Yapay zekâ her yerde. Genellikle pek farkına varmadan da olsa yapay zekâ ile zaten pek çok alanda uzun yıllardır karşılaşıyorduk. Üzerinde oldukça uzun zamandır çalışılan bir teknoloji bu. Ancak geçtiğimiz son birkaç yıl içerisinde gösterdiği ciddi gelişim hızı, insanların ağzını açık bırakacak şeyleri kolaylıkla yapabilir hale gelmesi, günlük hayatı oldukça kolaylaştırabilir olması ve kullanımının kolaylığı ile beraber günümüzde popülerliği hiç olmadığı kadar artmış durumda. Bu bağlamda, yapay zekâ ile bağlantılı bazı terimlerin ne olduğu hakkında fikir sahibi olmak faydalı olacaktır diye düşünüyorum. Bu yazı serisinde, bu terimlerin üzerinden teknik detaylarda boğulmadan, olabildiğince sade bir dille geçiyor olacağız.
Yanlılık
Veri setlerinden bahsederken veri setinin düzgün kurulmuş olmasının yapay zekânın eğitimi açısından önemli olduğundan bahsetmiştik. Yapay zekâ, eğitiminde kullanılan verilerde yer alan, bilerek ya da bilmeyerek yapılmış olan önyargıları yansıtabilir. Bu duruma yanlılık ya da İngilizce karşılığı ile bias denir. Yanlılık oluşabilecek durumlara dair birkaç örnek verirsek kafamızda daha iyi oturacaktır.
-Bir şirketin işe alım sürecinde kendilerine gönderilen CV’leri yapay zekâ kullanarak taradığını düşünelim. Eğer bu yapay zekâ sistemi daha önce işe alınan çalışanların verileri ile eğitilmişse ve bu çalışanların çoğu erkek ise yapay zekâ kadın adayları daha düşük puanlayabilir. Çünkü eğitiminde kullanılan verilere dayanarak “iyi çalışan = erkek” şeklinde yanlış bir örüntü öğrenmiştir ve yanlılık ortaya çıkmıştır.
-Yüz tanımada kullanılan bir yapay zekâ sistemi düşünelim. Eğer ki bu sistemin eğitiminde dengeli bir veri seti oluşturulmamışsa, mesela çoğunlukla beyaz tenli erkeklerin fotoğrafları kullanılarak eğitilmişse, burada bir yanlılık ortaya çıkabilir. Sistem, kadınların ya da farklı etnik kökenden insanların yüzünü tanımakta hata yapabilir.
