Saniyeler İçinde Gelen Cevabın Arkasındaki Matematik
Bir soru soruyoruz, saniyeler içinde cevap alıyoruz. Peki yapay zekâ neyi öğreniyor, nasıl tahmin yapıyor, neden bazen yanılıyor ve bugün geldiği noktaya nasıl ulaştı?
Selçuk Ergin
Bir soru soruyoruz. Saniyeler içinde cevap geliyor. Nasıl?
ChatGPT gibi bir yapay zekâ sistemine şöyle bir soru sorduğunuzu düşünün:
“Türkiye'de yapay zekâ yatırımları neden artıyor?”
Birkaç saniye sonra karşınıza ekonomik gelişmelerden teknoloji şirketlerine, yatırımcı davranışlarından küresel rekabete kadar uzanan düzenli bir açıklama çıkıyor.
Bir insandan aynı soruya kapsamlı bir yanıt hazırlamasını istesek araştırma yapması, verileri incelemesi, farklı kaynakları karşılaştırması ve sonuçlarını yazması gerekebilir.
Peki yapay zekâ bu işi nasıl bu kadar hızlı yapabiliyor?
Bütün bilgilerin bulunduğu devasa bir kütüphaneden doğru cevabı mı çekiyor? İnternetteki bütün sayfaları birkaç saniyede mi okuyor? Yoksa gerçekten düşünüyor mu?
Cevap, bunlardan daha ilginç.
Modern yapay zekâ sistemleri; büyük miktarda veri üzerinde eğitilmiş matematiksel modelleri, güçlü bilgisayarları ve olasılık hesaplamalarını bir araya getiriyor. Bazı sistemler gerektiğinde internet araması, hesaplama araçları ve veri tabanları da kullanabiliyor.
Bütün bunların arkasındaki temel fikir ise şaşırtıcı derecede basit bir oyunla açıklanabilir.
Bir sonraki kelimeyi tahmin etme oyunu.
1. Yapay zekânın başlangıç noktası: Bir tahmin oyunu
Bir çocuğa şu cümleyi tamamlamasını istediğimizi düşünelim:
“Sabah kalkınca dişlerimi ...”
Muhtemelen “fırçalarım” diyecektir.
Peki bunu nasıl bildi?
Çünkü daha önce benzer cümleleri duydu. Dişlerin ne işe yaradığını ve insanların onları fırçaladığını öğrendi.
Şimdi başka bir cümle düşünelim:
“Kediler miyavlar, köpekler ...”
Büyük ihtimalle cevap “havlar” olacaktır.
Çocuk bu cevabı rastgele seçmedi. Daha önce öğrendiği bilgiler ve dildeki ilişkiler ona yardımcı oldu.
Büyük dil modellerinin eğitimi de bu fikrin çok daha gelişmiş bir biçimine dayanır.
Modele bir metnin başlangıcı gösterilir ve devamını tahmin etmesi istenir.
Tahmini yanlışsa hata hesaplanır. Modelin içindeki sayısal parametreler bu hatayı azaltacak şekilde güncellenir.
Bu işlem inanılmaz büyük veri kümeleri üzerinde tekrarlandığında model, yalnızca hangi kelimenin hangisinden sonra geldiğine ilişkin örüntüleri değil; dilin yapısı, kavramlar arasındaki ilişkiler, kodlama biçimleri, matematiksel düzenlilikler ve çeşitli problem çözme yaklaşımları hakkında da iç temsiller geliştirebilir.
Ancak kritik bir ayrıntı var.
Bir sonraki tokenı tahmin etmeyi öğrenmek, yalnızca kelimeleri ezberlemek değildir.
Örneğin model, “Bir şirketin geliri artarken kârı neden azalabilir?” sorusunu cevaplarken maliyetler, marjlar ve operasyonel giderler arasındaki ilişkilerden yararlanabilir.
Bu, önüne gelen her sorunun cevabını ezbere bildiği anlamına gelmez. Öğrendiği örüntüleri yeni durumlara uygulayabilir.
Elbette bazen yanlış da uygulayabilir.
İşte yapay zekâyı hem güçlü hem de dikkatle kullanılması gereken bir teknoloji hâline getiren özelliklerden biri budur.
2. Yapay zekâ cevap vermeden önce ne öğreniyor?
Modern dil modellerinde iki farklı süreci birbirinden ayırmak gerekir:
Eğitim (training) ve yanıt üretme (inference).
Eğitim, yapay zekânın büyük miktarda veriyle çalışarak parametrelerini geliştirdiği aşamadır.
Bu süreç çok yüksek hesaplama gücü, enerji, veri ve mühendislik çalışması gerektirebilir.
Örneğin model milyonlarca farklı bağlamda bir sonraki tokenı tahmin etmeye çalışır. Tahminleriyle eğitim hedefleri arasındaki fark kullanılarak modelin parametreleri tekrar tekrar güncellenir.
Ek eğitim aşamalarında insan tercihleri, talimat örnekleri, çeşitli değerlendirmeler ve farklı öğrenme yöntemleri kullanılabilir.
Inference ise eğitilmiş modelin yeni bir soruya cevap üretmesidir.
Kullanıcı soru sorduğunda model normalde bütün eğitim sürecini yeniden yaşamaz.
Önceden öğrendiği parametreleri kullanarak hesaplama yapar.
Bu, çarpım tablosunu öğrenmekle öğrendikten sonra “7 kere 8 kaç eder?” sorusuna cevap vermek arasındaki farka benzer.
İlkinde öğrenme vardır. İkincisinde öğrenilmiş bilginin kullanılması.
Yapay zekânın saniyeler içinde yanıt verebilmesinin ilk nedeni budur.
3. Yazdığımız cümle nasıl matematiğe dönüşüyor?
Şimdi yapay zekâya şu soruyu gönderelim:
“Yağmur neden yağar?”
Biz kelimeler görüyoruz. Fakat bilgisayar bu ifadeyi doğrudan bizim gibi işlemez.
Öncelikle metin, token adı verilen küçük birimlere ayrılır.
Tokenlar tam kelimeler, kelime parçaları, noktalama işaretleri veya başka metin birimleri olabilir.
Her token sayısal bir kimlikle temsil edilir.
Ardından model, bu birimleri çok boyutlu sayısal vektörlere dönüştürerek matematiksel işlemler gerçekleştirir.
Buradaki vektörleri bir çeşit koordinat sistemi gibi düşünebiliriz.
Model bu sayısal temsilleri işleyerek kelimelerin ve ifadelerin bağlama göre nasıl ilişkilendiğini değerlendirir.
Örneğin “banka” kelimesi bir cümlede finans kuruluşunu, başka bir bağlamda oturulan bir bankı ifade edebilir.
Modelin görevi yalnızca “banka” kelimesini tanımak değil, onun cümle içindeki anlamını etkileyen ilişkileri de değerlendirmektir.
Bunu sağlayan en önemli teknolojik gelişmelerden biri, Transformer mimarisidir.
4. Asıl sıçrama tahtası: 2017'de Transformer neyi değiştirdi?
Yapay zekânın son yıllardaki gelişimini açıklarken tek bir dönüm noktası seçmek zorunda olsaydık, 2017'de yayımlanan Attention Is All You Need başlıklı araştırma en güçlü adaylardan biri olurdu.
Bu araştırma, Transformer adlı yeni bir sinir ağı mimarisini tanıttı.
Peki neden bu kadar önemliydi?
Önceki birçok dil işleme sisteminde metindeki sıralı işlemler birbirine daha fazla bağımlıydı. Bu durum büyük ölçekli eğitimi zorlaştırabiliyordu.
Transformer ise attention, yani dikkat mekanizmaları sayesinde metindeki farklı parçalar arasındaki ilişkileri etkili biçimde hesaplayabilen ve eğitim sırasında daha yüksek paralellik sağlayan bir mimari sundu.
Örneğin şu cümleyi düşünelim:
“Ali, Ayşe'ye şemsiyesini verdi çünkü yağmur yağıyordu.”
Burada “şemsiye”, “yağmur”, “vermek” ve kişiler arasındaki ilişkiler önemlidir.
Transformer, tokenların birbirleriyle ilişkilerini sayısal olarak değerlendirebilir.
Ancak dikkat mekanizması tek başına insanın anladığı anlamda kavrayışın kanıtı değildir. Bu, modelin öğrendiği bağlamsal ilişkileri hesaplama yollarından biridir.
Transformer'ın getirdiği verimlilik, büyük veri kümeleri ve güçlü donanımlarla birleşince daha büyük dil modellerinin geliştirilmesi kolaylaştı.
Böylece yapay zekânın gelişiminde yeni bir dönem başladı.
5. Neden tam da son yıllarda bu kadar hızlandı?
Yapay zekâ araştırmaları 1950'lerden beri devam ediyor.
Dolayısıyla bugünkü gelişmeleri bir gecede ortaya çıkmış bir mucize olarak görmek doğru değil.
Asıl değişim, birbirini tamamlayan teknolojilerin aynı dönemde olgunlaşmasıydı.
2012: Derin öğrenmenin gücü görünür hâle geldi.
AlexNet'in ImageNet görüntü sınıflandırma yarışmasındaki başarısı, büyük veri ve GPU kullanımının derin sinir ağlarını ne kadar etkili hâle getirebileceğini gösterdi.
2017: Transformer mimarisi geliştirildi.
Dildeki ilişkilerin öğrenilmesi ve büyük ölçekli model eğitimi için önemli bir teknolojik temel sağlandı.
2020: GPT-3 ölçeklemenin etkisini ortaya koydu.
175 milyar parametreli GPT-3, büyük modellerin yalnızca birkaç örnek veya metin içindeki talimatlarla çok farklı görevlerde kullanılabileceğini gösterdi.
Bu dönemdeki araştırmalar, model performansının veri, parametre sayısı ve hesaplama miktarıyla ilişkisini daha sistematik biçimde ortaya koydu.
2022: ChatGPT, yapay zekâyı geniş kitlelerle buluşturdu.
30 Kasım 2022'de ChatGPT'nin kullanıma sunulması, sohbet biçimindeki arayüzü ve talimat izlemeye yönelik eğitimiyle önemli bir yaygınlaşma yarattı.
2023–2024: Çok modlu sistemler güçlendi.
Yapay zekâ yalnızca yazılı metinlerle değil; görüntü, ses ve farklı veri türleriyle de daha kapsamlı çalışmaya başladı.
2024–2026: Akıl yürütme modelleri ve yapay zekâ ajanları gelişti.
Modellerin bazı görevlerde yanıt vermeden önce daha fazla hesaplama yapması, kod çalıştırması, dış kaynakları kullanması ve çok adımlı süreçleri yürütmesi önem kazandı.
Burada bir ayrım yapmak gerekiyor.
Daha büyük model, her zaman daha iyi sistem demek değildir.
Model mimarisi, verinin kalitesi, eğitim yöntemi, hesaplama verimliliği, doğrulama araçları ve ürün tasarımı birlikte değerlendirilmelidir.
Bugünkü yapay zekâ sıçraması tek bir buluşun değil, bu gelişmelerin birleşmesinin sonucudur.
6. Peki bir sorunun cevabı saniyeler içinde nasıl oluşuyor?
Artık işin en ilginç kısmına geldik.
Bir büyük dil modeline soru gönderdiğimizde, yaygın Transformer tabanlı sistemlerde kabaca şu süreç işler.
İlk olarak sorumuz tokenlara ayrılır.
Ardından model bu tokenların sayısal temsillerini işler.
Attention mekanizmaları ve diğer sinir ağı katmanları aracılığıyla bağlamsal ilişkileri hesaplar.
Daha sonra yanıtın ilk tokenı için bir olasılık dağılımı oluşturur.
Diyelim ki sorumuz şöyle:
“Yapay zekâ neden hızlı cevap verir?”
Modelin ilk token için hesapladığı olasılıklar, tamamen temsili olarak şöyle olabilir:
“Çünkü”: %45
“Yapay”: %25
“Bunun”: %20
Diğer tokenlar: %10
Model kullanılan üretim yöntemine göre seçeneklerden birini seçer.
İlk token “Çünkü” olarak seçildiyse artık yeni bağlam şudur:
“Yapay zekâ neden hızlı cevap verir? Çünkü ...”
Ardından ikinci tokenın olasılıkları hesaplanır.
Sonra üçüncü tokenın.
Sonra dördüncü tokenın.
Bu işlem yanıt tamamlanıncaya kadar devam eder.
Bu üretim yöntemine otoregresif üretim denir.
Ancak yapay zekânın çok hızlı çalışmasının nedeni yalnızca bu yöntem değildir.
GPU'lar ve özel yapay zekâ hızlandırıcıları büyük miktarda matematiksel işlemi paralel gerçekleştirebilir.
Birçok modelde kullanılan KV Cache gibi yöntemler, önceki tokenlara ilişkin bazı ara hesaplamaların yeniden yapılmasını önler.
Ayrıca sistem cevabın tamamını hazırlamadan önce ilk parçalarını ekrana göndermeye başlayabilir.
Böylece biz, yapay zekâ cevap üretirken metnin oluşmasını görürüz.
Aslında ekrandaki yazı, arka planda çok sayıda sayısal hesaplamanın ve token seçiminin sonucudur.
Ancak burada önemli bir sınır var.
Hızlı cevap vermek, doğru cevap vermek anlamına gelmez.
7. Yapay zekânın matematiksel temeli: Olasılık nedir?
Şimdi bütün bu sürecin arkasındaki temel kavrama gelelim: Olasılık.
Olasılık, belirsiz olayları matematiksel olarak ifade etmemizi sağlar.
Bir zar attığımızı düşünelim.
Adil bir zarın altı yüzü vardır ve her yüzün gelme olasılığı eşittir.
Örneğin 4 gelme olasılığı:
P(4) = 1/6 ≈ %16,67
Tek sayı gelme olasılığı ise:
P(tek sayı) = 3/6 = %50
Bu basit örnek, çok daha karmaşık yapay zekâ sistemlerinde kullanılan matematiğin başlangıç noktalarından biridir.
Olasılık teorisinde:
Çıktı, bir deneyin tek sonucudur.
Örnek uzay, bütün mümkün sonuçları içerir.
Olay, bu sonuçlardan oluşan bir kümedir.
Örneğin zarın örnek uzayı:
Ω = {1, 2, 3, 4, 5, 6}
Tek sayı gelmesi olayı:
A = {1, 3, 5}
Yapay zekâda da benzer bir düşünceyle karşılaşırız.
Bir dil modeli sonraki tokenı üretirken, aday tokenlar üzerinde bir olasılık dağılımı hesaplar.
Ancak burada önemli bir ayrım vardır:
Bir tokenın yüksek olasılıkla seçilmesi, üretilen cümlenin gerçek dünyada doğru olduğunu göstermez.
Bu farkı anlamak, yapay zekâ okuryazarlığının temelidir.
8. PMF, PDF ve CDF: Olasılık her zaman aynı şekilde hesaplanmaz
Bütün rastgele sonuçlar aynı türde değildir.
Bir zarın sonucu gibi bazı değerler sayılabilir.
Sıcaklık, mesafe veya zaman gibi bazı ölçümler ise sürekli değerlerle modellenebilir.
Bu nedenle olasılık teorisinde farklı matematiksel araçlar kullanılır.
PMF — Olasılık Kütle Fonksiyonu
Ayrık dağılımlarda her sonuca belirli bir olasılık atar.
Bir zarın her yüzünün 1/6 olasılığa sahip olması buna örnektir.
Dil modellerinin sonraki token için oluşturduğu dağılım da bu düşünceyle açıklanabilir.
PDF — Olasılık Yoğunluk Fonksiyonu
Yoğunlukla temsil edilebilen sürekli dağılımlarda kullanılır.
Örneğin bir teslimatın tam olarak 30,0000... dakikada tamamlanma olasılığını değil, 25 ile 30 dakika arasında tamamlanma olasılığını hesaplamak daha anlamlı olabilir.
Burada olasılık, yoğunluk eğrisinin belirli bir aralık altında kalan alanıyla bulunur.
Sürekli bir dağılımda tek bir noktanın olasılığı sıfır olabilir, fakat o değer yine de mümkün bir sonuç olabilir.
Bu nedenle olasılığın sıfır olması her zaman mantıksal imkânsızlık demek değildir.
Benzer şekilde olasılığı 1 olan bir olay, matematiksel olarak neredeyse kesin olabilir.
CDF — Kümülatif Dağılım Fonksiyonu
Bir rastgele değişkenin belirli bir değere eşit veya ondan küçük olma olasılığını gösterir.
F(x) = P(X ≤ x)
Örneğin bir teslimatın 30 dakika içinde tamamlanma olasılığı %85 olabilir.
CDF bu tür sorulara cevap verir.
Ayrıca bütün olasılık dağılımları yalnızca PMF veya PDF ile temsil edilemez. Karma ve tekil dağılımlar da vardır. CDF ise çok daha genel bir araçtır.
Bütün bu ayrımlar neden önemli?
Çünkü yapay zekâ uygulamasının ürettiği şey bazen bir sınıf, bazen bir sayı, bazen bir zaman aralığı, bazen de karmaşık bir sonuçlar kümesidir.
Doğru olasılık modeli, sorunun yapısına bağlıdır.
9. Bayes teoremi: Yeni bilgi geldiğinde tahmin neden değişir?
Diyelim ki sabah hava durumuna baktınız.
Yağmur yağma olasılığı %30.
Öğleden sonra gökyüzünde yoğun bulutlar oluştu.
Yeni bilgi, yağmur olasılığına ilişkin değerlendirmenizi değiştirebilir.
Buna koşullu olasılık düşüncesiyle yaklaşabiliriz.
P(A|B), B bilgisi verildiğinde A olayının olasılığını ifade eder.
Bayes teoremi ise yeni kanıtlarla hipotezlerin olasılıklarını güncellememize olanak tanır.
Formül:
P(H|E) = P(E|H) × P(H) / P(E)
Bunu bir örnekle inceleyelim.
Bir banka, işlemlerde dolandırıcılık tespiti yapan bir model kullanıyor olsun.
Varsayalım:
İşlemlerin %1'i dolandırıcılık.
Model dolandırıcılık işlemlerinin %90'ında alarm veriyor.
Normal işlemlerin %5'inde yanlış alarm veriyor.
Model alarm verdiğinde işlemin gerçekten dolandırıcılık olma ihtimali nedir?
Birçok kişi %90 cevabını verebilir.
Ama doğru hesap yaklaşık %15,4 çıkar.
Çünkü dolandırıcılık işlemleri tüm işlemler içinde çok küçük bir orana sahiptir.
Bu sonuç, yapay zekâ tahminlerinin yorumlanmasında son derece önemlidir.
Bir sistemin dolandırıcılık işlemlerinin %90'ını yakalaması, verdiği alarmların %90'ının doğru olduğu anlamına gelmez.
Aynı sorun tıbbi testlerde, kredi riskinde, güvenlik sistemlerinde ve birçok yapay zekâ uygulamasında karşımıza çıkar.
Yapay zekânın bir şeyi tespit etme başarısıyla, belirli bir tahmininin doğru olma olasılığı farklıdır.
10. Yapay zekâ %90 eminse gerçekten %90 haklı mıdır?
Günümüz yapay zekâ sistemlerini değerlendirirken sormamız gereken en önemli sorulardan biri budur.
Bir görüntü tanıma sistemi fotoğraftaki nesnenin %90 olasılıkla kedi olduğunu söylüyorsa, bu sayıyı nasıl yorumlamalıyız?
Modelin bu skoru üretmesi tek başına yeterli değildir.
Bu güven düzeyindeki tahminlerinin gerçek hayatta ne kadar doğru çıktığını da ölçmemiz gerekir.
Buna olasılık kalibrasyonu denir.
İyi kalibre edilmiş bir sınıflandırma modelini düşünelim.
Model 1.000 farklı tahmine yaklaşık %90 güven veriyor.
Bu 1.000 tahminin yaklaşık 900'ü doğruysa modelin güven skorları, o tahmin grubunda gerçekleşen doğruluk oranıyla uyumludur.
Ama yalnızca 700'ü doğru çıkıyorsa model olduğundan fazla emin görünmektedir.
Dolayısıyla yüksek güven skoru, otomatik olarak yüksek doğruluk anlamına gelmez.
Büyük dil modellerinde mesele daha da karmaşıktır.
Modelin bir sonraki tokena verdiği olasılık ile bütün cevabın doğru olma olasılığı aynı değildir.
Bir dil modeli son derece akıcı, ikna edici ve tutarlı görünen yanlış bir açıklama oluşturabilir.
Bu nedenle yapay zekâ güvenilirliği için yalnızca modelin kendi hesapladığı skorlarına bakmak yeterli değildir.
Gerçek dünyadaki testler, kalibrasyon ölçümleri, dış doğrulama ve uygun insan denetimi gerekir.
11. Yapay zekâ neden bazen olmayan şeyleri varmış gibi anlatıyor?
Bir dil modeline var olmayan bir akademik makaleyi sorarsanız, bazen son derece gerçekçi bir başlık, yazar isimleri ve yayın tarihi üretebilir.
Oysa böyle bir makale hiç yayımlanmamış olabilir.
Bu tür yanlış veya uydurma çıktılar genellikle halüsinasyon olarak adlandırılır.
Peki neden olur?
Çünkü bir dil modelinin temel eğitim mekanizmalarından biri, bağlama uygun metin üretmeyi öğrenmektir.
Bu beceri ile her iddianın gerçekliğini doğrulamak aynı şey değildir.
Model bazen eksik bilgiyi hatalı örüntülerle tamamlayabilir.
Bazen güncel veriye erişimi olmayabilir.
Bazen soruyu yanlış yorumlayabilir.
Bazen de akıl yürütme sırasında hata yapabilir.
Bu yüzden gelişmiş yapay zekâ sistemlerinde harici bilgi kaynakları, arama motorları, kod çalıştırma araçları ve doğrulama mekanizmaları giderek daha önemli hâle geliyor.
Ancak araç kullanılması da tek başına doğruluk garantisi değildir. Kullanılan kaynak ve hesaplamanın kendisi de kontrol edilmelidir.
Bence yapay zekâ kullanımındaki en tehlikeli alışkanlıklardan biri, akıcı anlatımı doğruluğun kanıtı gibi kabul etmek.
12. Yapay zekâ neyi bilmiyor? Belirsizliğin iki türü
Bir yapay zekâ sisteminin neden yanılabileceğini anlamak için belirsizliği ikiye ayırmak yararlıdır.
Epistemik belirsizlik, bilgi eksikliğinden kaynaklanır.
Örneğin yalnızca yaz aylarının verileriyle eğitilmiş bir elektrik tüketimi modeli, kış aylarında yetersiz kalabilir.
Daha fazla ve daha iyi veri, bu belirsizliğin bir bölümünü azaltabilir.
Aleatorik belirsizlik ise sistemdeki değişkenlik ve rastgelelikle ilişkilidir.
Örneğin aynı güzergâhta yolculuk süresi; trafik, sürücüler ve beklenmeyen olaylar nedeniyle değişebilir.
Her iki durumda da doğru yaklaşım aynı değildir.
Birinde daha iyi veri toplamamız gerekebilir.
Diğerinde ise belirsizliği ortadan kaldıramayacağımızı kabul ederek buna uygun kararlar vermemiz gerekir.
Buradaki temel soru şudur:
Model bilmiyor mu, yoksa tahmin etmeye çalıştığımız olayın kendisi mi değişken?
Bu ayrım, iyi yapay zekâ sistemleri tasarlamak açısından çok önemlidir.
13. 2026'da yapay zekânın geldiği nokta: Cevap vermekten iş yapmaya
Yapay zekâ gelişiminin ilk dönemlerinde temel hedefler arasında görüntü tanımak, metin sınıflandırmak ve tahmin yapmak vardı.
Büyük dil modelleriyle birlikte yeni bir yetenek öne çıktı: Doğal dilde içerik üretmek.
Bugün ise daha farklı bir aşamaya geçiyoruz.
Yapay zekâ sistemleri yalnızca cevap oluşturmakla kalmayıp, uygun yetki ve araçlarla görevleri gerçekleştirebiliyor.
Örneğin bir yazılım geliştirme ajanı:
Bir isteği inceleyebilir.
Kod deposundaki ilgili dosyaları bulabilir.
Kod değişikliği önerebilir veya uygulayabilir.
Testleri çalıştırabilir.
Hataları değerlendirip yeni düzeltmeler yapabilir.
Bütün bunlar artık tek bir cevabın üretilmesinden farklıdır.
Bu tür sistemlerde model; araçlar, izinler, çalışma ortamı ve kontrol mekanizmalarıyla birlikte görev yapan daha büyük bir yapının parçasıdır.
2026 Stanford AI Index raporunun teknik performans değerlendirmesi de bu değişimi gösteriyor.
Bilgisayar üzerinde gerçek görevleri değerlendiren OSWorld testinde, raporlanan güçlü ajan performansı yaklaşık %12 düzeyinden %66,3'e ulaştı.
Bu önemli bir ilerleme.
Ancak yaklaşık üç görevden birinde başarısızlık ihtimalinin devam etmesi, otonom sistemlerin henüz koşulsuz güvenilir olmadığını da gösteriyor.
Üstelik bir testte yüksek başarı sağlamak, gerçek dünyadaki bütün koşullarda aynı sonucun alınacağını garanti etmez.
Bu nedenle yapay zekâda önümüzdeki dönemin en önemli sorularından biri, modellerin ne kadar etkileyici cevap verdiği kadar hangi işleri ne kadar güvenilir tamamlayabildiği olacak.
14. Tahmin ile karar vermek aynı şey değildir
Bir yapay zekâ sisteminin size bir olasılık vermesi, otomatik olarak hangi kararı almanız gerektiğini söylemez.
Örneğin bir yatırımın başarı olasılığını %80 olarak değerlendirdiğimizi düşünelim.
Bu tek başına yatırımın iyi olduğu anlamına gelir mi?
Hayır.
Çünkü başarısız olunduğunda ne kadar kaybedileceğini ve başarılı olunduğunda ne kadar kazanılacağını da bilmemiz gerekir.
Basitleştirilmiş bir örnek:
Başarılı olunduğunda net kazanç: 10.000 TL.
Başarısız olunduğunda net kayıp: 30.000 TL.
Başarı olasılığı: %80.
Başarısızlık olasılığı: %20.
Beklenen parasal değer:
EV = (0,80 × 10.000) + (0,20 × −30.000)
EV = 2.000 TL
İşlemin beklenen parasal değeri pozitiftir.
Ancak bu, herkes için uygun bir yatırım olduğu anlamına gelmez.
Risk kapasitesi, nakit akışı, alternatif maliyetler ve olasılık tahmininin güvenilirliği de değerlendirilmelidir.
Burada olasılık, beklenen değer ve beklenen fayda kavramları birbirini tamamlar.
Olasılık bize neyin ne kadar mümkün olduğunu söyler.
Beklenen değer, farklı sonuçların sayısal ortalamasını değerlendirmemizi sağlar.
Beklenen fayda ise kararın değerini risk tercihleriyle birlikte ele almaya yardımcı olur.
İyi bir tahmin, otomatik olarak iyi bir karar değildir.
Özellikle yapay zekânın şirket yönetimi, finans, hukuk, sağlık ve kamu hizmetlerine girdiği bir dünyada bu ayrım giderek daha önemli hâle geliyor.
15. Yapay zekâ gerçekten düşünüyor mu?
Bu konudaki en yaygın iki yaklaşımın da eksik kaldığını düşünüyorum.
Birinci yaklaşım, yapay zekâyı insan gibi anlayan ve düşünen bir varlık olarak görmek.
İkinci yaklaşım ise onu yalnızca rastgele kelimeler seçen basit bir hesap makinesi olarak değerlendirmek.
Modern yapay zekâ sistemleri matematiksel ve hesaplamalı süreçlerle çalışır.
Ancak bu süreçler sonucunda kod yazabilir, matematiksel problemleri çözebilir, farklı kaynakları karşılaştırabilir ve belirli görevlerde etkileyici akıl yürütme davranışları gösterebilir.
Bunu açıklamak için sistemlere insan duyguları veya bilinç atfetmek zorunda değiliz.
Aynı zamanda karmaşık yeteneklerini “sadece kelime tahmini” diyerek göz ardı etmek de doğru olmaz.
Bilinç ve öznel deneyim konusu, hâlâ araştırılan ve tartışılan ayrı bir bilimsel ve felsefi sorudur.
Benim için asıl mesele yapay zekânın insan gibi düşünüp düşünmediğinden önce, neyi hangi koşullarda başarabileceğini, ne zaman hata yapabileceğini ve hangi kararların insan kontrolünde kalması gerektiğini anlamaktır.
16. Yapay zekâ çağında yeni okuryazarlık: Doğru soruyu sormak
Yapay zekâ sistemleri geliştikçe daha fazla işi onlara bırakacağız.
Araştırma yapacaklar.
Kod geliştirecekler.
Belgeleri inceleyecekler.
Finansal analizler hazırlayacaklar.
Operasyonları takip edecekler.
Bazı görevlerde karar önerileri sunacak, bazı süreçlerde önceden belirlenmiş sınırlar içinde eyleme geçebilecekler.
Bununla birlikte yeni bir yetkinliğe ihtiyacımız olacak.
Yalnızca yapay zekâya doğru komutlar verebilmek yeterli olmayacak.
Ürettiği sonuçları değerlendirebilmek de gerekecek.
Bir yapay zekâ sistemi bize sonuç sunduğunda şu soruları sormalıyız:
Bu sonuca hangi verilerle ulaştı?
Kullandığı bilgi güncel ve doğrulanabilir mi?
Güven skoru gerçekten ölçülmüş bir olasılık mı?
Tahminin belirsizliği nasıl değerlendirildi?
Model hangi koşullarda hata yapabilir?
Yanlış kararın maliyeti nedir?
Sonuç için hangi insan denetimi veya bağımsız doğrulama gerekir?
Bu sorular yalnızca mühendislerin değil; şirket yöneticilerinin, yatırımcıların, avukatların, doktorların ve yapay zekâ kullanan herkesin gündeminde olmalı.
Çünkü yapay zekâ çağında yeni risk, yalnızca yeterli bilgiye sahip olamamak değildir.
Çok hızlı ve çok ikna edici biçimde sunulan yanlış bilgiyi, doğrulanmış bilgi sanmaktır.
Sonuç: Yapay zekânın gücü cevap vermesinde, insanın sorumluluğu cevabı değerlendirmesinde
Bir çocuğun “Kediler miyavlar, köpekler ...” cümlesini tamamlamasıyla başladık.
Sonra gördük ki modern yapay zekâ, benzer bir tahmin fikrini devasa veri kümeleri, sinir ağları, Transformer mimarisi ve güçlü hesaplama altyapısıyla çok daha karmaşık bir seviyeye taşıyor.
2017'de Transformer, 2020'de büyük ölçekli dil modelleri, 2022'de ChatGPT'nin yaygınlaşması ve son yıllarda gelişen akıl yürütme ile ajan sistemleri bu dönüşümün önemli kilometre taşları oldu.
Fakat teknolojinin geldiği noktayı anlamak için yalnızca ne kadar hızlı veya etkileyici olduğuna bakmak yeterli değil.
Bir modelin verdiği %90 güven, otomatik olarak %90 doğruluk anlamına gelmiyor.
Bir cevabın akıcı olması, doğru olduğunu kanıtlamıyor.
Bir ajanının birçok görevi başarıyla tamamlaması, bütün koşullarda güvenle çalışabileceğini göstermiyor.
Ve iyi bir tahmin, tek başına iyi bir karar oluşturmuyor.
Bütün bu tartışmanın merkezinde olasılık, belirsizlik ve doğrulama bulunuyor.
Yapay zekâ sistemleri geliştikçe insanın rolü ortadan kalkmak zorunda değil; biçim değiştirebilir.
Daha az bilgi arayan, daha çok bilginin niteliğini değerlendiren; daha az rutin işlem yapan, daha çok hedef, risk ve sorumluluk belirleyen bir role doğru ilerleyebiliriz.
Yapay zekânın ne kadar hızlı cevap verdiğine hayran olmak kolay. Asıl önemli olan, o cevaba neden ve ne kadar güvenebileceğimizi anlayabilmek.
Bence yapay zekâ çağının temel okuryazarlığı burada başlıyor.
Selçuk Ergin
Teknoloji, yapay zekâ, strateji ve dijital dönüşüm üzerine.
Sizce yapay zekâ sistemlerinde bundan sonraki en önemli gelişme daha güçlü modeller mi olacak, yoksa bu modellerin ürettikleri sonuçları daha güvenilir biçimde doğrulayabilmemiz mi?
Kaynaklar ve ileri okuma
Vaswani ve diğerleri (2017), Attention Is All You Need.
Brown ve diğerleri (2020), Language Models Are Few-Shot Learners.
Kaplan ve diğerleri (2020), Scaling Laws for Neural Language Models.
OpenAI (2022), Introducing ChatGPT.
Guo ve diğerleri (2017), On Calibration of Modern Neural Networks.
OpenAI (2024), Learning to Reason with LLMs.
Stanford HAI (2026), AI Index Report — Technical Performance.