Makine Öğrenmesi: Kuralları Kim Yazıyor? Yapay Zekâ – Bölüm 4

1. Büyük Kopuş: Kuraldan Veriye

Önceki bölümde görüldüğü gibi, sembolik yapay zekâ ve uzman sistemler kural yazma yaklaşımında tıkanmıştı.
Gerçek dünya bilgisi:

• eksik,
• gürültülü,
• istisnalarla dolu
  olduğu için, her durumu kapsayan kurallar yazmak pratikte mümkün değildi.

Bu noktada yapay zekâda köklü bir soru ortaya çıktı:

Eğer kuralları yazmak bu kadar zorsa,
makine kuralları veriden kendisi çıkarabilir mi?

Bu soru, yapay zekânın yönünü kalıcı biçimde değiştiren makine öğrenmesi yaklaşımının temelini oluşturdu.

2. Makine Öğrenmesi Nedir?

Makine öğrenmesi, en genel hâliyle şu fikre dayanır:

Bir sistem, açıkça programlanmadan,
örneklerden genelleme yaparak performansını artırabiliyorsa öğrenmiştir.

Bu yaklaşımda:

• insan, “ne yapacağını” adım adım söylemez,
• bunun yerine örnekler ve geri bildirim verir,
• sistem, bu örnekler üzerinden bir model oluşturur.

Bu, yapay zekâ tarihinde çok radikal bir değişimdi.
Artık bilgi:

• kurallarla değil,
• istatistiksel örüntülerle temsil ediliyordu.

3. Öğrenme Türleri: Temel Ayrımlar

Makine öğrenmesi literatüründe üç temel öğrenme biçimi öne çıkar:

1. Denetimli Öğrenme
   • Girdi–çıktı çiftleri verilir.
   • Sistem, girdiden çıktıya giden fonksiyonu öğrenir.
   • Örnek: E-posta → spam / değil.
2. Denetimsiz Öğrenme
   • Sadece girdiler vardır.
   • Sistem, veri içindeki yapıları keşfeder.
   • Örnek: Kümeleme, boyut indirgeme.
3. Pekiştirmeli Öğrenme
   • Sistem, deneme–yanılma yoluyla öğrenir.
   • Ödül ve ceza mekanizması kullanılır.
   • Örnek: Oyun oynayan ajanlar.

Bu ayrım, makine öğrenmesinin tek bir yöntem olmadığını, bir problem ailesi olduğunu gösterir.

4. Model Kavramı: Öğrenmenin Matematiği

Makine öğrenmesinde “öğrenmek”, belirsiz bir sezgi değildir; tam tersine, matematiksel bir optimizasyon problemidir.

Bir model:

• belirli parametrelere sahiptir,
• bu parametreler, veriye bakarak ayarlanır,
• amaç, hata ölçüsünü minimize etmektir.

Bu bakış açısı, yapay zekâyı:

• felsefeden,
• sezgiden,
• kural yazımından
  alıp nicel bir bilim hâline getirmiştir.

Bu dönemde genelleme, aşırı uyum (overfitting) ve hata ölçümü gibi kavramlar merkezi hâle gelmiştir.

5. İstatistiksel Öğrenme Kuramı

Makine öğrenmesinin teorik temelleri, istatistiksel öğrenme kuramı ile atılmıştır. Bu alandaki en önemli isimlerden biri Vladimir Vapnik’tir.

Vapnik’in çalışmaları, şu soruya yanıt arar:

Bir model, yalnızca gördüğü veriyi değil,
görmediği veriyi de ne kadar iyi tahmin eder?

Bu soru, makine öğrenmesinin kalbidir.
Çünkü amaç:

• geçmişi ezberlemek değil,
• geleceği doğru tahmin etmektir.

Bu yaklaşım, destek vektör makineleri (SVM) gibi yöntemlerin doğmasına yol açmıştır.

6. “Programlamak” Yerine “Eğitmek”

Makine öğrenmesiyle birlikte yapay zekâda dil değişti.
Artık:

• “algoritma yazmak” yerine
• “model eğitmek” konuşuluyordu.

Bu şu anlama geliyordu:

• sistemin davranışı,
• koddan çok veriyle belirleniyordu.

Bu değişim, yapay zekâ projelerinin başarısını şu üç faktöre bağladı:

1. Veri kalitesi
2. Model seçimi
3. Hesaplama gücü

Kurallar geri plana çekilmiş, veri merkeze yerleşmişti.

7. Açıklanabilirlikten Performansa

Makine öğrenmesi sistemleri birçok alanda sembolik yaklaşımları geride bıraktı:

• konuşma tanıma,
• görüntü işleme,
• metin sınıflandırma.

Ancak bu başarı, yeni bir bedel getirdi: açıklanabilirliğin azalması.

Bir model doğru tahmin yapabiliyor, ama “neden” sorusuna net cevap veremiyordu.

Bu durum, sembolik yapay zekânın en güçlü yanının (mantıksal açıklık) makine öğrenmesinde zayıfladığını gösterdi.

8. Zekâ Tanımının Değişmesi

Bu dönemle birlikte yapay zekâda zekâ tanımı da değişti:

• Önce:Zekâ = doğru akıl yürütme
• Sonra:Zekâ = doğru tahmin yapma

Bu değişim, yapay zekânın hedeflerini daha pragmatik, ama daha istatistiksel hâle getirdi.

Bu yaklaşım çok başarılıydı; ancak hâlâ önemli bir sınıra sahipti.

9. Neden Yetmedi?

2000’li yılların sonuna gelindiğinde makine öğrenmesi yaygınlaşmıştı, ama karmaşık problemler için hâlâ zorluklar vardı:

• Özellik çıkarımı çoğunlukla insan tarafından yapılıyordu.
• Yüksek boyutlu verilerle çalışmak zordu.
• Görsel ve dilsel problemlerde performans sınırlıydı.

Bu sorunlar, yapay zekâyı bir sonraki büyük adıma zorladı.

10. Bir Sonraki Eşik

Artık soru şuydu:

Makine, özellikleri bile kendisi öğrenebilir mi?

Bu soru, yapay zekâyı derin öğrenme çağına taşıyacaktır.