Yapay Zekanın İki Temel Bileşeni: Veri ve Bulut Teknolojileri

Günümüz dünyasında yapay zekanın (artificial intelligence) gelişiminde ve kullanımında veri gerçekten çok önemli bir yere sahip.

Elinizde ne kadar anlamlı veri varsa, yapay zeka ile yapabilecekleriniz de o kadar gelişiyor. Veri sayesinde yapay zeka kendini geliştiriyor ve daha sağlıklı kararlar alabiliyor.

Tabii bu veriyi tutabilmek ve hızlı bir şekilde kullanabilmek için altyapılar, sistemler gerekiyor. Burada bulut teknolojileri devreye giriyor. Yapay zekanın son yıllarda bu kadar hızlı ilerlemesinin bir nedeni de bulut teknolojilerinde yaşanan gelişmeler ve bu teknolojilerin daha kolay ulaşılabilir hale gelmesidir.

Burada kritik bir soru devreye giriyor: Peki bu noktada nasıl yapay zeka üretebiliriz? İnsan gibi bilişsel yetenekleri olan veya dar-geniş anlamda, farklı ihtiyaçlara ve sektörlere hizmet eden uygulamaları nasıl geliştirebiliriz?

Son yıllardaki baş döndürücü çalışmalara baktığımız zaman henüz günümüzde bu yolculuğun başında olduğumuzu söyleyebiliriz. Gördüklerimiz, buz dağının sadece çok ufak bir kısmı gibi.

Makine Öğrenimi (Machine Learning)

Klasik programlamada bilgisayara bir komut verirsiniz ve bilgisayar size algoritma sayesinde bir cevap verir. Bu bir statik bir algoritmadır ve iki sene sonra dönüp bilgisayara baktığınız zaman bu algoritma orada duruyordur. Yıllarca matematiksel problemleri çözmek için hep bu algoritmalar kullanıldı.

Yalnız yapay zeka dünyasında bu algoritmalar sınırlı kaldı. Örneğin, bir markete giren müşterinin ruh halini veya tarladaki zararlı bitkileri bu statik algoritmalarla anlayamazsınız. Kendi kendini geliştiren, “makine öğrenimi” (machine learning) dediğimiz; sisteme giren verilerle (input) ve çıktılarla (output) birlikte kendini sürekli geliştiren, çalıştıkça öğrenen yapılar ortaya çıkmaya başladı.

Makine öğrenimi dünyasında, belli bir süre sonra dönüp sisteme baktığımız zaman artık karşınızdaki algoritma aynı algoritma değildir, farklıdır.

Makine öğrenimi, yazılım geliştirme teknolojilerinde inanılmaz bir devrim yarattı. Uygulamaların kendi kendine öğrenebilir hale gelmesini sağladı. Yukarıda bahsettiğimiz yüksek miktarda veri, bu verinin erişilebilir olmasını sağlayan bulut teknolojileri ve makine öğreniminin birleşmesi yapay zeka konusundaki gelişmelere son yıllarda inanılmaz bir ivme kazandırdı.

Farklı Sektörlerden Yapay Zeka Kullanımına Yönelik Örnekler

Finans

Chatbotlar

Her ne kadar chatbotlar uzun süredir var olsa da, yapay zekanın gelişimi bankalar dahil birçok fintech şirketi için önemli bir fırsat yarattı. Diğer taraftan mesajlaşma servislerinin (WhatsApp, WeChat, Messenger gibi) küresel ölçekte yaygınlaşması ve bu platformlara uygulanabilecek entegrasyon imkanları da chatbotlar için yapılması gereken yatırım ve operasyonel maliyetleri aşağıya çekti.

Plum, Digit ve Cleo gibi fintech şirketleri için chatbotlar mevcut işlerinin temel bir parçasıyken, bankalar için chatbotlar şu aşamada ağırlıkla ana ürün ve hizmetlerini desteklemekte kullanılıyor. Örnek vermek gerekirse, Bank of America’nın Erica adlı chatbotu kullanıcılara finansal durumları ile ilgili gerçek zamanlı bildirimde bulunuyor. Erica’nın bilişsel ve analitik mesajlaşma altyapısı, Bank of America müşterilerinin ödeme yapmasını, borçlarını ödemelerini ve hesaplarını kontrol etmelerini sağlıyor. Erica’nın yapılan geliştirmelerle yeteneklerini zamanla ileriye taşıyacağını söyleyebiliriz.

Güvenlik

Finans sektöründe yapay zekanın kullanılabileceği birçok alan var. Bunlardan bir tanesi de güvenlik. Günümüzde her şey gibi ödemeler de dijitalleşirken, dolandırıcılıkla savaşmak ve güvenliği sağlamak ödeme teknolojileri dünyasının en önemli gündem maddelerinden. Javelin Danışmanlık Hizmetleri’nin araştırmasına göre geçersiz olmadığı halde geçersiz sayılan işlemlerin yıllık maliyeti 118 milyar $ ve bu da gerçekten hileli işlemlerdeki 9 milyar $’lık toplam kaybın 13 katı. Kart kullanıcısının yaşadığı zaman kaybı ve hayal kırıklığı da cabası. Bu amaçla Mastercard 2017 yılında mağaza içi veya online alışverişlerdeki bir ödeme işleminin sahte olup olmadığına yönelik kapsamlı karar verebilmeyi sağlayan ve dolandırıcılığı tespit etmeye yarayan Decision Intelligence ürününü tanıttı. Mastercard’ın sunduğu bu çözüm, yapay zeka teknolojisi kullanarak sahte işlemleri tespit ederken yanlışlıkla reddedilen işlem adetini de azaltmayı hedefliyor.

Mevcut sistemler, karmaşık algoritmalarla taradıkları verileri analiz ederek bir risk puanı oluşturuyor, daha sonra bu analizi mevcut dolandırıcılığı azaltma sistemleriyle birleştiriyor. Ancak her işleme aynı analiz uygulandığından dolayı, bu sistem çoğu zaman gerçek alışverişlerin de riskli olarak algılanıp geçersiz sayılmasına sebep olabiliyor. Mastercard’ın bu teknolojisi ise, o tüketicinin kendi alışveriş geçmişi, kart kullanım alışkanlıkları gibi gerçek zamanlı verilere dayanarak, normalin dışında bir davranış sergilendiğinde uyaracak şekilde ayarlanmış.

Decision Intelligence’ın arkasındaki akıllı teknoloji belli bir hesabın zaman içinde nasıl hareketleri olabileceğini, neyin normal, neyin anormal davranış sayılabileceğini belirleyebiliyor. Bunu yaparken, müşterinin segmenti, risk profili, bulunduğu lokasyon, alışveriş yapılan nokta, kullanılan cihaz verileri, alışveriş saati ve yapılan alışverişin türü gibi birçok kriteri değerlendirebiliyor.

Tarım

Dünyanın önde gelen tarım araç ve ekipmanları üreticisi John Deere, 2017 yılı Eylül ayında Kaliforniyalı bir startup olan, tarım alanında makine öğrenimi (machine learning) kullanan araçlar üreten Blue River Teknoloji’yi satın aldı. Blue River Teknoloji, mahsullere sıkılan spreylerin yabani otları tanımasına yardımcı olan ve onları tarım ilacıyla yok edecek aletler geliştiriyor.

Blue River’ın mottosu; ”gör ve püskürt”. Eğer yabani bir ot görürse tarım ilacı püskürtüyor fakat bir mahsul görürse gübre püskürtüyor.

Parametreler çiftçiler tarafından duruma uygun olacak şekilde ayarlanabiliyor. Blue River’ın iddia ettiğine göre bu teknoloji sayesinde bir yandan işçilik maliyetleri düşerken diğer yandan püskürtülen kimyasalların hacminden de %90’a kadar tasarruf edilmesi mümkün oluyor.

Sağlık

2017 yılının Mart ayında Google, Hollandalı bir üniversite tarafından sağlanan binlerce kanser hücresinin dokusunu, derin öğrenme (deep learning) olarak adlandırılan bir yapay zeka çeşidi ile analiz etmek için kullandığını açıkladı. Derin öğrenme ile bilgisayarlar büyük veri setlerindeki modelleri tanımayı öğreniyor ve bu, göğüs kanseri biyopsisine bakmak gibi görsel görevler için oldukça yararlı.

ABD’de her yıl 230.000 yeni göğüs kanseri vakası görülüyor ve Google, teknolojinin tedavilerde ilerleme sağlamaları için patoloji uzmanlarına yardımcı olacağını umuyor. Ancak bu teknoloji, doktorların yerini alacak şekilde tasarlanmış anlamına gelmiyor. Amaç onlara yardımcı olmak.

Google’ın bu çalışmalarının arkasındaki proje yöneticisi Lily Peng, “Geliştirdiğimiz şey çok karmaşık bir dizi görevin bir bölümüne yardımcı olan küçük bir yazılım dilimi… Sürekli olarak muazzam miktarda bilgileri incelemek zorunda kalan doktorlara yardımcı olacak araçların sayısı gittikçe artacak.” açıklamasında bulunuyor.

Peng, insan ve bilgisayarın daha iyi sonuçlar yaratmak için nasıl birlikte çalışabileceğini belirtiyor. Google’ın yapay zeka sistemi potansiyel kansere karşı çok hassas. Bir insanın kaçırabileceği şeyleri işaretliyor. Ancak zaman zaman bir şeyi yanlışlıkla kanser olarak tanımlayabiliyor. Oysa insan olan patoloji uzmanları, “Hayır bu kanser değil.” diyebilmekte daha iyi.

Peng, “Bu iki süper gücün birleştirildiğini düşünün. Algoritma, bu tümörlerin yerini saptamanıza ve onları bulmanıza yardımcı oluyor. Doktor ise ‘Bu kanser değil.’ demekte çok iyi.” dedi.

Şimdilik Google hala araştırma ve laboratuvar sürecinde ve yarın patoloji uzmanlarının asistanı olmayacak. Ancak Google ve diğer birçok şirket bunun gerçeğe dönüştüğü bir gelecek için çalışmakta.

İlerleyen yazılılarımızda yapay zekayı, farklı alanlardaki gelişmeleri ve etkisini sizlerle paylaşmaya devam edeceğiz.