1. Yapay zekâyı (YZ) tanımlayınız ve temel özelliklerini belirtiniz.

Yapay zekâ, belirli görevlerde insan benzeri karar verme ve çıkarım yapabilen sistemleri ifade eder. Genellikle veriden örüntü öğrenme, tahmin ve üretim üzerine kuruludur. Temel özellikleri arasında akıllı davranış sergileme ve öğrenme kapasitesi bulunur. Akıllı davranışlar öneri sunma, görüntüden nesne tanıma gibi görevleri içerirken, öğrenme kapasitesi örneklerden öğrenme ve zamanla iyileşme yeteneğini kapsar.

2. Yapay zekâ ile otomasyon arasındaki temel fark nedir?

Otomasyon genellikle 'eğer-ise' gibi önceden tanımlanmış kurallara dayalı süreçleri ifade eder. Yapay zekâ ise veriden örüntü öğrenir ve belirsiz alanlarda daha etkili kararlar alabilir. Yani, otomasyon belirli bir görevi tekrarlarken, yapay zekâ öğrenme ve adaptasyon yeteneği sayesinde daha karmaşık ve dinamik problemleri çözebilir.

3. Günümüzde yapay zekânın yükselişini tetikleyen başlıca faktörler nelerdir?

Yapay zekânın günümüzdeki yükselişinde veri patlaması, hesaplama gücündeki artış ve algoritma ilerlemeleri önemli rol oynamaktadır. Ayrıca, üretken yapay zekâdaki gelişmeler de bu yükselişi hızlandırmıştır. İş dünyasında ise verimlilik arayışı, kişiselleştirme ihtiyacı ve rekabet baskısı yapay zekâya olan ilgiyi artırmıştır.

4. Yapay zekânın günlük hayatta karşılaştığımız üç farklı kullanım alanına örnek veriniz.

Yapay zekâ, günlük hayatımızda film ve müzik önerileri gibi öneri sistemlerinde kullanılır. Yüz tanıma ve sesli asistanlar gibi algılama görevlerinde de karşımıza çıkar. Ayrıca, spam filtreleme ve dolandırıcılık tespiti gibi güvenlik uygulamalarında da yapay zekâdan faydalanılmaktadır.

5. Yapay zekânın güçlü olduğu alanlara üç örnek veriniz.

Yapay zekâ, büyük veride örüntü yakalama konusunda oldukça güçlüdür. Tekrarlı sınıflandırma ve tahmin görevlerinde yüksek performans sergiler. Ayrıca, görüntü ve metin gibi karmaşık veri türlerinde benzerlik bulma ve kişiselleştirme gibi alanlarda da etkili çözümler sunar.

6. Yapay zekânın zorlandığı veya sınırlı kaldığı alanlar nelerdir?

Yapay zekâ, bir kararın 'neden' alındığını açıklamakta zorlanabilir, bu da şeffaflık sorunlarına yol açar. Nadir durumları yönetmekte veya genellemekte güçlük çekebilir. Ayrıca, verideki önyargılar nedeniyle adalet sorunları yaşayabilir ve gerçek dünyada güvenilirliği sağlamakta bazen yetersiz kalabilir.

7. Yapay zekâ terminolojisinde merkezi rol oynayan dört kavramı açıklayınız.

Yapay zekâ terminolojisinde veri, model, eğitim ve tahmin/çıktı merkezi kavramlardır. Veri, modellerin öğrenmesi için kullanılan ham bilgidir. Model, veriden öğrenen ve tahminler yapan algoritmadır. Eğitim, modelin veriden örüntüleri öğrenme sürecidir. Tahmin/çıktı ise eğitilmiş modelin yeni verilere uygulandığında ürettiği sonuçlardır.

8. "AI kışları" kavramı ne anlama gelmektedir ve yapay zekâ tarihindeki rolü nedir?

"AI kışları", yapay zekâ alanında yüksek beklentilerin karşılanamaması, finansman kesintileri ve kamu ilgisinin azalmasıyla karakterize edilen dönemlerdir. Bu dönemler, yapay zekâ araştırmalarının yavaşlamasına neden olsa da, aynı zamanda yeni yaklaşımların ve teknolojilerin geliştirilmesi için bir zemin hazırlamıştır. Tarihsel olarak, bu kışlar yapay zekânın inişli çıkışlı gelişimini göstermektedir.

9. İlk AI kışının başlıca nedenleri nelerdi?

İlk AI kışı, 1974-1980 yılları arasında yaşanmıştır. Bu dönemin başlıca nedenleri arasında yapay zekâya yönelik yüksek beklentilerin karşılanamaması yer almaktadır. Ayrıca, o dönemdeki veri ve donanım yetersizlikleri de algoritmaların istenen performansı sergilemesini engellemiş ve hayal kırıklığına yol açmıştır.

10. Yapay zekâ tarihinde Deep Blue'nun Kasparov'u yenmesi ve derin öğrenmenin ImageNet başarısı neden dönüm noktaları olarak kabul edilir?

Deep Blue'nun 1997'de dünya satranç şampiyonu Kasparov'u yenmesi, yapay zekânın karmaşık stratejik oyunlarda insan zekasını aşabileceğini gösterdi. 2012'de derin öğrenmenin ImageNet yarışmasındaki sıçraması ise, büyük veri ve güçlü hesaplama ile görüntü tanıma gibi alanlarda devrim niteliğinde ilerlemeler kaydedilebileceğini kanıtladı. Bu olaylar, yapay zekâya olan inancı ve yatırımları önemli ölçüde artırdı.

11. Kural tabanlı yaklaşımlardan veriden öğrenen makine öğrenimi yaklaşımlarına geçişin yapay zekâya katkısı nedir?

Kural tabanlı yaklaşımlar, uzmanlar tarafından elle yazılan belirli kurallara dayanırken, veriden öğrenen makine öğrenimi yaklaşımları algoritmaların doğrudan veriden örüntüleri keşfetmesini sağlar. Bu geçiş, özellikle dil ve görüntü gibi belirsiz ve karmaşık alanlarda büyük başarılar getirmiştir. Makine öğrenimi, sistemlerin daha esnek, adaptif ve geniş ölçekli problemlere uygulanabilir olmasını sağlamıştır.

12. Makine Öğrenmesi (ML) nedir ve temel prensibi nasıl çalışır?

Makine Öğrenmesi (ML), bilgisayara kuralları tek tek yazmak yerine örnekler vererek örüntü öğretme prensibine dayanır. Bir model, geçmiş örneklerden bir kural çıkarır ve bu kuralı kullanarak yeni, daha önce görmediği örnekler için tahminler üretir. Bu sayede sistem, deneyimle birlikte performansını iyileştirir.

13. Makine öğrenmesindeki üç temel öğrenme türünü açıklayınız.

Makine öğrenmesinde üç temel öğrenme türü bulunur: Denetimli öğrenme, etiketli örneklerle modelin eğitildiği ve doğru çıktıların bilindiği durumdur. Denetimsiz öğrenme, etiketsiz veride gizli yapıları veya örüntüleri keşfetmeyi amaçlar. Pekiştirmeli öğrenme ise, bir ajanın deneme-yanılma yoluyla bir ortamda etkileşim kurarak ödül mekanizmasıyla en iyi eylemleri öğrenmesini sağlar.

14. Derin Öğrenme (DL) nedir ve dil ile görüntü işleme alanındaki etkisi neden bu kadar büyüktür?

Derin Öğrenme (DL), makine öğrenmesinin çok katmanlı sinir ağları kullanan bir alt alanıdır. Veriden özellikleri otomatik olarak öğrenmeye çalışır, bu da geleneksel makine öğrenimi yöntemlerinin aksine manuel özellik mühendisliği ihtiyacını azaltır. Daha büyük veri kümeleri, güçlü hesaplama kapasiteleri ve gelişmiş algoritmaların birleşimi sayesinde, özellikle görüntü ve dil işleme performansında önemli bir sıçrama yaratmıştır.

15. Doğal Dil İşleme (NLP) alanının temel amacı ve bazı görevleri nelerdir?

Doğal Dil İşleme (NLP), metin ve konuşma gibi insan diline ait verileri işleyen yapay zekâ alanıdır. Temel amacı, bilgisayarların insan dilini anlamasını, yorumlamasını ve üretmesini sağlamaktır. Duygu analizi, metin özetleme, makine çevirisi ve sohbet robotları gibi görevleri yerine getirir.

16. Bilgisayarlı Görü (Vision) alanının temel amacı ve bazı uygulamaları nelerdir?

Bilgisayarlı Görü (Vision), fotoğraf ve video gibi görsel verileri işleyen yapay zekâ alanıdır. Amacı, bilgisayarların görsel dünyayı insanlar gibi "görmesini" ve anlamasını sağlamasını sağlamaktır. Nesne tanıma, yüz bulanıklaştırma, medikal görüntü analizi, otonom araçlarda çevre algılama gibi geniş bir uygulama yelpazesine sahiptir.

17. Üretken Yapay Zekâ (Generative AI) nedir ve bu modellerin kullanımında dikkat edilmesi gereken kritik bir nokta nedir?

Üretken Yapay Zekâ, metin, görsel, ses ve hatta kod gibi yeni ve özgün içerikler üretebilen modelleri ifade eder. Bu modeller, mevcut verilerden öğrenerek yeni örnekler yaratır. Ancak, üretilen içeriğin doğrulanması, kaynak kontrolü ve etik kullanımı kritik öneme sahiptir, çünkü bu modeller olasılıksal bir üretim sistemi olduğundan 'halüsinasyon' veya yanlış bilgi üretme riski taşır.

18. Bir yapay zekâ sisteminin tipik çalışma akışındaki ana adımları sıralayınız.

Bir yapay zekâ sisteminin çalışma akışı genellikle problem tanımı ile başlar. Ardından veri toplama, model eğitimi ve modelin değerlendirilmesi adımları gelir. Başarılı bir değerlendirme sonrası sistem kullanıma alınır ve son olarak sürekli izleme ve iyileştirme süreçleri yürütülür. Her adımda olası yanlışlıklar ve etkileri göz önünde bulundurulmalıdır.

19. Yapay zekâ modellerinin üretebileceği farklı çıktı türlerine örnekler veriniz.

Yapay zekâ modelleri çeşitli çıktılar üretebilir. Bunlar arasında verileri belirli kategorilere ayırma olan sınıflandırma, sürekli değerleri tahmin etme olan regresyon ve öğeleri belirli bir sıraya koyma veya tavsiye etme olan sıralama/öneri sistemleri bulunur. Ayrıca, benzer veri noktalarını gruplama olan kümeleme ve tamamen yeni içerikler oluşturma olan üretim de çıktı türlerindendir.

20. "Veri yakıttır" ilkesi yapay zekâ için ne anlama gelir ve veri kalitesinin önemi nedir?

"Veri yakıttır" ilkesi, yapay zekâ sistemlerinin performansı için verinin ne kadar hayati olduğunu vurgular. Tıpkı bir motorun yakıta ihtiyacı olduğu gibi, yapay zekâ modelleri de öğrenmek ve doğru tahminler yapmak için yüksek kaliteli verilere ihtiyaç duyar. Eksik, yanlış, tutarsız veya güncel olmayan veriler, modelin hatalı veya yanlı davranmasına neden olarak performansını ciddi şekilde düşürebilir.

21. Veri kaynaklı etik risklere üç örnek veriniz.

Veri kaynaklı etik riskler arasında verideki temsil eksikliği, yani belirli grupların yeterince temsil edilmemesi yer alır. Önyargılı tarihsel kararların veriye yansıması da bir risktir, bu da modelin ayrımcı sonuçlar üretmesine yol açabilir. Ayrıca, kişisel verilerin gizlilik ihlali ve izin dışı kullanımı da önemli etik risklerdendir.

22. Yapay zekâda önyargı (bias) nedir ve nasıl ortaya çıkabilir?

Yapay zekâda önyargı, modelin belirli gruplar için diğerlerine göre daha kötü veya adaletsiz sonuçlar üretmesidir. Bu durum genellikle modelin kendisinin kötü olmasından ziyade, eğitim verisindeki dengesizlikler veya yanlılıklar nedeniyle ortaya çıkar. Tarihsel verilerdeki önyargılar, dengesiz temsil veya hatalı etiketleme gibi faktörler, modelin bu önyargıları öğrenmesine ve pekiştirmesine neden olabilir.

23. Yapay zekâ sistemlerinde şeffaflık neden kritik bir konudur ve nasıl sağlanabilir?

Şeffaflık, yapay zekâ sistemlerinin 'kara kutu' gibi algılanmasının önüne geçmek için kritik öneme sahiptir. Kararların gerekçelerinin net olması, kullanıcının sisteme olan güvenini artırır, denetimi kolaylaştırır ve hesap verebilirliği sağlar. Açıklama, detaylı dokümantasyon ve modelin sınırlarının açıkça belirtilmesi gibi pratik yaklaşımlarla şeffaflık sağlanabilir.

24. Yapay zekâda gizlilik ve güvenlik ile ilgili üç temel riski açıklayınız.

Yapay zekâda gizlilik ve güvenlik riskleri arasında kişisel verilerin izinsiz toplanması veya paylaşılmasıyla ilgili gizlilik ihlalleri bulunur. İkinci olarak, sistemin saldırganlar tarafından kandırılması veya manipüle edilmesiyle ilgili güvenlik açıkları mevcuttur. Üçüncü olarak, özellikle üretken modellerde 'uydurma' veya 'halüsinasyon' riskiyle ortaya çıkan yanlış bilgi yayılımı da önemli bir risktir.

25. Yapay zekânın iş gücüne etkisi bağlamında "otomasyon" ve "zenginleştirme (augmentation)" kavramlarını karşılaştırınız.

Otomasyon, yapay zekânın bazı görevleri tamamen otomatikleştirerek insan müdahalesini azaltması ve böylece hız ile maliyet avantajı sağlamasıdır. Zenginleştirme (augmentation) ise, insan ve yapay zekânın birlikte çalışarak birbirini tamamlamasıdır. Bu yaklaşımda yapay zekâ, insanlara karar desteği sunarak veya üretkenliklerini artırarak iş süreçlerini iyileştirir.