Skip to main content

Yapay zekâ nedir

Not: Bu belge orijinal İngilizce versiyonun otomatik bir çevirisidir.

Yapay zekâ nedir

Yapay zekâ (AI), normalde insan zekâsı gerektiren görevleri — veri analizi, tahmin yapma, içerik üretme, desen tanıma ve karar destekleme — gerçekleştiren yazılım sistemleri için geniş bir terimdir. AI; sihir, bilinç veya dijital bir beyin değildir. Verilerdeki desenleri bulan ve bunları yeni girdilere uygulayan yazılımdır.

AI'yı desenler için bir hesap makinesi olarak düşünün. Sıradan bir hesap makinesi sayıları alır ve aritmetik kuralları uygular. Bir AI sistemi örnekleri — binlercesini veya milyonlarcasını — alır ve kimse bu kuralları elle yazmadan, girdileri çıktılara bağlayan kuralları keşfeder. Bir sesli asistana soru sorduğunuzda, bir spam filtresi bir oltalama e-postasını yakaladığında veya bir çeviri aracı bir cümleyi başka bir dile dönüştürdüğünde, AI ile etkileşiyorsunuz demektir: örneklerle eğitilmiş ve şimdi öğrendiklerini yeni durumlara uygulayan yazılım.

Kısaca: AI, veriden öğrenen ve aksi halde insan yargısı gerektirecek sonuçlar üreten yazılımdır — ve kriptoda temel soru, bir projenin AI'sının gerçek ve doğrulanabilir olup olmadığıdır.

AI pratikte nasıl çalışır

Yüksek düzeyde, her AI sistemi benzer bir iş akışını izler. Bu adımları anlamak, bir projenin AI iddialarının gerçekliğe mi dayandığını yoksa yalnızca pazarlama dili mi olduğunu değerlendirmenize yardımcı olur.

  1. Problemi tanımla — AI'nın ne yapması gerektiğini belirle. Bu; görüntüleri sınıflandırmak, metin çevirmek, blok zinciri işlemlerindeki anormallikleri tespit etmek veya kod üretmek olabilir. Net bir problem tanımı temeldir; onsuz AI, soru arayan bir çözümdür.

  2. Veri topla ve hazırla — problemle ilgili bir veri kümesi derle. Veri; etiketli görüntüler, işlem kayıtları, metin belgeleri veya sensör okumaları içerebilir. Veri temizlenmeli, düzenlenmeli ve eğitim ile test kümelerine bölünmelidir. Veri kalitesi model kalitesini doğrudan belirler — eski "çöp girerse çöp çıkar" ilkesi tam olarak geçerlidir.

  3. Bir model mimarisi seç — göreve uygun AI modeli türünü belirle. Metin görevleri için bu bir transformer olabilir (GPT, Claude ve Gemini'nin ardındaki mimari). Görüntü görevleri için evrişimli sinir ağı olabilir. Tablosal veriler için gradyan artırmalı ağaçlar gibi daha basit modeller, derin öğrenmeden daha iyi çalışabilir.

  4. Modeli eğit — eğitim verilerini modelden geçir ve çıktıları beklenen sonuçlarla eşleşecek şekilde iç parametrelerini ayarla. Eğitim hesaplama açısından pahalıdır ve model boyutuna ve veri hacmine bağlı olarak saatler, günler veya haftalar sürebilir.

  5. Değerlendir ve test et — eğitilmiş modeli, daha önce hiç görmediği ayrılmış test verileriyle ölç. Bu adım, modelin gerçek desenler mi öğrendiğini yoksa yalnızca eğitim verilerini mi ezberlediğini (aşırı öğrenme (overfitting) denen sorun) kontrol eder. Değerlendirme; doğruluk, kesinlik, duyarlılık veya perplexity gibi kıyaslamalar ve kalite metrikleri kullanır.

  6. Çıkarım için dağıt — modeli, yeni, gerçek dünya girdilerini işlediği üretime al. Buna çıkarım denir. Bir chatbot kullandığınızda, bir öneri aldığınızda veya bir dolandırıcılık uyarısı geldiğinde, perde arkasında çıkarım gerçekleşiyordur.

  7. İzle ve yeniden eğit — dağıtılmış modeller, gerçek dünya değiştikçe zamanla bozulur (veri kayması (data drift) denen olgu). Sorumlu AI sistemleri, performansı izleyen ve modelleri taze verilerle yeniden eğiten işlem hatları içerir.

Kripto AI iddialarını değerlendirirken, bu adımların her biri bir kontrol noktasıdır. Veri kümesini, eğitim sürecini, değerlendirme metriklerini ve dağıtım işlem hattını tanımlayan bir proje, yalnızca "AI destekli" diyen bir projeden çok daha güçlü kanıt sunar.

Kripto AI ile ilgili temel dallar

Tüm AI aynı değildir. Alan geniştir ve farklı dalların farklı güçleri, sınırlamaları ve kanıt gereksinimleri vardır. Birkaçı kripto AI proje açıklamalarında sık görülür.

Dal Temel fikir Tanınmış örnekler Yaygın kripto kullanım senaryoları
Makine öğrenmesi (ML) Veriye maruz kalarak gelişen algoritmalar scikit-learn, XGBoost Risk puanlama, anomali tespiti
Derin öğrenme Karmaşık desenler için çok katmanlı sinir ağları BERT, ResNet NLP, görüntü tanıma, üretken modeller
Büyük dil modelleri (LLM) Devasa metin verileriyle eğitilmiş transformer modelleri GPT, Claude, Gemini, Mistral Chatbot'lar, özetleme, kod üretimi
Bilgisayarla görme Görüntüleri ve videoları yorumlayan sistemler Stable Diffusion, YOLO NFT üretimi, görsel veri analizi
Pekiştirmeli öğrenme (RL) Deneme, yanılma ve ödül sinyalleriyle öğrenme AlphaGo, OpenAI Five Otomatik ajanlar, protokol optimizasyonu

Makine öğrenmesi

Makine öğrenmesi, pratik AI için en yaygın temeldir. ML algoritmaları, açık kurallar programlamak yerine veriden öğrenir. Kripto projelerindeki çoğu AI iddiası, sonuçta makine öğrenmesi tekniklerine dayanır — basit sınıflandırma modellerinden karmaşık sinir ağlarına kadar.

Derin öğrenme

Derin öğrenme, çok katmanlı (bu yüzden "derin") sinir ağları kullanan bir ML alt kümesidir. Son AI atılımlarının çoğundan sorumludur. BERT (metin bağlamını anlamak için Google tarafından geliştirildi) gibi modeller ve görüntü tanıma sistemleri derin öğrenme modelleridir. Derin öğrenme, büyük veri kümeleri ve önemli hesaplama gücü gerektirir; merkeziyetsiz hesaplama ağlarının kripto AI'da tekrarlayan bir tema haline gelmesinin nedeni budur.

Büyük dil modelleri

Büyük dil modelleri (LLM'ler), devasa metin derlemleriyle eğitilmiş derin öğrenme modelleridir. Metin üretir, özetler, çevirir ve metin hakkında akıl yürütürler. Tanınmış LLM'ler arasında GPT, Claude, Gemini ve Mistral bulunur. Kripto AI'da birçok proje; chatbot'lar, zincir üstü veri özetleme, akıllı sözleşme analizi veya kod üretimi için LLM kullanır. Bazıları kendi modellerini inşa eder; diğerleri üçüncü taraf API'leri sarar. İnşa etmekle sarmak arasındaki ayrım, AI derinliğini değerlendirmek için kritiktir — bkz. API wrapper.

Pekiştirmeli öğrenme

Pekiştirmeli öğrenme (RL), bir modeli bir ortamda eylemler yapmasına ve ödüller veya cezalar almasına izin vererek eğitir. Zamanla ajan, kümülatif ödülü en üst düzeye çıkaran stratejiler öğrenir. RL, oyun oynayan ajanları (AlphaGo gibi) çalıştırır ve bazı kripto bağlamlarında otomatik protokol parametre ayarı ve ajan tabanlı sistemler için kullanılır.

Bilgisayarla görme

Bilgisayarla görme, makinelerin görsel verileri — görüntüleri ve videoları — yorumlamasını ve işlemesini sağlar. Stable Diffusion gibi sistemler metin açıklamalarından görüntü üretirken, YOLO gibi nesne tespit modelleri nesneleri gerçek zamanlı tanımlar. Kriptoda bilgisayarla görme; NFT üretiminde, kimlik doğrulamasında ve görsel blok zinciri analitiğinde görülür.

Bu dallar sıklıkla örtüşür. Bir kripto AI projesi, insan geri bildiriminden pekiştirmeli öğrenme (RLHF) ile ince ayarlanmış bir LLM (ki bu derin öğrenmedir, o da ML'dir) kullanabilir.

Dar AI ve genel AI

AI iddialarını anlamak için önemli bir ayrım:

  • Dar AI (zayıf AI olarak da adlandırılır), belirli bir görev için tasarlanmıştır — dil çevirmek, yüzleri tanımak, satranç oynamak veya görüntü üretmek. En gelişmiş LLM'ler dahil, bugün üretimdeki her AI sistemi dar AI'dır. Eğitildiği alanda mükemmeldir; ancak ek eğitim olmadan ilgisiz görevlere genelleyemez.

  • Yapay genel zekâ (AGI), bir insanın yapabileceği herhangi bir entelektüel görevi öğrenip gerçekleştirebilecek varsayımsal bir sistemdir. AGI henüz mevcut değildir. AGI inşa ettiğini iddia eden herhangi bir proje, olağanüstü kanıt gerektiren olağanüstü bir iddiada bulunuyor demektir.

Bu ayrımı anlamak, gerçekçi olmayan iddiaları elemeye yardımcı olur. Bir proje "AI destekli" dediğinde, belirli bir işleve uygulanmış dar AI kastediyor demektir — ve bu işlev açıkça tanımlanmış ve doğrulanabilir olmalıdır.

AI kriptoda neden önemli — ve neden doğrulama gerektiriyor

AI ile blok zincirinin kesişimi, talebi yüksek bir piyasa anlatısı yarattı. Birçok kripto projesi, terim dikkat, topluluk katılımı ve fon çektiği için konumlandırmasına "AI" ekler. Sorun şu ki "AI"; özel eğitilmiş modeller çalıştıran tescilli bir çıkarım motorundan, projenin içinde anlamlı hiçbir AI çalışması olmadan üçüncü taraf bir hizmeti çağıran basit bir API wrapper'a kadar her anlama gelebilir.

Bu bir doğrulama sorunu yaratır:

  • İddialarda bulunmak kolaydır. Herhangi bir proje web sitesine "AI destekli" yazabilir. Teknik incelemeler, kodda var olabilecek veya olmayabilecek sofistike mimarileri tanımlayabilir.
  • Yapı olmadan doğrulama zordur. AI'nın gerçek olup olmadığını kontrol etmek; kod depolarına, model dokümantasyonuna, kıyaslama sonuçlarına ve dağıtım kanıtlarına bakmayı gerektirir — çoğu kullanıcının sahip olmadığı beceriler ve çaba.
  • AI-washing'in maliyeti yüksektir. Gerçek AI'yı boş pazarlamadan ayırt edemeyen kullanıcılar, bir projenin teknik içeriğini yanlış değerlendirebilir. Bu, bir projenin "iyi" veya "kötü" bir seçim olup olmadığıyla ilgili değildir — beyan edilen teknik yeteneklerin doğrulanabilir olup olmadığıyla ilgilidir.

DecAIHub bu boşluğu gidermek için var. AI iddialarını olduğu gibi kabul etmek yerine, kayıt sistemi Tier-1 kanıt arar: kod, dokümantasyon, metrikler, demolar ve teknik mimari. Kanıt, Tier-1'den (kaynak kodu ve denetim raporları gibi doğrudan teknik artefaktlar) Tier-2'ye (agregatörlerden ve analitikten bağlamsal bilgi) ve Tier-3'e (pazarlama materyalleri ve doğrulanmamış iddialar) kadar derecelendirilir.

DecAI Fit metriği, üç eksendeki — AI reality, Onchain necessity ve Token necessity — değerlendirmeleri, projenin Merkeziyetsiz AI teziyle ne kadar uyumlu olduğunu yansıtan 0 ile 6 arasında tek bir puanda birleştirir. ai_score = 0 olan (AI kanıtı olmayan) bir proje, blok zinciri veya token nitelikleri ne olursa olsun otomatik olarak DecAI Fit = 0 alır.

"AI yok"tan "gerçek AI"ya uzanan yelpaze

Bir projede AI varlığı ikili değildir. DecAIHub, AI reality bayraklarına (AI_0'dan AI_4'e) yansıyan bir yelpaze tanır:

Düzey Ne anlama gelir Tipik kanıt
AI tespit edilmedi Hiçbir kaynakta AI'dan söz edilmiyor Yok
Positioning only "AI" pazarlamada geçiyor ancak teknik artefakt bulunamadı Web sitesi metni, sunum dosyası
Niyet / yol haritası AI özellikleri planlanmış ancak henüz inşa edilmemiş Yol haritası öğeleri, resmî duyurular
Tanımlanmış bileşen Proje, AI'sının ne yaptığını tanımlıyor Teknik inceleme, dokümantasyon
Çalışan demolar AI çıktıları test edilebilir veya gözlemlenebilir Herkese açık demo, API uç noktası
Metrikler ve kıyaslamalar AI kalitesi metodolojiyle ölçülüp yayımlanmış Kıyaslama sonuçları, değerlendirme raporları

Bu yelpaze boyunca ilerlemek, giderek daha güçlü kanıt gerektirir. Her adım, DecAI Fit puanını besler. "Positioning only" aşamasındaki bir projenin kanıt ağırlığı, metodolojiyle kıyaslama sonuçları yayımlayan bir projeden temelden farklıdır.

AI tek başına neyi kanıtlamaz

Gerçek, çalışan bir AI bileşenine sahip olmak, güçlü bir DecAI Fit için gereklidir — ancak yeterli değildir. AI tek başına bir projeyi şunlar yapmaz:

  • Yararlı — ürün, kullanıcıları için gerçek bir sorunu çözmelidir.
  • Merkeziyetsiz — AI tamamen merkezî sunucularda çalışabilir. Onchain necessity ayrıca değerlendirilir.
  • Token açısından gerekçeli — AI'nın varlığı, bir tokenın neden gerekli olduğunu açıklamaz. Token necessity ayrı bir eksendir.
  • Yüksek kaliteli — bir model var olabilir ve yine de kötü performans gösterebilir. Kalite, yalnızca varlıkla değil, metrikler ve kıyaslamalarla yansıtılır.
  • Şeffaf — bir model gerçek olabilir ama tamamen kapalı olabilir. Açık ağırlıklar, yayımlanmış eğitim verileri veya yeniden üretilebilir kıyaslamalar doğrulanabilirliği artırır; ancak AI'nın tek başına varlığıyla garanti edilmez.

Karıştırmayın

  • Otomasyon — kural tabanlı komut dosyaları ve if/then iş akışları AI değildir. Bkz. Otomasyon ve gerçek AI bileşeni.
  • AI bileşeni — bir projenin içinde AI çalışmasının gerçekleştiği belirli bir modül. "Yapay zekâ" genel alandır; "AI component" belirli bir projedeki somut uygulamadır.
  • AI ajanı — algılayan, akıl yürüten ve harekete geçen otonom bir sistem. Ajanlar AI kullanır ancak belirli bir mimaridir, AI'nın eş anlamlısı değildir.
  • Algoritma — sabit, adım adım bir prosedür. Geleneksel algoritmalar açık talimatları izler; AI modelleri veriden desen öğrenir. Her algoritma AI değildir.

Sık sorulan sorular

AI, makine öğrenmesiyle aynı şey midir?

Hayır. AI, normalde insan zekâsı gerektiren görevleri gerçekleştiren herhangi bir sistemi kapsayan daha geniş alandır. Makine öğrenmesi, AI'nın bir alt kümesidir — bugün en yaygın yaklaşım — ve sistemler elle yazılmış kuralları izlemek yerine veriden desen öğrenir. Tüm makine öğrenmesi AI'dır; ancak tüm AI makine öğrenmesi değildir (pratikte modern AI'nın çoğu ML tekniklerine dayansa da).

AI düşünebilir veya bilinçli olabilir mi?

Mevcut hiçbir AI sistemi düşünmez, anlamaz veya bilince sahip değildir. En gelişmiş büyük dil modelleri bile, eğitim verilerine dayanarak istatistiksel olarak olası çıktılar üreten desen eşleştirme sistemleridir. İnançları, niyetleri veya farkındalıkları yoktur. Herhangi bir projedeki AI "bilinci" veya "duyarlılığı" iddiaları, teknik gerçek değil, pazarlama olarak ele alınmalıdır.

Dar AI ile genel AI arasındaki fark nedir?

Dar AI (zayıf AI olarak da adlandırılır), belirli bir görev için tasarlanmıştır — metin çevirmek, dolandırıcılık tespit etmek, görüntü üretmek. Bugün dağıtılmış her AI sistemi dar AI'dır. Yapay genel zekâ (AGI), bir insanın gerçekleştirebileceği herhangi bir entelektüel görevi yapabilen bir sistem olurdu. AGI bir araştırma hedefi olmayı sürdürüyor ve hiçbir üründe veya protokolde mevcut değildir.

AI kripto projelerinde nasıl kullanılıyor?

Kripto projeleri AI'yı bir dizi işlev için kullanır: zincir üstü veri analizi, risk puanlama, akıllı sözleşme denetimi, içerik üretimi, otomatik ajanlar, merkeziyetsiz model eğitimi ve çıkarımı ve daha fazlası. Kritik soru, bir projenin AI'dan bahsedip bahsetmediği değil, AI bileşeninin Tier-1 kanıtla — kod, dokümantasyon, kıyaslamalar ve dağıtılmış artefaktlarla — doğrulanabilir olup olmadığıdır.

Bazı kripto projeleri AI yeteneklerini neden taklit ediyor?

"AI" etiketi, dikkat ve topluluk ilgisi çeker. Pazarlama materyallerine AI terminolojisi eklemek, algı açısından düşük maliyetli ve yüksek etkilidir. AI-washing olarak bilinen bu uygulama, projelerin anlamlı zincir üstü mantık olmadan blok zinciri referansları eklediği daha önceki "blockchain-washing" olgusunu yansıtır. DecAIHub'ın AI reality bayrakları (AI_0'dan AI_4'e) ve kanıt katmanları dahil doğrulama çerçevesi, gerçek AI'yı pazarlama iddialarından ayırt etmek için özel olarak tasarlanmıştır.

Ayrıca bakınız

Dış kaynaklar

No comments to display

Back to top