 sayısını takip ediyorum. Ve bizim işte genellikle yaptığımız webinarlarda hep böyle bir ilk beş dakika böyle bir hızlı bir şekilde webinara katılım devam eder. O yüzden henüz daha biz resmi ııı aşılışımız yapıp başlamadık. Ama şu ana kadar gelen bütün ııı arkadaşlarlara, bütün katılımcılara teşekkür ediyorum. Şöyle bir baktığım zamanla zaten ııı katılımcılara epey bir gene çeşitli ııı alanlardan tanımadığım ııı birçok kişi de var. Yani son derece mutluyum ııı bu webinar özellikle doyru da da ııı söyledim gibi belki de hepimiz için çok ııı ufuk aşıcı bir webinar olacak. Yani Şebnem hocam benim uzun zamanda tanıdığım ve ııı kendi alanında ııı dünyada bir de belki önemli çalışmalarının kişilerden bir tanesi zaten ııı birazcık böyle geçmişinden de bahsedildi. Zaman yani farklı üniversiteler, farklı eğitimler, farklı çalışmalar ve hepsinin bir araya gelmesine oluşan ııı muhteşem bir kariyer. Teşekkürler çok sağ olun hocam. Teşekkürler. Ve özellikle de işte bu yapay zeka ııı ve ııı yapay zekada verik kullarımı işte işbirliği, açık veri ııı bu yaşananın salgın sürecinde çok daha ııı önemli bir şekilde karşımıza çıktı ve biz anladık ki küresel sorunların çözümü için mutlaka büyük bir işbirliği gerekiyor. Ve yani yaptığımız okumalarda Şebnem hocam bu bahsede yani dünya bugüne kadar hiç olmadığı şekilde bir işbirliği yapıyor ve birbiriyle bu sorunu hızlı bir şekilde çözebilmek için ciddi anlamda bir ııı dayanışma içinde. Şimdi ııı yapay zeka, robotlar ben hep Şebnem hocamın akademik bir işim toplantarından sorunlarından falan hatırlarım böyle. Böyle deliler gibi artık dijital dönüşüyor robotlar. Işte yapmalarız, geçmeliyiz falan böyle. Ama çok da böyle kimse pek kali almadı. Evet. Bugün ne geldiğimiz zaman ııı görüyoruz ki yani bugün işte hastanelerde işte ne bileyim hemşire robotlar olsaydı ya da tedarik zincirlerinde bazı yerlerde işte robotlar olsaydı filan mesela hayatımız daha ııı kolay bulacakmış ya da işte bir kasiyerde ııı kasiyer olarak robot olsaymış ya da işte insansız mağazalar olsaymış alışveriş yapmak bilmem ne belki daha güvenli olurmuş. Yani aslında bizim bir taraftan ertlediğimiz, geçmekte direndiğimiz dijital dönüşüm bir anda böyle kucağımızda kocaman bir ııı kartopu gibi ııı bunu verdik de bunun altından nasıl kalkacağız? Bir taraftan onu düşüneceğiz. Iıı şimdi yapay zeka gerçekten yani en son bir bir şeye bakmıştım ama en son demeyeyim de yani bir yani artık yani bir kuş zekası kadar falan anca bir aslında öğrenme yöntemi vardı. Yani o kadar da makineler akıllı falan değildi aslında. Ama ııı şimdi özellikle bu ııı birkaç sene önce herhalde bu derin öğrenme kavramıyla beraber ııı artık makinelerde baya akıllanmaya başladılar gibi görünüyor. Belki de bu derin öğrenme kavramından sonra artık gelecekte makineler daha da iyi olacak. Ama mesela hiçbir zaman ben şey olacağını düşünmüyorum mesela. Iıı yapay zekan umudum bir yapay zekası olacak mı bilmiyorum. Bu sezgisel olarak yine insanda kalmaya mı devam edecek mi? Yani belki ııı böyle ııı bir yapay zekanın da insanı öncelen bir kısmı olmaya devam edecek. Yani yani sezgileri olacak mu yapay zekanın? Onu da bilmiyorum. Belki bunlara da bir cevap bulacağız. Yani ııı önümüzdeki dönemi teknoloji ve dijital çağ şekillendirecekken buradaki en önemli şeylerden birbirinde artık ııı bizim için ııı akıllı makineler makinelerin birbirine haberleşmesi yani şu anda dünyada işte insanlar da beş milyar cep telefonunun olduğunu düşünürsek, bunlardan üretilen korkunç veriyi düşünürsek, bunların işlenmesinin insanın veynine olması mümkün değil. Burdaka hep böyle öğrenen makineler, akıllı makineler gerekiyor. Bunlar da düşünürsek veri buradaki en temel yani zaten webin aramızın ııı konusunu adını verirlerken de böyle bir şey yaptı. Yani yapay zekanın gıdası veri olmasa, veri yönetilemezse ııı bunu yapamayan ülkeler girdi kalmaya devam edecek. Ben bu noktada sözü ııı Şehrim hocama veriyorum. Iıı bize hem bir verebilirimce, hem bir yapay zekar, hem yönetim birleşim sistemleri uzmalı, hem en formatik, hem matematik, bunların hepsiyle harmanlıyım ya belki bizim komünitimize de ilk defa böyle bir webin arda deneyimlerini ve bilgilerini paylaşması rica edecek hocam tekrar siz de hoş geldiniz. Buyurun hem kendinizden biraz bahsederim hem de bu konulara bir değinirim. Çok teşekkür ediyorum bu harika giriş için gerçekten ııı gerçekten vah o delirtti bana da çok sağ olun. Çok teşekkürler. Ben aslında direkt bir sunum üzerinden hem konuyu birazcık daha görselleştirmeye çalışayım hem de kendimi tanıtmaya çalışayım. Hocam. Evet. Bu arada hocam ııı paylaşırken ben ilk aya da teşekkür etme istiyorum bu zoom bağlantısının altyapıyı bize ııı sağladı. Sağ olsun o da bize destek verdi bu konuda. Benim bilgisayarda tamam en sonunda buldum. O kadar çok pencere açık. Kusura bakmayın lütfen. Evet ııı hemen sunum moduna geçiyorum. Şimdi burada yapay zekanın gıdası veriderken neden verinin önemli olduğunu yapay zeka derkenlerinden bahsettiğimizi çok detaylı bir şekilde konuşacağız. Gültekin hocam sağ olsun beni gayet güzel övdü. Çok teşekkür ediyorum. Matematik için ben matematik mevzunuyum. Üzüne ııı informatik doktorası ve yüksek isansı yaptıktan sonra doktor çalışmalar için Amerika'da bulundum. Hala MIT'nin yapay zekal bilgisayar bilinleri laboratuvarından araştırım ve sim aynı zamanda istinye üniversitesi yönetim birleşim sistemlerinde bölüm başkanı olarak görev yapıyorum. Şimdi bizim çok uzun süredir biri toplandığını biliyoruz ve temeli defimizde bu toplanan veriden aslında malumatı yani informasyonu elde edebilmek çünkü informasyon sayesinde ne yapabiliyoruz? İç görü insait öngörü foresight ve uzak bir görü uz görü dediğimiz farsight elde edebiliyoruz. Bizim veriden informasyonun geçişimizde verinin Gültekin hocamın da söylediği gibi ziyadesi inartmasından kaynaklı olarak yardımcı olacak araştır ihtiyacımız var. Yapay zekada bu araçlardan en önemlisi hatta şu anda en güçlülerinden bir tanesi. Şimdi yapay zekayı düşünürken iki parçada düşünmekte fayda var. Birincisi işin felsesi olarak yapay zekanidir. Diğeri ise işin yöntemler kümesi olarak yapay zekanidir. Şimdi işin felsesi olarak yapay zekanidir. Baktığımızda bin dokuz yüz ellilerin başında bir bilimsel makale yayınlanıyor. O bilimsel makalede de makinalar düşünebilir mi sorusu ilk defa soruluyor. Aslında bu soru sıkıca sorulan bir soru olmasına rağmen bu sorunun bir bilimsel makale olarak yayınlandığı tarif bin dokuz yüz ellilerin başı. Çok ilginçtir. Bin dokuz yüz elli sekiz yılında Cahit Arfta makinaları akıllandırmak mümkün bir şekilde Erzurum Üniversitesi'ndeki düzenlenen halk konferanslarından bir tanesinde bir çalışma paylaşmıştı. Şimdi yapay zekanın iki temel tanımı var bana göre. Biri ilk tanımı zaten yapay zeka ismini koyan John McCarty tarafından verilmiş olan isim. Bu arada yapay zeka ismi konulurken insandaki doğalı makinadaki yapayı diye bu isim konmadı. Yapay zeka isminin konulmasındaki ananeden toplumda insanlıkta herhangi bir ön yargı oluşturmayacak. Ne tür bir isim koyabilmekti. Yani artificial intelligence'taki temel espri bu. Bin dokuz yüz elli altıdaki ilk tanım isim babası Makarty tarafından bakarsak mühennislik olarak ifade ediliyor ve bilim olarak altı çiziliyor. Hala bilim ama mühennistin sütüse altında değil. Hatta mühennislikten çok öte bir bilimle karşı karşıyayız. Bunun daha güzel bir tanımı bence. Her şey kapsiyan, için içinde felsifesini de ifade eden tanıma, Andrew Engel'in tanıma, kendisi Corsera'nın kurucusu ve Lending AI gibi önemli bir star takım başında olan isim. Yapay zeka tanımlarken insanlığın yeni elektriği olarak tanımladı. Ve buradaki elektrik vurgusu insanoğlunun elektriğin keşfiyle birlikte işlerindeki hayatındaki alışkanlıklarında, sosyal davranışlarında varlığındaki değişimin bir benzerinin yapay zeka ile de gerçekleşebileceğine ait. Şimdi işin felsifesi olarak yapay zekayı düşündüğümüzde yapay zekayı üç parçaya ayırmamız gerekiyor. Yapaydar zeka yapay genel zeka ve yapay süper zeka. Yapaydar zeka dediğimizde sunumun başlığına koyduğumuz işletlilik ya yapay zekanın gıdası verip, gerçekten de bu gıda olmadan sonuç üretemeyen, bu gıda olmadan yardımcı olamayan, bu gıda olmadan veriden informasyonu geçişimizi sağlayamayan bir yapıdan bahsediyoruz. Yapaydar zekayla. Üstelik bu gıda iyi alışverildiyse, manipretif olarak verildiyse kötü sonuçlar üreten, kötücül bir yapay zekadan da bahsediyoruz. Yani dönüp dolaşıp geldiğimiz yer eğer yapaydar zekadan bahsediyorsak verinin son derece dikkatli bir şekilde toplanması, işlenmesi iyi sunulması. Ben de şöyle bir sorun var. Çok birkaç saat konuşmadığımız zaman sesim kısılıyor. Öncesinde bir toplantıdaydım hiç konuşmayınca biraz sesim şu an kısılmaya başladı. Şimdi yapaydar zeka bu. Ve şu anda kullandığımız sürücüsüz araçlar, kanseri teşhis eden makinalar, hatta doktorlardan daha iyi teşhis eden makinaların tamamı yapaydar zeka kapsamında. Ama biz bilim insanlarının istediği yapay zeka türbu mu? Hayır değil. Biz istiyoruz ki veriden bağımsız yani iyi ya da kötü olsun. Veri nasıl gelirse gelsin, çevresindeki tüm olayları insan gibi yorumlayabilen kararını insan gibi rütebilen bir yapay zeka geliştirmek. Buna da yapay genel zeka, strong AI, güçlü yapay zeka adını verdik. Eğer bu yapay zekaya geliştirmeyi başarabilirsek altı ay sonra dünyada bildiğimiz en zeki insandan daha zeki olan yapay zekaya geliştirmeye başaracağız. Şimdi bu konuda yapay zeka çırpınışlarımız nasıl da önce onu söyleyeyim. Bin dokuz yüz elli altı yılında yapay zekanın ismini koyduk. Bin dokuz yüz altmış dokuz yılına kadar çalışmalar o kadar süratli bir şekilde ilerledi ki bilim insanlar dediler ki on yıl içinde insan gibi düşünebilen bir yapay zekaya geliştireceğiz dediler. Bin dokuz yüz yetmiş dokuzu işaret ettiler. Yapay genel zeka gelecek dediler. Artificial intelligence, general intelligence. Ne oldu? Yetmiş dokuza gelmeden yetmiş dörtte yapay zeka çalışmaları durdu. Kışa girdik. Yani darpa başta olumak üzere önemli yatırımcılar musluğu kapattılar, para vermediler. Bunun temel nedeni yapay zekaya olan inancın yok olmasıydı. Çünkü o dönemde ilk çetbot geliştirilmişti. İlk robot köpek geliştirilmişti ama hala insan gibi karar üretebilen hatta insana yaklaşabilen bir karar üretebilen yapay zekamız yoktu. Tabii bunun o dönemle yapılamamısının nedeni matematiksel alt yapı sınarılığından değil teknolojik sınarılıktan ve vereneği duyulan ihtiyacın henüz daha anlaşılan olmasından kaynaklanıyordu. Hikâye nerede değişti? Hikâye bin dokuz yüz doksan alt yılında değişti. Doksanlarda işte kişisel bilisiyarlar gelmeye başladı. Iki binlere doğru internete yılda iki bin on iki bin dörtte sosyal medya hayatımıza girdi derken bir anda veri artmaya başladığı gibi teknolojik anlamda alt yapım hızlı kuvvetlendi. Iki bin dört yılından itibaren yeni matematiksel modeller geliştirmeye başladığında sizin dediğiniz gibi derin öğrenme biraz sonra konuşacağız. Iki bin on yedi yılında biz bu yapay zekâ türlerini sıralırdık. Dedik ki yapay daar zekâdayız yapay genel zekâ hedefimiz ondan sonra da yapay süper zekâya geçeceğiz. Bunun için de tarih işaret ettik. Iki bin on yedi dedi ki iki bin otuz yılında kısmetse yapay genel zekâya geçeceğiz dedik. Iki bin yerimde bir pandemi vurdu bizi. Şu an durduk. Yapay genel zekâ çalışmalarının davrı çok fazla bir şey yapamıyoruz. Neden? Önceliğimiz önce bu virüse çare bulabilecek şekilde hareketi de bilmek. Gördüğünüz gibi insan olup iki defa çok büyük laflar edip ondan sonra da o yutamadığı lokma ile birlikte oturmak zorunda kaldı. Peki bu işin felsefi tarifi, hikaye tarifi biz yapay zekâ derken neyi kastediyoruz aslında? Yapay zekâ dediğimizde kocaman bir yöntemler kümesinden bahsediyoruz. Yani gelen veri sayısal da olsa, metinsel de olsa, görüntü de olsa, ses verisi de olsa bu veriden anlam çıkartabilen yöntemler kümesi makine öğrenmesi diyoruz. Doğal dil işlemedi dediğimizde dilin, kelimelerin yapısının işlenmesi. Örneğin bir dökümanın insanın okumasına gerek kalmadan makine tarafından okunabilmesi ve insan gibi o fikrin, ana fikrin, metinlik ana fikrin çıkarılması, yasaların birbiri arasındaki ilişkilerin doğru olup olmadığının anlaşılması gibi. Konuşma dediğimizde de insan konuşmasını taklit edilmesinden bahsediyoruz. Çok güzel. Çok güzel. Gibi iki söylediğimiz kelime arasındaki vurguyla oluşan anlam farklılığının yapay zekâya da kazandırılabilmesi hayalimiz. Uzman sistemler en eski çalıştığımız noktalardan bir tanesi 1980'lerde popülerdi. İnsanoğlunun en kıymetli varlığı deneyimi. Çünkü deneyimi aktaramıyoruz. Deneyim bizimle birlikte ölüyor, öldüğümüzde. Söylüyoruz, ifade ediyoruz. Ama karşı taraf o deneyimi dinliyor. Fakat kendi deneyim yolculuğuna oluşturuyor. Dolayısıyla karar vericinin, kritik karar vericinin nasıl karar verdiğini modelleyebilirsek, onun makine de tutabilirsek, insan oğlunun değerli malumatı, informasyonu kaybolmamış olabilir. Planlama optimizasyonu dediğimizde de daha çok sektörü dönüyoruz. Fabrikalar tarafında ya da teslimatlar tarafında rojistik ve tedarik zinciri tarafında işin nasıl üretilebileceğine bakıyoruz. Robotik tüm bu yapay zeka hükümesinde Hollywood'unda pompalaması ile en korkulan, en çok konuşulan ama aslında en küçük küme. Bu dönemde pandemi günlerinde robotiyi biraz daha konuşur hale geldik. Şuna denle eskiden robotiyi konuşurken endüstriyel robotikten bahsediyorduk. Yani fabrikalarda hareket edecek insanların yerine alabilecek büyük makinelerden bahsediyorduk. Şu dönemde ise pandemiyle birlikte robotik çok temel işlevleri yerine getirebilecek olan robotlar nedir? Hastanelerde temizlik işlerinde görev yapan COVID hastalarına ilaçlarını götüren onların ateşlerini ölçen evimize gıdalarımızı getiren yürü dediğimizde ise insan gözünün davranışı insan gözüyle beynin arasındaki davranışın makinanın kamerasıyla makinanın kendi hafızası arasındaki bağlantının kurulabilmesini kastediyoruz. Çünkü göz bir nesneyi gördüğünde bir varlığı gördüğünde o varlığı tek başına görmez. Aynı zamanda o varlığın durumunu, eğlenmeliğini ya da eğlenmesizliğini de anlar. Güzel bir yiyecek gördüğü zaman temiz olduğuna kınağı getirirse onu yeme eğlenme geliştirir. Biz de şunu istiyoruz, kamera aracılığıyla gören makine, gördüğü nesneyi tanısın, nesneki eğlenme durumunu anlasın ve buna ifade edebilsin. Dolayısıyla bu çalışmaların tamamıda bilgisayarlı bölü kapsamında. Şimdi tüm bu çalışmaları yaparken makine öğrenmesi bir yöntem gibi olmakla birlikte diğer yöntemlerin, diğer şuradaki bütün yöntemlerin altında da hizmet veren bir yapı. Çünkü bizim temel hedefimiz şu, veriden öğrenmesi gereken bir makinadan bahsediyoruz. Veriden öğrenecekse nasıl öğrenecek? Burada kullanılığımız dört ana yöntem var. Supervised dediğimiz danışmanlı denetimle, işte gözetimle diye çevirmişler de öğrenme yöntemleri var. Semi-supervised, yarı danışmanlı, yarı denetimli, yarı gözetimli, unsupervised danışmansız denetimsiz reinforcement learningsı pekiştirmeyle öğrenme yöntemi. Şimdi şu üçünü nasıl olduğunu anlatacağımı var. Reinforcement learning üzerinde birazcık durmak istiyorum. Makinederken bu arada biz robotu klasetmiyoruz. Bizim için eğer arka planda yapay zeka çalışılsa bilgisayarda bir makinadır, cep telefonunda bir makinadır. Reinforcement learning şimdi ne dedik? Yapay genel zekayı geçemedik dedik. Yapay genel zekayı şu anda geçebilecek alt yapıya sahibiz. Kuvantu bilgisayarlar bize bunun gücünü veriyor. Ama biz en temel sorunun cevabını bilmiyoruz. İnsan nasıl öğrenir, insan nasıl karar verir? Bu konuda hiçbir fikrimiz yok. Bu konuda yapabildiğimiz en iyi şey eğitim fakültesindeki çocuklara öğretmen yöntemlerini alıp burada matematik sermoderini üreterek devşirmek ve eğitim fakültesinde bir çocuğa eğitebilmek için kullanılan en kötü yöntemi aldık. Şu an bizim elimizdeki en iyi yöntem bu. Neden eğinin yöntem bu? Reinforcement learning dediğim pekiştirimeli öğrenme dediğim yöntem. Diğerlerine nazaran daha az veriyle daha hızlı sonuç üreten bir yöntem. Çünkü diğer üç yöntemde çok miktarlarda veriye ihtiyacınız var. Neden çok miktarda veriye ihtiyacınız var? Reinforcement'a geri döneceğim. Şuradan göstereyim. Şimdi supervise öğrenme de bizim etiketli veriye ihtiyacımız var. Etiketli verin ne demek? Mesela benim tepemde kocaman bir kadın ibaresinin yer alması lazım. Gültekin hocamın tepesinin üzerinde kocaman bir erkek işte O punayar Türkiye'nin orada da kırıkı tür ifadesinin yer alması gerekiyor. Bu etiketler sayesinde makine kadın neye benzer erkek neye benzer öğreniyor. Peki bu etiketleri kim veriyor? İnsanın tekenmesi. O halde ben bu etiketi yanlış verirsem. Benim bazı önyargılarım varsa ya da o veriyi tam olarak toparlayamamışsam verim doğru sınıflayamadıysam, tanımlayamadıysam. Doğru tanımlayamadıysam. Doğru tanımlayamadıysam. Evet otomatik olarak ne oluyor? Makine'de o etiketli verinin gösterdiği doğrultulu öğreniyor. Mesela iki yaşındaki üç yaşındaki çocuğunuzu, yeğeninizi, kardeşinizi, dışarı aldığınızı birlikte yürüdüğünüzü düşünelim. Beyaz bir, büyükçe bir köpek gördü. Bu nedir diye sordu. Siz dediniz ki bu bir attır. Şimdi veriyi onun için etiketliydiniz. Dolayısıyla o üç yaşındaki çocuk bundan sonra o rengi benzer, gördüğü, benzettiği, o tipe benzer gördüğü her şeyi, her köpi at olarak kabul edecek. Aa, at geldi diye cevap verecektir. Yapay zekalı da bizim o üç yaşındaki çocuğumuz gibi hareket ediyor. Yani bizim etiketliği bildiğimiz veriden yola çıkarak ancak sonuç üretiyor. Etiketi olmayan veri içinde hareket edemiyor. Ama buradaki tek sorunumuz etiketli veri değil bu arada. Sorunun diğer bir tarafı, Supervised öğrenmede bir sınıfı öğretir gibi davranıyoruz. Yani veriyi alıyoruz. O verinin bir kısmını ayırıyoruz. Diyoruz ki, alsan bu bir kısımdaki bütün etiketli veriler üzerinde dolaş. Olayı hikayeyi öğren. Sonra da ben seni test verisi üzerinde teste tabi tutacağım. Sınavda test yaparken çocukları Cip anahtarını vermediğimiz gibi. Burada da yapay zekaya benim tepemdeki o etiketi ya da sizin tepenizdeki o etiketi vermiyoruz. Yapay zekayı diyoruz ki, Hadi sen şimdi eğitim kümesinde öğrendin ya, Gel test kümesinde hangisi kadın, hangisi erkek benim için şahretlediyoruz. Ve eğer ben o eğitim test kümesine doğru ayıramadıysam da, Örneğin öyle bir örnek var ki test kümesinde mevcut. Ama eğitim kümesinde yok. Çocuğa anlatmadığımız konudan soru sormak gibi. Şimdi bunu biraz sonuklaştıralım. Şimdi biz insanımızla dişunu diyelim. Güzel kadın neye benzer sen bunu bizim makineye öğret diyelim. Şimdi o insanımızın da bir on yargısı olsun ve sarışın kadınlar onun için güzel kadın olsun. Dolayısıyla işte bütün sarışın güzel olduğuna inandı. Türk sinemasının değerli isimlerini tutsun. Ve onlara desin ki bak bu güzel kadın, Bu da güzel kadın, bu da güzel kadın etiketlesin. Şimdi makina bu veri üzerinde dolaştığında Ne olacak güzel kadın olanla olmayan ayaracak değil mi? Biz onu Türkan Şöğre'nin resmini verdiğimizde Çok basit bir matematikle çalışacak diyecek ki Ha bu güzel kadının hepsine saçı var mıydı? Var. Ay bunun da saçı var. Süper. Bu güzel kadınların hepsinin saçları işte biraz onuz izahısında ya da boyun izahısında. E bununkiler de uzun. O tamam. Ama bu güzel kadınların hepsinin saçları sarı renk. Bunun ki koyu renk. O zaman bu güzel mi? Hayır değil kadın mı olabilir? Çünkü neden? Az önceki kadınlardaki o özellikleri taşıyor. Fakat güzel kadın tanımlamasındaki o güzelliği karşılamıyor. Dolayısıyla bizim burada nasıl etiketle veri ürettiğimiz son derece önemli. Şimdi buradan reinforcement learning'e geri döneyim. Reinforcement learning nedir? Onu söyleyeyim. Şimdi biz eğitim fakültesinde şunu öğrenmiştik. Bir tanede bir yüksek lisans maceram eğitim fakültesinde oldu. Gelişim, matematik eğitimi üzerine. Bir çocuğa doğru yaptığı her davranış için ya da size göre doğru olan her davranış için ödül. Size göre yanlış olan her davranış için ceza verirseniz Pavlov'un tavşanını yapmış olursunuz. Aslında eğitim fakültesinde bu bir çocuk yetiştirmek için en kötü yöntemlerden bir tanesidir. Ama biz bunu yapay zeka eğitmek için kullanıyoruz. Pekiştirmeli öğrenmeli de şunu diyoruz. Benim bir problemim var. Sen o problemi her doğru verdiğince yok için sana artı bir. Her yanlış verdiğince yok için de eksi bir vereceğim. Dolayısıyla makine artı bir toplamak için koşullanarak kendini geliştirmeye çalışıyor. Bu yöntemi devşirmemizdeki ana neden şu. Supervised'ı da semi-supervised'ı da unsupervised'ı 3 yöntemde de çok çok miktarda veriyor ihtiyacım var. Güzel kadın verisini Afrika'dan toplarsanız başka çıkar Amerika'dan toplarsanız başka Karstan toplarsanız başka Taksim'den toplarsanız başka çıkar. Ama bu büyük miktarda veriyi elde edebilmek araştırmacıların katlanabileceği maliyetler olmayabiliyor. İşte bu nedenle herkesin erişebileceği miktarda herkesin eylem geliştirebileceği miktarlarda açık veriye ihtiyacımız var. Ve bu dört yönteme mahkum kaldığımız için yeni bir öğrenme yöntemimiz olmadığı için hala yapıp haydar zekanın sınırlarında hareket ediyoruz. Mesela bu en çok sorulan komedilerden bir tanesidir. İnsan gözü bile çuvava çürü köpek ile mafin yani bir kek türünü ayırt etmekte zorlanırken bunu yapay zekaya verdiğinizde Etiketlediğiniz veriye göre tabii ki o yapay zekanızda köpeği köpek olarak tanıyada bilir mafinide gidip köpek olarak etiketleyebilir. Bu çok güldüğümüz örneğin çok kötü bir versiyonu var. Nedir? Gorill resimlerinin internette yüklü olduğu, Google'un hepsini goril goril goril olarak etiketlediği bir yerde siyahi bir kadının da goril olarak etiketlenmesi. Dolayısıyla burada verinin doğru bir şekilde etiketlenmesi ve yapay zekanın bundan doğru bir şekilde öğrenmesi sadece teknik anlamda bir sorun değil. Toplumla yapay zekâresindeki bağın sağlanabilmesi adına da öner. Yani siz Türkan Sultan'ın çirkin kadın ya da çok esmertenli bir bayanın erkeğin goril olarak etiketlenmesinden memnun olur muydunuz? O kişi bundan memnun olur muydu? Şimdi bizim makine öğrenmesi kümmemizin içerisinde bizi çok heyecanlandıran, herkesin çok konuştuğu yapay zekâye dair umutvaleden bir yöntemler kümesi var. O da derini öğrenme. Şimdi insan beyninde pek çok sinir hücresi var ve bu sinir hücreler arasındaki etkileşim sayesinde biz ellerimizi hareket ettirebiliyor, konuşabiliyor, gözlerimizi kırıp biliyoruz. Eğer biz bu sinir hücreler arasındaki o elektriksel iletimi matematiksel olarak modelleyebilirsek, yani insan beylini belli ölçülerde simile edebilirsek yapay zekâya insan beyninin düşünebilme becerisini teknik olarak da olsa katabiliriz. Fikir buydu. Zaten ilk geliştirildiği nokta yapay sinir ağlarında bir girdik katmanı vardı. Güzel kadınlar sadece sarışın olanları veriyoruz. Sadece bir nöron grubu dediğimiz bir grup var. Bir de bizi çıktı üretiyor. Şimdi buradaki nöronları biyolojik nöronlar gibi düşünmemek lazım. Bu buradaki nöronlar aslında bizim için matematik formüller. Eskiden hatırlar mısınız bilmiyorum. İşte bir at resmi çizmek istediğinizde o küçük at resmi minik minik minik karilere bönerdiniz. Sonra da büyük bir beyaz kağıt alırdınız o büyük beyaz kağıdı karilere bölerdiniz. İşte birinci karede ne kalmış atın gözü. Hadi atın gözünü birinci kareye büyüterek taşıyalım. Bu sayede aslında parça parça o karelerde gördüğünüz şeyi büyük resmi taşımış olurdu. Burada nöronlarda her gelen resmi tek tek minik minik parçalara ayırarak kendi içerinde belli kağıt sayılarla hesaplama yaparak insanın neye benzediğini, köpeğin neye benzediğini, kanser lezyonun neye benzediğini öğrenir ve sonuç üretirler. Derin öğrenme bu aradaki gizli katmanlar dediğimiz yapının milyonlara varan hesaplanmalara, milyonlara varan nöronlara çıkarılmasıyla gelişen bir yöntem. 2004 yılında matematiği geliştirildi şu anda devam ediyor. Fakat derin öğrenmeye görebilmek için her şeyden önce çok kuvvetli bir bilgisayar alt yapısına ihtiyacınız var. Ben bir tez öğrencimi şöyle bir tez yaptırmıştım. İşte uydu görüntüleriniz, insansız hava aracı görüntülerini alarak o görüntülerden uçağın inebilme potansiyeli ya da helikopterin inebilme potansiyeli olan stratejik alanları belirlenmesi üzerine bir çalışma yaptım. Şimdi makine çok başarılı. Bu arada öğrencinin elindeki makine çok iyi bir makine olmadığı için algoritmanın yani yapay zekanın öğrenmesi 31 gün sürdü. Hiç elektrik kesilmediği ve makinanızın hiç sop etmediğini varsayarsa. O 31 günün sonunda şu var. Bir alanı odaklandığında ve yeterli miktarda veri olduğunda yapay zeka insanlardan daha başarılı sonun yetiyor. Probleminiz tabii ki doğruysa. Normalde etiketlenmiş olan her hava alanı ya da hava alanı potansiyeli taşıyan yer dışında bir yeri daha bulduk. Ama o yer hava alanı olarak etiketlenmemiş. Sonradan biraz araştırınca öğrendik ki işte Meksika'da bazı uyuşturucuk karterlerinin işte trafikleri için kullandıkları uçuş alanıymış. Dolayısıyla yapay zeka insanın fark edemediği noktalardaki yapıyı da üretebiliyor. Ama yine burada veriye mahkemiz. Ne dedik? Veriye biz yanlış etiketler, bardak dışında her şeyi bardak olarak aldılar. Burada iki farklı yapay zeka algoritmasının birleştirilmesiyle üretilmiş olan cümleler var. Bu cümleler işte görüntüyü işleyen ve kelimeleri işleyen convolutional neural network ve recurrent neural network dediğimiz iki yapının bir araya gelmesiyle üretildi. Bu cümleler tamamıyla makineye ait. Cümleler de bakacak olursak işte bir tane çocuk içi doldurulmuş bir hayvana sarılıyor. İki tane pizza işte mocağın üstünde fakat son cümle facia. İşte bir insan diyor gökyüzünde işte skateboard yaparken süzülüyor. Şimdi güldüğümüz bu cümle üretmesine çok basit bir mantık var. Şimdi bakıyor gökyüzü, gökyüzü, gökyüzünde uçağın bir şey var. Tamam bir şey gökyüzünde. Ama o gökyüzünde uçağın şeyin ağzı ve burnu var. Ağzı, gözü, burnu varsa bu insandır. Çünkü öyle bir etiketle öğrenmesi var. Bu insan gökyüzünde ne yapıyor? Kanatlar olmadığına göre muhtemelen skateboard yapıyor gibi garip bir cevap üretebilir. Ya da çok basit ayrımı yapamayabilir. Bakın ağaç dolduğun tünemiş kuş, siyah beyaz köpek bar üzerinden atlıyor. İki genç kız lego oynuyor orada birinin infantı olduğunu, henüz çocuk olduğunu, bebek olduğunu ayırt edemiyor. Çünkü neden yeterli miktarda verisi yok. Şimdi bizim yapay zekâda daha sorumlu, daha ayakları ve yara basam bir yapay zeka elde edebilmemiz için fair ilkelerine ve fair nasıl ihtiyacımız var. Fair ilkeleriyle o bulunabilir, erişilebilir, birlikte işlerleğe müsait olan ve yeniden kullanılabilen biri neden yapay zekâda önemli? Çünkü bizim yapay zekâda, yapaylar zekâmızda korkunç sorunlarımız var. Her şeyden önce üretmiş olduğumuz o yapay zekânın gerçekten şeffaf bir yapısı var mı? Bunu bilmiyoruz. Adil kararı üretiyor mu? Güzel kadınlarda olduğu gibi. İspatlanabilir mi? Yani o kararı üreten matematiksel tarafı doğru mu? Doğru miktarlarda veriden öğrendi mi? O veri yanlımı toplandı. Birileri öyle istediği için mi toplandı? Sağından solundan kırptılar mı o verinin? Bunu bilmiyoruz. Aynı zamanda kanunlar karşısında hesap verebilir olmalı. 2018 yılında Arizona'nın tempe yâletinde meydana gelen übirin trafik kazasında bir insan hayatını kaybetti. Ve o kaybettiği kazada eğer übel kendi verilerini fair ilkesiyle açabilmiş olsaydı biz bugün bu noktalardaki açıklık, adillik, ispatlanabilir ve hesap verebiliğe cevap verebilir olurduk. Halbuki bunun yerine herkes suçu bir başkasına atmakta buldu. Ya ya neden o anda yaya geçirdiğinden geçmiyordu? Neden açık renk giyinmemişti? Neden işte gecenin o saatinde ışıksız bir yerde otobanda karşıdan karşıya geçiyordu? Ya da sürücü neden o anda sürücüsüz araçta olmasına rağmen elleri direksiyonunda değildi de yeteneksizsiniz tarzı bir yarışma seyrediyordu. Fakat burada da Arizona valisi devreye girdi ve dedi ki siz bize demedeniz mi biz sürücüsüz araçlar sayesinde alkollen oluşan kazalara ve ölümleri engelleyeceğiz. Ve dava herkesin birbiri suçlamasıyla havada kaldı. Bu basit bir örnek olmasına rağmen şu anda hayatımızı uçtan ucu kapsayacak ve çok daha farklı sorunları barındırabilecek bir yerde sahip. Şimdi biz adillik, açıklık, ispatlanabilirlik ve hesap verebilirlik derken Aslan Pandoro'nun kutusuna açmış oluyoruz. Çünkü açık bir yapay zekanız yoksa toplumla bağdırıyorsunuz, derdinizi de anlatamıyorsunuz. Üstelik de verin öğrenme yöntemi, ürettiğimiz o başarılı doktorun ve insanın daha başarılabilirlik şartını kapsamıyorlar. Açıklanabilirlik sıkıntısı anlamında problemlere sahipler. Şöyle düşünün doktora gittiğiniz size dedi ki, Yüldal Bey bir hafta ömrünüz kaldı. Bir hafta sonra evlenize vedalaşın. Niye ben niye bir hafta sonra diyeceksiniz doktora? Doktorun yapay zeka uzman olmasına gerek yok. Çünkü yapay zeka öyle dedi derse orda yapay zeka karşı bir ön yargı oluşturursunuz. Halbuki orada doktorun bak arkadaşım sen bunları bunları böyle yapmışsın. Senin aile yolculuğuna şunlar şunlar var. Bu nedenle benim makinem bana bu sonucu üretti. Ben de bu görüşü şu kadar yüzdeyle destekliyorum demesi lazım. Yani bizim teknik olmayan insanların anlayabileceği şekilde yapay zeka üretebiliyor olmamız lazım. Ama bunun için verimize hakim olmamız lazım. Veri sahibi olmamız lazım. Eğer feyr ilkelere bakımından demokratik ve sorumlu bir yapay zekayı değerlendirecek olursa her şeyden önce Findable ve Accessible ilkesine sağlamıyorsanız zaten yapay zekanız yok. Yani verinin olmadığı bir yerde yapay zekardan bahsedemiyoruz. Harika bir fikriniz olabilir. Harika bir matematiksel modeliniz olabilir. Ama o matematiksel modeli yani yapay zekayı verisleyecek doğru kaliteli veriniz yoksa yapay zekamız da yok. Demokratik yapay zekanı zaten yok. Belli bir kesimini topladığı ve o kesime hitap eden genelik kapsamayan bir veri üzerinden yapay zekayı eğittiğinizde o veri o yapay zekanın ürettiği sonucu herkese yayamazsınız. Bugün İstanbul'u anlat yapay zekaya bana dediğinizde etiketli deniz veri taksimden geliyorsa İstanbul anlatmış olamazsınız. Ortaköyden geliyorsa da anlatmış olamazsınız. Fatih'ten geliyorsa da anlatmış olamazsınız. Enterobor bir birlikte işleyenlik olabilmesi için birlikte işleyenlik şartı bize genel uyarlanabilir bir yapay zekayı sağlıyor. Bakın Amerika'da göğüs kanserini çok başarılı tespit edebilen ve yapay zeka uygulaması geliştirildi. Ancak bu uygulama İngiltere'ye geldiğinde çalışmadı. Başarısı sonuçları üretti. Dünyada bir sorunla dair ortak veri toplama ortak bir havuz oluşturma algımızın tespit olması. Reusable tarafına geldiğimizde ise demokratik sorumlu bir yapay zeka üretmekten yoksun hale geliyoruz. Adil mi açıklanabilir mi hispatlanabilir mi hesap verebilir mi sorularının cevaplarını veremiyoruz. Dolayısıyla kullanımsız kötü bir yapay zeka geliştirmiş oluyoruz. Bunların hepsi komik gibi gelse aslında çok kötü örnek var. Kullandığımız hayatımızın içindeki örnekler. Makineye yanlış verile beslediğimizde cinsiyetçi oluyor, ayrıma gidiyor. O birbiri bilinci kelimesini çevirdiğinizde 2018'in sonuna kadar erkek kökül çeviriyordu. Şimdi bir vehiyi aynı anda kullanıyor. Masa üst bilgisayarlarda. Ama hala Almanca'da düzeltilmedi. Benim çatlat bir almanca var o yüzden baktım. Maalesef o birbiri bilinciye Almanca'yı çevirildiğinizde erkek ve birşi kökülere olan bilinilerde veri bilincilik mesih sadece erkeğe ait olarak gözüküyor. Ya da profesyonel olan saçistirlerini arattığınızda kıvırcık saçlı kadınlar ya da sadece kadınlar geliyordu. Halbuki apetçis saçistildiği bir gerçeğimiz var. Niye burada erkekler yok? Ya da yüzler tanınmayabilir. Joy Gullamini MIT'nin araştırmacıları arasında beyaz bir maske taktığı an Facebook'un, Amazon'un büyük devlerin makinesi orada bir insan olduğunu görebiliyor. Adalette kullanırsanız da beyaz adam ne yaparsa yapsın. Her zaman daha az suçlu. Dolayısıyla bizim buradaki yapay zekamızın böyle kötücül sonuçları üretmesindeki ananı verinin ta kendisi. Çünkü biz yeterli mektarda veriye hâkim olmadığımız için ve o veriye kendi ön yargılarımızı yansıttığımız için yapay zekâda otomatik olarak kötü, yanlı, ön yargılığı sonuçları üretiyor. Bakın Google'un şu anda en meşhur uygulaması BERT, bilçe verici uygulamasının çalışma mantığı şöyle. Adam kelimesini erkek çocuğa eşlerse kadın kelimesine de tabii ki bunu bir denklem olarak alırsanız kızı eşler. Bu işlemi mantıyla babayı, doktora, anneyi hemşireye. Adamı, programcıya, kadını, evhanına. Adam realist olduğunda kadın en fazla feminist olabiliyor. Kadın hamile olduğunda adamın da böbrek taşı olabiliyor. Makinanın çalışma prensibi bu şekilde. Maalesef pandemi de yapay zekâya konusurken biriniysandaki Stanford'da düzenlenen yapay zekâb konferansında açık verinin önemine vurgu yapılır. Çünkü şu anda pandemide sonuç, çözüm, çare üretmekten çok uzağız. Bunun temel nedeni bizim birlikte işellik şartını sağlanamayan, hastaneler arasında konuşamayan birilerimiz ve bu verilerin ortak bir havuza toplaması açık veri ilkelerini ne yazık ki kullanım olmuzdan kaynaklanıyor. Halbuki son 50 yılda bütün ürün sağlıklarının hayvan kökenlerle olduğunu biliyoruz. Üstelik de SARS, Korona ailesinin özellikleri ile ilgi sahibiydik. Bu dönemdeki tek sıkıntımız bizim işte bu verilerin bulunmaması daha doğrusu aşı üretilmemesi değil. Kullandığımız uygulamalardaki o verileri nasıl toplandığıyla ilgili de sıkıntılarımız var. Öne çıkan tüm uygulamaların derlediği o veriler ve vaat ettiği eğlence, çözüm, çare, cans sıkıntısından kurtulma ya da işte bizim surutlarımızı işletmeyle ilgili sorunlarımızı çözmede kaybettiğimiz şey verip. Dolayısıyla açık veri ilkeleri, söz konusu büyük şirketleri olduğunda eğer bu kabul ettirilememişse maalesef iyi niyetli kullanılamaya da biliyor. Harari'nin bu anlamda çok sevdiğim bir sözü var. Der ki bir ülke hakkında yeterli derecede veriye sahipseniz o ülkeye asker göndermenize gerek yoktur. Ama bizim bu ülke içerisinde doğru yapay zekalı uygulamaları geliştirebilmek için her şeyden önce bireysel değil bütünsel olarak toplanmış ve toplamın tamamını yansıtan veriye, açık veriye ihtiyacımız var. Çok teşekkür ediyorum. Hocam çok teşekkür ederim. Gerçekten muhteşem ötesi bir sunum oldu. Teşekkür ederim. Çok da bir tanem yorumlarda geliyor bu konuda. Ve yani aslında hep aynı taraftayız. Hep bunları anlatmaya çalıştık, uzun zamandır. Yani verinin olması yetmiyor. Veriyi doğru toplamak. İşte feri prensiplerine uygun olması. Yani şu anda pandemi sürecinde Türk hastalıkta karşısındaki reflekslerine veya tepkilerine veya nasit gülediğiyle ilgili mesela uluslararası sistemlere bir veri akışı var mı? İşte bir aşı geliştirecekse Amerika'daki insanlara aşının yararlı olmasa, Türkiye'deki insanlara yararlı olmaz. Aynı derecede yararlı olacak mı? Bunlar veri olmadığı sürece ve bu veriyi doğru akmadığı sürece her zaman için çok zor. Bu noktada da işte bu verinin doğru toplanması, doğru sınıflanması, doğru yönetilmesi noktasında da yani bütün dünyada olduğu gibi Türkiye'de işte kütüphanelerin daha fazla rol alması, veriyi doğru sınıflaması. Nasıl işte şu anda 1 milyon bir kütüphanelerin uluslararası standardlarda bir katıl okuma sınıflama işlemi yapıldığı için aranılan her şeyi, aranılan, aranılığı şekilde bulunabilmesi, sağlanabiliyorsa aynı şeylere bizim veri içinde yapmamız gerekiyor. Veriyi doğru tarif edemediysek, veriyi doğru şekilde yönetemediysek, yani sadece o bir kulağı mazlı veri ve şu anda mesela data reuse, Türkiye için en önemli problemlerden belki yani. Çünkü dünya kadar para harcanıyor, veriler veriye toplanıyor ve bu ye verilerden tekrar insanların yararlanması maalesef sağlanmış değil. Bu noktada da bizim ciddi anlamda bir insetif almamız gerekiyor. Ben şimdi senin yerinde bir soruyu da sormak istiyorum burada. Senin kendi şeylerin programında Hap diye bu arada canım hocam programı var şu anda ekranda görüyorsunuz. Mutlaka onda izlemenizi tavsiye ediyorum. Haftan üç persin de pazar, pazartesi ve perşembe. Yirmi daki kadar. Yirmi daki kadar hap şeklinde veriyor. Şimdi bu programda hocanın bir diğer özelliği de yeni yazdıkları, geleceğin meslekleri diye bir kitap ve orada gerçekten çok farklı ünvanlar ve çok farklı meslekler var ve gelecekte bu gerçekten hepimiz için ve çocuklarımız için belki çok farklı alanlar var. Hatta ben geçen kızıma dedim ki artık sen dijital dönüşü buzman olacaksın bak. Hazırlamam falan demektir. Ve Şevrem hocam şunu soruyorum mesela konuklarına. İşte bir tane meslek gelecekte bu pandemiden sonra ortaya çıkabilecek bir meslek sizce nedir gibi bir soru soruyor. Ben bu soruyu bizim katılımcılarımıza sormuş olayım hocam senin adını. Soru cevap bölümüne veya çet bölümüne. Yani bu pandemi sorusunda ortaya çıkabilecek bir meslek ne düşünüyorlar? Hangi meslek yeni bir meslek ortaya çıkabilir? Bunların ilgili görüşlerini paylasınlar. Şimdi ben sorularda iki tane bir sorumuz var. Onları da onları size yönetmek istiyorum. Bir tanesi mesela diyor ki Zeki Çelikbaş. Yapay Zeka'nın geçmiş ve geleceği düşündüğünde yapay zeka yöntemlerinden hangisi en çok kullanılıyor? Ve girecek de hangisi en fazla kullanacağını düşünüyorsunuz? Unsupervised learning daha çok şey vadetmiyor bu. Yapay Zeka'nın geçmişi ve geleceği düşündüğünde aslında en popüler, en çok peşinden kusulan yöntem yapay sinir ağları. Yani insan beyninin modellenmesi tarafı. Fakat biz şunu gördük ki yapay sinir ağlarında bazı kısıtlarımız var. Yani istediğimiz kadar beri elde edemiyoruz. Bu kısıtların başında enerji sorunu. Yani siz çok katvanlı bir yapay sinir ağa oluşturduğunuzda ona köpekle keki ayır dediğinizde harcadığınız enerji korkunç derecede yüksek oluyor. Ve aynı zamanda bunun için nitikli etiketlenmiş veriye ihtiyacınız var. Etiketli veriliniz yoksa ne yazık ki yapay sinir ağında doğru bir sonuç elde edemiyorsunuz. Önümüzdeki şimdi 2019 senesi içerisine şöyle bir yorum yapıldı. Dediler ki 2020 yılında artık derin öğrenme o kadar da popüler olmayacak. 2020 yılın en çok konuşulacağı konusu. Bu pekiştirimle öğrenme dediğim hani Pavlov'un tavşana gibi markladığımız yöntem olacakları dediler. Benden şekilde ben bir matematikçi olarak bakacak olursam, EMA'daki tartışmaları bakacak olursam bizim için bayaz yöntemler. Yani olasılık yaklaşımları son derece önemli. Çünkü bu yaklaşımlar ayakları daha yere basan ve matematikinin nasıl sonuçları bildiğini bildiğim için kolay açıklayabildiğimiz yöntemler. Çünkü çok katmanlı sinir ağlarında başarılı sonuç elde etsek de o sonucu nereden geldiğini ya da kainatın ne olduğunu bilmiyoruz. Böyle bir handikapımız var. Üstelikçe makina bize bilmiyor mu demiyor. Her türlü bir cevabı var. Böyle bir sıkıntımız var. Bunu mu demek istediğin demesini biz sevmiyor muyuz? Seviyoruz aslında. Yani bunu mu demek istediğini seviyoruz. Ama yeri geldiğini bilmiyorum demesi de lazım ki biz neyi öğrenmediğini anlayabilirim. Ona da ona göre öğretelim. Her şey bir cevabı olan şeyi neyi bilip neyi bilmediğini maalesef keşfedemiyoruz. Gerçi bu... Bunu da mesela bir soruda şöyle. Yapay zeka yöntemi duygu ekleyebilir miyiz? Zekir etlik ve ahlak öğretilebilecek mi? Duygu eklenebilir. Öncelikle onu söyleyeyim. Bir matematikçi olarak şunu ifade etmekte fayda var. Matematikse olarak modelini, denklemine oluşturabildiğim her şey benim için makineye öğretilebilir vaziyeti. Geçmişte de bazı duygularla ilgili çalışmalar yaptık ve bu çalışmalar sonucunda makineye duyguların öğretebileceğini biliyoruz. Tabii makinalara duyguları eklemek ister miyiz? Bu da başka bir tartışma konusu. Unsupervised tarafına gelecek olursam, unsupervised kuvvetli bir matematik olmasına rağmen yine veriyi aç bir yöntem. O yüzden elimde yatarla derecede veri yoksa geleceğin yönteme olduğunu söyleyemem. Çünkü burada benim derdim enerjiyi etkili bir şekilde kullanabiliyor. Çok enerji harcayarak sonuç elde etmek istemiyorum. Türkiye'de bir enerji krizi ne konuşmuyor olabiliriz ama bizim Amerika'daki temel gündemlerimizle arasında muhakkak enerji yer alıyor. Bir soru da gelecekte yapay zehkanın işsizlik soruna yol açacağını düşünüyorum. Bu konuda düşüncelerinizle sorulmuş. Bu arada arkadaşlar sorularınız varsa bu chat sorular cevaplar bölümüne yazabilirsiniz. Bu arada geleceğim meslekle ilgili öneriler geliyor. O konuda da önerisi olanlar varsa aklına gelirler yine yazabilirler chat bölümüne. Buyurun hocam. Şöyle ben işsizlik soruna yol açacağını inanmıyorum. Andrew Engie'nin tanımını atıf yapmamın temellediğini de buydu. Elektrik işsizliği yol açmadı. Ama elektrik öncesinde sokak lambalarını yakan ve söndüren birileri vardı. Elektrik sayesinde o insanların hayatı ve mesleği daha kolay yapılabilir hale geldi. Yapay zeka da insanoğluna yeni meslekler hediye edecek. Hatta pandemi öncesinde 21 milyon yeni meslek grubunun ortaya çıkacağı idare ediliyordu. Yapay zekanın bize sağlayacağı fayda bir mesleği icra ederken harcadığımız zamanı ve öğrenmek zorunda kaldığımız o bilgileri daha süzerek daha kaliteli şekilde öğrenmemize yardımcı olması. Bakın bugün geçmişten bir örnek vereyim. Çok sıkçıda verdiğim bir örnek. Mesela tanzeyimat döneminde Berber aynı zamanda işte beli ölçülerde doktordu, dişhek kemiği de işte berberlik grubu mesleğini zaten icra ediyordu. Sünnetçiydi, beli ölçülerde cildiği uzmanıydı, hacamat yapardı. Şimdi tüm bu acılardan baktığımızda berberlik mesleğinin böyle bir kapsama sahip olması son derece saçma geliyor. Ama dönemin normaliydi bu. Fakat o berberlikten bilgi miktarı arttığı için ve gereken yetenek miktarı arttığı için 5-6 farklı meslek doğdu. Ama dişhekimliğini ele alalım. Dişhekimi dediğimiz kişi 5 sene okuyor ama 5 sene okuduğunda dişhekimliğinin işte ortodontist, çene cerrahı, tel yapan vesaire gibi 6 farklı dalı da var. Şimdi bir dişhekiminin uçtun oca bir dişhekimi olması için ömrünün sosyal hayatını bir kenara bırakıp salt bunları öğrenmek için kendine harcaması gerekir. Ya da bir doktorun 12 saatlik bir ameliyata girmesi ne kadar mantıklı. Şimdi bu noktalarda yapay zeka insanın fiziksel kapasitesini kullanması gereken işleri üzerine olacak. Çünkü insan düşünüyorsa o halde var olabilen bir varlık. Bilistsel kapasitesini kullanması gereken bir varlık. Ama o bilistsel kapasitesini de fiziksel sınırları içerisinde kullanabilmesi gerekiyor. O yüzden meslekleri daha yapılabilir, daha odaklı hale getirecek. Kaldırmayacak. Evet, şimdi hemen hızlanıyorum. Verite etiğinden basabilir misiniz sevdan hocam? Şimdi etik ve ahlak konusu çok tartışılan bir konu. Eğer biz yapaydar zekada kalmaya devam edersek, Amerika, Avrupa, Polonya, bu arada Polonya bu sabah 1 milyar dolarlık yatırım aldı IBM'den haberiniz olsun. Hani, pardon Microsoft'dan düzelteyim. Geleceğin dijital dönüşüm merkezde olacak. Bu ülkeler de etik ve ahlak tanımana yönelik bir veriseti oluşturulursa, o veriden öğrenen yapaydar zeka, o bölgenin etik ve ahlak değerlerini öğrenir ve buna göre karar üretir. Ama siz o yapay zekayı alıp, Türkiye'ye getirdiğiniz an burada çalışmaz. Dolayısıyla sınaldığı gibi, insan gibi etik ve ahlak değerlerine sahip olan bir yapay zeka üretebilmek için bizim yapaydar zekada değil, yapay genel zekada olmamız lazım. Şu anda elimizdeki veriyle yapay zekayla sadece toplayabildiğimiz, açabildiğimiz, kaliteli hale getirebildiğimiz veri sayesinde her şeyi üretebiliriz. Ama o her şeyi genellenebilir mi? Orası tatişilir. Makina öğrenmesinde yazılım kendini ağıt put verip o veriyi de int olarak kendine veri eklemek için kullanabilir mi? Şimdi şöyle düşünelim, dışarıya verdiği o çıktığı, tekrar input alması durumunda kontünyus bir makina öğrenmesi süreci dediğimiz bir alana geliyoruz. Yani siz güzel kadın olarak ürettiğiniz çıktığı tekrar alıp güzel kadınla diye süreçte sorulutabilirsiniz. Bunun gibi sorun yok. Ama bunu çok fazla, çok yüksek miktarlığı kullandığınızda kendi küçük dünyasında dönen bir yapay zeka ürettiğiniz için ezberleyen, öğrenemeyen dar bir bakışa sahip at gözü takmış bir yapay zeka ya sahip olabilirsiniz. Veride çeşitlilik önemlidir. Pratikte kullandığımız yapay zeka uygulamalarına örnek görebilir misiniz? Drone teknolojileri, sürücüsüz araçlar, dronlarla yapılan orman ekim alanları, elezyonların tespiti, iki gün önce yayınlandığı kaldırımlardaki çökmelerin yollardaki asfaltın kalitesini ölçen yapay zeka uygulamaları ya da işte takip sistemleri, koronayla birlikte özellikle sosyal mesafenin korunup korunmadığı, kişilerin koronaya sahip olup olmadığının riskini ifade eden uygulamaların tamamı yapay dar zeka kapsamında cildenizdeki benim kanserli bir ben olup olmadığını yoksa sıradan bir ben olup olmadığını tespit eden ya da işte telefonunuzda sizin çektiğiniz resmi bir de Ebru deseni çekip sizi Ebru'lu bir görüntü haline çeviren her şeyi yapay zeka uygulamaları kapsamında kabul edilebilir. Telefonunuzdaki sürü de belli ölçülerde bir nevi yapay zeka olarak düşünülebilir. Şimdi sistemsel ve ağlar dolaşan en ufak problemde teknoloji ve teknoloji araçlarının işlevini yitirdiğini görüyoruz. Yapay zeka'nın tek bir işleyebilirliği mümkün mü ya da yaşanacak problemlerde ev edin uygulanacak nasıl bir artanelik düşünülüyor. Yapay zeka da eğer siz bizim bir yapay zeka projemizde son adımız canlıyı almaktır. Yani o yapay zeka projesini halka arz ederiz ya da şirketlik çalışanlara uymuşları arz ederiz. Şimdi o aşamaya kadar her türlü soruna, bilindik soruna hakim olmanız çözebilmeniz gerekiyor. O aşamadan sonra halka arz etme aşamasından sonra meydana gelecek bir sorun zaten toplumla yapay zeka arasındaki dengeye bozar. Ama kolay olan şey şu, biz o aşamaya gelen ne kadar hangi adamlar adımlarla tökyezleyeceğimizi biliyoruz. İlk tökyezlediğimiz adam şudur merkeze yapay zeka'ya almak büyük bir hatadır. Merkeze problemin Yani siz önce probleminizi doğru tanımlamak, kapsamın doğru belirlemeniz gerek belirlemek zorundasınız. İkinci önemli şey o problemi çözmemiz için gereken değişkenler parametreler nelerdir? Üçüncü adım en kritik adımlarından bir tanesi o parametreleri karşılayan biri var mı? O veri yoksa ya da hedef kitleğinizi karşılayacak kadar o veriden zaten sahip değilseniz kendinizi kandırmış oluyorsunuz. Problem çözmüş falan olmuyorsunuz. Çünkü statistik 101 evren ve örneklem. Hani siyasi seçimlerde diyoruz ya işte sonuçlar böyle geldi. Neden? İşte şurada yaptıkları için öyle geldi. Olur mu? Aslında sandıktan bu çıkmayacak, mayonepile ediyorlar sonuçları. Hayır. Evren-Türkiye olmasına rağmen örneklem olarak gidip A bölgesini seçtikleri için A bölgesinin görüşünü yansıtmış oluyorlar. Dolayısıyla evren-Türkiye'yi ise Türkiye'yi en iyi temsil eden bölge neresidir? Oradan gidip veri toplamanız lazım. O halde problemimizi en iyi çözen problemimizi sahip olan evren neresidir? Bu evrenin en iyi temsil eden örneklem neresidir? O örneklenden gidip veriyi almanız gerekti. Dön yargısız olmalısınız. Sizin de ön yargılarınız varsa güzel kadınlar gibi yapay zekanı yapabileceği bir şey yok. İnsanın düşünceleri yapay zekaya yansır. Kontrolleden çıkma ihtimali var mı? Yapay dar zekanın kontrolleden çıkma ihtimali yok. İnsanın kontrolleden çıkma ihtimali var. İnsan çünkü her şeyi yapıyor. Mesela korona sürecinde sağlıklı insanlarla sağlıksız insanlara ayırmak için çin çok katı yöntemler uyguladı. Sizin basit bir et-hicaret alışverişinin sayesinde topladığı lokasyon verilerine bağlı olarak sizi etik et dedi. Sen evden çıkarsan seni hapise atarım dedi. Bu noktada kontrolleden çıkan tamamıyla insandır. Yapay dar zekanın kontrolleden çıkması, kötücülü olması, kötü sonuç üretmesinin arkasında insan var. Başkası değil. Çünkü insan o veriyi topluyor. İnsan o problemi tanımlıyor. İnsan bunu manipüle ediyor. Şimdi şöyle bir yorum var. 2016 yılında doğan çocukların 150 sırında iş yapacağı henüz ricaat edilmemiştir. Eski dünyada değil, sürekli işe çok uzun gelişen dünyaya yapay zekayı biz araysız bırakmayacak. Bizim için bahşişler yapacak. Katılır mısınız? Basit derken şöyle düzeltmek de fayda var. Beriden öğretebildiğimiz ve daha başarılı sonuçlar öğretebileceğiniz her şeyi yapay zekayı yaptıracağız. Örneğin bir patolojik sonucunda yani bir tüm ürün kanserli ya da kansersiz olduğu noktada insandan, bir doktordan, bir patolojistten daha başarılı sonuçları öğreten yapay zeka uygulamalarımız var. Bu noktada biz o yapay yapayla uygulamasını tercih ediyoruz. O iş bir iş değil ama doktorluk gibi kıymetli ya da patolojistlik gibi zor bir mesleğin büyük bir kısmını yükünü elinden aldığı için işsiz bırakır mı? Hayır bırakmaz. Bir işsiz bırakır bulunduğu kum havuzunda oynamayı devam eden, kendini geliştirmeyi ve yinele mirre denen herkese işsiz bırakır. Şimdi bu noktada hocam bir saatimizi doldurduk yani çok ciddi anlamda soru geliyor ve bu soruları yani ben şeyde formatı da şeyin dışarıda çıkmak istemiyorum. Konuşunu anlamış oldum ben bu ilgiden. Biz bu noktada son yapayla ilgili gelişmeler nedir? Artı ülkemiz için neler yapılması gerekiyor diye sanırım sonradan bir program daha yapmamız gerekecek. Yani bu noktada yani diğer katılım içeride sıkmak istemiyorum. Dediğimiz şeyinle çok dışına çıkmak istemiyorum. Bu şeyde kesmek istiyorum. Size de çeşitli meslek önerileri yazılmış. Bunlarda iletileceğim. Hoşuma gitti mesela. Stelizasyon mühendisliği ve danışmanlığı. İriyacı uzmanlığı. Mesela çok değişik şeyler var. Bunlarda şey yapacağım. Ben tüm katılımcılarımıza çok teşekkür ediyorum. Şevrem Hoca'mla sizlerden gelen bu fitbeklerle önümüzdeki dönemlerde yeniden bir program mutlaka yapacağız. Ve birazcık daha böyle gireceğin dünyasını nasıl yaşanacak? Gireceğin dünyasında neler olacak? Ve bu gireceğin dünyasının şekillenmesinde yine veri konusunda Türkiye'ye ne yapması gerekiyor? Nasıl dünyayla entegre olması gerekiyor? Ve yapay zekânda aslında anladık ki veri yoksa yapay zekâdıya bir şeyden bahsetmek maalesef mümkün değil. Yani biz verimizi belli Usta standartlarda toplamalı ve yönetmeliyiz ki bu sistemlere katkı sağlayabilelim. Ben tekrar teşekkür ediyorum. Şevrem Hoca'ma da çok teşekkür ediyorum. Katılımcısı teşekkür ediyorum. Biz de yarın geniş bir ekiple Saat Akku'da Şevrem Hoca'ma misafir oluyoruz. Yarın HAP programına. HAP özel yarın gerçekleşecek. Sevgili İlkay Orçun ve Yasemin'le beraber. Biz de Şevrem Hoca'mın komünitisini bu konuda ilgili bize anlatacağız. Bizim komünitiye de bu konudaki Şevrem Hoca'ma görseli dağıttıktan sonra yine paylaşırım ben. Yarınki toplantımıza da, yarınki buluşmamıza da Saat 6'da yarın akşam. Bekleriz. Tekrar herkese çok teşekkür ediyorum. Güzel, keyifli bir gündeliyorum. Umarım en kıza zamanda tekrar hayatımıza döneriz. Belki bu noktada hocam en son MIT ile bir toplantıya katılmışsınız geri dönüşte ilgili. Birkaç cümlede orada söylerseniz. Dün gece gerçekleşti MIT'deki toplantı. Ana fikir şu çok küçük adımlara atalım. Çok büyük adımlar atmayalım. Çünkü karşımızdaki süreci çok bilmiyoruz şeklinde. Örneğin MIT şu anda kademeli olarak işlere geri dönüşü başlatacak. Kademeli'den kastettiğim MIT gibi çok büyük bir komünsiyenin yaklaşık %3 önce başlayacak. Ve bu %3 hafif hafif 15 günde bir arttırılarak devam ettirecek. El ile ilgili bir karar vermediler. El ile ilgili kararı temmuz ayına kadar bekletecekler. Çünkü ikinci bir dalga şüphesi çok kuvvetli şekilde kapımızda duruyor. Tamam. Çok teşekkür ederim hocam. Konuşma dükkânına bu çakalın değerli katılımcılarımız. Yeni semnlerimizi, yeni webilerimizi övümüze günlerde duyuracağız. Sizlerle yine beraber olacağız. Güzel bir gün diliyorum tekrar.