YAPAY ZEKA FORUMU VE GELECEĞİN TEKNOLOJİSİ

     

 

       NEVİN BİLGİN

      Avrupa Parlamentosu, 13 Mart 2024 tarihinde kabul edilen Avrupa Yapay Zekâ Yasası ile yapay zekâ kullanımına ilişkin kurallar getirdi. Türkiye’de de bu konuda bazı adımlar atılmaya başlandı. İlk Yapay Zekâ Forumu düzenlendi. Forumda yapay zekanın geleceği tartışılırken, sorumlu bir şekilde geliştirilmesi ve uygulanması konuları ele alındı.

      AB’de kabul edilen yasaya göre, insan haklarını tehdit eden yapay zekâ uygulamaları, özellikle yüz tanıma sistemleri gibi, yasaklanmıştır. Ayrıca, polis tarafından halkın yüzünün yapay zekâ destekli uzaktan biyometrik kimlik tespiti sistemleri kullanılarak taranması da yasaklanmıştır. Yasa, yapay zekâ tarafından üretilen içeriklerin etiketlenmesini, AB vatandaşlarının şikâyette bulunma hakkını ve yüksek riskli yapay zekâ sistemlerine ilişkin bilgi edinme hakkını içeren düzenlemeleri de içermektedir. Bu yasa, sağlık, güvenlik, temel haklar ve demokrasi gibi alanlarda yapay zekâ kullanımına katı koşullar getirerek, olası zararların önüne geçmeyi hedeflemektedir. Avrupa Birliği'nde yapay zekâ gelişimini teşvik etmek ve diğer hükümetler için bir model oluşturmak amacıyla bu yasanın benimsenmesi beklenmektedir.

      İLK YAPAY ZEKA FORUMU

     AI4TR (Ülkem İçin Yapay Zekâ Derneği) tarafından düzenlenen 1. Türkiye Yapay Zekâ Forumu, Ankara'da 19-20 Nisan tarihlerinde gerçekleşti. Bu forum, Türkiye'nin yapay zekâ alanındaki geleceğini tartışmak üzere yerel ve uluslararası uzmanları bir araya getirdi. Forum, sektör liderleri, akademisyenler, genç yetenekler ve politika yapıcılarını bir araya getirerek yapay zekânın sorumlu bir şekilde geliştirilmesi ve uygulanması üzerine kritik diyaloglar geliştirdi.

     Forumun ana teması, Türkiye'nin yapay zekâ alanında uluslararası gelişmeleri yakalayarak sürdürülebilir bir rekabet oluşturmasıydı. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi ve Sanayi ve Teknoloji Bakanlığı Milli Teknoloji Genel Müdürlüğü, foruma katkı sağlayan öncü kurumlardandı. Açılış konuşmalarında, bu kurumlar yapay zekâ alanında ulusal stratejiye uygun çalışmalarını özetlediler ve foruma çeşitli uzmanlar göndererek önemli katkılar sağladılar. Türkiye Bilişim Derneği ve çeşitli özel sektör temsilcileri de forumu destekleyenler arasındaydı.

Mustafa Acungil, Prof. Dr. Kadircan Keskinbora, Av. Gürbüz Yüksel, Prof. Dr. Deniz Şarlak, Doç. Dr. İbrahim Kushchu, İbrahim Aydınoğlu, Prof. Dr. Şeref Sağıroğlu

      Forum, yapay zekâ konusunda 13 farklı oturumla geniş bir yelpazede konuları ele aldı. Özellikle, Santa Fe Enstitüsü'nden Prof. Melanie Mitchell'ın "The AI Divide" başlıklı oturumu büyük ilgi gördü. Forumun ikinci gününde yapılan Yapay Zekâ Öneri ve Politikalar Çalıştayı, sektör profesyonellerini bir araya getirerek çeşitli konularda Türkiye'nin yapay zekâ stratejilerini tartıştı ve çözüm önerileri geliştirdi.

     Forumun önemli sonuçları arasında, ulusal yapay zekâ izleme komitesinin kurulması da yer aldı. Bu komite, genç gönüllüler tarafından yönetilerek yapay zekâ politikalarının uygulanmasını izleyecek ve dünya genelindeki gelişmeleri takip edecek.

           (Doç.Dr. İbrahim Kuşçu)

     AI4TR, Türkiye'nin yapay zekâ alanındaki kalkınmasına odaklanan bir dernek olarak faaliyet gösteriyor. Kurucu Yönetim Kurulu Başkanı Doç. Dr. İbrahim Kuşçu, forumun önemli adımlardan biri olarak nitelendirerek, yapay zekânın Türkiye'nin teknoloji politikalarına etkisini vurguladı. AI4TR'nin amacı, yapay zekâ alanında uluslararası rekabet avantajı sağlamak ve Türkiye'nin yapay zekâ ekosistemini güçlendirmektir.

Melanie Mitchell

YAPAY ZEKANIN İNSAN DEĞERLERİYLE UYUMLU HALE GETİRİLMESİ

     Toplantıya katılan Melanie Mitchell, yapay zekâ ve derin öğrenme üzerine makaleleri bulunuyor. Mitchell’in çalışmaları şöyle:

     Yapay Genel Zekâ Doğası Üzerine Tartışmalar: Yapay zekâ araştırmalarındaki mevcut tartışmalar ve genel zekâ kavramının geleceği üzerine bir bakış sunuyor.

      Büyük Dil Modellerinde Analoji Yoluyla Akıl Yürütme: Dil modellerinin analoji yoluyla akıl yürütme yeteneklerini değerlendiren karşılaştırmalı bir çalışma.

     Derin Öğrenmenin Durumu ve Geleceği: Derin öğrenme teknolojilerinin mevcut durumu ve gelecekteki potansiyeli hakkında bir perspektif.

     AI’nın Dünyayı Anlama Zorluğu: Yapay zekanın dünyayı anlama ve kavrama kapasitesi üzerine bir inceleme.

     ConceptARC Benchmark: Yapay zekanın anlama ve genelleme yeteneklerini değerlendirmek için kullanılan bir test seti.

    AI Sistemlerinin Zekasını Nasıl Anlarız? Yapay zeka sistemlerinin zeka seviyelerini değerlendirme yöntemleri üzerine bir analiz.

    Yapay Zekanın Büyük Dil Modellerinde Anlama Üzerine Tartışması: Yapay zekanın dil modellerinde anlama kapasitesi ve bu konudaki tartışmalar.

     DERİN ÖĞRENME

     Yapay sinir ağları ve insan beyninin hesaplama işlevlerini taklit eden hesap sistemlelrini içeren “derin öğrenme” son dönemde önemli gelişmeler kaydediyor.  Özellikle büyük veri setlerinin ve güçlü bilgisayar donanımlarının kullanımıyla, derin öğrenme modelleri daha da etkileyici hale geliyor

     Derin öğrenme, Warren McCulloch ve Walter Pitts'in 1943 yılında oluşturdukları hesaplama modeliyle ortaya çıkmış. Ayrıca, yapay sinir ağları mimarileri, öğrenme türleri ve derin öğrenme uygulamalarıyla ilgili bilgiler de bu alandaki temel kavramları daha iyi anlamamıza yardımcı oluyor.

    Günümüzde derin öğrenme alanları şöyle:

    Yapay Sinir Ağları (Artificial Neural Networks- ANN): Temel derin öğrenme modelidir ve insan beyninin sinir sisteminden esinlenerek verileri işler.

    Evrişimli Sinir Ağları (Convolutional Neural Networks- CNN): Görüntü ve video işleme uygulamalarında sıklıkla kullanılır.

    Tekrarlayan Sinir Ağları (Recurrent Neural Networks- RNN): Zaman serisi verileri, ses tanıma ve doğal dil işleme gibi alanlarda tercih edilir.

    Derin İnanç Ağları (Deep Belief Networks- DBN): Karmaşık verileri işlemek için kullanılır ve büyük veri setleriyle çalışmada etkilidir.

    Otomatik Kodlayıcılar (Autoencoders): Veri sıkıştırma ve boyut azaltma işlemlerinde kullanılır.

     Uzun Kısa Süreli Bellek (Long Short-Term Memory- LSTM): Özellikle sıralı verilerin işlenmesinde ve uzun süreli bağımlılıkların öğrenilmesinde kullanılır.

    Kendi Kendini Düzenleyen Haritalar (Self-Organizing Maps - SOM): Yüksek boyutlu verileri düşük boyutlu bir ortamda temsil etmek için kullanılır.

    Derin Takviyeli Öğrenme (Deep Reinforcement Learning): Karar verme süreçlerinde ve oyun teorisinde kullanılır.

    Kapsül Ağları (Capsule Networks): Görüntü işlemede ve nesne tanıma görevlerinde kullanılır.

     Değişken Otomatik Kodlayıcılar (Variational Autoencoders- VAE): Üretken modellerde ve veri üretiminde kullanılır.

    Üretici Düşman Ağları (Generative Adversarial Networks- GAN): Gerçekçi görüntüler üretmek ve veri artırma işlemlerinde kullanılır.

     Bu algoritmalar, yapay zekâ, görüntü işleme, ses tanıma, doğal dil işleme ve robotik gibi birçok uygulama alanında etkili çözümler sunarken, her bir algoritmanın kullanımı, çözülmek istenen problemin türüne ve verinin doğasına göre değişiklik göstermektedir.

 

Kaynakça:

https://medium.com/deep-learning-turkiye/derin-%C3%B6%C4%9Frenme-mimarileri-deep-learning-architectures-9d9429c485b9

Savaş, S. (2020, 9 Haziran). Derin öğrenme algoritmaları. Yapay Zekâ, Makine Öğrenmesi, Derin Öğrenme. https://derinogrenme.com/derin-ogrenme-algoritmaları/

https://mtburakk.medium.com/derin-%C3%B6%C4%9Frenme-giri%C5%9F-ve-temel-algoritmalar-defd06a8a9ff

AI4TR – Ülkem İçin Yapay Zekâ Derneği İbrahim Kuşçu, MBA, MSc., PhD Kurucu YK Başkanı, AI4TR Ülkem için Yapay Zekâ Derneği

Web: https://ai4tr.org.tr/

Web: https://tyzforum.org

E-posta: info@ai4tr.org.tr

E-posta: info@thenextminds.com

E-posta: ikushchu@gmail.com

https://tr.linkedin.com/company/ai4tr?trk=public_post_reshare_feed-actor-name