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.
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
Hiç yorum yok:
Yorum Gönder