Yapay zekaya karşı makine öğrenimi

Bu iki terim genellikle birbirinin yerine kullanılır, ancak temelde farklı teknolojilerdir.

Teknoloji büyük bir hızla gelişiyor. Küresel pandemi, işletmeleri kısa bir süre içinde hayal ettiklerinden daha hızlı dijital dönüşüme zorlamak için bir bakıma yapılmıştır.

Bu yenilik düzeyine gelindiğinde hızlanma oranı sınır tanımıyor. Özelliklerin ve işlevlerin sürekli olarak geliştirilmesi, ayak uydurmanın zor olabileceği anlamına gelir ve kendinize yeni teknolojinin hayatınızı kolaylaştırıp kolaylaştırmadığını veya karmaşıklık kattığını sorabilirsiniz.

Yeni teknolojinin ne olduğunu ve ne işe yaradığını anlamak bile kafa karıştırıcı olabilir. En yeni trend teknolojilerden ikisi, yapay zeka (AI) ve makine öğrenimi (ML) , onlara daha az aşina olanlarımız için aynı şeyi yapmak için göründüğünden daha fazla değil.

Özellikle ticari ortamlarda veya filmlerde birlikten daha sık bahsedildikleri doğrudur ve esasen biri olmadan diğeri olamaz, ancak tanım gereği, açık farklılıklar vardır.

Çoğu insan, özellikle 2001 Steven Spielberg filmini izlemişlerse, yapay zekanın insan ve makinelerin birleşimi olduğunu düşünür, ancak bilgisayarların insan gibi davranmasını sağlayan her şey için çok daha geniş bir terimdir. 

Bunun Popüler bilinen örnekleri akıllı hoparlörleri Apple’ın Siri veya benzeri Amazon’un Alexa , hatta sanal asistanlar veya chatbots favori satış sitelerinde. Bununla birlikte, daha geniş kapsamlı diğer kullanımlar, fiyatlandırma modelleri için istatistiksel analiz ve hatta dolandırıcılık koruması gibi işle ilgili daha fazla uygulamayı içerir.

Makine öğrenimi ise bir tür yapay zekadır. Esasen, makinelerin verilerden öğrenmesini sağlar, ancak sınırlı kapsamı vardır, AIML’nin kendisinin aksine, pekiştirmeli öğrenme ve derin öğrenme gibi çeşitli alt bölümleri de içerir.

ML ve AI arasındaki fark nedir?

AI’nın tarihi uzun bir geçmişe sahiptir. Binlerce yıldır insanlar, insanlar gibi davranan ve düşünen ‘canlanabilecek’ makinelerin hayalini kurdular. İlk bilgisayarların ‘mantıklı’ yapıları nedeniyle bir tür yapay zeka olarak kabul edildiği bir zaman vardı.

Bununla birlikte, mevcut tezahüründe, AI fikri, tarihini İngiliz bilgisayar bilimcisi ve II. Dünya Savaşı kod kırıcı Alan Turing’e kadar takip edebilir. Taklit oyunu olarak adlandırdığı, ancak günümüzde daha yaygın olarak Turing Testi olarak bilinen ve bir kişinin, biri makine olan iki kişiyle salt metin kanalı aracılığıyla konuştuğu bir test önerdi. Sorgulayıcı, makine ile kişi arasındaki farkı söyleyemezse, makine testi “geçmiş” olarak kabul edilir.

Bu temel kavram “genel yapay zeka” olarak adlandırılır ve genellikle araştırmacıların henüz tam olarak başaramadığı bir şey olarak kabul edilir.

Ancak, “dar” veya “uygulamalı” yapay zeka, çalışan modeller oluşturmada çok daha başarılı olmuştur. Bu alan, her şeyi yapabilen bir makine yaratmaya çalışmak yerine, bir insandan daha iyi olmasa da, tek bir görevi yerine getirebilecek bir sistem yaratmaya çalışır.

Makine öğrenimi fikri ilk kez, yirminci yüzyılın ortalarında, bu dar yapay zeka disiplini içinde ortaya çıktı. İlk olarak AI öncüsü Arthur Samuel tarafından 1959 akademik makalesinde tanımlanan  ML, “açıkça programlanmadan öğrenme yeteneğini” temsil eder.

Kullanımlar ve uygulamalar

Makine öğrenme

Makine öğrenimine ilgi yıllar içinde arttı ve azaldı, ancak verilerin iş stratejisinin giderek daha önemli bir parçası haline gelmesiyle birlikte, kuruluşlar neredeyse sabit bir temelde topladıkları çok miktarda bilgiyi analiz etmenin ve bunlardan yararlanmanın yollarını aradıkça tekrar lehte düştü.

Bu veriler bir makine öğrenimi programına eklendiğinde, yazılım yalnızca onu analiz etmekle kalmaz, aynı zamanda her yeni veri kümesiyle yeni bir şeyler öğrenir ve büyüyen bir zeka kaynağı haline gelir. Bu, veri kaynaklarından öğrenilebilecek iç görülerin daha gelişmiş ve daha bilgilendirici hale gelmesi ve şirketlerin işlerini müşteri beklentileri doğrultusunda geliştirmelerine yardımcı olması anlamına gelir.

ML’nin bir uygulaması, Facebook’un haber besleme algoritması veya Amazon’un ürün tavsiye özelliği gibi bir öneri motorundadır . ML, kaç kişinin gönderileri beğendiğini, yorum yaptığını veya paylaştığını veya benzer ilgi alanlarına sahip diğer kişilerin neler satın aldığını analiz edebilir. Daha sonra gönderiyi, sistemin beğeneceğini düşündüğü diğer kişilere gösterecek.

ML ayrıca, bir tür programlama olarak bir resimde ne olduğunu tanımlamak için insanları kullanarak ve ardından bunu bir resimde ne olduğunu özerk bir şekilde tanımlamak için kullanarak, görüntü tanıma için özellikle yararlıdır. Örneğin, makine öğrenimi, bir resimde kullanılan piksellerin dağılımını belirleyerek konunun ne olduğunu çözebilir.

Büyük veri analizi giderek yaygınlaştıkça, kuruluşlar artık tahmine dayalı analitiği yönlendirmek için makine öğrenimine yöneliyor. İstatistik, veri madenciliği ve tahmine dayalı analizle olan ilişki, bazılarının makine öğreniminin yapay zekadan ayrı bir alan olduğunu iddia etmesine yetecek kadar baskın hale geldi.

Bunun nedeni, doğal dil işleme veya otomatik akıl yürütme gibi yapay zeka teknolojisinin, makine öğrenimi yeteneğine sahip olmadan yapılabilmesidir. Makine öğrenimi sistemlerinin yapay zekanın diğer özelliklerine sahip olması her zaman gerekli değildir.

yapay zeka

Orada AI için kullanım durumları yüzlerce ve şirketlerin iş zorluklarla mücadele etmek yapay zeka benimsemek olarak daha belirgin hale gelmektedir.

Yapay zekanın en yaygın kullanımlarından biri siber güvenlikte otomasyon içindir. Örneğin, yapay zeka algoritmaları, kullanıcı davranışındaki küçük değişiklikler veya belirli bir düğüme (bilgisayar gibi) aktarılan veri miktarındaki açıklanamayan artış gibi bir insanın fark etmesi zor olabilecek tehditleri tespit edecek şekilde programlanabilir. Evde, Google Home veya Alexa gibi asistanlar, sohbet robotları aracılığıyla aydınlatma, ısıtma ve işletmelerle etkileşimleri otomatikleştirmeye yardımcı olabilir.

Yapay zekanın iş piyasasının uyum sağlayabileceğinden daha hızlı bir şekilde veri girişi gibi insan iş rollerinin yerini alacağına dair çok büyük korkular var. Yazar ve risk kaptancısı Kai-Fu Lee, Hem Apple’da hem de Google’da çalışan ve gelişmiş konuşma tanıma yapay zekası geliştirdiği için Carnegie Mellon’dan doktora alan 2019 yılında “biraz karmaşık görünen birçok iş, aşçı, garson, birçok şey otomatikleşecek” uyarısında bulundu.

“15 yıl içinde otomatik mağazalara, otomatik restoranlara ve hep birlikte dünyadaki işlerin yaklaşık %40’ını yerinden edecek.”

AI ve ML’yi karıştırmak

Bu terimleri adlandırma ve tanımlama söz konusu olduğunda meseleleri daha da kafa karıştırıcı hale getirmek için, şapkaya atılmış bir dizi başka terim vardır. Bunlar , örneğin, bilgiyi insan zihnindeki nöronları ve sinapsları taklit edecek şekilde işleyen yapay sinir ağlarını içerir. Bu teknoloji makine öğrenimi için kullanılabilir; tüm sinir ağları AI veya ML olmasa da ve tüm ML programları altta yatan sinir ağlarını kullanmaz. 

Bu gelişmekte olan bir alan olduğundan, terimler her zaman ortaya çıkıyor ve ortaya çıkıyor ve AI’nın farklı alanları arasındaki engeller hala oldukça geçirgen. Teknoloji yaygınlaştıkça ve olgunlaştıkça, bu tanımlar muhtemelen daha somut ve iyi bilinir hale gelecektir. Öte yandan, genelleştirilmiş yapay zeka geliştirirsek, tüm bu tanımlar birdenbire geçerliliğini yitirebilir.

Makalenin orjinal kaynağını bu linkten okuyabilirsiniz.

Bir cevap yazın

E-posta hesabınız yayımlanmayacak.

This site uses Akismet to reduce spam. Learn how your comment data is processed.