Programlama Dilleri ve Programlama Ortamları
- Genel yöntemler, kavramlar ve teknik araçlar
- Temel problemlerin araştırılması
- Karmaşık, sayısal olmayan bilginin temsil edilmesi için araçlar
- Gerçekten yararlı işler yapan sistemler
Başlangıç olarak LISP programlama diliyle başlayabiliriz.
LISP, onu yapay zekâ çalışmaları için doğal bir araç hâline getiren çeşitli özelliklere sahiptir. Sınırsız ağaç yapıları kullanılmasına olanak tanır. Bu nedenle programcının, veri yapılarının tam olarak nasıl görüneceğini yürütmeden önce belirtmesine, hatta bilmesine bile gerek yoktur.
LISP, yapay zekâ sistemleri için temel olan sembolik veya sayısal olmayan veri işlemesini kolaylaştırmak amacıyla tasarlanmıştır. Program ve veri için aynı temel gösterimi kullanır; böylece aynı veri yapısını hem analiz edilecek bir şey hem de çalıştırılacak bir şey olarak ele almayı kolaylaştırır. LISP ayrıca, örneğin çerçeveler gibi, daha üst düzey bilgi temsil biçimlerini tanımlamak için iyi bir temel sağlar. Son olarak, tipik bir LISP kurulumu son derece etkileşimli ve son derece güçlü bir geliştirme ortamı sunar. Bu durum, PASCAL gibi bir dilde çalışmaya kıyasla, fikirleri keşfetmeyi ve değiştirmeyi ve yeni sistemler geliştirmeyi çok daha kolay hâle getirir.
LISP’e kıyasla çok daha az görünür olmakla birlikte, neredeyse onun kadar önemli olan bir diğer unsur, yapay zekâ araştırmacılarının geliştirdiği genel yöntemler, kavramlar ve teknik araçlardır. Bunlar; eşleştirme, geri izleme, üretme ve sınama gibi yordam temelli fikirlerin yanı sıra, temel teknik problemler ve bunlarla nasıl başa çıkılacağı konusunda derinlemesine bilgiyi içerir.
Örneğin bağımlılıklar sorununu ele alalım. Satranç oynama yeteneğimizi geliştirmeye çalışıyorsak, bir oyunun nihai sonucunu, oyunun çok daha erken aşamalarında meydana gelen olaylarla ilişkilendirebilmemiz gerekir. Bir robot için bir planlama sistemi programlamaya çalışıyorsak, çıkmaza giren plan sonuçlarından geriye doğru giderek daha önceki varsayımsal durumlara ulaşabilmelidir. Ve sonuçlarını açıklayabilen bir uzman sistem geliştirmeye çalışıyorsak, akıl yürütme sürecindeki ara durumları birbirleriyle ilişkilendirebilmelidir.
Yapay zekânın gelişiminin erken aşamalarında, bu tür problemler genellikle yalıtık biçimde ele alınırdı. Ancak zamanla araştırmacılar, belirli örneklerin altında yatan ortak unsurların farkına vardılar. Bunu yaptıkça, örneğin doğruluk sürdürme kavramı gibi düşüncelerle birlikte, ortak problemin hangi bağlamda ortaya çıkarsa çıksın ele alınmasına yönelik genelleştirilmiş yöntemler koleksiyonları oluşturmaya başladılar. Genel problemlere ve bunlarla ne yapılacağına ilişkin bu derinlemesine bilgi, bilgi mühendisliğinin analiz ve tasarım yönlerinin temel bir unsuru hâline gelmiştir.
İlerlemenin çok daha sınırlı olduğu alanlarda bile, yapay zekâ araştırmacıları disiplinin temelinde yatan problemler hakkında önemli ölçüde gayriresmî bir anlayış geliştirmiştir. Öğrenme ve uyum sağlama buna iyi bir örnektir. Pratik anlamda işe yarar, genelleştirilmiş yapay zekâ öğrenme sistemleri bulunmamakla birlikte, araştırmacılar sorunların neler olduğu konusunda çok şey öğrenmiş ve bazı ilginç özel durumlar için yararlı teknikler geliştirmiştir. Burada da, temel ve uygulamalı yapay zekâ araştırmaları birbirine bağlıdır. Temel araştırmacının, bu zor problemleri nihayetinde çözebilmek için onları anlaması gerekir; uygulamalı araştırmacının ise, hemen pratik uygulamaya yönelik sistemler geliştirirken bu problemlerden kaçınabilmesi için onları anlaması gerekir.
Yapay zekâ sistemlerinin geleneksel hesaplamadan ayrıldığı önemli yönlerden biri, genellikle veri veya bilgiye ek olarak bilgi birikimi ile de ilgilenmeleridir. Yapay zekâ araştırmalarının en önemli sonuçlarından biri de, bilgiyi temsil etmek için geliştirdiği araçlar bütünüdür. Bunlar; mantık temelli biçimsel yapılar, kural tabanlı üretim sistemleri, çerçeveler ve şemalar, yordam temsilleri ve hatta benzetimsel araçları kapsar. Bu terimlerin herhangi bir özel durumda tam olarak neyi ifade ettiği, burada ayrıntısına girmek istediğimiz bir konu değildir. Ancak bununla ilişkili pratik bir sorun vardır: Belirli bir uygulama problemi için, bilgi temsilleri repertuvarı içinden hangisinin en uygun olacağının nasıl seçileceği.
İş Dünyası için Yapay Zekâ Uygulama Alanları
Elbette birçok kişi için yapay zekâdan çıkan en ilginç ve en önemli sonuçlar, onun ortaya koyduğu bireysel uygulama olanaklarıdır.
Muhtemelen en görünür YZ uygulama programları uzman sistemlerdir. Gerçekten uzman bir uzman, tanımı gereği nadir bulunur ve işvereninin bakış açısından dezavantajları vardır. Hastalanabilir, ölebilir ya da bir rakip tarafından transfer edilebilir. Bu nedenle, insan uzmanı, günün her saatinde güvenilir biçimde çalışacak ve istendiği kadar çoğaltılabilecek bir uzman programla değiştirmek açıkça çok cazip bir fikirdir. Ancak bunun nasıl yapılacağını çözmek çok daha az açıktır.
Daha önce doğal dil sorgularını ele alabilen iki eski YZ sistemine değinmiştik. Günümüzde, ticari kullanım için doğal dil sistemleri ve arayüzlerinin geliştirilmesi, oldukça etkin bir başka YZ uygulama alanı hâline gelmiştir. Bu sistemler çeşitli yaklaşımlar kullanır.
Birçok uzman sistem geliştirilmiştir; ancak çok azı, Digital Equipment Corp.’a gelen VAX bilgi işlem sistemleri siparişlerinin birleştirilmesi, koordine edilmesi ve tamamlanması için bir yapılandırıcı olan R1 adlı uzman sisteme uygulanan türden yoğun kurum içi testlere tabi tutulmuştur. R1, herhangi bir koşul ya da istisna olmaksızın, endüstriyel bir ortamda gün be gün gerçekten çalışan çok az sayıdaki uzman sistemden biridir.
Veritabanı biçimsellikleri bazen bilgi gösterimi şemaları olarak görülür; ancak yukarıda anılan YZ türlerine kıyasla çok daha sınırlıdır ve kısıtlayıcıdır. Ayrıca, gerçekten etkili biçimde kullanılabilmeleri için, genellikle zekânın büyük kısmının kullanıcı tarafından sağlanması gerekir. Buna karşın, güncel veritabanı teknolojisi, günümüz yönetim bilgi sistemlerinin (MIS) çok iyi yerleşmiş bir parçasıdır. Bu nedenle, YZ tekniklerinin veritabanı kullanımını ve performansını iyileştirmek için nasıl uygulanabileceğini araştırmak ilginç ve önemlidir.
Karar destek sistemleri, mevcut MIS ortamının bir başka belirgin özelliğidir. Bunlar, basit VisiCalc modellerinden, büyük şirketlerin sermaye bütçelemesi ve planlamasına yardımcı olmak için kullandıkları devasa tümleşik sistemlere kadar uzanır.
Son olarak, iş dünyasının YZ’ye olan ilgisinin nedenlerine ilişkin hiçbir değerlendirme, robotik üzerine bir miktar tartışma olmadan tamamlanmış sayılmaz. Özellikle, robotikteki gelecekteki gelişmelerin, algı ve planlama alanlarındaki YZ araştırmalarından büyük ölçüde yararlanması olasıdır.
Gelecek İçin Eğilimler
YZ uygulamalarına ilişkin her tartışma, gelecek eğilimleri ve bundan sonra neler olacağına dair birkaç tahmin içermelidir. İşte benimkiler:
- Finansman
- Uzman sistemlerin güçlü ve zayıf yönlerini anlama
- Akıllı yardımcılar yönünde ilerleme
- Sınırsız YZ sistemlerinin yeniden ortaya çıkışı
Atfedilmemiş Yayılım
Finansman açısından, üç ayrı kaynağı ayırt edebiliriz. Birincisi, büyük şirketler YZ gruplarını giderek daha fazla finanse edeceklerdir; bunu ya ayrı birimler olarak ya da genişletilmiş ve yeniden tanımlanmış bilgi sistemleri kadrolarının bir parçası olarak yapacaklardır.
İkincisi, çeşitli kaynaklardan risk sermayesiyle desteklenen daha fazla YZ yazılım şirketi de göreceğiz. Bunlar, yeni YZ kavramları ve araçlarına aşinalıklarının avantajına sahip akıllı sistemler uzmanlarıyla kadrolanacaktır. Ancak unutulmamalıdır ki, nihai olarak yazılım geliştirip pazarlamaktadırlar. Dolayısıyla, diğer yazılım geliştiricileri ve tedarikçileriyle aynı geliştirme yollarını izlemelerini ve aynı piyasa güçlerine ve fırsatlarına tabi olmalarını beklemeliyiz.
Son olarak, fonların üçüncü ana kaynağı devlettir; özellikle DARPA gibi kurumlar ve ordunun Ar-Ge finansman birimleri aracılığıyla. Hedeflenen miktarlar ve sorunlar kuşkusuz değişen siyasal ve ekonomik koşullara göre farklılık gösterecektir ve özel sektörün YZ uygulamalarına yönelik finansmanı arttıkça devlet finansmanının göreli büyüklüğü azalabilir. Ancak YZ’nin ordu için ve genel olarak ulusal ekonomi için algılanan önemi göz önüne alındığında, bu kaynağın güçlü kalmasını beklemeliyiz.
Çeşitli YZ uygulama türleriyle deneyim arttıkça, bunların güçlü ve zayıf yönlerine dair anlayışımız da artmalıdır. Örneğin, olası bir uzman sistem uygulamasını değerlendirdiğimizde, artık en azından aşağıdaki soruları soracak kadar bilgi sahibi olmalıyız:
(a) Problemin çözümleri ne kadar nadirdir ve nasıl dağılmıştır?
(b) Problem ne ölçüde ayrıştırılabilirdir?
(c) Bilgi ne ölçüde biçimselleştirilebilir? Ne kadarı kural tabanlıdır?
(d) Bilgiyi elde etmek ne kadar zordur?
(e) Bilgi tabanında ne kadar gürültü ya da hata vardır?
Örneğin R1, kabul edilebilir VAX yapılandırmaları özellikle nadir olmadığı için, yapılandırma problemi oldukça ayrıştırılabilir olduğu için (en azından bunun nasıl yapılacağını bir kez çözdükten sonra) ve gerekli bilginin tamamı...
Küresel Uydu İşbirliğiyle Kurtarma Operasyonları
Günümüzün yapay zekâ uygulama alanlarının, buzdağının yalnızca görünen kısmı olduğunu kabul edin. Dünyanın dört bir yanındaki araştırma merkezlerinde, yapay zekâ araştırmacıları yönetim bilgi sistemleri sorusunun tamamını, nasıl geliştirilmesi gerektiğini ve onlardan ne beklenmesi gerektiğini yeniden düşünmektedir. Akıllı bilgisayar asistanlarına doğru ilerleme yavaş olacaktır; çünkü temel sorunların tümü için henüz genel çözümlerimiz yoktur. Ancak bunun geleceğinden kimse şüphe duymamalıdır.
Ortaya çıktıklarında, bu daha güçlü yapay zekâ tabanlı sistemlerin biçim olarak çok daha karmaşık ve çeşitli olması muhtemeldir. Kural tabanlı sistemler, görece anlaşılması ve uygulanması kolay olduğu için kamuoyunun hayal gücünü yakalamıştır. Ancak birçok bilgi ve süreç türünü basit bir kural tabanlı çerçeveye sığdırmak zordur ve yapay zekâ iş dünyasında saygınlık kazandıkça, onu basit paketler halinde pazarlama ihtiyacı daha az hissedilecektir.
Son olarak, yapay zekâ tartışmalı bir laboratuvar merakı olmaktan çıktıkça, yapay zekâ uygulamaları ile geleneksel yazılım arasındaki bağ bulanıklaşacaktır. Bunun şimdiden gerçekleştiğini görebiliyoruz. Bu atıfsız yayılmanın nasıl gerçekleştiğini göstermek için New York Times’ın teknoloji üzerine yakın tarihli bir köşesinden alıntı yapıyoruz:
Metafor, entegrasyon ve ağ oluşturma bu yılın moda sözcükleriyse, gelecek yılınkiler, önde gelen bir üretici olan Microsoft’un başkanı William H. Gates’e göre "yumuşak yazılım" olabilir. Yazılımın genel amaçlı bir bilgisayarı alıp onu belirli bir göreve uyarlaması gibi, yumuşak yazılım da standart bir ürünü alıp onu belirli bir kullanıcıya uyarlayacaktır.
"Daha yumuşak" bilgisayar programları, kullanıcının söylediğini değil ne istediğini anlamak ve komut girerken yapılan yazım hataları gibi şeyleri hoş görmek üzere yazılacaktır. Bir insan asistan gibi, bilgisayarlı bir dosyalama sistemi de her yeni isteği yepyeni bir görev olarak ele almak yerine, sık istenen verileri geri getirmede giderek daha hızlı hale gelebilir.
Başka bir deyişle, yumuşak yazılım daha kişisel kişisel bilgisayarlar sağlayacaktır.
İlginç olan, tüm yazıda yapay zekâya tek bir atıf bile olmamasına rağmen Gates’in tarif ettiği özelliklerin açıkça yapay zekâdan esinlenmiş olmasıdır. Yıllarını yapay zekânın ciddiye alınması için harcamış araştırmacılar, onun birdenbire olağan kabul edilmesine uyum sağlamakta zorlanabilir. Ancak yapay zekâ uygulamalarının kalıcı olduğuna dair daha net bir işaret isteyemezlerdi.