Gerçek şu ki, son yıllarda ‘Yapay Zekâ’ (İngilizce: ‘Artificial Intelligence’) gelişimi hakkında; bilimsel, ekonomik, sosyal ve politik düzeyde birçok tartışma (gündem) yaşanıyor. Çok geniş çaplı tanım ve faaliyet alanına sahip bu uygulamanın arkasında homojen bir teknolojinin gizli olduğu izlenimi hâkim olsa da kazın ayağı kesinlikle öyle değil.
Makalemin girişinde peşinen birkaç kilit mesaj paylaşmak istiyorum:
- ‘Yapay Zekâ’nın arkasında bir dizi farklı yöntem, süreç ve teknoloji vardır.
- ‘Güçlü Yapay Zekâ’, teorisyenler tarafından türetilen -ütopya sınırında- bir çeşit; entelektüel akıl oyunudur ve teknik olanakların ötesindedir.
- Kullanıma hazır ‘Yapay Zekâ’ uygulaması yoktur.
Teknik donanımı (altyapıyı) edinebilirsiniz. Sonrasında ‘sisteminizi’ eğitip, yetiştirmeniz gerekmektedir. Bu bağlamda sıklıkla ‘çocuk yetiştirme’ analojisini kullanırım. “Yapay Zekâ”, “Makine Öğrenimi” (İngilizce: “Machine Learning”) ve “Derin Öğrenme” (İngilizce: “Deep Learning”) terimleri genellikle (bilhassa denk geldiğim Türkçe kaynaklarda) eşanlamlı kullanılır ki, bu çok vahim bir yanlıştır ve beni ziyadesiyle üzmektedir. Kısaca tanımlamak isterim ki; “Derin Öğrenme”, “Makine Öğrenimi’nin” bir alt alanıdır. “Makine Öğrenimi” ise, buna karşın “Yapay Zekâ’nın” bir dalıdır…
Sapla samanı birbirinden ayıralım öncelikle:
1. YAPAY ZEKÂ
“Yapay Zekâ” genel bir terimdir ve çeşitli sorunları (görevleri) çözmek için akıllı insan davranışını -kaba bir tabirle- taklit etmek (öykünmek) için makinelerin kullanılmasının yaklaşımını tanımlar. Bu meram kesinlikle yeni değil: “Yapay Zekâ” terimi ilk olarak 1956’da Dartmouth Konferansı kapsamında, bir çalıştaydı türedi. Ancak, “Yapay Zekâ” son birkaç yılda, özellikle 2015’ten itibaren, ciddi manada bir “trend-topic” noktasına erişti. Bu pik’in temel sebepleri, bir yandan son yıllarda önemli ölçüde artan bilgi işlem gücü (kapasitesi) ve diğer yandan günbegün katsal oranda büyüyen “data” yani veriler (örneğin, internetteki resimler ve videolar). Bu iki oluşumun neden bu denli önem arz ettiğini birazdan detaylı açıklayacağım. “Yapay Zekâ” kullanımına ilişkin basit ve genel bir örnek, e-posta gelen kutunuzdaki istenmeyen mesajlar filtresidir (İngilizce: “spam filter”). Elektronik mektupları bazı, özelliklere (gönderen adresi, metin başlığındaki belirli kelimeler, vb.) göre manuel düzenleriz. Gündelik e-posta temizliğimizde, çok sayıda bildiriyi, hiç okumadan dijital çöp kutusuna kaydırırız. Bu rutin işlemi aynı zamanda “yapay olarak” düzenleyebiliriz (zaten kısmen “state of the art”): Belirleyici kriterler ve kurallar bazında, bu görevi üstlenecek bir yazılım geliştirerek, e-postaları bizim için düzenlemesini sağlayabiliriz. Ufak bir ölçü dahi olsa, akıllı insan davranışı böylelikle bir parça programa nakletmiş oluruz. Tabi ki bu birincil ve banal “Yapay Zekâ’nın” yetenekleri çok sınırlı. Spam e-postaları gönderen adres veya konu başlığındaki kavramlarda ufak değişiklikler söz konusu olduğunda, kalıp kriterler üzerine inşa ettiğimiz ve düz mantık çalışan yazılım ezberleri dışına çıkmış olacak. Sonuç itibariyle de spam filtresi artık işlemeyecek. Yani kendi kendine öğrenen, kendini özerk bir şekilde geliştiren ve değişen çevre koşullarına otomatikman uyum sağlayacak bir teknolojiye ihtiyacımız var. Bu motivasyon ve hedefe sahip teknolojiye “Makine Öğrenimi” diyoruz.
2. MAKİNE ÖĞRENİMİ
“Makine Öğrenimi”, “Yapay Zekâ” elde etmek için pratikte kullanılan bir teknolojidir. Günümüz reel uygulamalarında yüksek bir teknik olgunluğa sahip. İlk etapta, veriler (örneğin resimler, videolar, ses dosyaları, istatistikler vb.) toplanır ve sisteme yüklenir. Buna İngilizcede “input” yani “girdi” diyoruz. Yükleme ve hazırlanma sonrası aşamada ise mevzubahis veriler komplike ve algoritma tarafından analiz edilir, ileriye dönük tahminler yapılır ve hatta insan eli (ve mantığı) değmeden, kritik kararlar alır! Bu doğrultudaki en belirgin özellik ise, “Makine Öğrenimi” kabiliyetine sahip programlarının insan müdahalesi olmadan, kendini sürekli geliştirebilmesi.
İstenmeyen e-posta (spam) filtresi örneğimize geri dönecek olursak: Reel uygulamada (yani sistemin temel eğitiminde) önce programa çok sayıda farklı istenmeyen mesaj göstermemiz gerekir. Sonra, yazılıma madalyonun diğer yüzünü de sergilemek durumundayız. Bu sefer de birçok istenilen ve içeriğine ilgi duyulan dijital metin örneklerini programa tanıtmak zorundayız. Verdiğimiz bu temel öğrenim sayesinde, sistem e-postaları analiz eder, farklılıkları ve benzerlikleri belirler (“veri madenciliği”) ve sonuç itibariyle bir mesajı istenen veya istenmeyen posta olarak sınıflandırıp, posta kutumuzu kendi kurallarına göre düzenler! Yani “Makine Öğrenimi” (sistemleri) öğrenir ve daha fazla veriyle, daha akıllı hale gelir. Veriler, istatistikler, algoritmalar ve “Makine Öğrenimi” ile ilgilenen genel faaliyet alanına; “veri bilimi” (İngilizce: “data science”) diyoruz.
“Makine Öğrenimi’nin” uygulandığı başka günlük örnekler:
- Akıllı telefonunuzun yüz tanıma işlevi
- Google gibi arama motorlarının sunduğu sonuçlar
- Hava Durumu tahmini
- Netflix, Youtube ve Amazon gibi platformların dizi, filim ve ürün önerileri “Makine Öğrenimi” altın kuralı: algoritma ne kadar çok veri ile beslenirse (eğitilirse), sunduğu sonuçlar bir o kadar kesin, belgin ve belirli olur.
Daha önce de belirtmiş olduğum gibi, son yıllarda, giderek daha fazla veri hacmi etkin -analitiksel kullanılabilir hale geldi. Geçmiş sayımızda günümüz petrolünün artık veriler olduğundan ve “big data” yani “büyük veri” çağında yaşadığımızdan detaylı bahsetmiştim. Bu gelişime ek olarak bilgi işlem gücü, İngilizce “Graphics Processing Units (GPU)” Türkçemizde “Grafik İşleme Birimleri” vesilesiyle de çok daha optimize bir hale büründü. Bu imkanlarla beraber, algoritmalar da günümüzde çok ileri gelişim noktalarına erişmiş oldu. Bu çok yönlü kalkınmanın çerçevesinde, “Derin Öğrenme” gün yüzüne çıktı.
3. “DERİN ÖĞRENME”
“Derin Öğrenme”, “Makine Öğrenimi’nin” bir sonraki teknolojik evrim aşamasını tanımlar. Teknolojinin özünde “nöral ağlar” (Ingilizce: “neural networks”) yani bir nevi yapay sinir ağları bulunur. Bu “yapay sinir ağları”, insan beyninin sistemsel işlerliğinden esinlenerek geliştirilmiştir: Çok yüzeysel ve kaba bir betimlemeyle, beynimiz bilgi aldığında, enformasyonu özelliklerine göre kategorize ederek, deşifre etmeye çalışır. Edindiği yeni bilgiyi yorumlayabilmek için “repertuvarında” halihazırda mevcut olan maruzatlar ile karşılaştırır. Gerçekte, bu işlemler bir saniyenin kesirleri içinde gerçekleşen, oldukça karmaşık süreçlerdir. Başlangıçta bunu (beynin çalışma şekli) yapay olarak taklit/öykün etmek için girişimlerde bulunulmuş olsa da, pratikteki “yapay sinir ağları” artık insan beyniyle çok az ortak noktası olan, karmaşık algoritmalar kullanır.
Söz konusu “Derin Öğrenme! algoritmaları, “geleneksel” “Makine Öğreniminde” kullanılanlardan çok daha karmaşıktır. Doğru sonuçlar elde etmek için, “Derin Öğrenme” muazzam miktarda veri ve dolayısıyla olağanüstü hesaplama gücü gerektirir ki, bu elzem teknolojik ve enformasyonel kıvama daha yeni yeni erişmekteyiz. Yani bu alandaki gelecek, heyecan verici olacak.
‘YAPAY ZEKÂ’ NELERİ BAŞARABİLİR?
“Yapay Zekâ” sistemlerinin potansiyel kullanımları devasa boyuttadır ve günümüzde çoğu insan bunun farkında bile değildir. Gerçek şu ki, uzun vadede global ekonomide devrim yaratacak muazzam bir güce sahip. “Yapay Zekâ”, insanoğlunun asla kavrayamayacağı verilerden değerli bilgiler çıkarabilir. “Büyük Veri” kontekstinde çok yüksek hacim enformasyonun haricinde temeldeki örüntülerin çok karmaşık olduğu bir kurgudan bahsediyoruz. Misal olarak “YouTube” çalışanlarının, yüklenen her videoyu manuel olarak görüntülemesi ve yasaklanmış veya çalınmış içerik içerip içermediğini kontrol etmesi gerektiğini göz önünde bulunduralım. Popüler video paylaşım platformuna, her dakika 400 saatlik malzeme yüklenmekte. Bu da şirketin, içeriği teftiş etmek için günde 8 saat kesintisiz video izleyen, 72 bin çalışana ihtiyacı olduğu anlamına gelir! Fakat gelin görün ki, “Yapay Zekâ” bu süreci video yükleme işlemi sırasında, neredeyse gerçek zamanlı (Ingilizce: “real time”) olarak yönetmekte. “Yapay Zekâ”, bu çeşit yapılandırılmamış verileri işleme hususunda çok başarılı. Yani “Yapay Zekâ” sıradan bilişim sistemlerinin çözümsel yönetiminin imkânsız olduğu, tek tip bir biçime (formata) sahip olmayan veya örneğin sensörler vasıtasıyla ölçülen aritmetik bir değeri bulunmayan; fotoğraf ve video görüntüleri, metinler veya ses kayıtları gibi yapılandırılmamış verilerin üstesinden gelme kabiliyetine sahip. Geleneksel bir arama algoritması (örneğin, bu web sitesine CTRL + F girdiğinizde) bir resmin başlığını (yapılandırılmış veri) sorunsuz bulabilir, ancak Mikayil Baydaroğlu’nun bu resimde bulunup bulunmadığını çözümleyemez. Çünkü bu bilgi hiçbir yerde belirtik değildir (resmin başlığı aksine), fotoğrafın içinde “saklıdır”. Fakat “Yapay Zekâ” bu sonucu çıkarma yeteneğine sahip. “Yapay Zekâ” elbette, yapılandırılmış verileri sınıflandırma ve örüntü belirlemek için de kullanılmakta. Fakat bu teknolojinin mevcut yükseliş sebebi, günümüz dijital ortamlarında yapılandırılmamış verilerin çok daha sık üretilmesi gerçeğinden kaynaklanmakta. Genel orantıda; toplam verilerin yaklaşık yüzde 80’ini yapılandırılmamış enformasyonlar oluşturmakta. Bu yükselişin temel sebepleri olarak, artan Internet yaygınlığı ve yoğunluğu yanı sıra “Endüstri 4.0” oluşumunu ve bilhassa “bulut” (Ingilizce: “cloud computing”) depolamanın geniş çaplı kullanılabilirliğini gösterebilirim. Birçok şirket, veri açısından ne tür hazinelere sahip olduklarını ve bunların ne denli bir katma değer potansiyeline sahip olduklarının farkında değiller maalesef. İster üretim makinesi verileri ister müşteri aramalarının ses kayıtları veya ulaşım rotalarının kayıtları. Her türlü bilgi kaynağı, “Yapay Zekâ” açısından, henüz keşfedilmemiş ve rafine edilmeyi bekleyen petrol kuyusu misali!
“YAPAY ZEK” NELERİ BAŞARAMAZ?
“Yapay Zekâ” her derde derman, genel bir problem çözücü değildir. Daha doğrusu; henüz değil. Teknoloji güncel gelişme seviyesinde verileri çok iyi işleyebilmekte ve örüntüleri tanıyabilmekte. Fakat henüz ezbere işlediği bu verileri anlayamamakta ve yorumlayamamakta. Kompakt bir silsileye oturtmam gerekirse: yapılandırılmış ve yapılandırılmamış verilerden, başarıyla bilgi süzebilmekte fakat bilgiyi, henüz anlayıp-kavrayamamakta. “Yapay Zekâ’nın” herhangi bir sağduyusu (yine, henüz) yok. Yetersiz veri veya kötü programlama nedeniyle yanlış sonuçlara varırsa, bunu anlayamaz. Yalnızca programlandığı belirli sorulara yanıt verebilmekte.
“YAPAY ZEK” PROJE ÖRNEKLERİ
Üstteki analojime dönecek olursam, “Yapay Zekâ” henüz kundakta bir çocuk ama yine de çoktan günlük hayatımıza girmiş bulunmakta. Sosyal ağlardaki yüz tanıma fonksiyonu ilk aklıma gelen örneklerden biri. Bir diğeri ise cep telefonlarımızdaki “Siri” ve “Alexa” gibi sesli asistanlar. “Deepl” tercüme uygulaması kelimelerimizi saniyeler içinde neredeyse mükemmel bir şekilde başka dillere çevirebilme becerisine sahip. İnternette günlük olarak gezinirken, bize gösterilen reklamlar ilgi alanlarımıza ve aktivitelerimize göre bizim için en çekici ürünü sunmaya çalışan yine bir yapay zekâ tarafından seçilmekte. İnternetin her alanında “tavsiye sistemleri” (Ingilizce: “recommendation systems”) ile karşılaşıyoruz: Amazon, Google, Netflix, Facebook. Bu bağlamda çok tesirli sistemlerden bahsediyoruz. Her geçen gün daha fazla mecra, platform ve şirket ilgimizi çekmek için yarışıyor, çevrimiçi olarak hayatta algılayabileceğimizden çok daha fazla keşfedilecek şeyler var. Bilgisayarlar bu nedenle bizim için bir ön seçim/eleme yapmakta. Zamanla “Yapay Zekâ” bizi daha iyi tanıyıp, anlayacak (zaaflarımız dahil) ve tercihlerimizi yeri geldiğinde bize karşı dahi kullanmayı bilecek. Ancak çevrimiçi (online) dünyanın dışında da “Yapay Zekâ” günlük hayatımıza girmiş durumda. Robot süpürge makineleri evimizi veya ofisimizi temizlerken çevrelerini daha iyi tanımak için algoritmalar kullanır. Otomobillerdeki navigasyon sistemleri en uygun rotayı hesaplamakta. Günümüzde en büyük teknolojik ilerleme, yaygın kullanımdan hala yıllarca uzak olsalar da, yollarda milyonlarca test kilometreyi ardında bırakmış olan; otonom araçlar tarafından yapılmakta. “Otonom sürüş” konusunu önümüzdeki aylarda detaylı bir makalede ele alacağım. Birkaç spesifik örnek daha paylaşmak istiyorum: Genç bir Alman şirketi olan “JST AD KI”, yeni futbol yıldızlarını keşfetmek için yetenek avcılarından gelen raporları analiz etmek için Hamburg futbol kulübü ile iş birliği yapıyor. Google (“Waymo”) halihazırda otonom araçların kullanımını reel uygulamada test etmekte- her ne kadar şu anda güvenlik önlemi olarak bir sürücüyle olsa da. “PayPal”, ödeme sistemindeki sahtekarlığı tespit etmek için “Yapay Zekâ” kullandığı bir sırdan ziyade, prestij ve reklam kaynağıdır. Alman Telekom şirketinin “Tinca” adını verdiği “Yapay Zekâ’sı”, ayda 120 bin müşteriyle dijital sohbet ediyor, tüm müşteri sorunlarının yüzde 80’ini çözebiliyor ve vakaların sırf beşte birini insan çalışanlara yönlendiriyor.
İŞ HAYATINDA “YAPAY ZEK”
Şirket içi süreç ve işlemleri optimize etme doğrultusunda “Yapay Zekâ” güncel olgunluk seviyesinde dahi firmalar açısından çok cazip bir oluşum. Bu denli masraflı ve meşakkatli bir atılım öncesinde, şirketler öncelikle su soruyu kendilerine sormaları gerekmekte: “Yapay Zekâ’nın” bana getirisi ne olabilir? Gerçek manada avantaj sağlayabilir miyim? İkinci bir adımda, dahili veri şeffaflığı gerekmektedir. Şirketin hâlihazırda kaydettiği bilgilere ek olarak, potansiyel yeni veri kaynakları araştırılmalı. Zira henüz keşfedilmemiş enformasyon pınarlarından “Yapay Zekâ” daha önce mümkün olamayan çıkarımlar ve sonuçlar elde edebilir. Bahsettiğim etkin neticelere varmak için, şirketlerde gerekli analitik çalışmaları yapabilecek insan kaynağı veya teknik metotlar eksiktir genellikle. Bu rutin, otomatik çözümsel sonuçları erişen firmalar yeni öz kaynaklar da oluşturmuş oluyorlar. İnsan gücünden tasarruf, tamamen yeni iç-görü şeffaflığı ve yeni iş modelleri etkinleştirmeleri mümkün! Kesitsel karaktere sahip bir teknoloji olan “Yapay Zekâ”, veri ve enformasyonun üretildiği her sektör ve departmanda baş köşeye oturma kalibresine sahip. İster perakende satış ister ağır sanayi veya hizmet sektörü. Her kesim “Big Data” yani “büyük veri” ekosisteminin bir bileşeni. Şirketlerin kesinlikle emin olabilecekleri bir mevzu var: “Yapay Zekâ” kurumsal yapıda kendine meşru bir yer edindikten sonra, söz konusu görevleri herkesten ve her sistemden daha iyi başaracaktır. Bu rekabetteki tek avantajı çalışma zamanı veya hesaplama hızı değil şüphesiz. Devamlı artan deneyim zenginliğiyle beraber, hata oranı da sürekli geriler. Referans olarak Google şirketinin “Yapay Zekâ” ürünü olan “Lyna’yı” göstermek istiyorum. Yazılım mamografi görüntülerini analiz ederek, meme kanserini yüzde 99’luk olasılıkla tespit edebilmekte. Tahmin ediyorum, bu doktorların hayalini kurduğu bir değer. Şirketlerin şüphesiz ticari bir kullanım senaryosuna (gerekçesine) ihtiyaçları var. Daha önce de belirttiğim gibi, “Yapay Zekâ” henüz genel problemler çözebilen, çok yönlü makineler değiller. Bu yüzden odaklanmalı ve spesifik bir çerçevede ne istediğini bilerek hareket etmeli firmalar. Örneğin bir gereklilik şu olabilir: “Montaj hattındaki iş/ürün parçalarının kalitesini, manuel rastgele numunelere başvurmak zorunda kalmadan, yüksek çözünürlüklü kamera analizi kullanarak, gerçek zamanlı olarak kontrol etmek istiyoruz”. Tüm esaslı yeniliklerde olduğu gibi, “Yapay Zekâ’yı” bir şirkete entegre etmek ve başarılı bir şekilde uygulamak zaman alır. Uzmanlara göre bu tür bir yatırımın geri dönüşü 12 ila 18 ay arasında gerçekleşiyor. Bir projenin başarılı olma koşulları ise, mevcut verilerin yüksek kalitesi ve çalışanların bilgi birikiminden geçiyor (“veri bilimcileri”)!
“YAPAY ZEK” VE İNSANLAR
Pek çok yeni teknolojide olduğu gibi, “Yapay Zekâ’da” bazı toplumsal korku ve tereddüttü beraberinde getiriyor. Oxford Üniversitesi tarafından 2015 yılında yapılan referans bir araştırmaya göre, 2030 senesine kadar, ABD’deki genel istihdamın yüzde 47’sinin otomasyon nedeniyle risk altında olduğunu ve bunların önemli bir kısmının “Yapay Zekâ’dan” kaynaklandığı sonucunu vardı. Maalesef bu tür rakamlar ve anketler, bazı şiddet eylemlerine kadar varan korkuları uyandırıyor: Otonom sürüşe odaklanmış Google yan kuruluşu olan “Waymo”, test araçlarının birkaç kez bıçak ve taşlarla saldırıya uğradığını bildirdi örneğin. Peki, “Yapay Zekâ” çalışan insanlar için bir tehdit mi? 2019 yılında Almanya’da gerçekleştirilen bir anket, muhtelif yorumlara ulaştı: Almanların yüzde 62’si “Yapay Zekâ’yı” öncelikle bir fırsat, yüzde 35’i tehlike olarak görmekte. Araştırmaya katılan şirket yöneticilerine göre ise, kadrolu personelin (bilhassa mavi yakaların), yüzde 42’si “Yapay Zekâ” teknolojisi karşısında ciddi çekincelere sahip. Gerçek yine ortada bir yerde gizli. “Yapay Zekâ” şüphesiz bir gün, işgücünü insanlardan devralacak! Kısmen veya destekçi manasında değil, tam anlamıyla. Yani söz konusu, spesifik bir iş adımı için bu noktadan itibaren (süresi dolan) insan gücüne gerek kalmayacak. Mevzubahis uğraşlar çoğunlukla, oldukça düşük “eğlence” faktörüne sahip, monoton ve tekrara dayalı iş adımları: mesela güvenlik kamerası görüntülerini takip etmek, standart ve kalıp müşteri sorularını yanıtlamak veya çeşitli belgelerde arama-tarama yapmak gibi. Tabii ki yenilikçi “Yapay Zekâ” uygulamaları, inovatif iş modellerini meydana çıkarıp, yeni istihdam fırsatlarını da beraberinde getirecek. “Yapay Zekâ” ile iş birliği yapacak olan insanlar, rutin ve sıkıcı işlerden sıyrılıp, nispeten daha anlamlı ve faydalı görevlere yoğunlaşabilecek. Örneğin avukatlar saatlerce dosya üzerine araştırma yapmak yerine, müvekkilleriyle daha fazla zaman geçirme (daha iyi anlama) fırsatı bulacaklar. Kuşkusuz insanları yeni görevlerine hazırlamak ve “Yapay Zekâ” sistemleriyle çalışma kabiliyeti kazandırmak adına, ciddi bir eğitim yatırım ve sürecine ihtiyaç var. Dürüst olmak gerekirse, başka seçeneğimizde yok zaten gerçekten. En ilkel haliyle olsa dahi, “Yapay Zekâ” yavaş ama emin adımlarla girdi bile günlük yaşamlarımıza. Her birimiz bilinçli veya bilinçsiz bir şekilde, her gün cep telefonlarımızda, dijital banka işlemlerinde veya güzergâh planlamalarında (navigasyon) “Yapay Zekâ” desteği alıyoruz. Teknolojinin toplumsal entegrasyon hali böyleyken, “etik” konusunu kapsamlı tartışıp ve değerlendirmek sosyolojik ve ahlaki açıdan hayati önem taşımakta. Bu müzakereyi “sorumluluk” konusuna kısıtlamak çok yanlış olur. Yani bir makinenin sebep olduğu bir kazada, hesap verme zorunluluğunun kimde olduğu tartışmasından ziyade, daha genel ve geniş bir bakış açısıyla; gelecekteki “çalışma” eylemini nasıl şekillendireceğimiz hususunda açık ve net bir perspektife sahip olmamız.
“YAPAY ZEKÂ’DAKİ” DOĞAL APTALLIK
“Yapay Zekâ” sistemleri ve algoritmaları insanlar tarafından geliştirilir ve bu nedenle doğal bir soruna tabidirler: insanoğluna öykünen (taklit eden) bir zekâ, orijinaline (“yaratıcısına”) denk, zihinsel defo ve sınırlamaları da içinde taşır! Olumsuz bir “ortak” huy olarak, “önyargıyı” gösterebiliriz. Bir örnek: Amazon şirketi 2016 yılında, iş başvuru belgelerini (CV vb.) otomatik olarak sınıflandıran ve değerlendiren (ve dahi eleyen) bir “Yapay Zekâ” geliştirdi. Bu zeki otomasyona ulaşabilmek uğruna, alt yapılarındaki “nöral ağı” son 10 senenin tüm iş başvuru verileriyle eğittiler. Sistem yeterli olgunluğa eristiğinde, yeni iş başvurularını değerlendirip, uygun adaylar belirlemeye başladı. Sonuçları ilginç kılan fenomen ise, “Yapay Zekâ’nın” sırf erkek namzetlerin yeterli nitelikliliğe sahip olduğuna kanaat getirmiş olmasıydı! Sebebi işe çok basit olduğu kadar, bayağı da aslında. Bilişim sektöründe maruf olan sayısal erkek uzman(?) üstünlüğü, geçmiş on yılda Amazon firmasında işe alınan kişilerin cinsiyet oranına birebir tefekkür ettiği için, “Yapay Zekâ’nın” kendince vardığı çözümlemelerin sonucunda oluşturduğu kural: “yalnızca erkekleri işe al”, oldu! Yani hata gerçekte, sistemi eğiten verilerin seçimi ve hazırlanmasında yatıyordu. Medyadan takip edebildiğimiz kadarıyla, uygulamayı nihayetinde reddeden Amazon, günümüzde is başvurularını halen manuel değerlendirmekte. Aktardığım örnek, “Yapay Zekâ” tasarlanırken, uzmanların temsili verilerin seleksiyonuna büyük önem vermeleri gerektiğini ve dahi alakalı verileri seçip işleme aşamasında bile, kimi eğilimlere sahip olabileceklerinin farkında olmalarının gerektiğini gözler önüne seriyor. Bu ikilemi çözmek hiç de kolay değildir ama her “Yapay Zekâ” tasarım aşamasında dikkate alınması gerekmektedir. “Yapay Zekâ”, en nihayetinde bir insan (veya insan gurubu) tarafından programlanan bir sistem olduğu için, “DNA’sında” mucidinin (“iyi” ve “kötü”) özelliklerini taşıması gayet normal diye düşünüyorum. Mükemmelliğimi? Zaten yaratılışı itibariyle hücnet olan insanoğlundan türeyen, ne kadar noksansız ve hatasız olabilir ki?