Yapay Zekâ ve Makine Öğrenmesi: Farkı, İlişkisi ve Günlük Örnekleri

Yapay zekâ, makinelere akıllı davranış kazandırmayı hedefleyen geniş alanın adıdır. Makine öğrenmesi ise bu alanın bir alt dalıdır: sistem kuralları bir programcıdan almak yerine verilerden kendisi çıkarır. Bu yüzden her makine öğrenmesi uygulaması yapay zekâ sayılır, ama her yapay zekâ sistemi makine öğrenmesi kullanmaz.

İki kavram arasındaki ilişkiyi iç içe halkalar şemasıyla, temel kavramları kısa tanımlarla ve günlük hayattan örneklerle anlatıyoruz. Sonunda bu alanı öğrenmek ya da okumak isteyenler için atılabilecek ilk adımlar da var.

Yapay zekâ ile makine öğrenmesi arasındaki fark nedir?

Fark, amaç ile yöntem arasındaki farka benzer. Yapay zekâ, insan zekâsı gerektiren işleri makineye yaptırma hedefidir. Makine öğrenmesi bu hedefe ulaşmanın, bugün en başarılı olan yoludur.

Bir satranç programını iki şekilde yazabilirsiniz. Birincisinde usta oyuncuların bilgisini kurallara döker, "veziri erken oyuna sokma" gibi yüzlerce kuralı tek tek kodlarsınız. İkincisinde programa milyonlarca oyun gösterir ya da kendi kendine oynatırsınız ve iyi hamleyi kendisinin keşfetmesini beklersiniz. İkisi de yapay zekâdır, ama yalnız ikincisi makine öğrenmesidir.

Kural tabanlı yaklaşıma örnek olarak 1970'ler ve 80'lerde yaygınlaşan uzman sistemler gösterilir. Bu sistemler belirli bir alanda iyi çalıştı, ama her yeni durum için yeni kural yazmak gerektiğinden büyütmesi zordu. Makine öğrenmesinin öne çıkması, bu darboğazı aşmasıyla ilgilidir.

Makine öğrenmesi her soruna çözüm mü?

Hayır, her iş için en uygun yol değildir. Kuralları açık ve az sayıda olan bir işte, örneğin bir faturanın KDV dahil tutarını hesaplamakta, sabit bir formül hem daha hızlı hem daha güvenilirdir. Makine öğrenmesi, kuralın yazılamayacak kadar karmaşık olduğu ya da sürekli değiştiği işlerde anlam kazanır.

İkinci sınır veridir. Elinizde yeterince örnek yoksa ya da örnekler gerçeği yansıtmıyorsa, model de zayıf olur. Küçük bir işletmenin yirmi satış kaydından müşteri davranışı tahmin etmeye çalışması, genellikle basit bir Excel tablosundaki ortalamadan daha iyi sonuç vermez.

Üçüncü sınır açıklanabilirliktir. Bir kural tabanlı sistem "şu kural yüzünden reddettim" diyebilir; karmaşık bir makine öğrenmesi modelinin neden o kararı verdiğini anlamak ise zordur. Kredi, işe alım ya da sağlık gibi alanlarda bu durum ciddi bir sorun hâline gelir ve kara kutu problemi adıyla tartışılır.

İç içe halkalar: yapay zekâ, makine öğrenmesi ve derin öğrenme

İlişkiyi en iyi anlatan şema, iç içe üç halkadır. En dışta yapay zekâ, içinde makine öğrenmesi, onun da içinde derin öğrenme durur. Üretken yapay zekâ ve büyük dil modelleri ise derin öğrenme halkasının içinde yer alır.

Yapay zekâ
 └─ Makine öğrenmesi
     └─ Derin öğrenme
         └─ Üretken modeller (sohbet botları, görsel üreticiler)

Her iç halka, dıştakinin özel bir hâlidir. Derin öğrenme, makine öğrenmesinin çok katmanlı yapay sinir ağları kullanan biçimidir. Bu ağlar çok büyük veriyle ve güçlü donanımla eğitildiğinde, görüntü tanıma ve dil gibi önceden çok zor sayılan işlerde başarılı oldu.

Derin öğrenmenin fikir olarak eski olmasına rağmen son on beş yılda öne çıkmasının iki pratik nedeni var. Birincisi, internetle birlikte etiketli fotoğraf, metin ve ses verisi çok büyüdü. İkincisi, aslen oyunlar için geliştirilen GPU gibi ekran kartları, sinir ağlarının ihtiyaç duyduğu paralel hesabı çok hızlı yapabildi. Veri ve donanım bir araya gelince, kâğıt üzerinde bilinen yöntemler gerçek ürünlere dönüşebildi.

Halkalar şemasını okurken bir noktaya dikkat edin: dış halkadaki her şey iç halkadaki yöntemleri kullanmak zorunda değildir. Bir navigasyon uygulamasındaki rota hesabı klasik bir arama algoritmasıyla yapılabilirken, aynı uygulamanın trafik tahmini makine öğrenmesiyle yapılabilir. Tek bir ürünün içinde birden fazla halkadan parça bulunması olağandır.

Kavram	Ne demek	Örnek
Yapay zekâ	Akıllı davranış gösteren sistemlerin genel adı	Satranç programı, sesli asistan, kural tabanlı teşhis sistemi
Makine öğrenmesi	Kuralları veriden öğrenen yapay zekâ	Spam filtresi, kredi başvurusu skorlama
Derin öğrenme	Çok katmanlı sinir ağlarıyla makine öğrenmesi	Yüz tanıma, otomatik altyazı
Üretken yapay zekâ	Yeni içerik üreten derin öğrenme modelleri	Sohbet botu, tariften görsel üretme

Yapay zekânın verileri analiz ederek kendiliğinden öğrenmesine ne denir?

Bunun adı makine öğrenmesidir. Okul ödevlerinde ve testlerde sık sorulan bu sorunun cevabı tek kelimedir, ama "kendiliğinden" ifadesinin altını doldurmak gerekir. Sistem tamamen kendi başına değildir; hangi veriyle, hangi amaçla ve hangi yöntemle öğreneceğini insanlar belirler.

Öğrenme şöyle gerçekleşir: model örneklere bakarak tahmin yapar, tahminin ne kadar hatalı olduğu ölçülür ve iç ayarlar hatayı azaltacak yönde değiştirilir. Bu işlem binlerce ya da milyonlarca kez tekrarlanır. Süreci adım adım merak ediyorsanız yapay zekâ nasıl çalışır yazısında ayrıntısı var.

Öğrenmenin üç ana biçimi vardır ve her biri farklı bir soruya cevap verir:

• Denetimli öğrenme: Doğru cevabı bilinen örneklerle öğrenir. "Bu fotoğrafta kedi var" etiketli binlerce fotoğraf görüp yeni fotoğrafta kedi arar.
• Denetimsiz öğrenme: Etiket olmadan verideki grupları bulur. Bir mağazanın müşterilerini alışveriş alışkanlığına göre kümelere ayırır.
• Pekiştirmeli öğrenme: Deneme yanılma ve ödülle öğrenir. Bir oyunda puan toplamayı ya da bir robot kolunun nesne tutmasını öğrenir.

Temel kavramlar: yapay zekâyı okumak için bilmeniz gerekenler

Alanla ilgili bir yazıyı takip edebilmek için birkaç temel kavramı bilmeniz yeterlidir. Bunların çoğu, bir öğrencinin sınava hazırlanma sürecine benzetilerek kolayca anlaşılır. Aşağıdaki tablo bu benzetmeyi kullanıyor.

Kavram	Kısa anlamı	Sınav benzetmesi
Veri seti	Modelin öğrendiği örneklerin toplamı	Soru bankası
Model	Örneklerden öğrenen matematiksel yapı	Öğrencinin kafasındaki çözüm yöntemi
Eğitim	Modelin örneklerle ayarlanması	Deneme çözüp yanlışlardan öğrenmek
Parametre	Modelin öğrenme sırasında değişen iç ayarları	Ezberlenen kurallar ve püf noktaları
Test	Hiç görülmemiş örneklerle ölçme	Asıl sınav
Aşırı öğrenme	Örnekleri ezberleyip yenilerinde başarısız olmak	Soru bankasını ezberleyip yeni soruda takılmak

Aşırı öğrenme özellikle önemlidir, çünkü sık yapılan bir hatayı anlatır. Eğitim verisinde mükemmel sonuç veren bir model, gerçek dünyada kötü performans gösterebilir. Bu yüzden modeller her zaman eğitimde kullanılmamış ayrı bir veriyle sınanır.

Ev fiyatını tahmin eden bir model eğiten bir emlak sitesi düşünün. Varsayımsal olarak 10.000 ilanın 8.000'i eğitimde, 2.000'i testte kullanılır. Model eğitim ilanlarında neredeyse hatasız, test ilanlarında ise çok hatalıysa, ilanları ezberlemiş demektir. Çözüm genellikle daha fazla ve daha çeşitli veri ya da daha sade bir modeldir.

Yapay zekânın alt boyutları ve dalları

Yapay zekâ tek bir teknoloji değil, birbirine bağlı dallardan oluşan bir alandır. Bu dalların bir kısmı yöntemle, bir kısmı uygulama alanıyla tanımlanır. Makine öğrenmesi bir yöntemdir; doğal dil işleme ise bir uygulama alanıdır ve bugün büyük ölçüde makine öğrenmesiyle çalışır.

Sık sayılan dallar şunlardır. Doğal dil işleme, bilgisayarın insan dilini anlaması ve üretmesiyle uğraşır; çeviri ve sohbet botları buraya girer. Bilgisayarlı görü, görüntü ve videodan anlam çıkarır; telefonunuzun yüzünüzü tanıması bir örnektir. Konuşma tanıma sesi metne çevirir, robotik ise algılama ve hareketi birleştirir.

Bu dalları ayrı kutular gibi düşünmek yanıltıcı olabilir. Bir sesli asistan; konuşma tanıma, doğal dil işleme ve metinden sese dönüştürmeyi aynı anda kullanır. Üçünün de arkasında genellikle derin öğrenme modelleri çalışır.

Dal	Ne yapar	Günlük örnek
Doğal dil işleme	Metni anlar ve üretir	Çeviri, sohbet botu, metin özetleme
Bilgisayarlı görü	Görüntüden anlam çıkarır	Yüzle telefon kilidi açma, plaka okuma
Konuşma tanıma	Sesi metne çevirir	Sesli mesajı yazıya dökme
Robotik	Algılama ve hareketi birleştirir	Robot süpürge, depo robotları
Öneri sistemleri	Davranıştan tercih tahmin eder	Dizi ve ürün önerileri

Günlük hayatta makine öğrenmesi örnekleri

Makine öğrenmesini muhtemelen bugün birkaç kez kullandınız. E-posta kutunuzdaki spam filtresi, gelen her iletiyi geçmiş örneklere bakarak sınıflandırır. Bankanızın kartınızla yapılan alışılmadık bir harcama için size bildirim göndermesi de çoğu zaman benzer bir modelin işidir.

Bir örnek senaryo düşünelim. Bir dizi platformunda üç hafta boyunca polisiye diziler izlediğinizi varsayın. Platform, sizinle benzer izleme geçmişine sahip binlerce kullanıcının bir sonraki tercihlerine bakar ve ana sayfanızı buna göre dizer. Kimse "bu kullanıcıya polisiye göster" diye bir kural yazmamıştır; öneri, verideki benzerlikten çıkar.

Bu yaklaşımın bir yan etkisi de vardır. Model, sizi zaten sevdiğiniz şeylere yönlendirdikçe farklı türleri görme ihtimaliniz azalır. Sosyal medya akışlarında da benzer bir durum yaşanır; bu yüzden bazı platformlar önerilerin neden gösterildiğini açıklayan küçük notlar ekler ya da kronolojik akış seçeneği sunar.

Navigasyon uygulamalarının varış süresi tahmini, telefon klavyesinin sıradaki kelimeyi önermesi ve fotoğraf galerisinin yüzleri gruplaması da aynı ailedendir. Daha uzun bir liste için yapay zekânın günlük hayatta kullanım alanları yazısına göz atabilirsiniz.

Bölüm, sıralama ve öğrenme yolu hakkında

"Yapay zekâ ve makine öğrenmesi" aynı zamanda bazı üniversitelerde bir bölüm adı olarak kullanılıyor. Bu bölümlerin taban puanı ve başarı sıralaması her yıl değiştiği için burada rakam vermiyoruz. Güncel bilgiyi YÖK Atlas'tan ve ÖSYM'nin tercih kılavuzundan kontrol edin. Hangi bölümlerin bu alana yol açtığını yapay zekâ ile ilgili bölümler yazısında karşılaştırdık.

Bölüm okumadan da alanı öğrenmek mümkündür, ama gerçekçi olmak gerekir. Temel düzeyde Python, biraz istatistik ve lineer cebir bilgisi gerekir; bu da haftada birkaç saatle aylar süren bir çalışma demektir. Matematik tarafının neleri kapsadığını yapay zekânın matematiksel temelleri yazısında ele aldık.

Bu hafta atabileceğiniz somut adım

Kavramları kalıcı hâle getirmenin en iyi yolu, kendi çevrenizde örnek bulmaktır. Telefonunuzda en sık kullandığınız beş uygulamayı yazın ve her birinde makine öğrenmesinin nerede devreye girdiğini tahmin edin: öneri mi, sınıflandırma mı, tahmin mi? Bu küçük alıştırma, iç içe halkalar şemasını ezberden çıkarıp somut hâle getirir.

Alanı daha ciddi öğrenmek istiyorsanız bir sonraki adım, bir yol haritası seçip ilk iki ayı planlamaktır. Yapay zekâ öğrenme yol haritası yazısında hangi konuyla başlayacağınızı ve hangi sırayla ilerleyeceğinizi bulabilirsiniz.