Kulağa korkutucu geliyor, aslında değil

“Yapay sinir ağı” terimini ilk duyduğunuzda aklınıza laboratuvarda büyüyen bir beyin, en azından anlaşılmaz bir mühendislik harikası gelebilir. Yüksek lisansımı tam da bu konu üzerine yaptım ve size en baştan söyleyeyim: işin özü, bir sayfalık bir sezgiyle anlaşılabilecek kadar sade. Bu yazının sonunda “haa, bu kadarmış” diyeceksiniz — ve yapay zekanın neden bazen harika, bazen de kendinden emin bir şekilde saçmaladığını da çözmüş olacaksınız.

Önce en önemli cümleyi kuralım: yapay sinir ağı, beyinden esinlenmiş bir matematik yapısıdır. Beyin gibi derler ama beyin değildir ve beyin gibi düşünmez. Bu ayrım kulağa ince gelebilir; aslında yapay zekayla ilgili kafanızdaki soruların yarısını tek başına çözer.

Esin kaynağı: beyindeki bağlantılar

Beynimizde milyarlarca sinir hücresi — nöron — birbirine bağlıdır. Yeni bir şey öğrendiğimizde bu bağlantılardan bazıları güçlenir, bazıları zayıflar. Bisiklet sürmeyi öğrenirken düşe kalka olan şey, kabaca budur: doğru bağlantılar güçlenene kadar deneme yanılma.

1940’lardan itibaren araştırmacılar şunu sordu: bu fikrin çok basitleştirilmiş, matematiksel bir taklidini yapabilir miyiz? Cevap evet oldu ve ortaya çıkan yapıya “yapay sinir ağı” dendi. (Bu fikrin inişli çıkışlı serüvenini derin öğrenmenin kısa tarihi yazısında anlattım.)

Üç parçalık sezgi: nöron, bağlantı, ağırlık

Yapay sinir ağını anlamak için üç kavram yeter.

Yapay nöron, küçük bir hesap birimidir. Kendisine gelen sayıları alır, toplar ve sonucu bir sonraki birime iletir. Hepsi bu. İçinde bilinç yok, anlam yok, düşünce yok — sadece basit bir aritmetik işlem.

Bağlantılar, bu nöronları birbirine bağlar. Bir nöronun çıktısı, bağlantılar üzerinden başka nöronlara girdi olur. Nöronlar genellikle katmanlar halinde dizilir: girdi bir uçtan girer, katman katman işlenir, öbür uçtan çıktı çıkar.

Ağırlık ise işin kalbidir. Her bağlantının bir sayısal değeri vardır: o bağlantıdan geçen bilginin ne kadar önemseneceğini belirler. Ağırlık büyükse sinyal güçlü geçer, küçükse kısılır. Ağın “bildiği” her şey, bu ağırlıkların değerlerinde saklıdır. Modern büyük modellerde bu ayarlanabilir sayılara parametre denir ve sayıları milyarları bulur.

Öğrenme dediğimiz şey de tam olarak şudur: ağırlıkları doğru cevaba yaklaşacak şekilde azar azar ayarlamak. Ağa bir örnek gösterilir, ağ bir tahmin yapar, tahminin ne kadar yanlış olduğu ölçülür ve ağırlıklar bu hatayı biraz azaltacak yönde güncellenir. Bunu milyonlarca örnekle, milyonlarca kez tekrarlarsınız. Sihir yok; sabırlı bir ayar süreci var.

Öğrenmek ezberlemek değildir

Buradaki en kritik — ve en çok yanlış anlaşılan — nokta şu: ağ, gösterdiğiniz örnekleri bir veritabanına kaydetmez.

Somut bir örnekle anlatayım. Bir çocuğa 100 köpek fotoğrafı gösterin. Sonra hiç görmediği 101. fotoğrafı gösterin: çocuk “köpek” der. Peki nasıl? O fotoğrafı ezberlemiş olamaz, çünkü hiç görmedi. Çocuk fotoğrafları değil, “köpeklik” örüntüsünü öğrenmiştir: dört bacak, tüy, kulak yapısı, duruş. Bu örüntüyü yeni bir duruma uygulamaya genelleme denir.

Yapay sinir ağı da aynısını yapar. Eğitim sırasında binlerce köpek fotoğrafı görür; ama sakladığı şey fotoğraflar değil, “köpekliği” yakalayan ağırlık ayarlarıdır. Bu yüzden hiç görmediği bir fotoğrafa da “köpek” diyebilir. Hatta hiç sorulmamış bir soruya bile makul bir cevap üretebilir — çünkü ezberden okumuyor, öğrendiği örüntülerden yeni bir çıktı üretiyor.

Bunu şöyle özetliyorum: yapay zeka ezberlemiş bir ansiklopedi değil, örüntü genelleyen bir makinedir.

Genellemenin bedeli: aynı mekanizma, iki yüz

Genelleme, bu teknolojinin hem süper gücü hem de zayıf karnıdır.

Süper gücü, çünkü esneklik buradan gelir. Ağ, eğitimde birebir görmediği durumlarla başa çıkabilir; yeni bir cümleyi anlar, yeni bir fotoğrafı tanır, daha önce kimsenin sormadığı bir soruya cevap kurar.

Zayıf karnı, çünkü yanlış genelleme de aynı kapıdan girer. Köpek örneğine dönelim: çocuk ilk kez bir kurt gördüğünde büyük ihtimalle “köpek!” der. Örüntü tutuyor gibi görünüyor — ama cevap yanlış. Yapay sinir ağı da böyle hatalar yapar ve işin can alıcı yanı, bunu tam bir özgüvenle yapar. Çünkü mekanizmasında “emin değilim, dur bir kontrol edeyim” diye bir adım yok; sadece “öğrendiğim örüntülere göre en olası cevap bu” var. Sohbet botlarının kendinden emin şekilde yanlış bilgi uydurması — yani halüsinasyon — bu mekanizmanın doğrudan sonucudur. Bunu ayrıca halüsinasyon neden olur yazısında derinleştirdim.

“Beyin değil” derken tam olarak ne demek istiyoruz?

Bu dürüstlük önemli, çünkü iki yaygın hatayı birden engelliyor.

Birincisi, abartılı beklenti: “Beyin gibiyse düşünüyordur, anlıyordur, bir gün bilinçlenir” zinciri buradan başlar. Oysa elimizdeki şey, girdi alan, ağırlıklarla çarpıp toplayan ve çıktı veren bir matematik yapısı. Nöron benzetmesi bir ilham kaynağı, birebir kopya değil. Gerçek nöronlar kimyasal, elektriksel, zamansal olarak kıyaslanamayacak kadar karmaşık; yapay olanlar ise kasıtlı olarak basit tutulmuş hesap birimleri.

İkincisi, abartılı korku: “Beyin yaptılarsa kontrolden çıkar” endişesi de aynı yanlış benzetmeden besleniyor. Ortada bir irade ya da niyet yok; devasa ama tanımlı bir hesaplama var.

Doğru zihinsel model bence şu: yapay sinir ağı, çok iyi bir tahminci stajyerdir. Zeki görünür, inanılmaz hızlıdır, yüzlerce taslağı saniyeler içinde üretir — ama işini kontrol etmeniz gereken biridir. İmzayı her zaman siz atarsınız. Bu çerçeveyi yapay zeka ne yapabilir, ne yapamaz yazısında ayrıntılı çizdim.

Peki ChatGPT ile ne alakası var?

Bugün konuştuğumuz sohbet botları — ChatGPT, Claude, Gemini — özünde dev birer yapay sinir ağıdır. Yaptıkları iş, kavramsal olarak köpek tanıyan ağla aynıdır; yalnızca örüntüsünü öğrendikleri şey fotoğraf değil, dildir. Devasa metin yığınlarından “hangi kelime hangisinden sonra gelir” örüntüsünü öğrenmişlerdir ve yazarken sıradaki en olası kelimeyi tahmin ederler. Bu ayrı bir yazıyı hak ediyor: büyük dil modelleri nasıl çalışır.

Katman sayısı arttıkça — yani ağ “derinleştikçe” — bu yapılara derin öğrenme sistemleri diyoruz. Kavram aynı; ölçek büyüyor.

Aklınızda kalsın

Bu yazıdan tek bir şey taşıyacaksanız, şu üçlü olsun:

  1. Yapay sinir ağı bir matematik yapısıdır — beyinden esinlenmiştir ama beyin değildir, düşünmez.
  2. Öğrenme, ağırlıkları ayarlamaktır — ve sonuç ezber değil, genellemedir. Köpeği ezberlemez, “köpekliği” öğrenir.
  3. Genelleme çift taraflı bıçaktır — esnekliğin ve yaratıcılığın kaynağı da, kendinden emin hataların kaynağı da aynı mekanizmadır.

Bu üç cümleyi sindirdiyseniz, yapay zeka haberlerini artık başka bir gözle okuyacaksınız: ne “her şeyi bilen sihirli kutu” ne de “kontrolden çıkmak üzere olan beyin”. Sadece, doğru kullanıldığında olağanüstü işe yarayan, örüntü genelleyen bir makine.