Yazar: İrem Dölen

İnsan hayatında yaşanan her türlü yenilik, spesifik olarak teknolojik gelişmeler aslında hem gelecekte ne olduğu hem de geçmişte ne olacağı konusunda insanlığa her daim bilgi verir. İçinde var olduğumuz ağ toplumunun bir sonucu yeni gelişen web3 teknolojileriyle artık farklı bir algoritmik çağa doğru adım adım yaklaşıldığı da son teknolojik gelişmelere bakıldığında öngürülmüş müydü? 1980li yılların başında World Wide Web’in, 90’ların başında Google’nin, 2000’lerde de Bitcoin’in ortaya çıkışını görmek ne kadar ütopikse şimdilerde de algoritmaların içerisinde yepyeni iletişim türlerinin içinde yaşanılacağını düşünmek o kadar zor. Özellikle söz konusu yapay zeka ve emek, iş gücü ve insanların kapasitesi olunca, geleceğe dair fikir üretmek zor. Yapay Zeka Nedir? OECD (Ekonomik İşbirliği ve Kalkınma Örgütü), bir yapay zeka sistemini şu şekilde tanımlamaktadır: “Makine tabanlı bir sistem olan bir YZ sistem, belirli bir dizi hedef için tahminler, öneriler veya kararlar gibi bir çıktı üretir ve bunun sonucunda çevreyi etkileyebilir. Bu sistem, makine ve/veya insan tabanlı veri ve girdileri kullanarak gerçek ve/veya sanal ortamları algılar, bu algıları manuel veya otomatik (makine öğrenimi gibi) analiz yoluyla modellere soyutlar ve elde edeceği sonuçlar için model çıkarımını kullanarak seçenekleri formüle eder. Yapay zeka sistemleri, farklı seviyelerde özerklik için tasarlanmıştır.” (OECD, 2019) Yapay zeka araştırmaları, 1980’lerden beri baskın bir odak noktası olmuştur ve son 10 yılda makine öğrenimi, önemli ölçüde artan bir tahmin – üretim teknolojisi olarak kullanılmaktadır. Makine öğrenimi artık yaygın bir uygulama haline gelmiştir. Örneğin; Pandora, kullanıcıların tercihlerine göre müzik önerileri yapmayı öğrenirken; Google, çevrimiçi belgeleri 5 farklı dile otomatik olarak çevirebilmektedir. Ayrıca, Facebook kişiselleştirilmiş eklentilere verilen tepkileri tahmin ederek reklam yayınlamada kullanmaktadır. Makine öğrenimi’nin evrimi hakkında Jeffrey Dean (2019), ana fikirlerin ve algoritmaların 1960’lardan beri var olduğunu özetlemiştir. Yapay zeka topluluğu 1980’lerin sonlarında ve 1990’ların başlarında, makine öğreniminin, ham veri girdilerini kabul edebilme ve öngörücü görevleri gerçekleştirebilecek algoritmaları eğitebilme yeteneği sayesinde bazı ilginç sorunları çözebileceğini fark ettiğinde heyecan patlaması yaşadı. Ancak, o dönemde, bilgisayarlar verileri işlemek için yeterince güçlü değillerdi. Moore’un Yasası tarafından sürdürülen hesaplama performansı gelişmelerinin onlarca yılından sonra, son birkaç yılda bilgisayarlar bu yaklaşıma izin verecek kadar güçlü hale geldi. Ayrıca, hem kamusal hem de özel kuruluşlar, geliştirme ve AI modellerini eğitmek için kullanılabilecek büyük ve sofistike veri kümelerine erişim sağlıyorlar. Verinin mevcudiyeti, hem fiziksel mülkiyet hem de resmi fikri mülkiyet hakları şeklinde, yenilikçi faaliyetin düzeyini ve yönünü şekillendirebilir. Moore Yasası = 1965′ Gordon Moore tarafından ortaya atılan ve özet olarak elektronik bileşenlerin her yıl yarı yarıya küçüldüğü keşfinden  yola çıkarak, 18 ayda bir, devre üzerindeki bileşenlerin  ikiye katlanacağını  düşüncesini anlatan yasadır. Bu sayede parça maliyetini azaltmak amaçlanmaktadır. Makine öğrenimi kullanılarak elde edilen bazı ilerlemer bu konuda ışık tutabilecek niteliktedir. İlki Stanford Üniversitesi’nin, 2010 yılında ilk ImageNet Challenge’ı düzenlemesidir. Yarışmanın amacı, 1.2 milyon renkli görüntüyü 1,000 kategoriye ayıran “eğitim seti” verildiğinde, yeni renkli görüntüleri aynı kategorilere sınıflandırmak için bir model eğitmektir. 2010 ve 2011’de kazanan takımlar geleneksel kodlama yaklaşımlarını kullandı ve %25’ten daha düşük hata oranları elde edemedi. 2012’de bir katılımcı ilk kez derin sinir ağını kullandı ve %16,4 hata oranıyla kazandı. Sonraki yıllar, soruna uygulanan derin öğrenme inovasyonlarıyla birlikte, 2017’de kazanan hata oranı sadece %2,3 oldu ve sınıflandırma görevine atanmış ortalama insandan önemli ölçüde daha düşüktü (Russakovsky vd., 2015). İkincisi insan oyunculara karşı antik oyun Go’yu oynamak için tasarlanmış bir yazılım olan AlphaGo varsayılabilir. Model, sinir ağları kullanarak, Go’nun kurallarını bilmekle birlikte, stratejileri öğrenmek için binlerce gerçek amatör ve profesyonel oyunla da eğitilmiştir. Mart 2016’da, AlphaGo dünya sıralamasında birinci olan oyuncuyu 4-1 yendi. Araştırmacılar daha sonra sinir ağını yalnızca kendi kendine oyun oynatarak eğitmeyi düşündüler ve sonuçta AlphaGo Zero ortaya çıktı. Sinir ağı yalnızca rastgele stratejilerle başladı ve üç gün boyunca kendisiyle 4,9 milyon oyun oynadı. Bu yeni yapay zeka, önceki sürümü AlphaGo’yu 100-0 yenmeyi başardı. Üçüncüsü ise GPT-3 teknolojisine dayanan DALL-E. DALL-E, kullanıcının sağladığı bir metin açıklamasından resimler oluşturmak için eğitilmiş bir modeldir. 250 milyon metin-görüntü çifti kümesi üzerinde eğitilmiştir. Sonuç olarak, daha önce “görmediği” ancak metin açıklamasıyla uyumlu olan resimler oluşturabilir. Aşağıda DALL-E’ye “singer man draws a picture and painter woman sings illustration” (şarkıcı adam resim çiziyor, ressam kadın şarkı söylüyor) komutu verildikten sonra görsele dökülmüş halini görülebilir. Rembrandt ve “The Next Rembrandt” Yapay zeka ve üretilen emeğin algısı konusunda bir diğer örnek 2016 yılında Rembrandt tablosunun aynısını, Rembrandt’ın çizim yöntemleriyle çizmiş olan bir yapay zeka aracıdır. Hollandalı finans kuruluşu olan ING, Hollanda’da sanatta yenilik yaratmayı hedefleyen bir proje için J. Walter Thompson Amsterdam reklam ajansı ile bir araya geldi. Projenin amacı, bir bilgisayara Rembrandt gibi resim yapabilme yeteneği kazandırmaktı. Bu doğrultuda, Microsoft, Delft University of Technology, Mauritshuis galerisi ve Museum Het Rembrandthuis gibi kurumlarla işbirliği yaparak Rembrandt’ın sanat anlayışını anlamak ve onun tarzında yeni eserler üretmek için bir yazılım geliştirildi. Yazılıma Rembrandt’ın kullandığı geometri, kompozisyon ve boyama materyalleri gibi bilgiler girildi ve yazılım Rembrandt’a ait 346 tablonun analizini yaparak, sonuç olarak bir resim ortaya çıkardı. Projenin detayları hakkında daha fazla bilgi almak için buraya tıklayabilirsiniz. Yapay Zeka ve Emek Makine öğrenimiyle elde edilen bu ilerlemeler, çok sayıda endüstride ve uygulamada önemli bir rol oynamaktadır. Örneğin, tıp endüstrisinde, makine öğrenimi kullanılarak teşhis ve tedavi planlaması gibi kritik kararlar alınabilmektedir. Benzer şekilde, finansal endüstride, makine öğrenimi kullanılarak yatırım stratejileri oluşturulmakta ve risk yönetimi yapılmaktadır. Ayrıca, perakende endüstrisinde, müşteri davranışlarının tahmini için makine öğrenimi teknikleri kullanılmaktadır. Ancak, makine öğrenimi uygulamaları çeşitli zorluklar ve endişeler de beraberinde getirmektedir. Özellikle, algoritmaların veri önyargısı, güvenlik sorunları ve otomasyonun işgücü piyasası üzerindeki etkisi gibi konular tartışmalıdır. Bu sorunlar, makine öğrenimi uygulamalarının kullanımı ve düzenlemesi konusunda önemli soruları da beraberinde getirmektedir. Sonuç olarak, makine öğrenimi teknolojisinin gelişmesiyle birlikte, yeni fırsatlar ve zorluklar ortaya çıkmaktadır. Makine öğrenimi teknolojisinin kullanımının artmasıyla, bu teknolojinin nasıl düzenleneceği ve etik sorunların nasıl ele alınacağı gibi konular da daha da önemli hale gelecektir. İrem Dölen2000 doğumlu İrem Dölen, Kültür ve İletişim Bilimleri 3. sınıf öğrencisidir. Eğitimi yanında içerik yazarı, sosyal medya yöneticisi ve pazarlama alanlarında görev almıştır. Şimdilerdeyse metaverse, web3.0 teknolojileri, yapay zeka, algoritmik önyargı ve veri görselleştirme alanlarında çalışmalarına devam etmektedir.