Yapay Zekâya Kapsamlı Bir Bakış

Yapay Zekâ Nedir?

Yapay zekâ (AI), istenilen birtakım görevleri yerine getirmek için insan zekâsını taklit eden ve topladığı bilgilere göre yinelemeli olarak kendisini iyileştirebilen sistem veya makine anlamına geliyor.

Yapay zekâ dendiğinde zihinlerde dünyayı ele geçiren fonksiyonel, insan benzeri robotlar canlansa da yapay zekâ insanların yerine geçmek üzere değil, insan yeteneklerini ve katkılarını önemli ölçüde geliştirmek için tasarlanmıştır. Bu nedenle yapay zekâları hayatlarımızı kolaylaştıracak oldukça değerli bir varlık olarak düşünebiliriz. (Fakat #evham başlığımızda olaya bu açıdan bakmadığımız da bir gerçek.)

Terim, genellikle makine öğrenimi ve ayrıntılı öğrenme gibi alt dallarının yerine de kullanılıyor. Ancak bunlar birbirinden farklı kavramlar. Örneğin makine öğrenimi, tüketilen verilere göre öğrenen veya performansını iyileştiren sistemlerin oluşturulmasına odaklanıyor. 

Amaçlar / Nedenler 

Harvard Business Review‘a göre kuruluşlar yapay zekâyı temel olarak şu amaçlarla kullanıyor:

• Güvenlik ihlallerini tespit etmek ve engellemek
• Kullanıcıların teknoloji sorunlarını çözmek
• Üretim yönetimi çalışmalarını azaltmak
• Onaylanmış satıcıların kullanımında şirket içi uyumu ölçmek

Sektörler genelinde yapay zekâ geliştirmenin ardında yatan nedenler:

• Uygun fiyatlı, yüksek performanslı bilgi işlem özelliği kolayca kullanılabilir.
• Eğitim için yüksek miktarda veri kullanılabilir.
• Uygulanan yapay zekâ, rekabet avantajı sağlar.

AI programlama üç bilişsel beceriye odaklanıyor: öğrenme, akıl yürütme ve kendi kendini düzeltme

Öğrenme süreçleri: AI programlamanın bu yönü, veri edinmeye ve bu verilerin işlenebilir bilgilere nasıl dönüştürüleceğine ilişkin kurallar oluşturmaya odaklanıyor. Algoritma adı verilen kurallar, bilgisayar aygıtlarına belirli bir görevin nasıl tamamlanacağı konusunda adım adım yönergeler sağlıyor.

Akıl yürütme süreçleri: AI programlamanın bu yönü, istenen sonuca ulaşmak için doğru algoritmayı seçmeye odaklanıyor.

Kendi kendini düzeltme süreçleri: AI programlamanın bu yönü, algoritmaların sürekli ince ayarını yapmak ve mümkün olan en doğru sonuçları vermelerini sağlamak için tasarlanıyor.

Yapay zekânın temellerini gözden geçirelim

“Makineler düşünebilir mi?” sorunsalını ortaya atarak makine zekâsını tartışmaya açan İngiliz matematikçi Alan Mathison Turing,1943’te II. Dünya Savaşı sırasında Kripto analizi gereksinimleri ile üretilen elektromekanik cihazlar sayesinde bilgisayar bilimi ve yapay zekâ kavramlarının doğmasını sağladı.

Yapay zekâ fikri, Alan Turing’in 1950 tarihli Bilgi İşlem Makineleri ve Zekâ/ Computing Machinery and Intelligence makalesinde bir bilgisayarın zekâsını ölçmek için ilk testi önerdiği zaman ortaya çıktı.

Turing Testinde birbirini tanımayan birkaç insandan oluşan bir denek grubu birbirleri ile ve bir yapay zekâ diyalog sistemi ile geçerli bir süre sohbet etmektedir. Birbirlerini yüz yüze görmeden yazışma yolu ile yapılan bu sohbet sonunda deneklere sorulan sorular ile hangi deneğin insan, hangi deneğin makine zekâsı olduğunu saptamaları istenir. İlginçtir ki, şimdiye kadar yapılan testlerin bir kısmında makine zekâsı insan zannedilirken gerçek insanlar makine zannedilmiş.

Bu testten yola çıkan bilgisayar bilimcisi John McCarthy, 1956’da “yapay zekâ” ifadesini üretti ve daha sonra “akıllı makineler, özellikle de akıllı bilgisayar programları yapma bilimi ve mühendisliği” olarak nitelendirdi. O zamandan bu yana, AI sürekli olarak yeni alanlarda yeni uygulamalarla kilometre taşlarına ulaştı ve karşımıza çıktı.

Başarılı bir yapay zekâ uygulaması için gerekenler

Yapay zekâdan en iyi şekilde yararlanmak için başarılı uygulamaları geriye çeken sorunlardan kaçınmak ve yapay zekâ ekosistemini tam anlamıyla destekleyen bir ekip kültürü oluşturmak gerekiyor. Bunun için:

• İş analistleri, sorunları ve hedefleri tanımlamak üzere veri uzmanları ile birlikte çalışır,
• Veri mühendisleri, analiz için tamamen işlevsel olmalarını sağlamak üzere verileri yönetir,
• Veri uzmanları bir veri bilimi platformunda verileri hazırlar, keşfeder, görselleştirir ve modeller,
• Bilgi Teknolojileri mimarları, ister şirket içinde isterse bulutta, büyük ölçekli olarak veri bilimini desteklemek üzere gereken temel altyapıyı yönetir,
• Uygulama yazılımı geliştiricileri, veriye odaklı ürünler oluşturmak üzere modelleri uygulama yazılımlarına dağıtır.

Dört çeşit yapay zekâ

Günümüzde yapay zekâyı yaygın olarak kullanılan dört türe ayırabiliriz;

Tür 1: Reaktif makineler: Burada AI sistemlerinin belleği yoktur ve göreve özgüdür. Örneğin 1990’larda Garry Kasparov’u yenen IBM satranç programı Deep Blue, satranç tahtasındaki parçaları belirleyebilir ve tahminlerde bulunabilir. Ancak hafızası olmadığı için gelecekteki deneyimlere referans olmak için geçmiş deneyimleri kullanamaz.

Tür 2: Sınırlı bellek: Burada AI sistemlerinin hafızası vardır. Bu nedenle gelecekteki kararlara referans olmak için geçmiş deneyimleri kullanabilirler. Kendi kendine giden otonom araçlarda karar verme işlevlerinden bazıları bu şekilde tasarlanmıştır.

Tür 3: Akıl teorisi: Zihin teorisi bir psikoloji terimidir. Yapay zekâya uygulandığında, sistemin duyguları anlamak için sosyal zekâya sahip olacağı anlamına gelir. Bu yapay zekâ türü, yapay zekâ sistemlerinin insan ekiplerinin ayrılmaz üyeleri olması için gerekli bir beceri olan insan niyetlerini çıkarabilir ve davranışlarını tahmin edebilir.

Tür 4: Öz farkındalık: Burada AI sistemleri kendilerine bilinç verir. Kendini tanıyan makineler kendi mevcut durumlarını anlar. Bu tür AI henüz mevcut değil ancak örneklerine Westworld, Person of Interest gibi yapımlardan aşinayız.

Ortak terimler

Yapay zekâ yaygınlaştıkça derin öğrenme, derin düşünceler, algoritmalar ve doğal dil işleme gibi birçok yeni terim beraberinde geldi. Bu terimleri biraz yakından inceleyelim:

Algoritmalar

Algoritmalar, belirli bir problemi çözmeyi amaçlayan bir dizi işleme talimatına karşılık gelen matematiksel formüllerden oluşuyor. Bazı AI sistemlerinde, algoritmalar programın kendi kendine öğrenmesini sağlamak için tasarlanıyor. Örneğin bir robot un, yumurta ve sütü karıştırmak için bir reçete izledikten sonra, bir pastayı pişirmek için malzemeleri önceden ısıtılmış bir fırına yerleştirdiyse, çok fazla unun pastaya ne yapacağını birkaç deneme ile öğrenebiliyor.

Makine Öğrenimi

Netflix’in nasıl binlerce oyun arasından, zevkinize uygun birkaç TV şovu önerdiğini ya da baktığınız alışveriş sitelerinde bir reklamın nasıl Facebook geri bildiriminizde ortaya çıktığını hiç merak ettiniz mi? Bu elbette ki sihir değil, makine öğrenimi adı verilen, çok miktarda veri içeren ve kalıplar bulan bir analiz sisteminin sonucu olarak karşımıza çıkıyor. Tüm makine öğrenimi çözümlerinin yapay zekâ olduğunu ancak tüm yapay zekâ çözümlerinin makine öğrenimi anlamına gelmediğini unutmamalıyız. Benzer bir sürecin yürütüldüğü Spotify’da, her bir kullanıcıya özel haftalık keşif listelerinin nasıl hazırlandığını bu yazımızda anlatmıştık.

Makine öğrenimi denetimli, denetimsiz ve pekiştirmeli öğrenme olmak üzere üçe ayrılıyor. Örneğin Facebook gibi platformlar, tarama geçmişi, yaşı ve çevrim içi satın alma alışkanlıkları da dahil olmak üzere kullanıcılar hakkında bilgi toplayarak, gelecekteki seçimler veya tercihler hakkında çıkarımlarda bulunmak için önerilerde bulunuyor.

Örneğin, Netflix belirli bir düzeyde kişiselleştirme sağlamak üzere makine öğreniminden yararlanmış ve bu sayede 2017 yılında müşteri kitlesinde yüzde 25’ten fazla büyüme kaydetmiş.

Derin Öğrenme

Yapay zekâ bilgi ve deneyim yoluyla çeşitli bilgileri tanımayı öğrendikçe, derin öğrenme adı verilen bir AI alt kümesi aracılığıyla bilgileri eşleştirecek şekilde eğitilebiliyor. Büyük miktarda veriyi elemek ve işlemek için çok sayıda algoritma katmanına dayanan derin öğrenme, insan beyinlerini taklit etmek için tasarlanmış “sinir ağları” olarak adlandırılan bir hesaplama modelleri ağını kullanıyor. Örneğin kullandığınız otomobil ile ne kadar fazla sürüş deneyimine sahipseniz, insanları çeşitli renk, şekil ve boyutlarda tanıma olasılığınız daha yüksek oluyor. Bu derin öğrenme türü, Facebook platformuna yüklenen resimler üzerinde ad etiketleri önerdiğinizde işe yarıyor.

Doğal Dil İşleme (NLP)

Bir aramayı cevaplamadığımızda arayan kişinin bilgilerini ya da mesaj kutumuzdaki sesli bir mesajın metnini nasıl görebiliyoruz? Doğal Dil İşleme (Natural Language Processing) teknolojisi, metin ve ses anlamını analiz etmek için konuşmanın parçalarını ve kelimeler arasındaki ilişkileri etiketleyen makine öğrenme algoritmalarını kullanıyor.

Bu, insan dilinin bir bilgisayar programı ile işlenmesi anlamına geliyor. NLP görevleri arasında metin çevirisi, duyarlılık analizi ve konuşma tanıma yer alıyor. NLP’nin eski ve en iyi bilinen örneklerinden biri, bir e-postanın konu satırına ve metnine bakan ve önemsiz olup olmadığına karar veren spam algılamadır. NLP’ye yönelik mevcut yaklaşımlar makine öğrenimine dayanıyor.

Deepfake Teknolojisi

Yeni bir yapay zekâ uygulaması olan deepfake teknolojisi, insanların gerçekçi görüntülerini oluşturmak için fotoğraf ve videoları manipüle etmek için derin öğrenme modellerini kullanıyor. Yapay zekânın gelişimi ile birlikte sahte fotoğrafların, sahte dans videolarının, sahte pornografinin ve tamamen kurmaca demeçlerin ne kadar kolay hazırlanabileceğinden bahsetmiştik.

Doğru Bilinen Yanlışlar

1. Efsane: Kurumsal yapay zekâ, tek alanda çalışma yaklaşımı gerektirir. 

• Gerçek: Çoğu işletme, hem şirket içi hem de kullanıma hazır makine öğrenimi modelleri oluşturmada, eğitmede, yönetmede ve uygulamada yardımcı olmak üzere çözümleri birleştirerek yapay zekâyı benimsiyor. 

2. Efsane: Yapay zekâ hemen sihirli sonuçlar verir.

• Gerçek: Yapay zekâ başarısına giden yol zaman, dikkatli planlama ve başarmak istediğiniz sonuçlar hakkında net bir fikir sahibi olmayı gerektiriyor.

3. Efsane: Kurumsal yapay zekâ, insanların çalıştırılmasını gerektirmez. 

• Gerçek: Kurumsal yapay zekâ, işleri robotların üstlenmesi demek değildir. Yapay zekânın değeri, insanların olanaklarını artırmasında ve çalışanlarınızı daha stratejik görevler için müsait olmasını sağlamakta yatıyor. Dahası, yapay zekânın doğru bilgileri alabilmesi ve doğru şekilde çalışabilmesi için insanlar gereklidir. En azından şu an için bunları söylemek mümkün

4. Efsane: Ne kadar çok veri olursa o kadar iyi. 

• Gerçek: Yapay zekâdan en etkili iş iç görülerini elde etmek için verilerinizin yüksek kaliteli, güncel, alakalı ve zenginleştirilmiş olması gerekiyor.

Ne Okuyalım/ İzleyelim?

Yapay zeka ve otomasyon konularıyla ilgililere bir #kitap #tavsiye’si. 2015’te yazılmasına rağmen özü güncelliğini koruyor. Çevirisi de gayet güzel. pic.twitter.com/eCOf8XYlxx

— M. Serdar Kuzuloğlu (@mserdark) May 16, 2018

Yapay zekâ uygulama alanlarının bazı örnekleri:

Önerici sistemler: Kullanıcıların geçmiş davranışlarına dayanarak yeni içerikler önerir. Örneğin, sosyal medya sitelerinde yeni arkadaş, mağazalarda başka bir ürün, gazetede başka bir haber önerileri.

Makine çevirisi: Bir dilde ifade edilen cümleyi farklı bir dile çevirir. Örneğin Google Translate, Microsoft Tercüman ve Yandex.Çeviri gibi çevrim içi araçlar.

Sinyal işleme: Ses ve görüntü gibi sinyallerin işlenerek bilgi çıkarımı yapar. Örneğin yüz ve ses tanıma.

Prosedürel içerik üretimi: Rassal yöntemler kullanarak yapay içerik üretir. Örneğin üretimsel müzik ve video oyunlarında prosedürel dünyalar.

Regresyon analizi: Geçmiş verilere dayanılarak bir değişkenin gelecekteki değerini tahmin eder. Örneğin ekonomik öngörüler, üretim miktarı öngörüleri.

Bazı AI uygulamaları

Sağlık: Şirketler insanlara daha iyi ve daha hızlı teşhisler koymak için makine öğrenimi kullanıyor.

İş: Makine öğrenimi algoritmaları, müşterilere nasıl daha iyi hizmet verileceğine dair bilgileri ortaya çıkarmak için analitik ve müşteri ilişkileri yönetimi (CRM) platformlarına entegre ediliyor.

Eğitim: Yapay zekâ not vermeyi otomatikleştirerek eğitimcilere daha fazla zaman kazandırabilir, öğrencileri değerlendirebilir ve ihtiyaçlarına uyum sağlayarak kendi hızlarında çalışmalarına yardımcı olabilir.

Hukuk: Yasal endüstrinin emek yoğun süreçlerini otomatikleştirmek için yapay zekâyı kullanmak zamandan tasarruf etmeyi sağlıyor. Hukuk firmaları, verileri tanımlamak ve sonuçları tahmin etmek için makine öğrenimini, belgelerdeki bilgileri sınıflandırmak ve çıkarmak için bilgisayarlı görmeyi ve bilgi taleplerini yorumlamak için doğal dil işlemeyi kullanıyor.

Üretim: Üretim, robotları iş akışına dahil etmenin ön saflarında yer alıyor. Örneğin, bir kerede tek görevleri yerine getirmek üzere programlanan ve insan işçilerinden ayrılan endüstriyel robotlar, giderek daha fazla işlev görüyor.

Banka: Bankalar, müşterilerini hizmetlerden ve tekliflerden haberdar etmek ve insan müdahalesi gerektirmeyen işlemleri yürütmek için başarılı bir şekilde sohbet ortamları kullanıyor.

Ulaşım: Yapay zekânın özerk araçların işletilmesindeki temel rolüne ek olarak, AI teknolojileri trafiği yönetmek, uçuş gecikmelerini tahmin etmek ve deniz taşımacılığını daha güvenli ve daha verimli hâle getirmek için ulaşımda kullanılıyor.

Güvenlik: Siber güvenlik ürünlerinde yapay zekâ ve makine öğrenimi, saldırıları, kötü amaçlı yazılımları ve diğer tehditleri tanımlamanın yollarını arayan güvenlik ekipleri için bir değer katıyor. Sonuç olarak, AI güvenlik teknolojisi, yanlış pozitiflerin sayısını önemli ölçüde azaltarak, kuruluşlara zarar verilmeden önce gerçek tehditlere karşı koymaları için daha fazla zaman tanıyor.

Otomasyon: AI teknolojileri ile eşleştirildiğinde, otomasyon araçları gerçekleştirilen işin hacmini ve türlerini genişletebilir.

Robotik: Bu mühendislik alanı, robotların tasarımı ve üretimine odaklanıyor. Robotlar genellikle insanların tutarlı bir şekilde gerçekleştirmesi ya da gerçekleştirmesi zor olan görevleri yerine getirmek için kullanılıyor. Örneğin, robotlar otomobil üretimi için montaj hatlarında veya NASA tarafından büyük nesneleri uzayda taşımak için kullanılıyor. Araştırmacılar ayrıca sosyal ortamlarda etkileşime girebilecek robotlar oluşturmak için makine öğrenimini kullanıyor.

Araçlar: Otonom araçlar, belirli bir şeritte kalırken ve yayalar gibi beklenmedik engellerden kaçınırken, bir aracı pilotlukta otomatik beceri oluşturmak için bilgisayarlı görme, görüntü tanıma ve derin öğrenme kombinasyonunu kullanıyor.

AI teknolojisinin düzenlenmesi

Potansiyel risklere rağmen, şu anda AI araçlarının kullanımını düzenleyen birkaç düzenleme bulunuyor. Avrupa Birliği’nin Genel Veri Koruma Yönetmeliği (GDPR), işletmelerin tüketici verilerini nasıl kullanabileceği konusunda sıkı sınırlar getiriyor.

AI, şirketlerin farklı amaçlar için kullandığı çeşitli teknolojiler içerdiği ve kısmen düzenlemelerin, yapay zekânın ilerleme ve gelişimi pahasına olabileceği için AI’ı düzenlemek ve yasalar hazırlamak kolay olmayacak. Yapay zekâ teknolojilerinin hızlı gelişimi, yapay zekânın anlamlı bir şekilde düzenlenmesinin önündeki bir başka engel olarak karşımıza çıkıyor.

Teknoloji atılımları ve yeni uygulamalar mevcut yasaları anında geçersiz kılabilir. Örneğin, konuşmaların ve kaydedilmiş konuşmaların gizliliğini düzenleyen mevcut yasalar, Amazon’un Alexa ve Apple’ın Siri‘si gibi konuşma toplayan ancak dağıtmayan ses yardımcılarının, makineyi geliştirmek için kullanan teknoloji ekipleri hariç, ortaya çıkardığı zorlukları kapsamıyor. Bununla birlikte hükûmetlerin AI’ı düzenlemek için oluşturmayı başardıkları yasalar, suçluların teknolojiyi kötü niyetle kullanmasını engellemiyor. Maalesef bu konuda birçok örneğimiz var.

Yapay zekânın avantajları ve dezavantajları

Büyük miktarda veri

Yapay sinir ağları ve derin öğrenme yapay zekâ teknolojileri hızla gelişiyor. AI büyük miktardaki verileri çok daha hızlı işliyor ve tahminleri insanca mümkün olandan daha doğru hale getiriyor. AI kullanmanın birincil dezavantajı, AI programlamanın gerektirdiği büyük miktarda veriyi işlemenin pahalı olması olarak karşımıza çıkıyor.

Güçlü Al ve zayıf Al

AI, zayıf veya güçlü olarak kategorize edilebilir. Zayıf AI, dar AI olarak da bilinir; belirli bir görevi tamamlamak için tasarlanmış ve eğitilmiş bir AI sistemidir. Endüstriyel robotlar ve Apple’ın Siri gibi sanal kişisel asistanları zayıf AI örneği olarak sunulabilir.

Yapay genel zekâ – Artificial general intelligence (AGI) olarak da bilinen güçlü AI, insan beyninin bilişsel yeteneklerini çoğaltabilecek programlamayı açıklıyor. Bilmediğiniz bir görevle sunulduğunda, güçlü bir AI sistemi, bilgiyi bir alandan diğerine uygulamak ve özerk bir çözüm bulmak için bulanık mantık kullanabiliyor. Teorik olarak, güçlü bir AI programı hem bir Turing testini hem de [tooltip tip=”İnsan eliyle yapılmış cansız bir şey, canlı ve duyarlı olan insan gibi düşünme özelliği kazanabilir mi?’’ gibi soruların çevresinde dönmektedir. Bu sorulara tereddütsüz bir şekilde “hayır” yanıtını veren John Searle’e (d. 1932) göre makineler, ancak bilince de sahip olduğu zaman insanın yerini alabilir. Bu anlamda süper bilgisayarlar ile elektrikli tost makineleri arasında hiçbir fark görmeyen Searle, bu düşüncesini “Çin Odası Argümanı” adlı alegorik anlatımda açıklamaya çalışır.”][/tooltip] geçebilmeli.

Yapay zekânın etik kullanımı

Yapay zekâ araçları bir dizi yeni işlevsellik sunarken, kullanımı da etik soruları gündeme getiriyor. Çünkü daha iyi ya da kötü bir AI sistemi daha önce öğrendiklerini pekiştirebiliyor. Bu sorunlu olabilir, zira en gelişmiş AI araçlarının çoğunu destekleyen makine öğrenme algoritmaları, yalnızca eğitimde verilen veriler kadar akıllıdır. Bir insan, bir AI programını eğitmek için hangi verilerin kullanılacağını seçtiğinden, makine öğrenme yanlılığı potansiyeli doğaldır ve yakından izlenmelidir.

Makine öğrenmesini gerçek dünyadaki üretim içi sistemlerin bir parçası olarak kullanmak isteyen herkes, etiği AI eğitim süreçlerine dahil etmeli ve önyargıdan kaçınmaya çalışmalıdır. Bu özellikle derin öğrenme ve üretken çekişmeli ağ ([tooltip tip=”generative adversarial network, üretken rakip ağ, makine öğreniminin bir alt dalıdır ve birbirini kontrol eden iki yapay zekâ prensibine dayanır”]GAN[/tooltip]) uygulamalarında doğası gereği açıklanamayan AI algoritmaları kullanıldığında geçerlidir.

AI bileşenleri

Yapay zekâ etrafındaki komplo teorileri hızlandıkça, satıcılar ürün ve hizmetlerinin AI’i nasıl kullandığını tanıtmak için uğraşıyor. Genellikle AI olarak adlandırdıkları şey, makine öğrenimi gibi AI’nın sadece bir bileşenidir. AI, makine öğrenme algoritmaları yazmak ve eğitmek için özel bir donanım ve yazılım temeli gerektiriyor. Hiçbir programlama dili AI ile eş anlamlı değil, ancak Python, R ve Java da dahil olmak üzere birkaç tanesi popülerliğini koruyor.

Gelecekte bizi neler bekliyor?

Uzmanlar yapay zekânın yükselişini dördüncü sanayi devriminin arkasındaki itici güç olarak adlandırsa da AI teknolojisinin yetenekleri hakkındaki paranoyalar devam ediyor. Yapılan bir ankette son zamanlarda okuyuculara AI hakkında ne bilmek istediklerini sorulduğunda, çoğu katılımcı olumsuz soru ifadelerine yermiş:

• Kontrolümüzde olmadığımızda nasıl bileceğiz?
• İnsanlar için patent tehlikesi olacak mı?
• Ne zaman üretim yapmak, üretmek ve dağıtmak yasaya aykırı olacak? soruları yer alıyor. Bazı katılımcılar ise yapay zekânın işçileri yerinden etme potansiyeli hakkında endişelerini dile getirmiş.

Bazı AI teknolojisi uygulamaları yaygın kullanılmasına rağmen hâlâ hali hazırda bir ön yargıya maruz kalıyor. Son aylarda, bazı şehirler ve eyaletler, yanlış kullanım potansiyeli bildirildikten sonra yüz tanıma teknolojisi üzerine birtakım kısıtlamalar ve yasaklar düşünüyor. Artan sayıda AI uzmanı ve politikacı, AI’daki ilerlemelerin hükûmet düzenlemelerini geride bıraktığını kabul ediyor. Bu arada, bazı politikacılar hükûmetin yapay zekâ desteğini genişletmeye çalışıyor.

“Tarihte bu kadar büyük bir potansiyel ve bu kadar büyük bir tehlike ile karşılaştığımız olmamıştı”

-Dünya Ekonomik Forumu Kurucusu ve İcra Kurulu Başkanı Klaus Schwab

AI teknolojisi dünya çapında perakende, otomotiv ve konaklama endüstrisini dönüştürmeye devam ediyor. Bazı AI uzmanları, tüm el işçilerinin veri analisti olmasını beklemenin gerçekçi olmadığını savunurken, iş güvenliğinden endişe duyan yöneticiler, çalışanlarına teknolojinin konuşlandırılması ile ilgili ortak anlaşılır bir dil oluşturmaya çalışıyor.

Yapay zekâ ve otomasyondaki gelişmelerle yerlerinden edilen insanlar için yeni nesil kariyer rehberleri, bakıcılar için ücret artışları ve yeni nesil bakıcıları eğitmek için hükûmet programlarının oluşturulması gerekiyor.

Gelecekte yapay zekâ araştırmalarındaki tüm alanların birleşeceğini öngörmek zor değil. Sibernetik bir yaklaşımla modellenmiş bir yapay beyin, sembolik bir yaklaşımla insan aklına benzetilmiş bilişsel süreçler ve yapay bilinç sistemi, insan aklı kadar esnek ve duyguları olan bir irade, uzman sistemler kadar yetkin bir bilgi birikimi ve rasyonel yaklaşımın dengeli bir karışımı sayesinde yapay zekâ, gelecekte insan zekâsına bir alternatif oluşturabilir.