Yapay zekâ ajanının milyon dolarlara doğru giden yolculuğu; Temmuz 2024’te, ünlü girişim kapitalisti Marc Andreessen’in yapay zekâ ajanı Truth Terminal’e 50.000 dolar değerinde Bitcoin bağışı yapması ve ardından onun Solana blok zincirinde GOAT adlı bir meme coin oluşturmasıyla başladı. Truth Terminal’in bu tokenı tanıtmasıyla birlikte, değeri hızla arttı ve botun kripto varlıkları milyonlarca dolara ulaştı.
Başlangıçta bir deney olarak geliştirilen bu yapay zekâ ajanı, kendi kendine yönlendirme yeteneği sayesinde kripto dünyasında öyle büyük bir etki yarattı ki; merkeziyetsiz finans (DeFi) ile yapay zekâ ajanlarının kesişimini gösteren önemli bir örnek haline geldi. Yapay zekâ ajanlarının gücü böylece tüm dikkatleri üstüne çekti. İşin içinde bir de 20 milyon dolar olunca alarm çanları çalmaya başladı.
ALARMLAR ÇALA DURSUN, BİZ BİRAN ÖNCE YAPAY ZEKÂ AJANLARININ NE OLDUĞUNU ÖĞRENELİM!
Konuya temelini anlamadan direk ortadan girersek kafamız karışabilir ve konuya yabancılaşabiliriz. O yüzden en basit hali ile yapay zekâ ajanlarını öğrenmemiz önemli.
Birkaç gündür gündemde olan ve merkeziyetsizlik adına yeni bir örnek olan Fransa’nın açık kaynak yapay zekâ modeli Mistral’den yapay zekâ ajanlarını anlaşılır bir dilde anlatmasını istedim. Avrupa kaynaklı olduğu için yine Avrupa’nın sıcak gündeminden bir konuyla da eşleştirdim. AB Yapay Zekâ Yasası’nın Şubat ayı itibariyle devreye giren yapay zekâ okur yazarlığı koşuluna da atıfta bulunarak, “yapay zekâ okur yazarlığı ihtiyacını yapay zekâ ajanları açısından karşılayacak bir yazı ile yapay zekâ ajanlarını anlatır mısın?” diye ona sordum. Aslında yeri gelmişken söylemek lazım Google’ın ajanlarla ilgili oldukça kapsamlı bir makalesi var ve ilgilenenler mutlaka okumalı. Konuyu yapay zekâ okuryazarlığı açısından ele al deyince Mistral oldukça anlaşılır, sade ve kimsenin yeterince konuşmadığı en temel yönleri ile yapay zekâ ajanlarını anlattı. Böyle olunca da dergiye eklemek kaçınılmaz oldu.
MISTRAL ANLATIYOR
YAPAY ZEKÂ AJANLARI EYLEMDE BULUNAN AKILLI SİSTEMLERDİR
Yapay zekâ ajanları, çevrelerini algılayarak belirli hedeflere ulaşmak için eylemde bulunan akıllı sistemlerdir. Sanal asistanlardan otonom araçlara kadar birçok alanda kullanılırlar. AI ajanlarını anlamak, yapay zekâ okuryazarlığı için önemlidir, çünkü bu sistemler giderek günlük yaşamımızı etkilemektedir.
YAPAY ZEKÂ AJANLARININ TÜRLERİ
- Basit Refleks Ajanları yalnızca mevcut durumu dikkate alarak karar verir ve geçmiş bilgileri göz önünde bulundurmaz. Basit kontrol sistemleri ve temel robotik görevlerde kullanılırlar. Örneğin sıcaklık belli bir seviyenin altına düştüğünde ısıtıcıyı açan bir termostat.
- Model Tabanlı Refleks Ajanları çevre hakkında bir iç model oluşturarak geçmiş bilgileri dikkate alır ve gözlemlenemeyen unsurları tahmin eder. Navigasyon sistemleri ve otonom araçlarda kullanılırlar. Örneğin bulunduğu ortamın haritasını kullanarak hareket eden bir robot.
- Hedef Odaklı Ajanlar belirli bir hedefe ulaşmak için mevcut duruma göre kararlar alır. Örneğin kazanmayı hedefleyen bir satranç programı.
- Fayda Tabanlı Ajanlar seçenekleri değerlendirerek maksimum fayda sağlayan kararları alır. Bu kararlar bir fayda (utility) fonksiyonuna göre belirlenir. Finansal işlemler ve kaynak yönetiminde kullanılırlar. Örneğin maksimum kar elde etmeyi hedefleyen bir borsa işlem algoritması.
- Öğrenen Ajanlar deneyimlerinden öğrenerek zamanla performansını geliştiren ajanlardır. Makine öğrenmesi algoritmalarını kullanarak yeni durumlara adapte olurlar. Kişiselleştirilmiş öneri sistemleri ve uyarlanabilir yapay zekâ sistemlerinde kullanılırlar. Örneğin kullanıcı geri bildirimlerine göre önerilerini geliştiren bir öneri sistemi.
YAPAY ZEKÂ AJANLARININ TEMEL BİLEŞENLERİ
1. Algılama (Perception): Çevreden duyusal bilgileri toplayıp yorumlama yeteneği. Çevreyi anlamak ve bilinçli kararlar almak için gereklidir; kameralar, sensörler, mikrofonlar gibi.
2. Akıl Yürütme (Reasoning): Algılanan bilgiler ve içsel bilgiler kullanılarak karar alma süreci. Hedeflere ulaşmak için en iyi eylemleri seçmede kritik rol oynar; kural tabanlı sistemler, karar ağaçları, sinir ağları gibi.
3. Öğrenme (Learning): Deneyimlerden öğrenerek zamanla performansı iyileştirme yeteneği. Yeni durumlara uyum sağlamayı ve sürekli gelişimi mümkün kılar; denetimli öğrenme, denetimsiz öğrenme, pekiştirmeli öğrenme gibi.
4. Hareket ve Uygulama (Actuation): Çevrede eylemleri gerçekleştirme yeteneği. Alınan kararları uygulamak ve hedeflere ulaşmak için gereklidir; motorlar, aktüatörler, yazılım komutları gibi.
YAPAY ZEKÂ AJANLARININ KULLANIM ALANLARI
1. Sanal Asistanlar: Bilgi sağlama, hatırlatıcı kurma ve akıllı ev cihazlarını kontrol etme gibi alanlarda kullanılırlar. Örneğin Siri, Alexa, Google Asistan gibi.
2. Otonom Araçlar: Ulaşım, teslimat, gözetim için sürücüsüz arabalar veya dronlar gibi.
3. Sağlık Sektörü: Hastalık teşhisi, tedavi planlaması ve cerrahi yardım için teşhis sistemlerinde kullanılırlar. Örneğin robotik cerrahi gibi.
4. Finans: Borsa işlemleri, risk yönetimi ve sahtekarlık önleme için kullanılırlar. Örneğin hisse senedi alım-satım algoritmaları ve dolandırıcılık tespit sistemleri gibi.
5. Eğlence: Video oyunları, dijital yayın platformları ve sosyal medyada kullanılırlar. Örneğin oyun yapay zekâsı, kişiselleştirilmiş içerik önerileri gibi.
ETİK HUSUSLAR
1. Önyargı ve Adalet: Yapay zekâ ajanları, eğitim verilerindeki önyargıları istemeden sürdürebilir. Bu sorunu çözmek için çeşitli ve temsil edici veri kümeleri kullanarak eğitmek ve algoritmalarda adalet kriterleri uygulamak gerekir.
2. Gizlilik: Yapay zekâ ajanları, genellikle kullanıcıların hassas verilerini toplar ve işler. Bu sorunu çözmek için güçlü veri koruma önlemleri uygulamak ve kullanıcı onayı almak gerekir.
3. Hesap Verebilirlik: Yapay zekâ ajanlarının sebep olduğu zararlardan kim sorumlu olacak sorusunun net değildir. Bu soruna çözüm şeffaflık ve hesap verebilirlik için net kurallar oluşturmakta yatar.
4. Güvenlik: Yapay zekâ ajanlarının farklı ortamlarda güvenli çalışmasını sağlamak önemlidir. Detaylı testler ve doğrulama süreçleri yürütmek, güvenlik protokolleri uygulamak gerekir.
GELECEK TRENDLERİ
1. Gelişmiş Öğrenme Teknikleri: Derin pekiştirmeli öğrenme (deep reinforcement learning) ve transfer öğrenme (transfer learning) gibi daha gelişmiş öğrenme algoritmalarının geliştirilmesi, yapay zekâ ajanlarının daha esnek ve yüksek performanslı hale gelmesini sağlayacaktır.
2. İnsan-Yapay Zekâ İş Birliği: Yapay zekâ ajanlarının insanlarla daha fazla entegre çalışması ve yetenekleri artırması, çeşitli sektörlerde üretkenlik ve karar alma süreçlerinin iyileşmesi sağlayacaktır.
3. Etik Yapay Zekâ Çerçeveleri: Yapay zekâ geliştirme sürecinde etik kaygılara verilen önemin artması, daha güvenilir ve sorumlu yapay zekâ sistemlerinin geliştirilmesini sağlayacaktır.
4. Edge AI (Uç Yapay Zekâ): Yapay zekâ ajanlarının bulut yerine uç cihazlarda çalıştırılması, gerçek zamanlı işlem hızının artması ve bulut altyapısına bağımlılığın azalmasını sağlayacaktır.
SONUÇ
Yapay zekâ ajanları, kişisel asistanlardan sağlık ve finans sektöründeki karmaşık sistemlere kadar toplumun birçok alanını dönüştürmektedir. Yapay zekâ ajanlarının türleri, bileşenleri, uygulama alanları ve etik yönlerini anlamak, yapay zekâ okuryazarlığı açısından kritik öneme sahiptir. Yapay zekâ geliştikçe, bu akıllı sistemler hakkında bilgi sahibi olmak, geleceği anlamak ve yönlendirmek için hayati olacaktır.
Mistral bunları söylüyor. Biz ise öğrenmeye, incelemeye ve sorgulamaya devam edeceğiz. En iyi öğrenme yöntemi ise yapmaktan geçiyor. Vakit etik ilkeleri cebimize koyup, kolları sıvama vakti.