Akademik Not:

Yapay zekâ (AI) çok boyutlu bir alandır; bu nedenle bilgisayar bilimcileri, teknoloji kurumları ve uluslararası kuruluşlar onu farklı açılardan (bilimsel, geliştirme, uygulama ve yasal) tanımlamaktadır.

Tanınmış Küresel Kaynaklardan 5 Bilimsel ve Resmi Tanım
John McCarthy’nin Tanımı:

"İnsan zekâsı gerektiren görevleri yerine getirebilen akıllı makineler, özellikle de akıllı bilgisayar programları yapma bilimi ve mühendisliği."

Stanford Üniversitesi’nin (Stanford University) Tanımı:

"Öğrenme, muhakeme ve sorun çözme dâhil olmak üzere insanın bilişsel ve zihinsel yeteneklerini taklit edebilen sistemleri ve makineleri anlamaya ve inşa etmeye odaklanan bir bilgisayar bilimi dalı."

IBM’in Tanımı:

"Yapay zekâ; büyük miktarda veriyi işleyerek ve algoritmaları uygulayarak, insan entelektüel kapasitesine benzer şekilde öğrenmeyi, muhakeme etmeyi ve görevlerin yürütülmesini sağlamak için bilgisayarlardan ve yapay modellerden yararlanan bir teknolojidir."

OECD’nin Tanımı:

"Belirli bir özerklik derecesiyle çalışan ve girdi verilerine dayanarak, fiziksel veya dijital ortamları etkileyen tahminler, öneriler veya kararlar üretmek için insan tarafından tanımlanmış hedefleri çıkarsayan bilgisayar tabanlı bir sistem."

Merriam-Webster Sözlüğü’ünün (Merriam-Webster Dictionary) Tanımı:

"Dil çevirisi, ses tanıma, karar verme ve karmaşık veri analizi gibi geleneksel olarak insan zekâsı gerektiren görevleri yerine getirme yeteneği."

Bilimsel Uygulamada Yapay Zekâ Sistemlerinin Derin Operasyonel Aşamaları
Veri Toplama ➔ Ön İşleme ve Vektörleştirme ➔ Model Eğitimi ve Geri Yayılım ➔ Doğrulama ve Değerlendirme ➔ Dağıtım ve Çıkarım
Veri Edinimi ve Toplama (Data Acquisition & Collection):

Bilimsel Detaylar: Bilimsel araştırmalarda, toplanan verilerin kalitesi ve türü modelin başarısını belirler. Veriler metinsel, görsel ve sayısal formatlara ayrılır.

Algoritmik Boyut: Karmaşık modelleri eğitmek için gerekli olan Büyük Veriyi (Big Data) sağlamak amacıyla (Web Scraping, APIs, Sensor Telemetry, and Synthetic Data Generation) gibi teknikler kullanılır.

Veri Ön İşleme ve Dönüştürme (Data Preprocessing & Transformation):

Bilimsel Detaylar: Ham veriler gürültü ve tutarsızlıklar içerir. Bu aşamada (Tokenization, Normalization, Standardization, and Vectorization) gibi işlemler gerçekleştirilir.

Matematiksel Boyut: Doğrusal cebir işlemleriyle yapılandırılmamış verilerin matrislere ve vektörlere dönüştürülmesi, bilgisayar sistemlerinin bunları sayılar aracılığıyla işlemesini sağlar.

Model Mimarisi ve Eğitim Aşaması (Model Architecture & Training Phase):

Bilimsel Detaylar: Birincil yapay zekâ yaklaşımı burada belirlenir; klasik makine öğrenimi (ör. Random Forest, Support Vector Machines) veya derin öğrenme (Deep Learning) (görüntü için Convolutional Neural Networks - CNN veya metin için Transformer Modelleri).

Matematiksel Boyut: Yapay sinir ağı katmanlarındaki ağırlıkları (Weights) güncellemek için Gradient Descent ve Geri Yayılım (Backpropagation) algoritmalarını kullanarak hata oranını en aza indirmek.

Değerlendirme, Doğrulama ve Test (Evaluation, Validation & Testing):

Bilimsel Detaylar: Modelin yeni verileri genelleştirmesini sağlamak ve Aşırı Uyum (Overfitting) veya Eksik Uyum (Underfitting) durumlarını önlemek için veri seti eğitim, doğrulama ve test kısımlarına ayrılır.

Bilimsel Metrikler: Model kararlarının doğruluğunu ölçmek için (Accuracy, Precision, Recall, F1-Score, and ROC-AUC) gibi istatistiksel değerlendirme metriklerinin kullanılması.

Dağıtım ve Çıkarım (Deployment & Inference):

Bilimsel Detaylar: Eğitilen modelin laboratuvar ortamından bulut API'leri aracılığıyla gerçek üretim ortamına taşınması.

Çıkarım Süreci (Inference): Sistem, yanıt hızını ve kullanılan kaynakları dengelerken, olasılık hesaplamaları yoluyla yeni girdileri işler.

Kaynaklar (References)
Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

Temel kavramlar, algoritmik mantık ve sinir ağı yapıları için temel başvuru kaynağı.

Erişim: Pearson - Artificial Intelligence: A Modern Approach

Stanford University (2024). Artificial Intelligence Index Report / What is AI?. Stanford Institute for Human-Centered Artificial Intelligence (HAI).

Stanford HAI'den resmi tanım ve bilimsel çerçeve.

Erişim: Stanford HAI AI Index

IBM Cloud Education (2023). What is Artificial Intelligence? & Machine Learning Workflows. IBM Documentation.

Veri toplama, algoritma eğitimi ve model dağıtımı için teknolojik çerçeve.

Erişim: IBM Topics - Artificial Intelligence

Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media.

Veri ön işleme, boru hattı oluşturma ve makine öğrenimi iş akışları için pratik başvuru kaynağı.

Erişim: O'Reilly Online Learning

OECD (2021). OECD Framework for the Classification of AI Systems. OECD Digital Economy Papers.

Otonom yapay zekâ sistemlerinin sınıflandırılması için uluslararası politika çerçevesi ve küresel standartlar.

Erişim: OECD AI Policy Observatory

Google Cloud Architecture Center (2024). Machine Learning Operations (MLOps) Framework & Data Pipelines. Google Documentation.

Veri toplama, boru hattı mühendisliği, eğitim ve MLOps dağıtımı için temel teknik kaynak.

Erişim: Google Cloud MLOps Framework