Yapay zeka (Al), çıkarımlarda bulunmak için çeşitli kurallar ve bilgi kümelerini kullanan çok sayıda bilgisayar uygulamasını veya uygulama içindeki bileşenleri içerir. Köklerinden farklı olarak bilgisayar yapmaya çalışırken ezoterik bir disiplin olarak İnsan aklını taklit eden modern Al birçok pratik sonuçlara sahiptir ve kullanıcılara gerçek faydalar sağlar. İş uygulamalarında, Al yetenekleri genellikle envanter takibi, üretim süreci kontrolleri ve müşteri hizmetleri veritabanları gibi işletmenin günlük ihtiyaçlarını karşılayan sistemlerle bütünleştirilir. Bununla birlikte, genellikle, Al’in bu daha yeni, pratik uygulamaları, terimle olumsuz ilişkilerden dolayı bu şekilde etiketlenemez.
Yapay Zeka Nedir?
AI’yı kısaca tanımlamak zordur çünkü çok fazla form alır. Anlaşma alanlarından biri yapay zekanın bir son üründen ziyade bir bilimsel araştırma alanı olmasıdır. AI’yı kısmen kesin bir şekilde tanımlamak zordur, çünkü sahada büyük ölçüde farklı motivasyonları olan birkaç farklı araştırmacı grubu çalışmaktadır. Belki de en iyi tanım ML Minsky’nin “Yapay zeka, erkekler tarafından yapılırsa zekâ gerektirecek şeyleri yapmalarını sağlamasıdır” dır.
Yapay Zeka Tarihi
Bir İngiliz matematikçi olan Charles Babbage (1792-1871), genel olarak modern bilişimin babası olduğu kabul edilmektedir. 1823’te dünyanın ilk pratik mekanik hesap makinesinin bir çalışma modelini icat etti. Ardından, günümüz bilgisayarının temel unsurlarına sahip olan “analitik motoru” üzerinde çalışmaya başladı. Ne yazık ki, makinasını inşa etmek için gereken fonları toplayamadı. Bununla birlikte, onun fikirleri yaşadı.
Amerikalı bir mucit olan Herman Hollerith (1860-1929), aslında 1890 ABD nüfus sayımının sonuçlarını tablolamak için kullanılan ilk çalışan hesaplama makinesini yarattı. “Düşündüğü” iddia edilen makinelerde bir dizi hızlı gelişme kaydedildi. İlk gerçek elektronik bilgisayar olan Elektronik Sayısal Bütünleştirici ve Bilgisayar (ENIAC), 1946’da geliştirildi. Sözde “dev beyin”, mekanik anahtarların yerine cam vakum tüpleri kullandı. ENIAC 17.468 vakum tüpü kullandı ve ortalama bir evin büyüklüğü olan 1.800 metre karelik bir alanı işgal etti. 30 ton ağırlığındaydı. Bilim adamları aynı anda daha küçük bilgisayarlar inşa etmeye başladılar.
1959’da, Bell Laboratories’deki bilim adamları, ikinci nesil bilgisayarların başlangıcını belirleyen transistörü icat etti. Transistörler vakum tüplerini değiştirdi ve işlemeyi önemli ölçüde hızlandırdı. Ayrıca bilgisayar belleğinde büyük bir artış sağladılar. On yıl sonra, International Business Machines Corp.(IBM), transistörleri entegre devrelerle değiştirdiklerinde üçüncü nesil bilgisayarlar yarattı. Tek bir entegre devre bir silikon çipteki çok sayıda transistörün inç karenin sekizde birinden daha azının yerini alabilir! Daha da önemlisi, entegre devreler üreticilerin bilgisayar boyutunu önemli ölçüde azaltmasına izin verdi. Artan hız ve belleği kullanan yeni yazılım, kısa ömürlü olduklarını kanıtlayan bu üçüncü nesil bilgisayarları tamamladı.
Bütünleşik devrelerin ortaya çıkmasından sadece iki yıl sonra, Intel Corp. mikroişlemci yongalarını tanıttı. Bir çip, bilgisayarın merkezi işlem birimini içeriyordu. O zamandan önce, bilgisayarlar mantık ve programlama gibi fonksiyonlar için özel cips içeriyordu. Intel’in icadı, tüm bilgisayar fonksiyonlarını bir çip üzerine yerleştirdi. Bilim adamları bilgisayarlarda gelişmeye devam etti.
Cipslerin minyatürleştirilmesi, büyük ölçekli entegre devrelere (LSI) ve çok büyük ölçekli entegre devrelere (VLSI) yol açtı. LSI ve VLSI, yazılım ve yazıcıların birbirleriyle ve bilgisayarlarla daha hızlı tepki vermesini sağlar. Ayrıca, bilgisayarların ticaretteki rolünde devrim yaratan mikrobilgisayarların icat edilmesine de katkıda bulundular. Daha da önemlisi, LSI ve VLSI, bilim adamlarının Al’ın geliştirilmesine olan ilgisini arttırdı.
Yapay Zeka Gelişmeleri
AI, insan düşünce süreçlerini taklit edecek bilgisayarların yapımı ve / veya programlanmasıdır. Bilim adamları, doğal dilleri ve akıl yürütme yeteneğine sahip bilgisayarları tasarlamaya çalışıyor. Makinelerin İngilizce veya İspanyolca gibi doğal dilleri işleyebildiklerinde, insanlar özel bilgisayar dilleri öğrenmeden talimatlar verebilir ve sorular sorabilirler. O gün geldiğinde, insanlar gibi makineler geçmiş deneyimlerden öğrenebilecek ve yeni problemleri çözmek için öğrendiklerini uygulayabilecekler. Bilim insanlarının gidecekleri çok uzun bir yol var, ancak “bulanık mantık” icadı ile bu yönde dev bir adım olduğuna inandıklarını yaptılar.
Bulanık Mantık.
Kuruluşlarından bu yana, bilgisayarlar her zaman “evet” veya “hayır” esasına göre hareket etmişlerdir. Onlar sadece “belki” kelimesini tanıyamadılar. Saniyede milyonlarca hesaplama yapabilen en gelişmiş bilgisayarlar bile “hafif” veya “çok” arasında ayrım yapamaz. Bu basit fark, Al bilim adamlarını yıllarca şaşırttı. Bununla birlikte, Amerikalı bir araştırmacı, California Üniversitesi’nden Dr. Lofti A. Zadeh, “bulanık mantık” olarak adlandırdığı olası bir cevabı sundu.
Kavram, bilgisayarın “bulanık kümeler” in veya somut bilgi gruplarının ve bağıl kavramların beslenmesine dayanır. Örneğin, endüstriyel fırınlar için bulanık bir kümede, 1.000 derecelik bir sıcaklık 0.95 “üyeliğe” (göreceli değer) sahip olabilirken, 600’lük bir sıcaklık 0.50 üyeliğe sahip olabilir. Bir bilgisayar programı daha sonra “sıcaklık ne kadar yüksekse, basınç o kadar düşük olmalıdır” gibi talimatlar kullanabilir. Bu çözüm, programcılara makinelere sayı yerine sözcüklerle hesaplama yapmayı öğretebilecekleri anlamına gelir.
Tarihsel olarak, programcılar tarafından geliştirilen en karmaşık matematiksel modeller kesinlikle sayılarla hesaplar. Bununla birlikte, Al’a yönelik bulanık mantık yaklaşımı Amerikan bilim camiasında yetişemedi. Ancak, Japonlar arasında yaptı.
Japonya merkezli Hitachi, Ltd., Japonya’nın Sendai kentinde otomatik bir metro sisteminin insan rehberliğinde olabileceğinden daha hızlı ve sorunsuz frenlenmesini sağlayan bulanık mantığa dayalı yapay bir istihbarat sistemi geliştirdi. Japon Uluslararası Ticaret ve Sanayi Bakanlığı, 1990 yılında Uluslararası Bulanık Mühendislik Laboratuvarı’nın ilk operasyonunu sübvanse etmek için 36 milyon dolar bütçe verdi. Bulanık mühendisliğin gelişimi de Çin, Rusya ve bir çok Batı Avrupa’da gerçekleşti.
1990’ların başında, bir Kuzey Carolina Üniversitesi profesörü, tamamen dijital bir mimariyi kullanan, geleneksel bilgisayarlarda çalışmasına izin verecek bir mikroişlemci yongası geliştirdi. Çip, saniyede 580.000 “eğer öyleyse” kararını alabilir, bu da en iyi Japon bulanık mantık yongasının çalışabileceğinden 100 kat daha hızlıdır. Pek çok ABD şirketi bu ve benzeri çipleri deniyor. Oak Ridge Ulusal Laboratuvarı, çipi nükleer santrallerin radyoaktif alanlarında kullanılacak robotlarda kullanıyor. Oricon Şirketi denizaltılar için bir sinyal analiz sisteminde bulanık mantık kullanmıştır. NASA, uzay aracını yerleştirmek için bulanık mantık kullanmayı da denedi.
Uzman Sistemler.
Diğer Al uygulamaları da kullanılıyor; Bunlardan biri sözde uzman sistemdir. Uzman sistemler, bir insanın her biri üzerinde çalışmasını gerektirmeden karmaşık sorunların çözülmesine yardımcı olmak için bir tıp uzmanının temel bilgilerini – tıpta, hukukta, sigortada veya hemen hemen her alanda – uygulayan bilgisayar tabanlı sistemlerdir. Bu tür sistemlerin geliştirilmesinde, tasarımcılar genellikle uzmanların belirli türden sorunlarla karşılaştığında kullandıkları bilgileri ve karar kurallarını (buluşsal) belirlemek için uzmanlarla birlikte çalışır. Temel olarak, bu programlar sorunları kendi başlarına çözmek yerine, insan davranışını taklit etmeye çalışıyor.
Uzman sistemlere göre birkaç avantaj var. Örneğin, acemilere belirli bir alanda “anında uzmanlık” veriyorlar. Bir insan uzman emekli olduğunda veya ölürse kaybolabilecek bilgi ve uzmanlığı yakalarlar. Ayrıca, birden fazla uzmanın bilgisi, en azından teorik olarak, sistemin uzmanlığını herhangi bir bireyinkinden daha kapsamlı hale getirmek için entegre edilebilir. Uzman sistemler insanda hastalık veya yorgunluk problemlerine maruz kalmazlar ve iyi tasarlanmışlarsa tutarsızlıklara ve hatalara daha az eğilimli olabilirler. Bu avantajlar onları özellikle işletmeler için çekici kılmaktadır.
Şirketler ayrıca eğitim ve analiz için uzman sistemler kullanıyor. Örneğin, General Electric, bakım çalışanlarının lokomotiflerdeki arızaları tespit etmesine ve düzeltmesine yardımcı olan Delta adlı bir sistem geliştirdi. Dijital Ekipman Şirketi müşterilerin ihtiyaçlarını bilgisayar giriş, çıkış ve bellek cihazlarının en uygun kombinasyonu ile eşleştirmek için XCON (“uzman konfigüratörden” türetilmiştir) kullanır. Sistem, satış siparişlerini analiz etmek ve tasarım düzenlerini analiz etmek için 3.000’den fazla karar kuralını ve 5.000 ürün tanımını kullanarak şirketin ekipmanlarının müşterilerin sitelerine ulaştığında çalışmasını sağlar.
XCON çoğu yapılandırma hatasını yakalar ve test etmek için bir bilgisayar sistemini tamamen monte etme ve ardından müşteriye sevkıyat için yeniden parçalama ihtiyacını ortadan kaldırır. Ancak sistem pahalıdır. DEC, yalnızca XCON’u güncellemek için yılda 2 milyon dolar harcıyor. Aslında, maliyet Al sistemlerinin geliştirilmesinde en yasaklayıcı faktörlerden biridir. Ancak, böyle bir sistem etkili bir şekilde uygulandığında, personel saatlerinde tasarruf ettiği para ve önlenen insan hatalarından kaynaklanan maliyetler, geliştirme maliyetlerini hızla telafi edebilir. Büyük şirketlerde tasarruflar yılda on milyonlarca dolardan tahakkuk edebilir.
Yaklaşık 300 karar kuralından oluşan ılımlı bir sistem genellikle tasarım için 250.000 ile 500.000 dolar arasındadır. Bu, bazı tasarımcıların 1960’larda yaptığı şeydi, satranç oynamaktan biraz daha fazlasını yapan sistemler yaratmak için harcadığınız para.
Deneysel Oyunlar.
1960’lı yıllardaki bilim insanları, kendileri tarafından düşünebilecek makineler yaratma girişiminde satranç oynayabilecek makineler geliştirdiler. Muhtemel hamleleri belirleyebilecek karmaşık karar ağaçları geliştirmede büyük adımlar attılar, ancak bu programlar çağdaş süper bilgisayarların bile onları makul bir süre içinde değerlendiremediği pek çok potansiyel alternatif içeriyordu. Makinelerin satranç ustası seviyesinde oynamalarını sağlayan alternatif sayısını azalttılar. Düşünme sürecini simüle etmek için, bilgisayarlar alternatif hareketler hakkında büyük miktarda veri işledi. Bu deneylerin bazıları şimdiki zamanda devam ediyor.
Nöral Ağlar
Yapay sinir ağları, depolanmış bilgiyi pratik problemlere taşımakta, uzman sistemlerden bir adım öteye taşımaktadır. Sinir ağları, kullanıcıyı yalnızca sistemde ele geçirilen uygun bilgi parçasına yönlendirmek yerine, bir günde donatılmadıkları yeni yeteneklere ulaşmak için bilgi kalıplarını işler. Bir anlamda, daha sonra kalıplar için analiz ettiği sistem verilerini beslemeyi içeren özel hazırlığa dayanarak kullanıcı için bir şeyler yapmayı öğrenirler. Bu yaklaşımın finans, bilgi teknolojisi yönetimi ve sağlık hizmetleri de dahil olmak üzere birçok alanda oldukça etkili olduğu kanıtlanmıştır.
Örneğin, hangi kredi başvuranlarının çok riskli olduğunu tahmin etmek için bir sinir ağı kullanılabilir. Bilgisayarı, riskli bir başvuru sahibi teşkil eden şeyin kesin, kullanıcı tarafından tanımlanmış kriterler ile programlamak yerine, sinir ağları, geçmiş sorunlardan, özellikle de sorunlu olanlarla ilgili detaylar üzerine, çok sayıda uygulama verisi üzerinde eğitilecektir. Yapay sinir ağı verileri iyice işler ve kendi değerlendirme kriterlerine ulaşır. Daha sonra yeni uygulamalar ortaya çıktıkça, bilgisayar bu bilgiyi içerdiği riskleri tahmin etmek için kullanır. Zaman geçtikçe, sinir ağı yeni veriler üzerinde düzenli aralıklarla (hatta sürekli) yeniden eğitim alabilirdi, böylece mevcut eğilimlere dayanarak doğruluğunu arttırmaya devam ediyordu.
İş Dünyasında Yapay Zeka Uygulamaları
Al, iş dünyasında, disiplinin kendisinin hala gelişimin embriyonik aşamalarında olmasına rağmen, yaygın olarak kullanılmaktadır. Uygulamaları geniş bir spektrumdan geçiyor. Örneğin, yapay zeka yönetim ve idare, bilim, mühendislik, üretim, finansal ve yasal alanlarda, askeri ve uzay çabalarında, tıpta ve teşhislerde uygulanmaktadır.
Bazı yapay zeka uygulamaları arasında doğal dil işleme, veri tabanı alma, uzman danışmanlık sistemleri, teorem kanıtlama, robotik, otomatik programlama, programlama ve algısal problemleri çözme sayılabilir. Yeni bilgi ve bilgilerin yaratılması ve yayılmasında mimarlar, mühendisler ve tıbbi teknisyenler gibi profesyonellere yardım etmek için kullanılan sistemler olan bilgi çalışma sistemlerine giderek daha fazla güveniyor. Böyle bir sistem, bir elektrikli bileşen üreticisi olan Square D’de kullanılıyor. Bir tasarım dev bir elektrik ekipmanı için tasarım çalışması yapar. Birimler genellikle aynı temel öğeleri paylaşır, ancak istenen boyut, özellik ve özelliklerde farklılık gösterir. Bununla birlikte, çoğu yapay zeka tipi sisteminde olduğu gibi, insan müdahalesi hala gereklidir. Ekipman üretime geçmeden önce bilgisayar tarafından üretilen çizimi kontrol etmek için bir mühendis gereklidir.
Birçok şirketteki üst düzey yöneticiler, rekabetçi analiz, teknoloji dağıtımı ve kaynak tahsisi gibi işlevlerde yardımcı olmak için yapay zeka tabanlı stratejik planlama sistemlerini kullanır. Ayrıca, ekipman konfigürasyon tasarımında, ürün dağıtımında, mevzuata uygunluk tavsiyesinde bulunma ve personel değerlendirmesine yardımcı olmak için programlar kullanırlar. Yapay zeka, yönetimin organizasyonuna, planlamasına ve kontrol faaliyetlerine büyük ölçüde katkıda bulunuyor ve programlar rafine edildikçe daha fazla sıklıkta yapmaya devam edecektir.
Yapay zeka, bilim ve mühendislikte de etkilidir. Geliştirilen uygulamalar, bilim insanları ve mühendisler için sürekli artan miktarda bilgiyi organize etmek ve değiştirmek için kullanıldı. Yapay zeka, kütle spektrometresi analizi, biyolojik sınıflandırma ve yarı iletken devrelerin ve otomobil bileşenlerinin oluşturulması gibi karmaşık işlemlerde kullanılmıştır. Al, kırınım ve görüntü analizinde artan sıklıkta kullanılmıştır; santral ve uzay istasyonu tasarımı; ve robot algılama, kontrol ve programlama. Birçok yapay yapay zeka eleştirisini korkutan, robotiğin iş dünyasında artan kullanımıdır.
İş dünyasında robotlar daha sık kullanılıyor. 1990’da ABD fabrikalarında 200.000’den fazla robot kullanılıyordu. Uzmanlar, 2025 yılına kadar robotların neredeyse tüm üretim işlerinde insanların yerini alabileceğini tahmin ediyorlar. Bu sadece sıradan işleri değil, aynı zamanda uzmanlık gerektirenleri de içerir. Koyunların kesilmesi, gemilerin dibinden ahırların kazınması ve kumlama duvarları gibi işler yapacaklar. Bununla birlikte, ameliyat gibi robotların asla gerçekleştiremeyeceği işler vardır. Elbette, bireylerin robotları tasarlamaları, inşa etmeleri ve bakımlarını yapmaları için hala bir ihtiyaç olacaktır. Yine de, bilim adamları, hareket etmenin yanı sıra, insan müdahalesine daha az ihtiyaç duyulabileceğini düşünmektedirler.
Yapay Zeka Geleceği
Büyük ilerlemeler ve güçlü vaatlerine rağmen, Yapay zeka, hem akademik hem de kurumsal ortamlarda saygınlıktan muzdarip olmuştur. Bazılarına göre, ad, pratik olmayan satranç oynayan bilgisayarlarla ve “düşünme makinesi” kurmaya çalışan profesörlerle ilintili olarak, kaçınılmaz bir biçimde ve olumsuz bir şekilde var. Sonuç olarak, birçok yapay zeka teorisi ve uygulaması geliştiricisi bilinçli bir şekilde monikerden uzak durdu, bunun yerine daha yeni bulanık uygulamalar, esnek yazılım ve veri madenciliği araçlarını kullanıyordu. Al etiketinden kaçınarak, şirket karar vericileri ve özel yatırımcılar arasında Al ilham alan teknolojiler için daha alıcı kitleler buldular.
Bu yüzden yapay zeka olarak bilinen uygulamalar ve fikirler pek ölmese de, ismin kendisi belirsizliğe doğru sürükleniyor. Bu, yalnızca algılanan damgalamalardan dolayı değil, aynı zamanda yapay zeka kavramlarının uygulanma biçimlerinin çeşitliliği ve heterojenliğinin bir sonucu olarak da geçerlidir. Ayrıca, bu kavramlar yazılım uygulamaları programlamasında her yerde yaygınlıktan kaynaklanmaktadır. Bir müşteri siparişi sistemi oluşturma, kendi kendini tanılama üretim sistemi uygulama, sofistike bir arama motoru tasarlama ve uygulamalara ses tanıma özellikleri ekleme gibi farklı hedefler tüm yapay zeka teorilerini ve yöntemlerini kullanır. Nitekim, Ford Motor Company, 2001 model yılında başlayan araba bilgisayarlarında motor teşhis amaçlı bir sinir ağını uygulamak için harmanlanmıştır.
Kaynakça:
Armstrong, Larry. “Ford, Hood’un altına bir Sinir Ağı yerleştiriyor.” 28 Eylül 1998 İşletme Haftası . Www.businessweek.com adresinden erişilebilir .
Buck, Neena. “Sadece” Al “deme. Computerworld, 13 Ocak 1997.
Gruppe, Fritz H., Tony von Sadovszky ve M. Mehdi Owrang 0. “Yapay Zeka Üzerine Bir Yönetici Kılavuzu.” Bilgi Stratejisi, Güz 1995, 44-48.
Lyons, Daniel. “Yapay Zeka Gerçekleşiyor.” Forbes, 30 Kasım 1998.
-. “Yapay Zekanın Yeni Yüzü” Forbes, 30 Kasım 1998.
Taylor, Paul. “İş Zekasında Yenilikler.” Financial Times, 7 Mayıs 1997. www.ft.com adresinden erişilebilir .
