Yapay zeka, g\u00fcn\u00fcm\u00fcz\u00fcn en \u00e7ok konu\u015fulan, bazen de en yanl\u0131\u015f anla\u015f\u0131lan konular\u0131ndan biri. S\u00fcrekli yeni bir \u00e7\u0131\u011f\u0131r a\u00e7\u0131ld\u0131\u011f\u0131na dair haberler duyarken, bu devrimin ger\u00e7ek dinamiklerini anlamak giderek zorla\u015f\u0131yor. Peki, t\u00fcm bu “hype”\u0131n \u00f6tesinde, yapay zekan\u0131n asl\u0131nda nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131na ve gelecekte bizi nelerin bekledi\u011fine dair daha derin, belki de sezgisel olmayan ger\u00e7ekler nelerdir? \u0130\u015fte Andrej Karpathy gibi alan\u0131n \u00f6nde gelen isimlerinden gelen 5 \u00e7arp\u0131c\u0131 i\u00e7g\u00f6r\u00fc, bu sorulara \u0131\u015f\u0131k tutuyor ve yapay zeka d\u00fcnyas\u0131na farkl\u0131 bir pencereden bakmam\u0131z\u0131 sa\u011fl\u0131yor.<\/p>\n
Yapay zeka (YZ) veya \u0130ngilizce ad\u0131yla Artificial Intelligence (AI), insan zekas\u0131n\u0131 taklit etmeyi ama\u00e7layan teknolojiler b\u00fct\u00fcn\u00fcd\u00fcr. Bu geni\u015f tan\u0131m alt\u0131nda, makine \u00f6\u011frenimi (Machine Learning – ML) ve derin \u00f6\u011frenme (Deep Learning – DL) gibi daha spesifik alanlar bulunur. Makine \u00f6\u011frenimi, sistemlerin a\u00e7\u0131k\u00e7a programlanmadan verilerden \u00f6\u011frenmesini sa\u011flarken, derin \u00f6\u011frenme ise katmanl\u0131 yapay sinir a\u011flar\u0131 (neural networks) kullanarak bu \u00f6\u011frenme s\u00fcrecini daha karma\u015f\u0131k ve soyut d\u00fczeylere ta\u015f\u0131r. \u00d6zellikle son y\u0131llarda b\u00fcy\u00fck dil modelleri (Large Language Models – LLM) ve \u00fcretken yapay zeka (Generative AI) gibi teknolojilerle g\u00fcndemimize oturan bu alan, pek \u00e7ok end\u00fcstride devrim yaratma potansiyeli ta\u015f\u0131yor.<\/p>\n
Ancak, bu h\u0131zl\u0131 geli\u015fimin getirdi\u011fi heyecan, bazen ger\u00e7ekleri g\u00f6lgede b\u0131rakabilir. Tam da bu noktada, Tesla’n\u0131n eski AI Direkt\u00f6r\u00fc ve OpenAI’nin kurucu \u00fcyelerinden Andrej Karpathy gibi vizyonerlerin bak\u0131\u015f a\u00e7\u0131lar\u0131 b\u00fcy\u00fck \u00f6nem kazan\u0131r. Karpathy, yapay zekay\u0131 sadece bir teknoloji y\u0131\u011f\u0131n\u0131 olarak de\u011fil, ayn\u0131 zamanda yeni bir yaz\u0131l\u0131m paradigmas\u0131, yeni bir \u00fcretim \u015fekli ve hatta yeni bir d\u00fc\u015f\u00fcnme bi\u00e7imi olarak ele al\u0131r. Onun sezgisel olmayan ger\u00e7ekleri, bizlere yapay zeka alg\u0131m\u0131z\u0131n y\u00fczeysel katmanlar\u0131n\u0131 soyarak, alt\u0131nda yatan as\u0131l g\u00fc\u00e7 dinamiklerini ve zorluklar\u0131n\u0131 anlama f\u0131rsat\u0131 sunar. Dolay\u0131s\u0131yla, bu makalede ele alaca\u011f\u0131m\u0131z be\u015f ana tema, yapay zeka d\u00fcnyas\u0131nda nelerin ger\u00e7ekten \u00f6nemli oldu\u011funu ve gelecekte nelere odaklanmam\u0131z gerekti\u011fini anlamak i\u00e7in kritik birer pusula g\u00f6revi g\u00f6recektir. Bu sayede, hem alana yeni ad\u0131m atanlar hem de deneyimli profesyoneller, yapay zeka hype’\u0131n\u0131n \u00f6tesine ge\u00e7erek daha sa\u011flam bir perspektif kazanabilecektir.<\/p>\n
\u00d6zellikle derin \u00f6\u011frenme modellerinin karma\u015f\u0131kl\u0131\u011f\u0131 ve veri setlerinin b\u00fcy\u00fckl\u00fc\u011f\u00fc d\u00fc\u015f\u00fcn\u00fcld\u00fc\u011f\u00fcnde, YZ projelerinde ba\u015far\u0131ya ula\u015fmak i\u00e7in sadece algoritmalar\u0131 bilmek yeterli de\u011fildir. Karpathy’nin vurgulad\u0131\u011f\u0131 gibi, \u00e7o\u011fu zaman “yaz\u0131l\u0131m m\u00fchendisli\u011fi” yerine “veri m\u00fchendisli\u011fi” ve “model e\u011fitimi” gibi kavramlar \u00f6n plana \u00e7\u0131kar. Bir\u00e7ok geli\u015ftirici, kod yazman\u0131n \u00f6tesinde, modelin \u00f6\u011frenme s\u00fcrecini optimize etme, veri kalitesini art\u0131rma ve \u00e7\u0131kt\u0131lar\u0131 yorumlama gibi g\u00f6revlerle bo\u011fu\u015fur. Bu, geleneksel yaz\u0131l\u0131m geli\u015ftirme anlay\u0131\u015f\u0131ndan ciddi bir sapma anlam\u0131na gelir. Makine \u00f6\u011frenimi alan\u0131nda \u00e7al\u0131\u015fan bir m\u00fchendisin birincil g\u00f6revi, bazen binlerce sat\u0131r kod yazmak yerine, do\u011fru veriyi toplamak, etiketlemek, temizlemek ve modelin bu veriden etkin bir \u015fekilde \u00f6\u011frenmesini sa\u011flamak olabilir. Bu paradigma de\u011fi\u015fimi, yapay zeka projelerinin y\u00f6netimi ve y\u00fcr\u00fct\u00fclmesi konusunda da \u00f6nemli stratejik farkl\u0131l\u0131klar\u0131 beraberinde getirmektedir. \u00d6rne\u011fin, otonom ara\u00e7 geli\u015ftirme projelerinde, arac\u0131n t\u00fcm olas\u0131 senaryolarda do\u011fru tepki vermesini sa\u011flayacak kurallar\u0131 elle kodlamak neredeyse imkans\u0131zd\u0131r. Bunun yerine, milyonlarca kilometrelik s\u00fcr\u00fc\u015f verisi toplan\u0131r ve modelin bu verilerden g\u00fcvenlik kurallar\u0131n\u0131 ve s\u00fcr\u00fc\u015f dinamiklerini “\u00f6\u011frenmesi” sa\u011flan\u0131r. Bu, yaz\u0131l\u0131m geli\u015ftirme metodolojilerinde k\u00f6kl\u00fc bir d\u00f6n\u00fc\u015f\u00fcm\u00fc temsil eder ve Karpathy’nin vizyoner yakla\u015f\u0131m\u0131n\u0131 destekleyen somut bir \u00f6rnektir. Bu \u00e7er\u00e7evede, Karpathy’nin bak\u0131\u015f a\u00e7\u0131s\u0131, yapay zekan\u0131n sadece teknik bir konu olmad\u0131\u011f\u0131n\u0131, ayn\u0131 zamanda bir felsefe ve i\u015f yap\u0131\u015f bi\u00e7imi oldu\u011funu da ortaya koyar.<\/p>\n
Andrej Karpathy’nin ortaya att\u0131\u011f\u0131 “Software 2.0” kavram\u0131, yapay zeka \u00e7a\u011f\u0131nda yaz\u0131l\u0131m geli\u015ftirme bi\u00e7imimizin k\u00f6kl\u00fc bir de\u011fi\u015fimini ifade eder. Geleneksel yaz\u0131l\u0131m geli\u015ftirme, yani “Software 1.0”, m\u00fchendislerin belirli bir sorunu \u00e7\u00f6zmek i\u00e7in a\u00e7\u0131k\u00e7a ifade edilmi\u015f, ad\u0131m ad\u0131m talimatlar\u0131 (kodu) yazd\u0131\u011f\u0131 bir s\u00fcre\u00e7tir. Bu s\u00fcre\u00e7te, derleyici kodu al\u0131r ve donan\u0131m \u00fczerinde \u00e7al\u0131\u015ft\u0131r\u0131labilir bir program haline getirir. Yaz\u0131lan her sat\u0131r kod, geli\u015ftiricinin mant\u0131\u011f\u0131n\u0131 ve problem \u00e7\u00f6zme yakla\u015f\u0131m\u0131n\u0131 yans\u0131t\u0131r. \u00d6rne\u011fin, bir web sitesi veya bir veritaban\u0131 uygulamas\u0131 olu\u015fturdu\u011funuzda, her bir fonksiyonun, her bir ko\u015fulun ve her bir d\u00f6ng\u00fcn\u00fcn ne yapaca\u011f\u0131n\u0131 a\u00e7\u0131k\u00e7a tan\u0131mlars\u0131n\u0131z. Bu yakla\u015f\u0131m, \u00f6ng\u00f6r\u00fclebilir ve deterministik sorunlar i\u00e7in son derece etkilidir. Ancak, do\u011fas\u0131 gere\u011fi karma\u015f\u0131k, bulan\u0131k veya \u00e7ok fazla de\u011fi\u015fken i\u00e7eren sorunlar (\u00f6rne\u011fin, g\u00f6r\u00fcnt\u00fc tan\u0131ma, do\u011fal dil i\u015fleme, otonom s\u00fcr\u00fc\u015f) i\u00e7in Software 1.0 yakla\u015f\u0131m\u0131 yetersiz kal\u0131r.<\/p>\n
Software 2.0 ise, bu paradigma de\u011fi\u015fimin ad\u0131d\u0131r. Burada program, insan taraf\u0131ndan yaz\u0131lm\u0131\u015f koddan ziyade, devasa bir veri k\u00fcmesi \u00fczerinde e\u011fitilmi\u015f bir yapay sinir a\u011f\u0131d\u0131r. M\u00fchendisler art\u0131k problem i\u00e7in a\u00e7\u0131k kurallar yazmak yerine, \u00e7ok say\u0131da girdi-\u00e7\u0131kt\u0131 \u00e7ifti (veri) toplar ve bir sinir a\u011f\u0131n\u0131n bu verilerden kendi kurallar\u0131n\u0131 (model parametrelerini) \u00f6\u011frenmesini sa\u011flar. Derleyici ise bu durumda, verileri al\u0131p sinir a\u011f\u0131n\u0131 e\u011fiten ve optimize eden “stokastik gradyan ini\u015fi” (Stochastic Gradient Descent – SGD) gibi bir optimizasyon algoritmas\u0131d\u0131r. Ortaya \u00e7\u0131kan e\u011fitilmi\u015f model, asl\u0131nda devasa bir say\u0131 matrisi (milyarlarca a\u011f\u0131rl\u0131k ve sapma) \u015feklinde temsil edilen, problemin \u00e7\u00f6z\u00fcm\u00fcn\u00fc “\u00f6\u011frenmi\u015f” bir programd\u0131r. Bu model, kendisine yeni bir girdi verildi\u011finde, e\u011fitildi\u011fi veri setindeki kal\u0131plar\u0131 kullanarak bir \u00e7\u0131kt\u0131 \u00fcretir.<\/p>\n