Üretken Yapay Zekâ (GAI)

İnsanlık, tarihin seyrini değiştiren birçok yeniliğe şahit oldu. Elektrik, transistor, telefon, radyo, TV, Internet ve Google çok etkileyici teknolojik gelişmelerdi. Ancak AI’ın son on yıldaki gelişimi ve bu on yıllık dönemin insanlık üzerindeki etkilerine baktığımızda tarih boyunca bu kadar kısa sürede bu denli marjinal etki yapan başka bir teknolojik gelişimin olmadığını görüyoruz. İşin daha da ilginç olan yanı ise son on yıllık etkinin çok daha fazlasının 3-5 yıl gibi kısa bir zaman içinde gerçekleşecek olmasıdır. Zira, Generative AI (GAI: Üretken Yapay Zekâ) dönemi bildiğimiz AI konseptini başka boyutlara taşıyor ve bize geleceğin artık geldiğini bildiriyor.

AI öncesi dönemde (2012 öncesi) iş dünyası kritik kararlar almak için istatistiksel analiz, anketler ve insan uzmanlığı dahil çok sayıda araca güveniyordu. Oldukça zaman alıcı, çoğunlukla sübjektift ve insan hatasına açık olan bu yöntemler belli bir noktaya kadar etkili olsa da bazı sınırlamaları vardı. Ancak, AI’ın hayatımıza girmesiyle birlikte geniş veri kümelerinden daha derin iç görüler toplamaya başladık. Tedarik Zinciri optimizasyonu, talep tahminlemesi, anomalilerin tespiti ve ürün geliştirme gibi alanlarda bu iç görüler kullanarak süreçleri daha verimli hale getirdik.

Biz bunları yaparken bilimsel araştırmalar da yerinde durmadı. Deep Learning algoritmaları ve mikro işlemci tasarımı alanındaki gelişmeler (GPU/TPU ve paralel işlem), bilgisayarların hesap yapma hızını (computation speed) her yıl bir önceki yıla göre on kat (10X) artırdı. Hesaplama hızındaki bu eksponansiyel artış yeni döneminin başlangıcı oldu ve GAI konsepti doğdu. GAI, yalnızca AI’ın başka bir yinelemesi değildi; teknolojik ortamda sismik bir değişimdi. İnsan yeteneklerini aşacak şekilde strateji oluşturma, yenilik yapma ve hatta ürünler tasavvur etme yeteneğine sahipti. Bunun anlamı, yapay zekâ konseptinin GAI ile yeni bir kitap, yeni bir film ya da yeni bir ürün tasarlayabilecek kabiliyete kavuşuyor olmasıdır. Örneğin, GAI Pazar analizlerine göre ihtiyaçları analiz edip, daha önce benzeri olmayan bir ürünü tasarlayıp, bu ürünü tedarikçiye ürettirip, pazarda satışa sunabilecek, ya da hiç çevrilmemiş bir filmi kendisi tasarlayıp bize izlettirebilecektir. Bu konuyu bir senaryo üzerinden irdeleyelim ve GAI’nın neler yapabileceğine ve bunun sonuçlarına birlikte bakalım.

GAI, bir işletmenin mevcut yetenekleri, pazar beklentileri ve rekabet ortamı dahil olmak üzere temel unsurlarının kapsamlı bir analizini gerçekleştirerek gelecek için ayrıntılı bir yol haritası sağlayan stratejik bir plan oluşturabilir. Ürün geliştirme sürecinde konsept tasarımın ötesine geçerek, farklı prototipleri tasarlayabilir ve ürün özelliklerini belirleyebilir. Bununla yetinmeyip tedarik zinciri yapısının kurulması için tedarikçiler ile görüşmeler yaparak, onlara gerekli teknik bilgileri gönderir, teklifleri müzakere eder ve işletme açısından en uygun tedarikçiyi sürece katıp tedarik zincirinin yapısını oluşturabilir. Otonom araçlar üzerinden malzeme tedariği yaparak, AS/RS ve AGV kontrollü depolama sistemleri üzerinden malzemeleri stoklayarak, karanlık fabrikalarda üretim yaparak ve yine otonom lojistik modları üzerinden ürün müşteri ile buluşturabilir. Bu sürecin içinde stratejik planlama, pazarlama, ürün geliştirme, tedarik zinciri yönetimi gibi temel unsurlar yer alır ve bu sürecin tamamı uzman kadrolar yerine sadece GAI üzerinden yönetilebilir. Bu durumun aynısı tedarikçi tarafında da oluşacaktır. Yani, üretici işletmenin GAI’ı tüm bu süreci yönetmek için tedarikçi GAI’ları ile iletişime geçecek; üretici işletmenin GAI’ı en uygun tedarikçiyi bulmak, tedarikçi GAI’ları da işi kapmak için kıyasıya rekabet içinde olacaklar ve her GAI kendi stratejisini oyun teorisi kapsamında geliştirecektir. Ancak, iş bununla da kalmayacak, pazarın son bileşeni yani tüketicilerin de kişisel GAI’ları olacaktır. Bunun anlamı, üretici GAI’nın satış yapılabilmesi için tüketici GAI’ını ikna etmesi gerekeceğidir. Bir başka ifadeyle, piyasa denilen olguyu artık üretici, tedarikçi ve müşteri değil, bu unsurları temsil eden GAI ‘lar oluşturacaktır.

Yeni dönem, GAI kontrollü tedarik zinciri yönetimi üzerine şekillenmekte ve bu süreç içinde bildiğimiz birçok rol GAI tarafından üstlenilmektedir. GAI tarafından kontrol edilen bir tedarik zinciri, öğrenme, uyum sağlama ve karar alma yetenekleriyle dikkat çeken Yapay Zekâ sistemlerinin, son derece verimli, duyarlı ve veri odaklı tedarik zinciri ağları oluşturmak için merkezi bir rol oynadığı tedarik zinciri yönetiminin yeni bir dönemini temsil eder. Bu Yapay Zekâ sistemleri sadece büyük veriyi analiz etmekle kalmaz, aynı zamanda bağımsız bir şekilde yeni görüşler, stratejiler ve çözümler üretme yeteneklerine sahiptir. İnsan uzmanlığı hala belirli stratejik denetim ve etik davranış için gerekli olsa da GAI, rutin tedarik zinciri operasyonlarında geniş insan müdahalesine duyulan ihtiyacı azaltır. Bu paradigma içinde, işletmeler arasındaki rekabetin yanı sıra, her birinin stratejilerini ve sonuçlarını optimize etmeye çalışan GAI varlıkları arasında da rekabet gerçekleşir.

GAI’ın etkisi elbette sadece imalat endüstrisi ile sınırlı kalmayacak. Yakın bir gelecekte her birey, işletme ya da kurumun birer GAI’ı olacak ve süreçler GAI etkileşimleri üzerinden ilerleyecek. Sosyal medyanın dikkat ekonomisinin yerini etkileme ekonomisi alacak. Teknolojik gelişimin hala eksponansiyel devam etmesi, GPT-4’ün GPT-3.5’ten on kat daha hızlı olması ve mevcut IQ’sunun 155 olması bunu doğruluyor gibi. Mevcut durumda hal böyleyken, yakın bir zamanda kuantum bilgisayarların da hesaplama hızına etki yapmaya başlamasıyla GAI’ın gücünün nerelere varacağını ön görebilmek oldukça güç ve bir o kadar da endişe verici. GAI’ın bu yetkinliğe sahip olması ve insanın üzerinde bir yetiye sahip olabilmesi pek çok şeyin eskisi gibi olmayacağı anlamına da gelebilir. Bu aşamada konuya belki teknik yerine sosyolojik ya da kısmi olarak felsefi açıdan bakmak daha doğru olacaktır.

II. Makine Devrimi (Transferring mental labor to the machines)

Birinci makine devriminden itibaren fiziksel olarak yapmakta olduğumuz faaliyetleri (MANUAL LABOR) makinelere devretmeye başladık. Makineler, otomasyon sistemleri ve robotlar iş gücü gerektiren birçok süreçte yer aldılar. Bunu sadece ‘yağ’ ve ‘elektrik’ ile yaptık. Şimdi ise zihinsel emek gerektiren aktif faaliyetlerimizi (MENTAL LABOR) makinelere devretmeye başlıyoruz. Makineler artık algılıyor, yorumluyor, farklı sistemler ile iletişime geçiyor ve en önemlisi karar veriyor, aksiyon alıyorlar. Bunun için ise yağ ve elektrikten daha fazlası gerekiyor: Big Data ve algoritmalar.

AI konusu 2010’ların başından itibaren birçok alana yayılmaya başladı. 

  • Yüz tanıma, görüntü tanıma ve konuşma tanıma uygulamaları gündelik hayatımızın parçası olmaya çoktan başladı. Cep telefon, akıllı kameralar ve dijital asistanlar bu konseptteki uygulamalara örnek olarak gösterilebilir. Cep telefonları, saçımızı farklı şekilde kestirsek, o an için gözlük takmış olsak ya da yüzümüz makyajlı dahi olsa bizim resmimizi algılayarak telefonunun kilidini açabilmektedir (Face recognition). 
  • Otomobillerdeki akıllı kameralar seyir esnasında ortamdaki hareketli ve hareketsiz nesneleri (trafik işaretleri) anlık tanıyarak sürüş güvenliğini ileri seviyeye getirebilmekte (Image recognition) veya Siri ile sesli olarak telefonumuzu yöneterek, gerekli desteği anlık olarak alabilmekteyiz (Speech recognition).
  • Bugün el yazısını bilgisayarın anlayacağı metin formatına dönüştürebiliyor (Hand written to text), dönüştürülen metnin ‘Türkçe – İngilizce’ çevirisini yaptırabiliyor (Machine translation) ve daha sonra da çevrilmiş metni yeniden konuşmaya dönüştürebiliyoruz (Text to speech). 
  • Netflix, YouTube, Google gibi platformların ise kullanıcısının talebi olmamasına rağmen sürekli tavsiye ve önerilerde bulunuyor (Recommendation Systems); otomobillerdeki sensorlar aracılığı ile sürüş esnasında aracın şeritte tutulmasının sağlayabiliyoruz (Lane keeping). Tüm bu uygulamaların arkasında AI/DL teknikleri yatmaktadır.

Bu aşamada bizi, yani İMALATÇILARI ilgilendiren konu ise AI konusunu süreçlerimize nasıl uyarlayacağımızdır. Zira planlama, kalite, bakım & onarım konuları başta olmak üzere birçok süreçte AI/ML teknikleri kullanılabiliyor ve kullananlar rekabet avantajı elde ediyor. Bunun üzerine ciddi ciddi düşünün derim.

Yapay Zeka (AI)

Bilimin özünde deney yani deneme yatar. Toeri’den kurama; kuramdan yasa ’ya geçebilmek için bilim dünyası sürekli olarak deney tasarlar, gözlem yapar ve öğrenir. Bu zamana kadar bu süreç hep bu şekilde olmuştur; ancak AI (yapay zekâ) bu metodu değiştirmeye çoktan başladı bile. Artık, deneyler çok daha hızlı, doğru ve en önemlisi algoritmalar üzerinden gerçekleşiyor…

AI sistemlerinin temel karakteristiği ‘öğrenme, adaptasyon ve yorumlama’ olarak tanımlanabilir. Bunu şöyle açıklayalım. Önceleri expert sistemler üzerinden bilgi alırdık. Look-up table dediğimiz, kısıtlı (poor data) ancak uzman bilgisine dayanan veri tablolarından elde edilen veri setleri üzerinde istatistik bilimi uygulamaları ve oldukça düşük işlem yeteneğine sahip işlemciler (low computing power) üzerinden analiz yapmaya, süreci anlamaya, yorum yapmaya, geleceği ön görmeye çalışırdık. Ancak şimdi AI ile bu konu farklı bir boyuta geçmiştir. Verilerden sadece geçmişi değil gelecekte ne olabileceğini ya da verilerin bilmediğimiz ancak bize faydası olacak başka neler içerdiğini öğrenebiliyoruz. Örneğin, AI sistemleri artık sadece bir masanın yanına sandalye konulması gerektiğini (Context) değil aynı zamanda masanın dört ayağı olduğunu, üzerine bir şeylerin konulabileceğini de yorumlayarak verinin amacı dışında farklı domainlerde de kullanılabilmesinin önünü açmaktadır (Abstraction).

AI sistemlerini genel olarak üç farklı konunun aynı amaç doğrultusunda bir araya gelmesi ile elde edilen; geçmişi açıklayan ve geleceği ön gören, insanların klasik yöntemlerle hem zaman hem de teknik açından elde edilebilmesi pek mümkün olmayan anlamlı bilgilere ulaşmasına ve kullanmasına olanak sağlayan sistemler bütünü olarak yapabiliriz. IoT ile gelen büyük veri geçmişin poor data kavramının sorunlarını ortadan kaldırırken; CPU/GPU alanındaki gelişmeler işlem yapma hızının (computing power) oldukça ötelere gitmesine olanak sağlayarak, algoritmalar üzerinden gerçekleşen öğrenme sürecinin (iterasyon) gerçekleşebilmesine olanak sağlamaktadır. Bir başka ifade ile şu dönemde AI konuşmamızın ana nedeni büyük veri, işlem hızı ve algoritma alanındaki muazzam gelişmelerdir.

AI sistemini çok genel olarak altı ana bileşen altında irdeleyebiliriz.

  1. Veri (Data): Sensorlar ya da diğer veri kaynaklarından gelen yapılandırılmış veya yapılandırılmamış veriler. Verilerin 90% si yapılandırılmamış kategoridedir. Ancak, AI uygulamalarında değer katan sonuçların 90% ‘ı hemen hemen 10% kısmı oluşturan yapılandırılmış verilerden elde edilir.
  2. Veri hazırlama (Data Preparation): AI sistemlerinde veri setleri aynen excel tabloları gibi satı ve sütunlardan oluşurlar. Veri analizinde vektör, matris ve tensorlerin kullanılması için bu düzen gereklidir. Ancak, aynı zamanda verilerin etkin/hızlı bir şekilde işlenebilmesi, matematiksel modelin doğru oluşturulabilmesi için veri setleri üzerinde hummalı çalışmaların yapılması gerekir (AI uygulamalarında en uzun zamanı bu aşama alır). Verilerin güvenilir, doğru olmasının yanı sıra veri boyutun azaltılması (PCA: Principle Component Analysis) konusu bu aşamada oldukça önemlidir. Zira, makine öğrenmesi süreci gerçekte bu aşamadan sonra başlar. Bu amaç doğrultusunda calculus ve istatistik bilimimin birçok teori ve kuramından faydalanılır. Örneğin; Covariance matrix, veri setleri arasında korelasyon olanları elimine ederek, aralarında ilişki olmayan veri setlerini dikkate alarak veri setinde boyut indirgemesi yapan bir tekniktir. Tabi bununla da iş bitmemektedir. Verilerin normalize edilmesi, outlier eliminasyonu, boş verilerin doldurulması, text verilerin rakamlara dönüştürülmesi gibi birçok şeyin bu aşamada yapılması gerekir. Zira işlem yapma hem maliyetli hem de uzun zaman alan süreçtir. AI sistemine ne girerseniz onu elde edersiniz (garbage in garbage out).
  3. Modelleme (Algorithms): Algoritmalar sürecin beynidir dersek yanılmayız. Intelligence ya da öğrenebilme süreci algoritmalar olmadan gerçekleşemez. Yapay Zekâ (AI) dediğimiz unsurun temelinde ‘deneme (iteration) & öğrenme (learning)’ unsuru yatar. Öğrenme yeteneği (Intelligence) yani birçok girdi verisi ile çıktı atasında matematiksel ilişki kurabilmek (veriyi modelleyebilmek), modellenen veri üzerinden tahminde bulunabilme yetisi AI’ın en temel karakteristiğidir (Machine Learning).  Bunun için AI’ın öncelikle verileri anlamlı bir fonksiyona dönüştürmesi (y= f {x1, x2…, xn}, AI is function aproximation); bu işi gerçekleştirebilmesi için de binlerce hatta bazen milyonlarca defa deneme (iterasyon) yapması gerekir. İterasyon yaparak, hata (error) fonksiyonunu minimize eden matematiksel modeli bulmak ve bulduğu model üzerinden tahmin gerçekleştirmek AI dan beklenen ana işlevdir. Algoritma alanında birçok yeni teknik/metot geliştirilmektedir. Ancak, Lineer cebir ve calculus bilmeden AI sistemleri için algoritma geliştirebilmek pek mümkün değildir. Bu konuda AI sistemlerine referans teşkil eden en eski algoritma perceptron learning algoritmasıdır (+backpropogation). Halen dahi neural networklerde kullanılan bu algoritma (Multi Layer Perceptron) ile support vector machine, random forest, KNN, Lineer Regression gibi birçok farklı algoritma yine farklı amaçlar için AI uygulamalarında kullanılmaktadır.
  4. Knowledge (Human & Machine Teaming). Elbette ki insan ve makine arasında temel farklılıklar vardır. Sürecin basit ve ölçeğin yüksek olması durumunda makineler avantajlı iken; kompleks ve düşük ölçekli süreçlerde insan faktörü halen en doğru çözümü sunabilmektedir. AI konusu Narrow AI ve General AI olarak iki kısımda incelenmektedir. Belirli bir amaç doğrultusunda tasarlanan (ses tanıma, görüntü tanıma, vs.,) AI sistemler narrow AI olarak tanımlanırlar. Tam otonomiye (full autonomy) olarak tanımlanan ki henüz tam mevcut değil general AI olarak tanımlanırlar. AI konusu yukarıda belirttiğimiz gibi binlerce girdi verisi ile çıktı verisi arasındaki ilişkiyi matematiksel olarak modellemek olarak da tanımlanabilir. Veri olmadan (doğru veri) AI sistemi sonuç üretemez. Bu aşamada insan/makine arasında iş bölümünün yapılması gerekir.
  5. Etkileşim (Interact with user). AI sistemleri ile verileri sınıflandırma (classification), gruplama (clustering), geleceği tahminleme (estimation/prediction), keşfetme (searching), optimizasyon ya da farklı çıkarımlar (inference) elde edebiliyoruz. Ancak, bilmek tek başına fayda sağlamıyor; bilgiyi kullanmak da gerekiyor. Etkileşim AI sistemlerinin ürettiği çıktının kullanıcılar tarafından kullanılması sürecidir.
  6. İşlem yeteneği (Computing Power). AI’ın gündemde olmasında işlem yapma hızının oldukça etkisi var. İterasyon süreci her ne kadar veri boyutu, algoritma yeteneğine bağlı olsa da işlem hızının da o denli önemi var. AI, desktop seviyesinde (CPU level) işlem hızı kısıtları nedeniyle sınırlı alanlarda yapılabiliyor. Google, Amazon, Facebook bir devler dil, görüntü, ses işleme, otonom sürüş gibi alanlarda çok güçlü ve hızlı farklı işlemciler (GPU level) kullanıyorlar. Ancak, yine de AI üzerinden istedikleri her şeye henüz ulaşamıyorlar ancak bu konuda çalışmalar üç yönlü yapılıyor: veriyi boyutunu küçültme, daha akıllı algoritmalar ve işlem hızı çok yüksek, daha düşük enerji gereksinimi olan, mevcuda göre çok daha güçlü süper bilgisayarlar. Fizik, kimya, biyoloji ve malzeme alanının ortak çalışmaları sonucu gelişecek olan Quantum Computing (super position) bu eksikliği dolduracak ve yakın bir zamanda bizi Quantum AI çağına itecek gibi duruyor…

AI konusu önümüzdeki yıllara damga vuracak gibi. Bu alanda çalışacak uzman veri bilimcilerine ve yapay zekâ mühendislerine olan gereksinim daha da artacak gibi duruyor. Genç arkadaşlara bu konuyu dikkate almalarını öneririm.

Yakın Gelecek | Quantum AI (New Machine Age)

Çok yakın bir zaman içinde yeni bir devrim ile karşı karşıya kalacak gibiyiz. Quantum AI…

AI ve Quantum Computing ile konvansiyonel teknolojiler üzerinden yapılamayan birçok şey yapılabilir duruma gelecek ve yapmakta olduğumuz birçok aktif faaliyet makinelere devredilecek gibi gözüküyor:

AI, epeydir bilinmesine rağmen gerekli koşullar oluşmadığı için gündemimize alamadığımız bir konuydu. Ancak, şimdi 1) Big Data (IoT), 2) Computing Power, ve 3) Algoritma alanındaki gelişmeler sayesinde etkisini hemen her alanda artırarak hissettiriyor. Geçmiş verilerden (Supervised / Un-supervised Learning) ya da deneyimlerden (reinforcement learning) öğrenerek model oluşturmak ve oluşturduğu model üzerinden geleceği tahminleme (regression), verileri sınıflandırma (classification), gruplandırma (clustering) işlemlerini yapabilmek AI’ın yetileri arasında. AI ‘daki Intelligence kavramı modelleme yapabilme özelliğinden (function aproximation); modelleme yeteneği öğrenebilme karekteristiğinden (learning ability); öğrenebilme yeteneği iterasyon hızından (computing power); iterasyon hızı ise algoritma (math & stats) ve büyük veriden (IoT) geliyor. Yani işin özünde: büyük veri, işlem hızı ve algoritmalar var.

AI, desktop seviyesinde (CPU level) işlem hızı kısıtları nedeniyle sınırlı alanlarda yapılabiliyor. Google, Amazon, Facebook bir devler dil, görüntü, ses işleme, otonom sürüş gibi alanlarda çok güçlü ve hızlı farklı işlemciler (GPU level) kullanıyorlar. Ancak, yine de AI üzerinden istedikleri her şeye henüz ulaşamıyorlar. Veri ve algoritma alanında çok temel sorunlar olmasa da ana sorun Computing Power ya da Iterasyon hızı (işlem ya da hesaplama hızı). AI, veri hazırlama süreçlerinde çok yüksek boyutlu büyük veri paketlerini hızlı bir şekilde çözümleyebilmek için mevcut durumda filtreleme, temizleme, örnek alma ya da özellik azaltma/birleştirme gibi teknikler kullanılsa dahi hayal edilen kurguya ulaşabilmek için işlem hızı çok yüksek, daha düşük enerji gereksinimi olan, mevcuda göre çok daha güçlü süper bilgisayarlara gereksinim var. Fizik, kimya, biyoloji ve malzeme alanının ortak çalışmaları sonucu gelişecek olan Quantum Computing (super position) bu eksikliği dolduracak ve yakın bir zamanda bizi Quantum AI çağına itecek gibi duruyor…

Quntum CPU’lar ile işlem yapabilme yetisi çok farklı bir boyuta geçecek ve şu an hayal edilen ve yapılamayan birçok şeyin makineler tarafından yapılabildiğini göreceğiz. Belki de tarihin tekerrür etmesi gibi yeni bir makine çağına gireceğiz.