Yapay zekânın sizi etkilemesi için onu anlamanız gerekmiyor. Anlamak yalnızca ne zaman etkilediğini fark etmenizi sağlıyor.
Bir harita uygulaması açtığınızda gördüğünüz varış saati bir tahmin. Bir akışta gezinirken gönderilerin sırası, dikkatinizi neyin tutacağına dair bir tahmin. Kartla ödeme yaptığınızda, saniyenin çok küçük bir kesrinde bir model bu ödemenin dolandırıcılık olma ihtimalini hesaplamış oluyor. Etrafınızdaki yapay zekânın çoğu bir sohbet botu değil. Arka planda durmadan yapılan küçük tahminlerden oluşan bir akış ve bunlar bir araya gelince dijital dünyanın size nasıl davrandığının büyük bölümünü belirliyor.
Kurallardan tahminlere
Geleneksel yazılım, bir programcının yazdığı kuralları izler: bakiye sıfırın altındaysa ödemeyi reddet. Makine öğrenimi bu elle yazılmış kuralların birçoğunun yerine veriden öğrenilmiş örüntüleri koyar. Kimse dolandırıcılık amaçlı bir ödemenin neye benzediğini tarif eden bir kural yazmaz. Bunun yerine bir modele, her biri gerçek ya da sahte olarak işaretlenmiş milyonlarca geçmiş ödeme gösterilir ve model örüntüyü kendisi çıkarır.
Tarif hep aşağı yukarı aynı: veri topla, içindeki örüntüleri bul, sonra bu örüntüleri kullanarak yeni durumlar hakkında anında tahmin yap. Andrew Ng bir keresinde yapay zekâya "yeni elektrik" demişti. Benzetme en azından bir açıdan doğru: elektrik gibi yapay zekâ da çoğunlukla altyapının içinde kaybolur ve onu ancak bir şeyler ters gittiğinde fark edersiniz.
Onunla zaten nerelerde karşılaşıyorsunuz?
- Sağlık. Modeller tıbbi görüntülerin okunmasına ve risklerin erken fark edilmesine yardım ediyor. DeepMind ve Moorfields Göz Hastanesi'nin 2018'deki çalışmasında tanıtılan sistem, 50'den fazla göz hastalığı için doğru sevk kararını önde gelen uzmanlarla aşağı yukarı aynı doğrulukta verebiliyordu.
- Bankacılık. Dolandırıcılık tespiti, kredi puanlaması ve robo-danışman denen otomatik yatırım hizmetlerinin hepsi modellerle çalışıyor.
- Alışveriş. Amazon'un önerileri, üründen ürüne işbirlikçi filtrelemeden doğdu: bunu alanlar şunu da aldı. Pek çok sitede fiyatlar artık tahmin edilen talebe göre değişiyor.
- Sosyal medya ve dijital yayın. Akışınız, "Sizin İçin" sayfanız ve Spotify çalma listeleriniz, bir sonra neyi izleyeceğinizi, beğeneceğinizi ya da dinleyeceğinizi tahmin eden modellerle sıralanıyor.
- Ulaşım. Navigasyon uygulamaları trafiği öngörüyor, araç çağırma uygulamaları talebi tahmin edip fiyat belirliyor, sürüş destek sistemleri şeritleri ve trafik işaretlerini tanıyor.
- Öğrenme ve yazma. Yazma asistanları ve dil öğrenme uygulamaları anında geri bildirim veriyor ve bir sonraki alıştırmayı az önce yaptığınız hatalara göre ayarlıyor.
- Lojistik ve tarım. Kargo şirketleri talebi öngörüp rota planlıyor; çiftçiler drone görüntüleri ve modeller sayesinde ürün hastalıklarını yayılmadan fark ediyor.
Bir modeli uygulamaya koymanın bedeli
Makine öğrenimini gündelik ürünlerde kullanmak büyük ölçüde bir ödünleşim meselesi ve kullanıcı olarak bunları göremeseniz de hissedersiniz. İlki hız. Telefonunuzda çalışan bir model birkaç milisaniyede cevap verir ve verileriniz cihazdan hiç çıkmaz, ama modelin küçük olması gerekir. Buluttaki büyük bir model çok daha yeteneklidir; fakat her istek ağ üzerinden gider, bu da fark edilir bir gecikme ekler ve verilerinizin başkasının sunucusuna gitmesi demektir.
| Model nerede çalışıyor? | Tipik gecikme | Gizlilik | Başlıca sınır |
|---|---|---|---|
| Cihazın üzerinde (Core ML, ONNX Runtime) | 10 ms'nin altında | Veri telefonda kalır | Bellek ve pil |
| Yakındaki sunucular, optimize edilmiş modellerle | Onlarca milisaniye | Veri şifreli bir bağlantı üzerinden gönderilir | Sunucu ve GPU maliyeti |
| Buluttaki büyük dil modelleri | Yarım saniyeden birkaç saniyeye | Verinizin daha büyük bir kısmı cihazdan çıkar | Yoğun saatlerde yavaş ve öngörülemeyen yanıtlar |
İkinci ödünleşim, doğruluk ile yan etkiler arasında:
- Etkileşim için ayarlanmış öneri sistemleri size zaten popüler olanı daha çok gösterir ve niş içeriği bulmak zorlaşır.
- Fazla katı dolandırıcılık modelleri bankanın kaybını azaltır ama kasada gerçek müşterileri engeller.
- Otomatik tamamlama yazma zahmetini azaltır, ama herkesi aynı kalıplara iter ve eğitim verisindeki önyargıları tekrar edebilir.
Bu sizin için ne anlama geliyor?
Yapay zekâ artık uzak ya da teorik bir konu değil. Ne okuduğunuza, ne ödediğinize, hatta bazen kredi alıp alamayacağınıza dair kararların içinde duruyor. Bununla baş etmek için kod yazmayı öğrenmeniz gerekmiyor; ama bu sistemlerin nasıl çalıştığına dair temel bir sezgi sizi daha bilinçli bir müşteri, çalışan ve vatandaş yapar.
- Meraklı olun. Temel fikirleri ve kavramları öğrenin: eğitim verisi, tahmin, öneri, önyargı. Tartışmaların çoğunu takip etmek için bu kadarı yeter.
- Neden diye sorun. Bir öneri karşınıza çıktığında neyi optimize ettiğini sorun. Size yardım mı ediyor, yoksa sizi bir yöne mi itiyor?
- Şeffaflık bekleyin. Modeller kamu hizmetlerine, işe alıma ve kredi kararlarına girdikçe kararların nasıl verildiğini ve nasıl itiraz edebileceğinizi sormak son derece meşru.
Farkı onu kullananlar yaratıyor
Yapay zekâ insanların yerini almaktan çok, onu iyi kullananın gücünü artırıyor. İster işletme yönetin, ister öğrenci, politika yapıcı ya da sanatçı olun; bu sistemlerin kabaca nasıl çalıştığını ve nerede yanıldığını bilmek, yirmi yıl önce internette arama yapmayı bilmek gibi, temel dijital okuryazarlığın bir parçası hâline geliyor.
