Sürekli Birbirine Karıştırılan Yapay Zekâ, Derin Öğrenme ve Makine Öğrenimi Kavramları Arasındaki Önemli Farklar

ChatGPT, Midjourney ve DALL-E gibi girişimler sayesinde yapay zekâ, makine öğrenimi ve derin öğrenme kavramları sıklıkla gündeme geliyor. Peki bunların farkları neler?

Görsel oluşturma, yazı yazma ve benzeri becerilerde gerçekleştirdiği çarpıcı atılımlar sayesinde yapay zekâ, artık hiç olmadığı kadar meşhur. YouTube’da ve Instagram’da aramalar yaparken ve hatta iş başvurusu yaparken bile ister istemez yapay zekâyla etkileşimdeyiz.

Bu teknolojiden şu anda her ne kadar düzenli olarak faydalanıyor olsak da nereden ortaya çıktığını ve nasıl geliştiğini ya bilmiyoruz ya da pek merak etmiyoruz. Bu sektörde her şeyin nasıl işlediğini hiç merak etmiş miydiniz?

Yapay zekâyı ne kadar çok veriyle beslerseniz, öğrenme kabiliyeti o kadar gelişiyor. Öğrenme mantığı, lokomotife kömür atmaya benzetilebilir.

Fakat her kömür atıldığında lokomotifin kömürü tanımaya ve taklit etmeye, sonrasında da kömür üretmeye başladığını düşünün.

Yapay zekânın olabildiğince fazla veriye ihtiyaç duyduğu bu öğrenme sürecine makine öğrenimi deniyor.

Makine öğreniminin gerçekleşmesi için, yukarıdakiler gibi birbirine benzeyen binlerce görsel kullanmanız gerekebilir.

Makine öğrenimi esnasında yapay zekâ, zamanla beyin hücreleri olan veri tabanlarını oluşturur. Bu beyin hücresi gibi olan kısımlara yapay sinir ağları da denir. Bunlar sayesinde yapay zekâ, zamanla kendisine gösterileni tanımaya başlar. Buna da derin öğrenme denmekte. Derin öğrenmenin üstteki gibi katmanları bulunuyor.

Şimdi basit bir örnekten gidelim. Böylelikle bu üç ayrı konseptin farklarını pekiştirmiş oluruz.

Midjourney gibi görsel oluşturan bir yapay zekâyı ele alalım. Adı “Tablobot” olsun. Bu yapay zekâ, ortaya çıkan ürünün ta kendisi olacak.

Tablobot’u eğitmek için görsellerden ve fotoğraflardan faydalanmanız gerek. Tablobot’un bu öğrenme süreci makine öğrenimidir.

Tablobot’a ne kadar çok görsel verirseniz, yapması gerekeni o kadar iyi ezberler, kendi veri tabanını oluşturur. Veri tabanını bir beyin gibi düşünün. Beyin çok “derin” ve karmaşık bir veri tabanıdır. Öğrenilen her şey burada depolanır. Bu yüzden buna da derin öğrenme deriz.

Kısacası makine öğrenimi, yapay zekânın öğrenme kabiliyeti. Derin öğrenme, makine öğreniminin veri tabanı veya beyni ile ilgilenen kısım. Yapay zekâ ise ortaya çıkan son ürün.

Farkları aradan çıkardığımıza göre sonuca gelelim.

• Tablobot’a 50 bin görsel verdik diyelim, artık hizmete hazır. Bu noktadan itibaren üsttekiler gibi görseller oluşturabiliyor olacak. Geriye kalan tek şey, talimat vermek oluyor.
• Tablobot, makine öğrenimi ve derin öğrenme evrelerini aştı.
• Tebrikler! Tablobot artık bir yapay zekâ!

Tabii, her teknolojik atılımda olduğu gibi yapay zekânın da artıları kadar eksileri var. İnsanların yapabildiği bazı işleri yapabileceği için dünya çapında milyonlarca kişiyi işsiz bırakma ihtimali söz konusu.

Yapay zekâya dair genel bakış açısı şimdilik olumlu yönde. Doktorların dahi fark edemedikleri hastalık izlerini fark edebilen, karman çorman şehirlerimizde bizler için pratik rotalar oluşturabilen ve daha nice faydaları olabilecek yapay zekâ, daha yolun başında.

Fakat unutmamalıyız ki yapay zekâ, geliştikçe insanların yaptığı çoğu mesleği tarihe karıştırabilecek bir sektör ve teknoloji. Bu yüzden geniş çaplı işsizlik dalgasına sebep olması mümkün.