Yapay Sinir Ağları ve Derin Öğrenme Yapay Zeka Sistemlerinin Öğrenmesini ve Karar Vermesini Nasıl Sağlıyor

Bir Sinir Ağı Gerçekte Nedir

IBM'e göre bir sinir ağı, nöron adı verilen basit işlem birimlerinden oluşan, katmanlar halinde düzenlenmiş ve girdileri çıktılara eşlemek amacıyla verilerden kalıp tanıyan ağırlıkları ve bias'ları öğrenen bir makine öğrenmesi modelidir. Her ağda, ham verileri alan bir girdi katmanı, bu verileri dönüştüren bir veya daha fazla gizli katman ve etiket veya tahmin gibi nihai sonucu üreten bir çıktı katmanı bulunur.

Her nöron, gelen değerleri ağırlık denen sayılarla çarpar, bir bias terimi ekler ve sonucu doğrusal olmayan bir aktivasyon fonksiyonundan geçirir. IBM, ağırlıkları her bir girdinin sonuç üzerindeki etkisini ayarlayan düğmelere benzetirken, bias'ların bir nöronun ne zaman aktif hale geldiğini belirlediğini söylüyor.

Eğitim Nasıl Çalışır: İleri ve Geri Geçişler

MIT News bu fikrin kökenini 1944'e, daha sonra MIT'ye taşınan Warren McCullough ve Walter Pitts'in birbirine bağlı işlem düğümleri kavramını ilk kez ortaya attığı döneme kadar götürüyor. Orijinal tasarımda her düğüm ağırlıklı girdilerini toplar ve bu toplam bir eşiği geçerse 'ateşlenir', MIT'nin ileri beslemeli (feed-forward) mimari dediği yapı içinde bir sinyali sonraki katmana gönderir.

Eğitim rastgele ağırlıklarla başlar. IBM, ağın önce 'ileri yayılım' (forward propagation) adımını çalıştırarak girdi verisini katmanlardan geçirip bir tahmin ürettiğini açıklıyor. Ardından bir kayıp fonksiyonu, bu tahmin ile doğru cevap arasındaki farkı ölçer; bunun için IBM'e göre sayısal tahminlerde ortalama karesel hata, sınıflandırma görevlerinde ise çapraz entropi gibi formüller kullanılır.

Ardından ağ 'geri yayılım' (backpropagation) sürecini çalıştırır; zincir kuralı adı verilen bir kalkülüs kuralını kullanarak her bir ağırlığın hataya ne kadar katkıda bulunduğunu katman katman hesaplar. Gradyan inişi (gradient descent) adlı bir optimizasyon adımı, bu hesaplamaları kullanarak her ağırlığı hatayı azaltacak yönde hafifçe iter. Bu döngünün eğitim örnekleri üzerinde binlerce veya milyonlarca kez tekrarlanması, IBM ve MIT'nin her ikisinin de ağın 'öğrenmesi' olarak tanımladığı süreçtir.

Derin Öğrenme Neden Patladı

'Derin öğrenme', tek bir gizli katman değil, üst üste yığılmış birçok gizli katmana sahip ağları ifade eder. MIT News, 1960'lardaki tek katmanlı ağların yerini artık 10 ile 50 veya daha fazla katmana sahip modern ağlara bıraktığını belirtiyor. MIT News'e göre MIT'den Marvin Minsky ve Seymour Papert'in tek katmanlı ağların sınırlarını gösteren 1969 tarihli bir kitap yayımlamasının ardından araştırma ivmesi çöktü ve bu durum 1980'lerde kısmen toparlandı, ancak 2000'lerin başında ikinci bir gerileme yaşandı.

Alanın MIT'nin yaklaşık 2010'a tarihlendirdiği modern canlanışı, aslen video oyunları için üretilen grafik işlem birimleri (GPU) tarafından yönlendirildi; bu birimler, derin ağların gerektirdiği muazzam sayıdaki hesaplamayı pratikte çalıştırılabilir kıldı. IBM, bu hesaplama gücünün çok daha büyük veri setleriyle birleşmesinin, günümüzün büyük modellerindeki parametre sayısının milyarları bulmasına olanak sağladığını ekliyor.

'Kara Kutu' Sorunu: Kararların Açıklanması Neden Zor

Tam eğitilmiş bir ağ bile yorumlanması zor olabilir. MIT News, eğitim sonrasında nihai ağırlık değerlerinin gerçekte neyi temsil ettiğinin veya eğitilmiş bir sistemin bir görüntünün hangi özelliklerine dayandığının ve bunları nasıl birleştirdiğinin çoğu zaman belirsiz olduğunu belirtiyor. Bazen 'kara kutu' sorunu olarak adlandırılan bu şeffaflık eksikliği, bir ağın nasıl inşa edildiğinden farklı bir konudur; zaten eğitilmiş belirli bir ağın belirli bir kararı neden ürettiğini anlamakla ilgilidir.

Bu Açıklama Şu Anda Neden Önemli

Yukarıdaki mekanizmalar, günlük yapay zeka kullanımındaki hızlı genişlemenin arkasında yer alıyor. Stanford'un HAI 2026 Yapay Zeka Endeksi Raporu, üretken yapay zekanın kurumsal benimsenme oranının 2025'te %88'e ulaştığını ve üretken yapay zekanın, kitlesel pazara sunulmasından sonraki üç yıl içinde nüfusun %53'ü düzeyinde benimsenme oranına eriştiğini buldu; rapor bunun kişisel bilgisayarın veya internetin aynı seviyeye ulaşmasından daha hızlı olduğunu söylüyor. Aynı rapor, 2025'te ABD'nin özel sektör yapay zeka yatırımını 285,9 milyar dolar olarak belirledi; bu rakam, aynı yıl Çin'de yapılan 12,4 milyar dolarlık yatırımın 23 kattan fazlasına denk geliyor.

Stanford raporu ayrıca, SWE-bench Verified gibi kodlama kıyaslama testlerindeki yapay zeka model performansının bir yıl içinde yaklaşık %60'tan %100'e yakın bir seviyeye yükseldiğini ve birkaç modelin şu anda doktora düzeyindeki bilim sorularında ve yarışma matematiğinde insan temel çizgisine ulaştığını veya onu geçtiğini buldu. Bu yetenek artışlarının hiçbiri, yukarıda tanımlanan temel mekanizmayı -geri yayılım ve gradyan inişi yoluyla ayarlanan ağırlıklı bağlantıları- değiştirmiyor; sadece bunun uygulandığı ölçeği değiştiriyor.