YAPAY ZEKÂ NEDİR?
YAPAY ZEKAYA GİRİŞ
İnsanın en değerli özelliklerinden biri sahip olduğu zekâsıdır. Bu sayede öğrenebilir, konuşabilir, anlayabilir, doğru ile yanlışı ayırt edebilir, olaylar arasında ilişki kurabilir, mevcut bilgileri yardımıyla bugün ve yarın hakkında çıkarımlarda bulunabilir, tahmin yapabilir ve olayları açıklayabilir. İnsanı insan yapan böylesine önemli bir özelliğin taklit edilmesi teknoloji geliştiricilerin ilgisini çekmiş ve bu özelliği bilgisayarlara kazandırmaya girişmişlerdir. İşte bu girişime verilen ad yapay zekâdır.
Yapay zekâyı anlamak için birçok farklı yöntem takip edilebilir. Bunlardan birisi onun tarihsel süreç içerisindeki değişimi ve dönüşümünü izlemektir. Tarihsel süreç içerisindeki gelişmeler yapay zekâya neden ihtiyaç duyulduğunu, ilk olarak nasıl ortaya çıktığını, nasıl geliştiğini ve bugüne kadar ne şekilde kullanıldığını net olarak açıklayacaktır.
Erken sayılabilecek bir tarihte akıllı araçlar olarak geliştirilmiş mekanik icatlar ile başlayan yapay zekâ serüveni için kısa bir özet aşağıda görüldüğü gibidir.
· M.S. 1. yy: Su ve buhar gücüyle çalışan otomatlar geliştirildi.
· 1206: El Cezeri tarafından suyla çalışan otomatik kontrollü makineler üretildi.
· … Mekanik icatlar dönemi
· 1956: Yapay zekâ kavramı ilk olarak bir konferansta dillendirildi.
· 1958: İlk yapay zekâ dili LISP piyasaya çıktı.
· 1962: Endüstriyel robot üreten ilk firma Unimation[1] kuruldu.
· 1966: Stanford üniversitesinde ilk hareketli robot “Shakey” üretildi.
· 1993: MIT’de Cog adlı insan biçimli bir robotun üretimine başlandı.
· 1997: Deep Blue[2] isimli süper bilgisayar satrançta dünya şampiyonu Kasparov’u yendi.
· 2005: Yapay zekâya sahip ve insan becerileri gösteren Asimo[3] isimli robot piyasa sürüldü.
· 2010: Asimo zihin gücüyle hareket ettirildi.
Yapay zekâ çalışmaları bugün artık mekanik icatlar döneminde çok daha ileri bir noktaya gelmiş durumdadır. Ülkemiz dâhil olmak üzere bütün dünyada yapay zekâ alanında çok sayıda araştırma, geliştirme ve ürünleştirme çalışması yapılmış ve çalışmalar artan bir hızla devam etmektedir. Hatta yapay zekâ alanında yapılan çalışmalar kaygı uyandıracak boyutlara ulaşmıştır.
Yapay zekânın amacı konuşma, görme, tanıma, çıkarsama gibi bilgisayarlar için zor fakat insanlar için sıradan olan yetenekleri makinelere kazandırmaktır. Popüler ve somut olması nedeniyle yapay zekâ sıklıkla robotlarla ilişkilendirilir. Bostondynamics tarafından geliştirilen, iteklendiği halde ayakta durmayı başaran, düşse dahi yeniden dengesini bulan bir robotun durumu yapay zekâda gelinen noktayı bize açık ve net olarak göstermektedir. Yapay zekâ sadece robotlarda veya otonom hareket eden araçlarda değil aynı zamanda gelişmiş karar destek sistemlerinde de karşımıza çıkmaktadır. O artık farklı meslek alanları için profesyonel bir kişisel asistandır. Belgeler arasında sıkışıp kalan bir yönetici için zeki ve yetenekli bir sekreterdir aynı zamanda. Yaklaşık %100 doğrulukla çalışan hava tahmin sistemlerinde yine yapay zekânın izlerine rastlanır. Veya bir hastanede hekimlerden daha yüksek doğrulukta teşhis yapan bir sistem onun eseridir.
Yapay zekânın son dönemde gündemimize iyiden iyiye girmesinin çeşitli nedenleri vardır. Bu nedenlerden birisi insanlar için telafisi mümkün olmayan bazı zararların ortadan kaldırılmasıdır. Örneğin mayın tespiti bir insan veya başka bir canlı yardımıyla yerine getirildiğinde ya can kaybı ya da organ kaybı maydana gelebilmektedir. Bu işlemin robotlarla yerine getirilmesi ise maddi manevi çok daha makul bir çözümdür. Ülkemizde ve dünyada hemen her yıl yaşanan maden kazaları da yapay zekâyı önemli hale getirmiştir. İnsan yerine çalışacak veya maden araması yapacak robot işçiler maden kazalarına karşı en iyi tedbirdir. Araçların ve diğer motorlu cihazların test edilmesinde de insan kullanımı riskler içermektedir. Demir çelik sektöründe işçilerin kızgın ateş karşısında çalıştırılması iş güvenliği anlamında problemlere gebedir. Dolayısıyla yapay zekâ teknolojisi yardımıyla insan gibi davranan robotlar geliştirmek yukarıda ifade ettiğimiz birçok sorunu ortadan kaldıracak ve daha güvenli bir dünyaya hizmet edecektir.
Yapay zekâ teknolojisine ihtiyaç duyulan bir başka alan bakım hizmetleridir. Her geçen gün daha da yaşlanan dünya nüfusunun ve ayrıca çok sayıda engellinin bakım hizmetine olan ihtiyacı artmaktadır. Bu durum insanı anlayan robotik sistemlere ihtiyacı tetiklemektedir. Örneğin ses yardımıyla çalışan ve yaşlılara hizmet edebilecek elektronik cihazlar yaşam kalitesini artırabilecek ve insanların kaliteli bir yaşlılık dönemi geçirmesine sebep olacaktır. Dolayısıyla yapay zekânın bir kullanım alanı insan gibi davranan sistemler geliştirmek ise diğer kullanım alanı insanı anlayan sistemler geliştirebilmektir. Tam bu noktada karşımıza doğal dil işleme konusu çıkmaktadır. Doğal dil işleme çalışmalarındaki nihai hedef sesli komutlarla bilgisayarları/robotları emrimize hazır hale getirmektir.
Yapay zekâ teknolojisinin hızlı gelişmesi kimi zaman insalık için bir tehdit gibi görünebilmektedir. İnsan gibi düşünen fakat kontrolü eksik bırakılmış sistemler kontrolü tamamen ele geçirebilir ve bilim kurgu filmlerine konu olan korkunç durumlar gerçekten de meydana gelebilir. Bu noktada yapılması gereken şey yapay zeka teknolojisini geliştirirken aynı zamanda kontrol noktasının doğru planlanmasıdır. Bununla birlikte yapay zeka teknolojisi riski nedeniyle terk edilmesi gereken değil riski yönetilmesi gereken bir teknolojidir.
Yapay zekâ, veri madenciliği için de önemli bir yardımcıdır. Veri madenciliği büyük hacimli veriler içerisinden bir madenci sabrı ile değerli fakat az olanı bulmaya odaklanmış bir disiplindir. Herkes onu meşhur Pazar sepeti analizi ile hatırlar. Pazar sepeti analizini duymayanlara kısaca özetlemek gerekirse; önce geçmişte yapılan alışveriş işlemleri kayıt altına alınır, daha sonra işlemler içerisindeki birlikteliklerden kurallar elde edilir ve en sonunda bir ürün alan müşteriye ona benzer başka bir ürün tavsiye edilir. Yöntemin geri plandaki mantık şudur: eğer insanlar her zaman A ile B ürünlerini birlikte alıyorsa A ürününü alana B ürünü reklamı yapılmalıdır. Sanal ortamda yapılan reklamların ve önerilerin birçoğu bu mantıkla yapılır. Çok fazla bilinmemekle birlikte aslında DNA testi olarak da bildiğimiz babalık testi yine bir veri madenciliği görevidir. Kanser erken teşhisi, kredi verme kararı, gelecekle ilgili tahminler kestirimler yapma hep bu alanla ilgilidir. Son dönemde oldukça başarılı olan hava tahminleri yine bu alanın iyi bir örneğidir. Çağın projesi olan GENOM[4] projesi de bir veri madenciliği projesidir.
Neden Yapay Zeka?
Yapay zekâ bir heves değil bir zorunluluğun sonucunda ortaya çıkmıştır. Klasik programlama ile çözülemeyen problemlerin çözümü için yapay zekâ çalışmaları bir ihtiyaçtır. Klasik programlama mantığı sadece kendisine verilen işi yerine getiren, onun haricinde kodun çalışmasına karışmayan bir yapı sunar. Öğrenen sistemler ise geri beslemeler yardımıyla kendini geliştirebilirler. İşte bu sebeple yapay zekâ kullanımı klasik programlama ile imkânsız olan işleri yapacak yegâne seçenektir.
Kayıt altına aldığımız veriler ihtiyacımız olan gerçeklerin tamamına dair bilgiler içermeyebilir. Var olan bilgi yetersiz geldiğinde ondan yeni bilgiler çıkarmak için de bizim yapay zekâ çalışmalarına ihtiyacımız vardır. Klasik yönteme göre yöntem şöyledir: ne ekersen onu biçersin. Veri tabanına ne kaydetmişsek ancak onu geri alabiliriz veya dosyaya ne kaydettiysek onu görebiliriz. En iyi ihtimalle sakladığımız verileri birbiriyle ilişkilendirir ve etkileyici raporlar sunabiliriz. Olmadı görsel hale getirir ve sayısal değerleri resimlerle gösteririz. Ama klasik yöntem kaydettiğinden başkasını vermez. Peki, kaydettiğimizden daha fazlasına ihtiyacımız olduğunda ne yapacağız? İşte bu noktada yapay zekâ tekniklerinin çıkarsama (reasoning) özelliği devreye girer ve kaydedilmiş verilerden çıkarsama yaparak kaydedilmemiş ama çıkarsanmış sonuçları bize verebilir. Şu an semantik web adı verilen teknoloji sayesinde veya prolog, lisp gibi yapay zekâ dillerinde gördüğümüz bu yetenek mevcut durumun çok ötesinde sonuçlar üretebiliyor. Bu nedenle de yapay zekâ bir ihtiyaçtır.
İnsan yeteneklerini makinelere kazandırabilmek için de yapay zekâ bir ihtiyaçtır. Sıklıkla düştüğümüz hatalardan birisi insanlarla bilgisayarları dört işlem yeteneği açısından karşılaştırmaktır. Hâlbuki daha manalı kıyas insanın görme, algılama, bağ kurma gibi yetenekleri anlamında olmalıdır. İnsanın bilgisayarlardan daha üstün olduğu yetenekleri bilgisayarlara kazandırabilirsek büyük verilerin dünyasında birçok işimiz daha kolay ve çözülebilir hale gelecektir. Şu anda metinleri otomatik sınıflandıran ve böylece insanın yerine geçmiş sistemler yakın zamanda çağrı merkezindeki bütün işleri belki insanlardan alabilecek duruma gelecektir. İşte bu türden kullanımlar için de yapay zekâya ihtiyaç vardır.
İnsanların kararsız kaldığı noktada yardım için bir ihtiyaçtır. Başta tıp alanı sonra da adli alan olmak üzere hekimlerin ve hâkimlerin zaman zaman karar vermede zorlandıkları görülür. Adliyelerde karar vermeye yardımcı bilirkişiler, hastanelerde de asistan veya mesai arkadaşları bulunur. Gerek bilirkişi gerekse mesai arkadaşı son kararı veren değil karara yardımcı olan kişidir. Yapay zekâ sistemleri de asistan modunda karar vericiye destek olabilir. Bu nedenle de yapay zekâ bir ihtiyaçtır. Nitekim otomatik pilot kullanımı aslında bu anlamda başarılı bir örnektir.
Yapay Zeka Araçları
Yapay zekâ çalışmalarında ona yardımcı olan bazı araçlar bulunmaktadır. Bu araçlardan birisi arama yöntemleridir. Arama yöntemleri sayesinde daha hızlı şekilde çözüme ulaşma imkânı sağlayacaktır. Arama bazen bir dokümanda geçen hassas kelimelerin bulunması bazen de bir enzim değerinin belli bir seviyenin üzerinde olup olmadığının testi olacaktır. Arama yöntemleri insanların eşleştirme yeteneğini taklit eder. Sıklıkla arama motorlarının optimize edilmesinde kullanılan tekniklerle karşımıza çıkar. Google arama motorunu diğerlerinin önüne geçiren konu arama işlemine kattığı skor mantığı ve ilişkililik ölçümüdür. Dolayısıyla yapay zekânın önemli bir çalışma alanı olan arama (search) bilgi erişimi daha etkili hale getirmiştir.
Yapay zekâ çalışmalarına yardımcı başka bir araç bilgi temsili ve bilgi işlemdir. Bilgi temsili yöntemleri sayesinde eldeki ham verinin üzerinde bilgi çıkarım yöntemlerini kullanma imkânı olabilecektir. Konu özniteliklerin çıkarımı, sunumu ve özellik mühendisliği ile de yakından ilişkilidir.
Planlama çalışmaları yine yapay zekâ çalışmalarına yardımcı rol üstlenir. Özellikle davranış planlama alanına odaklanan çalışmalardaki amaç sistemlerin gösterdiği davranışı anlama ve yorumlamadır. Kaynağını doğadan alan algoritma ve sistemler geliştirilmesi davranış planlama alanında gördüğümüz örnekler arasındadır.
Yapay zekâ alanına en büyük desteği sunan yöntemlerden birisi hiç şüphesiz makine öğrenmesi yöntemleridir. Makine öğrenme sistemleri deneyimlerden öğrenen programlama yeteneklerini ifade eder. Bügün yapay zekâ ürünü olarak çıkan birçok sistemin temel mantığını makine öğrenmesi sağlar.
Ayrıca kendine evrimi ve canlıların davranışını model alan yapay sinir ağları ve genetik algoritmalar da yapay zekâ alanı için yardımcı araçlar sağlamaktadır. Yapay sinir ağları biyolojik sinir ağlarındaki hücre, hücreye yapılan bağlantılar, hücrenin hücareyi etkilemesi, hücrelerin birlikte çalışması gibi konularda aldığı ilhamı hesaplama ve öğrenmede kullanmaktadır[5].
Yapay Zeka Uygulama Alanları
Yapay zekâ alanında çok sayıda çalışma vardır ve bu çalışmalar kategorik olarak bazı temel alanlara ayrılır. Yapay zekânın amacı insana benzer davranışlar gösteren sistemler oluşturmak olduğu için yapay zekâ çalışma alanları insan yetenekleri ile eşleştirerek bu kısımda verilmiştir.
Doğal Dil İşleme (Natural Language Processing)
Doğal dil işleme (DDİ) insanın konuşma ve anlama yeteneğini taklit eden yapay zekâ alt alanıdır[6]. Doğal dil işleme çalışmaları kapsamında hem konuşma dili hem de yazılı dil üzerine çalışmalar yapılmaktadır. Temel amacı dil içeriği üretimi ve bunların anlaşılmasıdır. Doğal dil işleme çalışmaları dilbilimsel ve istatistiksel dil işleme şeklinde iki alt alana ayrılır. Hedef her ikisinde de dildeki örüntü ve yapıların bulunmasıdır.
Dil çalışmaların olduğu her yerde sözdizimsel analiz ve sentaktik analiz çalışmaları yer alır. Sözdizimsel analiz bir metnin kurallara uygun olarak üretilip üretilmediği ile ilgilidir. Semantik analiz ise üretilen metnin anlamlı olup olmaması ve anlamın ne olduğu ile ilgilidir. Bir metinde yazım hatalarının tespiti dilin sözdizimsel analizi ile ilgiliyken metnin ana fikrinin ne olduğu semantik analiz ile ilgildir.
Doğal dil işleme çalışmaları konuşma dili sözkonusu olduğunda fonem adı verilen her bir birim sesin işlenmesi ve bir araya getirilmesiyle ilgilidir. Bununla birlikte konu yazı dili olduğunda birim elemanlar harflerdir. Harfler heceleri, heceler kelimeleri ve onlar cümleleri oluşturarak metinlere kadar ulaşırız. Özellikle istatistiksel doğal dil işlemede sıklıkla adına terim dediğimiz dil özellikleri bulunur, sayılır ve sıralanır. Bunlar kelime çantası veya vektör uzayı modelinde sunularak üzerinde işlemler yapılır.
Doğal dil işleme çalışmalarında bugün gelinen nokta oldukça memnuniyet vericidir. Sıradan bir çağrı merkezi aramasında bile sizi karşılayan robotun söylediklerinizi anlaması ve sizi ilgili yerlere yönlendirmesi bu konuda gelinen noktayı göstermektedir. Apple firması tarafından geliştirilen Siri[7] isimli uygulama sayesinde karşıdaki elektronik sistemler artık bir insan kadar yeterli cevap verebilmektedir. Siri gibi teknolojilerin bu aşamaya gelmesinin önemli sebeplerinden birisi derin öğrenme algoritmalarıdır. Derin öğrenme algoritmaları özellikle doğal dil işleme ve görüntü işleme alanına hizmet eden yeni bir yapay zekâ alanıdır.
Doğal dil işleme çalışmalarında bir başka güzel örnek çeviri hizmetleridir. Google firması tarafından geliştirilen Translate[8] ürünü, Microsoft tarafından geliştirilen Bing Translator[9] ürünü yüksek doğruluklarda çeviri hizmeti vermektedir.
Doğal dil çalışmalarındaki en önemli başarı nedeni insan dilinde yer alan modellerin anlaşılması ve taklit edilmesidir. Kullanılabilir elektronik verilerin artması dil çalışmalarında başarıyı beraberinde getirmiştir. Her ne kadar dillere özel bazı zorluklar, örneğin muğlaklık ve eş anlamlılık gibi sorunlar devam ediyor olsa da çalışmalar her geçen gün bir önceki günden daha iyi duruma gelmektedir.
Görüntü İşleme (Image Processing)
Görüntü işlemenin amacı insanın görme yeteneğinin taklit edilmesidir. İki boyutlu resimlerden yola çıkarak üç boyut için çıkarımlar yapılmaktadır. Kimi zaman çevrimiçi (hareket eden) kimi zaman da çevrimdışı (duran) resimler içerisinden bilgi çıkarımı yapmaktadır. Böylece bir sahne hakkında bilgi elde edebilir ve sahne içerisinde yer alan ögeleri ayırt edebiliriz. Son dönemde özellikle sağlık ve şehircilik alanında önemli çalışmalar yapılmaktadır. Radyoloji görüntülerinden hastalık teşhisi görüntü işleme için iyi bir örnektir. Klasik hale gelem çalışmalar ise plaka tanıma sistemleri veya yazı/imza tanıma işlemleridir. Ayrıca kendi içerisinde analog ve dijital görüntü işleme gibi teknikleri bulunmaktadır.
Görüntü işlemede öne çıkan iki konu nesne tanıma ve nesne yorumlamadır. Nesne tanıma sırasında önemli bir problem nesne farklı açılardan görüntüye girmiş olabilir ya da gölge durumu oluşmuş olabilir. O nedenle önce açısal düzeltme ve renk açısından düzeltme ve sonrasında tanıma işlemi yapılmalıdır[10]. Nesne tanıma konusunda bugüne kadar el yazısı tanıma, optik karakter tanıma, sismik faaliyetlerin tanınması ve imza tanıma gibi başarılı uygulamalar görülmüştür.
Görüntü işlemede diğer konu resimlerin yorumlanmasıdır. Konu makine öğrenme teknikleriyle ilgilidir. Özellikle sınıflandırma ve kümeleme bu konuda öne çıkan makine öğrenmesi teknikleridir. Görüntü işleme teknikleri yardımıyla fark edilen nesnelerin hareketleri makine öğrenmesi algoritmaları yardımıyla modellenerek hareketli nesnenin ne yaptığına dair çıkarımlar yapılabilmektedir. Bir bölgede bulunan yoğunluğun tespiti, son dönemde önemli bir problem haline gelen sosyal mesafenin korunması, bir bölgedeki trafik yoğunluğunun tespiti, bir doku üzerinde hastalık olup olmadığının bulunması örneklerinin hepsi görüntü işleme teknikleriyle makine öğrenmesi tekniklerinin bir araya gelmesiyle ortata çıkmaktadır.
Makine Öğrenmesi (Machine Learning)Geçmiş deneyimlerinden öğrenen sistemlere makine öğrenmesi sistemleri adı verilir[11]. Makine öğrenme sistemleri çeşitli aşamaların sonunda mükemmeli elde etmek için ortaya konmuş bir yapay zekâ alt alanıdır. Makine öğrenmesi olmadan da akıllı sistemler geliştirmek mümkündür. Örneğin, insan müdahalesi olmaksızın hava sıcaklığına ve nem durumuna göre otomatik olarak devreye giren bir klima sistemi akıllı bir sistemdir. Böyle bir sistem kendisine verilen aralıklar dışına çıkan bir sıcaklık ve nem durumunu sensörler yardımıyla algıladıktan sonra kodlandığı şekilde tepki verir. Bunun bir adım ötesi özelleştirilebilir klima sistemidir. Eğer evde yaşayan kişiler yaşlı ve normal insana nispetle vücut sıcaklığı daha düşük kişiler ise normal insan için çalışan akıllı sistem yetersiz kalacak ve kişiler elle klimayı çalıştırmaya başlayacaktır. Bu durumun çözümü olarak yapılması gereken bir işlem evde bulunan kişilere uyarlanan bir sistem olacaktır. Bir ileri durum eve gelen ve gidenler sıklıkla değişiyorsa veya ev değil de bir otel odası için klima sistemi kurmaya çalışıyorsak gelen her misafirin durumuna göre klimanın ayarlanmasını bekleriz. Dolayısıyla standart bir kodlama değil de bütün belirsizliklere açık ve gelen müşteriye kendini özel hissettirecek bir çözüme ihtiyacımız varsa o zaman karşımıza çıkacak sistem öğrenebilir ve adaptif bir sistem olmalıdır. Klima örneğinde olduğu gibi, müşteriyi tanıyacak, onu memnun edecek bir hizmet beklentisi varsa yapılması gereken şey onunla ilgili verileri toplayan ve ona en uygun hizmeti verecek sistemin geliştirilmesidir. Herkesin kendini özel hissettiği, çünkü geçmiş deneyimler yardımıyla herkesin öğrenildiği ve onlara özel hizmet verildiği son senaryo makine öğrenmesi senaryosudur.
Konunun anlaşılması için birçok örnek verilebilir. Örneğin, sıklıkla gittiğiniz bir restoranda sizi tanıyan restoran sahibi siz daha sipariş vermeden size önerilerde bulunmaya başlayabilir. Eğer sıklıkla gittiğiniz bir manavınız varsa siz ürünleri görmeden sizi arayıp en sevdiğiniz meyvenin geldiğini size haber verebilir. Araçlara özel ilginiz varsa galeri sahibi ilgilendiğiniz bir araç geldiğinde mutlaka sizi bilgilendirir. Eğer akademik çalışma yapıyorsanız akademik hizmetler veren firmalar sizi bulur. Doktor iseniz başınızı ilaç mümessillerinden alamasınız. Hayatın tam içinde olan bu örneklerin hepsi sizi tanıdığı için size uygun hizmet vermeye çalışan şahıslardır. Makine öğrenmesinin felsefesi tam da budur. Deneyimlerden öğrenen ve bunu kaliteye çeviren teknikler. Makine öğrenmesinin yapay zekânın en önemli uygulama alanlarından birisi olması onun yeteneği ile ilgilidir. Makine öğrenmesi sadece bir uygulama alanı değil aynı zamanda en büyük yardımcıdır. Makine öğrenmesi için yapay zekâ ++ demek abartı olmayacaktır. Geri bildirimler yardımıyla parametre optimize edilmesi veya geri bildirimler yardımıyla daha yüksek doğruluk veren sistemlerin geliştirilmesi makine öğrenmesi sayesindedir.
Uzman Sistemler (Expert Systems)
İnsanların uzmanlığını taklit eden yazap zekâ alt alanıdır. Ekstra insan zekâsı ve uzmanlığı gerektiren belirli bir alandaki karmaşık problemleri çözmek için geliştirilmiş bilgisayar yazılımlarıdır. Uzman sistemler; yüksek performanslı, anlaşılabilir, güvenilir ve yüksek hassasiyete sahip olmalıdır.
Uzman sistemlerin; danışmanlık yapma, karar vermede insana yardımcı olma, problemlere çözüm üretme, teşhis, açıklama, sonuç tahmini ve alternatif seçenekler sunma gibi yetenekleri vardır. Anlamlı Bilgi Tabanı, Çıkarım Motoru ve Kullanıcı arayüzü gibi birimleri olan uzman sistemler özellikle askeri alanlarda sıklıkla kullanılır.
Bir uzman sistemde yer alan anlamlı bilgi tabanı (knowledge base) etki alanına özgü değerli bilgi içerir. Bir sistemin zeki davranışlar gösterebilmesi için doğru ve yeterli bilgi ile donanmış olması gerekir. Bu nedenle uzman sistemlerin önemli bir bileşeni her zaman bilgi tabanı olacaktır. Veri, bilgi ve anlamlı bilgi arasındaki ilişki sıklıkla merak edilir. Veri, gerçeklerin bir toplamıdır. Bilgi, bir etki alanı içerisinde yer alan veri ve gerçeklerdir. Veri, bilgi ve geçmiş deneyimler bir araya getirilerek da anlamlı bilgi elde edilir.
Bir anlamlı bilgi tabanında (knowledge base) hem olgusal (factual) hem de sezgisel (heuristic) bilgiler yer alır. Olgusal Bilgi gözlem yoluyla doğrudan kayıt altına alınan ve bilgi olarak herkes tarafından kabul edilen bilgidir. Sezgisel Bilgi, uygulama, kıyaslama ve değerlendirme ile elde edilen, tahmin verileri gibi bilgilerdir. Bilgi tabanında yer alan veriler kural tabanlı sınıflayıcılarda olduğu gibi IF-THEN kuralları şeklinde sunulur. Herhangi bir uzman sistemin başarısı büyük ölçüde bilgi tabanında saklanan bilginin kalitesine, bütünlüğüne ve doğruluğuna bağlıdır. Bilgi tabanı, çeşitli uzmanlar, akademisyenler ve bu alanda çalışanlarıN geri bildirimlerinden oluşur[12].
[1] Invasion Of The Robots". Businessweek. 2 Mart, 1997. Erişim Tarihi 1 Eylül, 2020
[3] ASIMO by Honda | The World's Most Advanced Humanoid Robot". asimo.honda.com. Erişim tarihi 10 Haziran 2020
[6] Vasif Nabiyev - Yapay Zekâ: Problemler, Yöntemler, Algoritmalar, 764 say., Seçkin, Ankara, 2005
[10] https://www.geeksforgeeks.org/digital-image-processing-basics/
[11] https://www.ibm.com/cloud/learn/machine-learning
[12] https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_expert_systems.htm
Atıf vererek kullanılabilir. Atıf Bilgisi:
Takcı, Hidayet, "Teori ve Uygulamada Veri Madenciliği", Nobel Akademik Yayıncılık, Ankara, Aralık 2020
