- Katılım
- 2 Ocak 2026
- Mesajlar
- 17
- Tepkime puanı
- 26
- Puan
- 13
Yapay zekâ (AI), günümüzdeki yazılım dünyasında artık sadece "yenilikçi bir özellik" değil, yazılım sistemlerinin ana bileşenlerinden biri haline gelmiştir. Ancak, AI sistemlerini bir yazılım projesine entegre etmeden önce, bu sistemlerin ne olduğunu ve daha da önemlisi ne olmadığını anlamak çok önemli bir yere sahiptir, çünkü ne olduğunu araştırmadan, bilmeden bir sistemi projenize entegre etmeye çalışmak hatalara hatta daha da ötesi projenizin beklediğinizden çok daha fazla sorunlar çıkarmasına sebep olabilir.
1. Yapay Zekâ Nedir, Ne Değildir?
Yapay zekâ, temelde kendisine verilen datalardan öğrenen ve bu datalar doğrultusunda belirli görevleri, sizin isteklerinizi yerine getiren istatistiksel modeller bütünüdür.- Yapay Zeka Nedir? Karmaşık veri setleri içindeki verileri, olasılık hesapları yaparak çıktı üreten bir matematiksel yapıdır. Yani girdiğiniz veriler çok kalabalık ve karışık olabilir, kendi yapacağınız işi çok daha hızlı ve pratik bir şekilde yapıp işleme sokan bir sistemdir.
- Yapay Zeka Ne Değildir? Bir "insan gibi düşünme" yapısı değildir. Yapay zekâ, İnsanlar gibi duygusal veya mantıksal çıkarım yapmaz; elindeki veriyi matematiksel olarak işler. Fakat dikkat edilmesi gereken konu her soruyu sormamaktır çünkü yapay zekalarda halisünasyon ihtimalleri olduğu için yanlış yönlendirme alabilirsiniz, buna çok dikkat etmek gerektir.
2. AI Yapısı: AI, ML ve DL
Yazılım geliştirme süreçlerinde doğru süreci işlemek ve kullanmak, sistemin sınırlarını belirlemek için gereklidir:- Yapay Zekâ (AI): İnsan zekasını taklit eden sistemlerin genel adıdır.
- Makine Öğrenmesi (ML): Sizin verdiğiniz datalardan öğrenen ve deneyimle performansını artıran algoritmalardır. Örnek olarak bir developer olarak şöyle bir mantık kurduğunu varsayalım, Size gelen mailler arasından içinde "Kampanya", "Bedava", "Tıkla" kelimeleri eğer geçiyorsa bunları SPAM'a gönder yada gönderen adresi ".xyz" ile bitiyorsa bunlarıda aynı şekilde SPAM'a gönder.
- Derin Öğrenme (DL): Çok katmanlı yapay sinir ağlarını kullanarak, özellikle görsel ve işitsel gibi yüksek boyutlu verileri işler, aslında kendisi Machine Learning'in alt dalıdır. Buradada örnek vermek gerekirse bir fotoğraftaki arabayı tanımlayacak bir sistem varsayıyoruz. Öncelikle bazı featuresleri tanımlamamız gereklidir mesela;
- "Dört tane yuvarlak şekil varsa tekerlektir."
- "Dikdörtgen bir metalik gövde varsa kasadır."
- "Önde iki parlak nokta varsa fardır."
- Bunun gibi özelliklerle makinemizin öğrenmesini sağlarız, evet şimdi asıl sorulacak soru bunun ML'den ne farkı var yani ML'de öğreniyor DL'de öğreniyor fakat aradaki fark ne? işte burada Derin öğrenme denen yani derin kelimesi bize cevabımızı veriyor. "Derin" denmesinin sebebi, verinin işlendiği katman sayısının fazlalığıdır. Tıpkı insan beynindeki nöronlar gibi, her katman bilgiyi bir sonrakine aktarır ve her adımda daha anlamlı hale gelir.
Buradada örnek olarak aradaki farkı görebiliyoruz (görseller AI tarafından olduğu için yazılarda sorunlar olabilir, önemli olan mantığın anlaşılması)
3. Yazılımların Çalışma Mantığı: Deterministik vs. Probabilistik
Geleneksel yazılımlar deterministiktir; yani Eğer A ise B yap mantığıyla çalışır biraz daha düz kafa denilebilir yani girdi aynıysa çıktı her zaman aynıdır. Fakat yapay zekâ destekli yazılımlar probabilistik (olasılıksal) bir mantıkla çalışır. Bu yapılarda sistem size kesin bir doğru değil, yüksek olasılıklı bir tahmin sunar. Developerin görevi, bu olasılıksal çıktıyı deterministik bir sistem içinde güvenli bir şekilde yönetmektir.4. Güvenlik Riskleri ve Sınırlamalar
Yapay zekâ sistemleri doğası gereği bazı riskler taşır:- Halüsinasyon: Modellerin teknik olarak doğru görünse de gerçekte yanlış veya uydurma bilgiler üretmesi. Kesinlikle en dikkat edilmesi gereken risk budur çünkü şu dönemde yapay zekaya soru sorup aldığı bilgiyi %100 doğru olarak düşünüp buna göre hareket eden yüksek oranda bir kitle var.
- Veri Yanlılığı (Bias): Modelin eğitildiği veri setindeki önyargıları öğrenmesi ve kararlarına yansıtması.
- Kara Kutu (Black Box) Problemi: Modelin bir karara tam olarak neden ve nasıl vardığının her zaman açıklanamaması.