Kaçınılmaz gerçek: Üretken yapay zekâ ile tanışmanın tam vakti

Uğur ÖZKER

Geçtiğimiz günlerde TÜBİSAD Plus tarafından yayınlanan “Teknolojinin Geleceği” serisinin 10. bölümünü izledim. TÜBİSAD Yönetim Kurulu Üyesi Soner Canko ve IBM Türkiye Genel Müdürü Işıl Kılınç Gürtuna son zamanların en çok konuşulan başlığı “Üretken Yapay Zekâ” konusunda oldukça önemli konulara vurgu yaparak kaliteli bir programa imza atmış. Programı izlerken sırasıyla dört önemli noktaya vurgu yapıldığını gözlemledim.

Yapay zekâ teknolojisi 1950’lerden başlayarak aşamalı olarak günümüze kadar büyük bir gelişim kaydetti ve “Üretken Yapay Zekâ” bugünlerde gelişimin son ve en heyecan verici halkasını oluşturuyor.

Oluşturulan yapay zekâ modellerinin her zaman doğru sonucu vermesi beklenir fakat bir yapay zekânın doğru sonucu vermesi onun aynı zamanda doğru parametreler, doğru veri ve doğru algoritmalarla eğitilmesi gibi hususlara bağlıdır.

İnsan gibi davranan, üreten “yapay genel zekânın” açıklanabilirlik, güvenilirlik, etik değerlere sahip olmak, tarafsızlık ve denetlenebilirlik gibi 5 temel değere sahip olması gerekiyor.

IBM, yapay zekâ sayesinde şimdiden back-off ice süreçlerinin pek çoğunu otomasyona devretmiş. Sadece insan kaynakları departmanında büyük verinin muazzam desteği ile 2000’den fazla soruyu inceleyerek 100’den fazla tanımlı iş sürecini operasyondan otomasyona taşıma başarısı gösterilmiş. Bu aynı zamanda yapay zekânın işimizi elimizden alabileceği tezini bir yandan destekliyor. Yapay zekâ için tarifi en başından yapmak bana “odd paradox” terimini hatırlattı. “odd paradox” teriminde yeni teknoloji keşfedildiğinde ve tıpkı üretken yapay zekâda olduğu gibi ana akım, odak noktası haline geldiğinde eskisi artık bizim için görünmez oluyor. Artık o teknolojinin katma değerli olduğu düşünülmüyor. Buna “odd paradox” deniyor. Mesela 1950’li yıllarda yapay zekâ ilk ortaya çıktığında işlemi adım adım gösteren hesap makineleri yapay zekâ sayılıyordu. Bugün buna yapay zekâ denemez. Tıpkı sonrasında algoritmaların desteği ile makine öğrenmesi ortaya konduğu zaman yapay zekâ kavramının değiştiği gibi, derin öğrenme çıktığında da teknoloji daha geniş bir çerçeveye oturtuldu.

Bugünlerde ise üretken yapay zekânın odak noktası haline gelmesi ile sınırlar ortadan kalkıyor ve Bindu Reddy tarafından yapılan X paylaşımında olduğu gibi GPT-5 çok yakında gelecek ve pek çok yenilikle birlikte şu ana kadar bildiğimiz yapay zekâ kavramının tamamını bir "odd paradox" haline getirecek. Bazıları onu “yapay genel zekâ” olarak tanımlıyor ve beklentiyi zirveye taşıyor. Aslında “yapay genel zekâ” tezini savunanlar çok da haksız sayılmazlar. Tıpkı 1956 yılında yayınlanan “Bloom Taksonomisi” tarafından tarif edildiği gibi bugün üretken yapay zekâ sayesinde öğrenmenin amaçları ve iskeleti çıkartılıyor. Model, geçmiş ve büyük veriden öğreniyor, hatırlıyor, anlıyor, uyguluyor, analiz ediyor, değerlendiriyor ve farklı formlarda metin veya resim gibi içerikleri yaratarak son kullanıcıya sunuyor. Böylelikle “Bloom Taksonomisi” piramidinin zirvesinde yer alan son basamak olan “yaratmak” adımı da tamamlanmış oluyor. Yaratmanın büyüsü büyük dil modellerini “genel yapay zekâ” haline dönüştürüyor.

Bilgi teknolojileri, üretken yapay zekâ öncesinde, 1980’de kabaca 50 milyar dolarlık bir endüstriyken, 2018 yılında 3,8 trilyon dolarlık bir endüstri oldu. Bu rakamın 2025’e kadar üretken yapay zekânın da büyük desteği ile birlikte 4,5 trilyon dolara ulaşması bekleniyor. İlk endüstri devriminde insanların mekanik gücün ustaları olması sağlandı. Sonuncusunda elektronik güce hakim olduk. Dijital dönüşüm çağında zihinsel güce hükmedeceğiz. Kazanan her şeyi alır durumuna çok yakın bir dünyada yaşıyoruz. Dönüşen şirketler geride kalan rakiplerinden tamamen farklı bir seviyede faaliyet gösterecekler. Atlara karşı tanklar savaşacak diyebiliriz.

Girişimler genel olarak bu aşamada bütçe ayırma, kaynak planlaması, AR-GE faaliyetleri, yürümekte olan mevcut süreçlerin dönüşümü gibi adımlarda zorluklarla karşılaşırlar ve teknolojinin kurum içerisine entegrasyonu ile ilgili ekstra efor harcayabilirler. Bu gibi süreçleri doğru yönetebilmek ve dönüşüm politikalarını kurumun ihtiyaçları doğrultusunda uygulayabilmek girişimlerin bir tank halini alabilmesi için en kritik eşiktir diyebiliriz. Bu konuda Clayton Christensen tarafından yazılmış olan “Yenilikçilik İkilemi” oldukça detaylı başarı hikayeleri ve ilkeleri ortaya koyuyor, okumayanlar için kitabı mutlaka okumanızı tavsiye ederim.
Peki şu ana kadar sektörler özelinde tank olmaya talip girişimlerin üretken yapay zekâ ile yolculukları nasıl ilerliyor, neler yapıyorlar, teknolojiyi nasıl konumlandırıyorlar? Sağlık ile başlayalım dilerseniz.

SAĞLIK SEKTÖRÜ

Sanal doktor ve hastalar yolda

Healthily olarak bilinen Dot uygulaması üretken yapay zekâ modelleri kullanarak hastalara sohbet robotuyla semptomları hakkında konuşma olanağı veriyor. Daha sonra uygulama tıp literatüründe binden fazla durumu tarayarak hastanın potansiyel durumu hakkında kişiselleştirilmiş tespitlerde bulunarak sağlık hizmetlerine yapay zekâ destekli tele tıp üzerinden en hızlı şekilde ulaşmasına yardımcı oluyor. Ülkemizde de benzer özellikleri sağlayan Cere isimli sesli ve üretken yapay zekâ destekli asistanı ile Cerebrum kurumunu yerli girişimlere örnek olarak verebiliriz. Ayrıca, düzenli olarak ilaç alması gereken hastalar için otomatik hatırlatıcılar sağlayan kişiselleştirilmiş sağlık asistanı servislerinin sayısı artıyor.

ABD’de 2020 Nisan ayında sağlık bakımı programı Medicare’in temel muayenelerinin yüzde 43.5’i yüz yüze yapılan muayeneler yerine tele tıp yöntemleri ile yapıldı. Sadece birkaç ay öncesine kadar bunun oranı yüzde 0.1 idi. Burada COVID etkisini de göz ardı etmemek gerekir.

Daha da ileriye bakarsak sanal doktorlar ve sağlık asistanlarına ek olarak sanal hastalar bile görebiliriz. Yani, özellikle gerçek hastaların nasıl tepki vereceklerini görmek için ilaç ve tedaviler sanal hastalar üzerinde test edilebilir. Bunun aşı ve ilaç geliştirme çabalarını hızlandırabileceği ve tıbbi deneme maliyetlerinde büyük düşüşler getireceği konusunda işaretler var. Bu “in silico” (bilgisayar modellemeli) denilen klinik deneyler zaten yapılmaya başlandı. Örneğin; ABD Gıda ve ilaç dairesi FDA yeni mamografi sistemlerinin değerlendirmesini yaparken insanlı denemeler yerine bilgisayar simülasyonları kullanıyor.

2030 yılına kadar sağlık çalışanlarının sayısındaki küresel yetersizliğin 10 milyona ulaşabileceği tahmin ediliyor. Sağlık sahasında yıllık olarak 4 trilyon gigabayttan fazla tıbbi veri üretiliyor ve bu her iki yılda bir ikiye katlanıyor. Sektördeki nitelikli personel yetersizliği ve üretilen veri miktarı birlikte ele alındığında, yakın gelecekte üretken yapay zekânın ne kadar kritik ve önemli bir görev üstleneceğini daha sağlıklı görebiliriz. Fakat bir başka önemli noktaya da dikkat çekmekte fayda var. 2020’de sadece ABD’de 600’e yakın tıbbi veri ihlali oldu ki bu bir önceki yıla göre yüzde 55’lik bir artış anlamına geliyor. Bu konuda homomorfik şifreleme (verilerin şifreli haldeyken analiz etme şeklindeki güvenli bir veri analiz yöntemi kullanılması) tavsiye edilir. Aksi takdirde üretken yapay zekâ süreçlerinde veri ihlali veya siber saldırı gibi beklenmedik durumlar sebebiyle aksaklıklar meydana gelebilir.