Yapay Zekâ (Artifical Intelligent)
Bu dokümanimda Yapay Zeka’nin tanimi, kullanildigi alanlar, kullanilan teknikler ve birazda isin mutfagindan bahsetmeye çalisacagim.
Öncelikle, isin tanimini yapmakla baslayalim;
Yapay Zeka (Artifical Intelligent)’nin birçok tanimi olmasina ragmen bana en uygun tanim; makinelere insanlar gibi düsünme, karar verme, karsilastirma, analiz etme gibi birtakim fonksiyonlarin kazandirilmasidir.
Konuya geçmeden öncelikle isin tarihi kismina kisaca bir göz atalim;
"Yapay Zekâ" kavraminin geçmisi modern bilgisayar bilimi kadar eskidir. Fikir babasi, "Makineler düsünebilir mi ?" sorusunu ortaya atarak Makine Zekâsini tartismaya açan Alan Mathison Turing’dir.
Alan Mathison Turing Kimdir?
Bir matematikçi olan Alan Turing bilgisayar alaninin büyük öncülerindendir. Günümüzde “Turing makinesi” ve “Turing testi” ile anilir. Matematiksel algoritmayi dijital bilgisayarlara uygulamistir. Arastirmalari yapay zeka alaninin dogal yaratilmasi ve makineler arasindaki iliskisinde yogunlasmistir. Turing dijital bilgisayar kavraminin gelismesine öncülük etmistir. Günümüzde bilgisayar bilimcileri hala onun makalelerinden yararlanmaktadirlar...
Yapay Zeka’da Kullanilan Teknikler
- Tavlama Benzetimi (Simulated Annealing),
- Uzman Sistemler (Expert Systems),
- Bilgisayarli Görme (Computer Vision),
- Konusma Tanima (Speech Recognition),
- Yapay Sinir Aglari (ANN: Artificial Neural Networks),
- Bulanik Mantik (Fuzzy Logic),
- Genetik Algoritmalar (Genetic Algorithms),
- Kaotik Modelleme,
- Robotik
Bunlarin bir veya birkaçinin kullanilmasiyla olusturulan “Hibrid (karma)” sistemler baslica teknikleri olusturmaktadir. Son on yildir mühendislik problemlerinin tasarimi ve analizinde etkin olarak kullanilmaya baslanmistir. Aslinda bunlarin her biri basli basina bir konu olup ben eger izin verirseniz sadece burada çok temel kavramlar üzerinde durmaya çalisacagim:
Yapay Zekâ Ile Ilgili Ilk Arastirmalar
Idealize edilmis tanimiyla yapay zekâ konusundaki ilk çalismalardan biri McCulloch ve Pitts tarafindan yapilmistir. Bu arastirmacilarin önerdigi, yapay sinir hücrelerini kullanan hesaplama modeli, önermeler mantigi, fizyoloji ve Turing’in hesaplama kuramina dayaniyordu. Her hangi bir hesaplanabilir fonksiyonun sinir hücrelerinden olusan aglarla hesaplanabilecegini ve mantiksal ve / veya islemlerinin gerçeklestirilebilecegini gösterdiler.Bu ag yapilarinin uygun sekilde tanimlanmalari halinde ögrenme becerisi kazanabilecegini de ileri sürdüler. Hebb, sinir hücreleri arasindaki baglantilarin siddetlerini degistirmek için basit bir kural önerince, ögrenebilen yapay sinir aglarini gerçeklestirmek de olasi hale gelmistir.
Mc Carthy, Minsky, Shannon ve Rochester 1956 yilinda yapay zeka konusunda düzenlenmis olan ve “Dartmouth Konferansi” olarak bilinen konferansta John McCarthy ilk olarak “Yapay Zeka” ifadesi kullanilmistir. Takip eden yillarda ise bu çalismalar daha sistematik olarak sirasiyla;
- Uzman sistemler,
- Yapay sinir aglari,
- Bulanik Mantik (Fuzzy Logic)
- Genetik algoritmalar seklinde alt dallara ayrilmistir.
Bunlarin hepsi baslica ayri konulari kapsadigindan, konuyu uzatmamak ve sizleri okurken sikmamak için simdilik yukarida ki basliklarin kisa tanimini anlatmaya çalisacagim.
BULANIK MANTIK (Fuzzy Logic)
Bilgi” teriminin farkli disiplinlerde farkli anlamlar, farkli çagrisimlar uyandirdigindan, bilgiyi degerlendirme konusunda dikkatli bir degerlendirme asamasindan geçer. Yani, bilginin anlami izafidir. Örnek üzerinde açiklamak gerekirse; 250°C sicaklik bilgisinin, bir meteoroloji uzmaninda uyandirdigi etki ile bir mühendiste veya bir hekimde uyandirdigi etki farkli farklidir. Bu bilgi, yani 250°C sicaklik ifadesi, kimyasal bir islem için çok hassas bir kontrol gerektirirken, insaat mühendisliginde bu deger o kadar hassas bir ölçüm gerektirmeyebilir. Yani sicaklik bilgisini degerlendirilmesi ve islenmesi onun kullanim alani ile de dogrudan ilgili olmaktadir.
Bulanik mantik, adindan anlasilabilecegi gibi mantik kurallarinin esnek ve bulanik bir sekilde makinelere uygulanmasidir. Klasik (boolean) mantikta bildiginiz gibi, “dogru” ve “yanlis” ya da “1” ve “0” lar vardir, oysa bulanik mantikta, ikisinin arasindan bir yerde olan önermelere ve ifadelere izin verilebilir ki, bu, gerçek hayata baktigimizda hemen hemen hiçbir sey kesinlikle dogru veya kesinlikle yanlis olmadigi gerçegi ile uyusmaktadir. Gerçek hayatta önermeler genelde kismen dogru veya belli bir olasilikla dogru seklinde degerlendirilir. Bulanik mantiga da zaten, klasik mantigin gerçek dünya problemleri için yeterli olmadigi durumlarda ihtiyaç duyulmustur.
Bulanik mantigin sistemi su sekildedir:
Bir ifade tamamen yanlis ise klasik mantikta oldugu gibi (0) degerindedir, yok eger tamamen dogru ise (1) degerindedir. Ancak bulanik mantik uygulamalarinin çogu bir ifadenin (0) veya (1) degerini almasina izin vermezler veya sadece çok özel durumlarda izin verirler. Bunlarin disinda tüm ifadeler (0)’dan büyük (1) den küçük reel degerler alirlar. Yani degeri 0.32 olan bir ifadenin anlami %32 dogru %68 yanlis demektir. Bulanik mantigin da klasik mantikta oldugu gibi operatörleri vardir; örnegin “and”, “or”, “not” gibi, ancak bunlar kendine has islemlerdir. Örnegin, baska yaklasimlarda olmasina ragmen “and” islemi genelde çarpma olarak veya “not” islemi de 1’den çikarma seklinde ifade edilir.
Bulanik mantigin uygulama alanlari çok genistir. Sagladigi en büyük yarar ise insana özgü olan tecrübe ile ögrenme olayinin kolayca modellenebilmesi ve belirsiz kavramlarin matematiksel olarak ifade edilebilmesine olanak saglamasidir. Bu nedenle, lineer olmayan sistemlere yaklasim yapabilmek için özellikle uygundur.
GENETIK ALGORITMALAR
Kisaca, genetik algoritmalar en genel anlamda, biyolojik sistemlerle benzer olarak, evrimin bilgisayarlara uygulanmasiyla olusan basit bir sistemlerdir, Genetik algoritmalarda çözümü istenen problemle ilgili bagimsiz degiskenler, problemin kritik bilgilerini olusturur. Genetik algoritma, problem için, bilgisayar hafizasinda olusturulan alternatiflerin veya genetik algoritma terminolojisiyle, kromozomlarin en uygun çözüm için seçilime tabi tutulmasi, yani olusacak kombinasyonlar içinde en uygun olanin seçimi islemidir. Dolayisiyla
YAPAY SINIR AGLARI
Yapay sinir aglari, insan beyninin temel birimi olan nöronlara benzer olarak teskil edilen yapay nöronlarin farkli topoloji ve ag modelleriyle birbirine baglanmasiyla olusan karmasik sistemlerdir. Bir yapay sinir agi, birbiriyle etkilesim içindeki pek çok yapay nöronun paralel bagli bir hiyerarsik organizasyonudur. Beynin en önemli islevlerinden birisi de insanin çevresinde olanlari ögrenmesi ve denedigi bilgileri daha sonra kullanmak üzere depolamasidir. Çevreden gelen uyarilarin degerlendirilmesi ve uygun davranislarin gelistirilmesi ögrenme yoluyla olmaktadir. Ögrenilen bilginin saklanmasini ise bellek saglar. Ögrenme çok genis bir kavram olup görme, isitme, dokunma, tat ve doku duygulari ile algilanan uyarilarin iliskilendirilme, tekrarlama gibi birden çok beyin islemi sonucu gerçeklesir. Ögrenmenin dogrudan bir ölçümü yapilamamakta ancak ortaya çikan davranis degisiklikleri ile degerlendirilebilmektedir. Nöral hesaplama algoritmik programlamaya bir seçenek olusturan, temel olarak yeni ve farkli bir bilgi isleme teknigidir. Programda adim adim yürütülen bir yöntemin verilmesi yerine noral ag iliskilendirmeyi yapan iç kurallarini kendi üretir ve bu kurallari, sonuçlari örneklerle karsilastirarak düzenler. En genel anlamda yapay sinir aglari, ileri beslemeli ve geri beslemeli aglar seklinde iki ana grupta düsünülebilir. Ileri beslemeli aglarda nöronlar; girdi, sakli ve çikti olarak adlandirilan katmanlar vasitasiyla organize edilir. Herbir katmandaki nöronlar, bir sonraki katman nöronlari ile baglantili agirliklari vasitasiyla iliskilidir. Ancak katmanlarin kendi aralarinda herhangi bir baglanti yoktur. Bilgi, girdi katmanindan çikti katmanina dogru ilerler. Buna aktivasyon yönü de denilir. Bu tür aglar denetimli ögrenme teknikleriyle egitilir.
Yapay Sinir Aglarinda Ögrenme ve Agin Egitilmesi
Yapay sinir aglari klasik programlama gibi belirli bir algoritma çerçevesinde programlanmazlar. Sinir aglari insanlar gibi örnekler ile egitilirler. Yapay sinir aglarinin ögrenmesi bir çocugun ögrenmesi gibidir. Sicak bir nesneye dokunmamasi gerektigini deneyerek ögrenen çocuklar, zamanla daha az sicak olan bir cisme dokunabilme cesaretini gösterirler ve sicak süt dolu bardagi elleriyle tutarlar. Yani çocuk sicaklik bilgisini ögrenmis olmaktadir. Yapay nöronlar da benzer olarak, mevcut örnek kümesi üzerinde girdi ile çikti arasindaki bagintinin agirliklarinin degistirilmesiyle egitilirler. Sunulan girdi kümesi için, transfer fonksiyonu tarafindan saglanan degerlere cevap olarak baglanti agirliklarinin tamaminin veya bir kisminin, istenen çikti ile ag çiktisi arasindaki farkin belirli bir degere düsünceye kadar degistirilmesidir. Bu amaçla günümüze kadar çesitli ögrenme algoritmalari gelistirilmistir.
Bunlar;
- Temel olarak denetimi ögrenme,
- Denetimsiz ögrenme
- Takviyeli ögrenme, olarak üç ana gruba ayrilir.
Denetimli ögrenmede sinir agina hem girdi hem de çikti degerleri sunulur. Agin ürettigi çikti ile istenen çikti arasindaki fark sifir veya ona yakin bir degere gelinceye kadar agirliklar degistirilir.
Bu tür ögrenme modelini kullanan aglar
- Perceptron ve iliskili hafizalar,
- Takviyeli ögrenme,
- Stokastik ögrenme,
- Vektör nicelik ögrenmesi,
- Delta ve genellestirilmis delta kurali,
- Geri yayilma algoritmasi, stokastik ögrenme.
Denetimsiz ögrenmede aga sadece girdi vektörü uygulanir. Girdi degerlerine uygun bir çikti üretilinceye kadar baglanti agirliklari degistirilir.
Bu metod;
- Görüntü isleme,
- Isaret isleme
- Kontrol problemlerinde etkin olarak kullanilir.
Kohonen’in kendini düzenleyen uzaylar ve “Adaptif Rezonans Teorisi (ART)” denetimsiz ögrenmeye örnek olarak verilebilir.
Takviyeli ögrenmede ise giris degerlerine karsilik gelecek uygun çiktilarin elde edilmesi sirasinda agirliklarin en uygun degerlerinin bulunmasinda genetik algoritmalar veya optimizasyon yöntemleri kullanilir. Böylece agirliklar optimize edilmektedir. Bunlarin disinda hibrit (karma) ögrenme algoritmalari da gelistirilmistir.
ROBOTIK
Yapay zekanin en önemli uygulama alani endüstri alanidir. Robotikler bilgisayarlar ile endüstriyel robotlarin uyumlu bir bütünlesmesidir. Endüstriyel robotlara bilgisayarlar yardimiyla herhangi bir rutin hareketin nasil yapilacagini ögretmek mümkündür. Örnegin; araba boyama, vida sikma, malzeme tasima ve hatta kusurlu parçalari tespit etme gibi daha karmasik davranislari yapan robotikleri günümüzde görmek mümkündür. Yapay zekanin en büyük ticari basariyi elde ettigi alan robotik alanidir. Genel inancin aksine, robotikler bilimkurgu filmlerinde görülen robotlardan gerek görünüm gerekse islev açisindan oldukça farklidir. Endüstriyel robotlar daha çok tekrarli yani rutin isler için uygundur. Otomotiv sektörü robotlardan en fazla yararlanan sektördür. Bu sektörde robotlar daha çok boyama ve montaj islemlerinde kullanilmaktadir. Elektronik sektörü, bu konuda ikinciligi tutmaktadir. Elektronik devrelerin testi ve yongalarin yerlestirilmesi islemlerinde robotlardan istifade edilmektedir. Bugün, artik cerrahi de bile robotlar kullanilabilmektedir. Örnegin bir beyin cerrahina yardimci olan robotlari tam donanimli tip merkezlerinde görmek mümkündür. Robotlar büyük bir dogruluk yüzdesi ile biyopsi yapabilmekte ve böylece ameliyatin daha hizli, daha dogru ve daha güvenli yapilmasini saglamaktadir. Robotlara isin nasil yapilacagi bilgisayar tarafindan ögretilir. Bir bilgisayar programi ile robotlari kontrol etmek mümkündür. Bu program robota hareketin zamani yönü mesafesi gibi konularda komut veren bir programdir. Bir kere programladiktan sonra, robotlarin hareketlerini kontrol etmek mümkündür. Bir kere programlandiktan sonra robotlarin hareketlerini kontrol etmeye fazla ihtiyaç yoktur. Robotlar konusunda görülen bir diger gelisme ise, robotlara bazi beseri algilama becerisini yerlestirmektir. Daha önce açiklanan robotlar beseri algilama becerilerine sahip olmadiklarindan dolayi ancak tekdüze isleri yapma becerisine sahiptirler ve bu yüzden de bu tür robotlara “seç-al- yerlestir” robotlari demektedir. Eger bu robotlara görme, isitme, konusma gibi beceriler kazandirilirsa, bu robotlarin insan gibi davranmasi ve böylece bu robotlara belli standarttaki bir nesneden farkli nesneleri ayirt etmesi saglanabilir. Dogal olarak, görsel sistem teknolojisindeki gelismeler devam ettigi müddetçe tipki bir insan gibi isyerinde dolasmasi da mümkün olabilecektir. Sonuç olarak robot teknolojisindeki gelismeler bilim-kurgu filmlerinde gördügümüz kimi sahneleri gerçek hale getirecek gibi görünmektedir.
UZMAN SISTEMLER
(Artificial Intelligence) sistemlerinin bir kolu olan “Uzman Sistemler (Expert Systems)” herhangi bir karmasik sistemde, uzman bir kisinin yaptigi isleri yapan bir bilgisayar programi gibi düsünülebilir. Uzmanlarin düsünce biçimini taklit ederek, özellesmis bir alanda önemli problemleri çözmeye yönelik yazilimlardir. Bu yazilimlar genellikle ara yüz, veri tabani, kural tabani gibi birden fazla programdan olustuklarindan sistem olarak adlandirilir. Uzman sistemler (US), öneride bulunan, problemi analiz edebilen, siniflandirabilen, iletisim kurabilen, dizayn yapabilen, tanimlayabilen, inceleyebilen, tahmin yürütebilen, belirleyen, yargilayabilen, ögrenebilen, kontrol edebilen, programlayabilen ve ögreten yazilimlardir.
Yapay Zekanin Kullanim Alanlari
Uzay: Uçus simülasyonlari, otomatik pilot uygulamalari vb. alanlarda
Otomotiv : Otomatik yol izleme, yol kosullarina göre sürüs analizi vb. gibi uygulamalarda
Bankacilik : Kredi uygulamalari gelistirilmesi, müsteri analizi ve kredi müracaat degerlendirilmesi
Savunma : Silah yönlendirme, hedef seçme, radar, sensör sonar sistemleri, sinyal isleme, görüntü isleme vb.
Elektronik: Kod sirasi öngörüsü, çip bozulma analizi, non-lineer modelleme vs.
Finans: Pazar performans analizi
Üretim: Ürün dizayni, dayaniklilik analizi, makine yipranmalari tespiti
Saglik: Gögüs kanseri erken teshis ve tedavisi, EEG, ECG, MR, ilaç etkileri analizi, kan analizi siniflandirma, kalp krizi erken teshis ve tedavisi vb. uygulamalarda
Robotik: Yörünge kontrol, forklift robotlari, görsel sistemler, uzaktan kumandali sistemler.
Güvenlik: Parmak izi tanima, kredi karti hileleri saptama, retina tarama, yüz eslestirme vb. uygulamlarda
