Belirsizlikle Tanışma: Olasılık ve Öğrenme Yapay Zekâ – Bölüm 3

1. Mantığın Yetmediği Nokta

Uzman sistemler dönemi, yapay zekâya önemli bir ders vermişti: Gerçek dünyadaki problemler, kesin kurallarla tanımlanamayacak kadar karmaşıktır.

Bir teşhis, bir karar ya da bir tahmin çoğu zaman şu özellikleri taşır:

• Bilgi eksiktir,
• veriler gürültülüdür,
• sonuçlar kesin değildir,
• aynı durum farklı sonuçlara yol açabilir.

Oysa klasik sembolik yapay zekâ, şu varsayıma dayanıyordu:

Eğer tüm bilgiler doğru ve eksiksiz verilirse, doğru sonuç mantık yoluyla çıkarılır.

Bu varsayım, gerçek dünyada sürekli ihlal ediliyordu.

2. Yeni Bir Bakış Açısı: Kesinlik Yerine Olasılık

1980’li yılların sonlarından itibaren yapay zekâ araştırmalarında önemli bir zihinsel dönüşüm başladı. Araştırmacılar artık şu soruyu sormaya başladı:

Doğru olanı bulmak yerine, en olası olanı bulmak yeterli olabilir mi?

Bu soru, yapay zekâyı mantık merkezli düşünceden
olasılık merkezli düşünceye doğru yönlendirdi.

Bu noktada klasik matematiksel bir araç yeniden keşfedildi: olasılık kuramı.

3. Bayesçi Düşünce ve Güncelleme Fikri

Olasılıksal yapay zekânın temelinde, 18. yüzyıla kadar uzanan bir fikir vardır: Bayes Teoremi.

Bu yaklaşımın temel düşüncesi şudur:

• İnançlar başlangıçta belirsizdir,
• yeni veri geldikçe bu inançlar güncellenir,
• kesinlik değil, artan güven aranır.

Bu düşünce, insanın günlük hayatta akıl yürütme biçimine çok daha yakındır. Bir doktor da, bir hakem de, bir öğretmen de kararlarını genellikle “yüzde yüz doğru”ya değil, en olası senaryoya göre verir.

Yapay zekâ için bu, büyük bir zihinsel sıçramaydı.

4. Olasılıksal Grafik Modellerin Doğuşu

Olasılık kuramını karmaşık problemlere uygulamak için yeni yapılara ihtiyaç vardı. Bu noktada olasılıksal grafik modeller geliştirildi.

Bu modellerde:

• değişkenler düğümlerle,
• olasılıksal ilişkiler kenarlarla
  temsil edilir.

Bu yaklaşım, belirsizliği yapısal olarak modellemeyi mümkün kıldı.

Bu alanın en etkili isimlerinden biri Judea Pearl oldu. Pearl’ün geliştirdiği Bayes ağları, neden–sonuç ilişkilerini olasılıksal biçimde temsil edebiliyordu.

Artık bir sistem:

• “Bu kesinlikle böyledir” demek yerine,
• “Bu, şu olasılıkla böyledir” diyebiliyordu.

5. Mantık ile Olasılığın Farkı

Bu dönüşüm, yapay zekâda çok temel bir ayrımı ortaya çıkardı:

• Mantık tabanlı sistemler:
  • Doğru / yanlış
  • Kesin kurallar
  • Çıkarım merkezli
• Olasılıksal sistemler:
  • Belirsizlik
  • Dereceli inanç
  • Tahmin merkezli

Bu noktada yapay zekâ,
“kesinlik” idealinden bilinçli olarak vazgeçti.

Bu bir zayıflık değil, gerçekliğe yaklaşma çabasıydı.

6. Öğrenme Fikrinin Ortaya Çıkışı

Olasılıksal yaklaşım, beraberinde yeni bir soruyu getirdi:

Eğer olasılıkları belirleyecek kuralları da bilmiyorsak,
bu değerleri makine kendisi öğrenebilir mi?

Bu soru, yapay zekâyı ilk kez sistematik biçimde öğrenme kavramıyla yüz yüze getirdi.

Artık amaç:

• kuralları insanın yazması değil,
• modelin verilerden parametrelerini öğrenmesiydi.

Bu dönem, makine öğrenmesinin temellerinin atıldığı dönemdir.

7. Veri ve İstatistiğin Yükselişi

1990’lı yıllarla birlikte:

• daha fazla veri,
• daha güçlü bilgisayarlar,
• daha iyi istatistiksel yöntemler
  kullanılabilir hâle geldi.

Yapay zekâ sistemleri artık:

• örneklerden genelleme yapabiliyor,
• hatalarını ölçebiliyor,
• performanslarını iyileştirebiliyordu.

Bu, yapay zekânın yönünü kalıcı biçimde değiştirdi.

Artık soru şuydu:

“Bu doğru mu?”
değil,
“Bu ne kadar iyi tahmin ediyor?”

8. Eleştiriler ve Sınırlar

Olasılıksal ve öğrenen sistemler güçlüydü, ama yeni sorunlar da doğurdu:

• Sonuçlar açıklanması zor hâle geliyordu.
• Modeller “neden” sorusuna değil, “ne oluyor” sorusuna cevap veriyordu.
• Mantıksal tutarlılık geri planda kalabiliyordu.

Bu da şu tartışmayı başlattı:

Öğrenen ama açıklayamayan bir sistem ne kadar güvenilirdir?

Bu tartışma, günümüzde hâlâ sürmektedir.

9. Tarihsel Kırılma Noktası

Bu dönem, yapay zekâ tarihinde kritik bir eşiktir çünkü:

• Mantık tek başına yeterli değildir.
• Kesinlik, her zaman mümkün değildir.
• Öğrenme, zekânın vazgeçilmez bir parçasıdır.

Bu fark ediş, yapay zekânın bir sonraki evresini doğuracaktır: Makine Öğrenmesi.

10. Bir Sonraki Bölüm

Artık şu soru kaçınılmazdır:

Kuralları insan yazmıyorsa,
makine neyi, nasıl öğrenir?

Bu soru bizi doğrudan bir sonraki bölüme götürür.