir. Eğitilirken bir resme tamamen parazit (gürültü) eklenip, sonra bu parazitin adım adım temizlenmesi öğretilir. Kullanıcı bir metin (prompt) girdiğinde, sistem rastgele bir parazit kümesini şekillendirerek yepyeni bir görsel ortaya çıkarır (Örn: Midjourney, DALL-E, Stable Diffusion).

• Üretken Çekişmeli Ağlar (GANs): Biri sahte içerik (resim veya video) üreten (Jeneratör), diğeri ise bunun sahte mi gerçek mi olduğunu bulmaya çalışan (Diskriminatör) iki farklı yapay zekanın birbiriyle yarışmasına dayanır. Birbirleriyle yarışarak fotogerçekçi üretim yeteneklerini geliştirirler.

Başlıca Kullanım Alanları

• Metin ve İçerik Üretimi: E-posta yazma, makale özetleme, şiir veya senaryo kurgulama, çeviri yapma.

• Yazılım ve Kodlama: Programcılar için kod tamamlama, hata ayıklama (debugging) veya sadece doğal dille verilen komutlardan sıfırdan web sitesi/uygulama yazma.

• Görsel Sanat ve Tasarım: Grafik tasarım, mimari modelleme, oyunlar için kaplama üretimi, logo ve illüstrasyon tasarımı.

• Ses ve Müzik: İnsan sesini klonlama, metinden gerçekçi konuşma (TTS) üretme veya telifsiz müzik besteleme.

• Bilimsel Araştırma: Tıp alanında yeni ilaç molekülleri tasarlama veya AlphaFold gibi modellerle protein yapılarının katlanmasını çözme.

Mevcut Sorunlar ve Zorluklar

Üretken yapay zeka hızla gelişse de bazı temel problemlere sahiptir. Modellerin bazen tamamen mantıklı görünen ancak gerçek dışı yalanlar uydurması durumu olan "Halüsinasyon" en büyük teknik sorunlardan biridir. Ayrıca, modellerin internetteki devasa verilerle (yazarların, sanatçıların ve yayıncıların eserleriyle) eğitilmesi nedeniyle ortaya çıkan telif hakkı ihlalleri büyük bir yasal tartışma konusudur. Son olarak, gerçeğinden ayırt edilemeyen sahte ses ve videoların (Deepfake) dolandırıcılık veya siyasi manipülasyon amacıyla kullanılması, bu teknolojinin getirdiği en büyük etik risklerin başında gelmektedir.

Büyük Dil Modelleri (LLM)

LLM Nedir?

Milyarlarca kelimeyle eğitilmiş modellerdir.

Çalışma Mantığı

Sonraki kelimeyi tahmin eder.

Python Benzetmesi

Python:

cumle = ["Merhaba","ben","bir","yapay"]
print("Sonraki kelime ne olabilir?")

Model olasılık hesaplar.

Bölüm Sonu Ölçme-Değerlendirme

10 Soruluk Mini Test

1. Turing Testinin amacı nedir?

2. Artificial Intelligence kavramı ilk nerede ortaya çıktı?

3. AI Winter ne demektir?

4. Uzman sistem nedir?

5. Deep Blue hangi oyunda başarı kazandı?

6. AlexNet neden önemlidir?

7. AlphaGo hangi oyunu oynadı?

8. Transformer hangi alanda devrim yaptı?

9. LLM neyin kısaltmasıdır?

10. Üretken AI hangi içerikleri oluşturabilir?