🎯 İleri Düzey · Ders 1

Her Gün Gördüğümüz Yapay Zeka

Akıllı telefonunuzdan sosyal medya akışınıza kadar yapay zeka artık görünmez bir altyapıya dönüştü. Ama bu sistemler tam olarak nasıl çalışıyor ve kararlarını neye dayandırıyor?

Günlük hayatınızda farkında olmadan kaç yapay zeka sistemiyle etkileşime giriyorsunuz?

2016 yılında Facebook'un haber akışı algoritması, Filipinler'deki seçim kampanyası sürecinde siyasi dezenformasyonu organik habercilikten çok daha hızlı yaydı. Cambridge Analytica araştırması sonucunda ortaya çıkan bulgular, Facebook'un öneri sisteminin kullanıcıları duygusal olarak uyarıcı içeriklere — doğru ya da yanlış olmasından bağımsız olarak — yönlendirdiğini gösterdi. Şirketin kendi iç araştırmacıları bu etkiyi 2018'de belgelemişti; ancak bulgular kamuoyuyla paylaşılmadı. Wall Street Journal'ın 2021'de yayımladığı "Facebook Files" belgelerine göre şirket yönetimi, algoritmik değişikliklerin zararlı içerik yayılımını azalttığını bildiren raporları defalarca reddetti.

Tavsiye Sistemlerinin Anatomisi

YouTube, Spotify ve Netflix gibi platformların tavsiye sistemleri (öneri algoritmaları), kullanıcının geçmiş davranışlarını — izleme süresi, duraklatma anı, geri sarma, arama geçmişi — analiz ederek bir sonraki içeriği tahmin eder. Bu sistemler "işbirlikçi filtreleme" (collaborative filtering) adı verilen bir yaklaşımı kullanır: sizinle benzer davranış örüntülerine sahip kullanıcıların beğendiği içerikler, size de önerilir.

Bu yaklaşımın bir sonucu "filtre balonu" (filter bubble) olgusudur; yani sistem zamanla sizi yalnızca mevcut görüşlerinizi pekiştiren içeriklerle besler. Eli Pariser bu kavramı 2011'de tanımladı; ancak günümüzde araştırmacılar filtreleme balonunun kullanıcıdan kullanıcıya ne ölçüde farklılık gösterdiğini hâlâ tartışmaktadır.

Temel Kavram

YouTube, 2019 yılında yaptığı açıklamada önerilen videolar arasındaki "zararlı sınırları zorlayan" içeriklerin oranını %70 oranında azalttığını duyurdu. Bunu sağlamak için algoritmaya "kalite sinyalleri" ekledi; bu sinyaller arasında dış kaynaklarca doğrulanan bilgilerin ağırlığı artırıldı. Ancak neyin "zararlı sınırı zorladığını" tanımlayan kriterlerin belirsizliği, akademisyenler arasında tartışma konusu olmaya devam etmektedir.

Sanal Asistanlar: Konuşma Tanımanın Sınırları

Apple Siri, Google Asistan ve Amazon Alexa gibi sesli asistanlar, konuşma tanıma ve doğal dil işleme (natural language processing — NLP) teknolojilerini bir araya getirir. Bu sistemler her ne kadar insan sesiyle çalışıyor gibi görünse de aslında olasılıksal (istatistiksel) modeller kullanır: her kelime için en yüksek olasılıklı transkripsiyonu seçer.

2019'da yayımlanan akademik bir araştırma, bu asistanların standart Amerikan aksanına kıyasla Afrika kökenli Amerikalıların konuşmalarını ortalama %35 daha yüksek hata oranıyla tanıdığını ortaya koydu. Bu fark, eğitim verilerindeki demografik dengesizliğin doğrudan bir sonucudur.

Akıllı Telefon Kameraları ve Yapay Zeka

Modern akıllı telefonlardaki kameralar, makine öğrenimi modellerini doğrudan cihaz üzerinde çalıştırarak sahne tanıma (yiyecek, manzara, gece, portre), yüz tanıma ve görüntü gürültüsünü azaltma gibi işlemleri gerçekleştirir. Apple'ın "Hesaplamalı Fotoğrafçılık" (Computational Photography) sistemi, bir fotoğraf çekildiğinde arka planda onlarca görüntüyü birleştirerek en net sonucu elde eder.

Bu sürecin anlaşılır olmayan kısmı şudur: fotoğraf makinesinin "gördüğü" ile nihai görüntünün her zaman örtüşmediği ortaya çıktı. 2019'da bazı araştırmacılar, Google Pixel telefonlarının parlak ışıklı ortamlarda var olmayan nesneler ürettiğini, yani model halüsinasyonu (model hallucination) yaşandığını gösterdi.

Ders 1 Testi

Her Gün Gördüğümüz Yapay Zeka

1. Facebook'un haber akışı algoritması 2016 Filipinler seçimlerinde nasıl bir etki yarattı?

✓ Doğru! Facebook'un kendi iç araştırmacıları da bu bulguyu 2018'de belgeledi; algoritma, içeriğin doğruluğundan çok duygusal etkileşim oranını optimize ediyordu.

✗ Yanlış. Vaka çalışmasına göre algoritma duygusal açıdan uyarıcı içerikleri, doğruluktan bağımsız biçimde hızla yaydı.

2. "İşbirlikçi filtreleme" (collaborative filtering) yöntemi temelde neye dayanır?

✓ Doğru! İşbirlikçi filtreleme, "sizinle benzer şekilde davranan kullanıcıların beğendiklerini siz de beğenirsiniz" varsayımına dayanır.

✗ Yanlış. İşbirlikçi filtreleme, benzer davranış sergileyen kullanıcıların tercihlerini diğer kullanıcılara önermek üzerine kuruludur.

3. Araştırmalar, sesli asistanların hangi kullanıcı grubunun konuşmalarında daha yüksek hata oranı sergilediğini ortaya koydu?

✓ Doğru! 2019 tarihli araştırma, bu farkın eğitim verilerindeki demografik dengesizlikten kaynaklandığını gösterdi.

✗ Yanlış. Araştırma, sistemlerin Afrika kökenli Amerikalı konuşmacılarda yaklaşık %35 daha yüksek hata oranı sergilediğini ortaya koydu.

Lab 1: Öneri Algoritmalarını Sorgulamak

Yapay zeka destekli bir uzmanla günlük hayatınızdaki tavsiye sistemlerini keşfedin.

Lab Talimatları

Bu laboratuvarda, günlük yaşamda karşılaştığınız öneri algoritmalarının nasıl çalıştığını ve hangi kararları etkilediğini analiz edeceksiniz.

Yapay zeka asistanının sorusunu okuyun ve dürüstçe yanıtlayın.
Kendi deneyimlerinizden somut örnekler paylaşın.
En az 3 alışveriş yapın (mesaj gönderin).

Öneri: "Bugün hangi platformların öneri sistemiyle karşılaştınız? Bu önerilerin ne kadarı gerçekten işinize yaradı?"

🤖 YZ Uzmanı — Öneri Sistemleri Lab 1

🎯 İleri Düzey · Ders 2

Okulda ve Oyunda Yapay Zeka

Eğitim teknolojileri ve oyun endüstrisi, öğrenme ve eğlenme biçimimizi yeniden şekillendiriyor. Ancak uyarlanabilir öğrenme sistemleri gerçekten bireyselleştirme sağlıyor mu?

Bir yapay zeka sistemi öğrencinin ihtiyacını gerçekten anlayabilir mi?

2020 yılında İngiltere'de A-level (üniversiteye giriş) sınavları COVID-19 nedeniyle iptal edildi ve sonuçlar yapay zeka tabanlı bir not tahmin algoritmasıyla belirlendi. Ofqual'ın kullandığı model, öğrencilerin bireysel performansından çok okullarının tarihsel geçmişine ağırlık verdi. Sonuç: özel okul öğrencilerinin notları yükselirken devlet okulu öğrencilerinin notları öğretmen değerlendirmelerinin belirgin biçimde altında kaldı. Toplumsal baskı karşısında İngiltere hükümeti algoritmik sonuçlardan vazgeçerek öğretmen değerlendirmelerine geri döndü — bu, bir ulusal sınav sisteminde YZ kararlarının siyasi baskıyla geri alındığı nadiren görülen bir örnek oldu.

Uyarlanabilir Öğrenme Platformları

Duolingo, Khan Academy ve Knewton gibi platformlar "uyarlanabilir öğrenme" (adaptive learning) yaklaşımını benimser. Bu sistemler, öğrencinin doğru ve yanlış yanıtlarını, yanıt süresini ve yeniden deneme örüntüsünü analiz ederek sonraki soruların zorluk düzeyini dinamik olarak ayarlar. Kullanılan temel yöntem genellikle Madde Tepki Kuramı (Item Response Theory — IRT) ile pekiştirmeli öğrenmedir (reinforcement learning).

Duolingo'nun 2023 yılı etkinlik raporuna göre günlük aktif kullanıcıların %34'ü uyarlanabilir alıştırma özelliği açık olduğunda daha uzun süre uygulamada kaldı. Ancak bu verinin bağımsız akademik çevrelerce doğrulanmamış olduğunu not etmek gerekir.

Eleştirel Bakış

Carnegie Mellon Üniversitesi'nden araştırmacılar 2022'de yayımladıkları çalışmada, bazı uyarlanabilir sistemlerin öğrencileri yanlış anladıklarında sistematik biçimde yanlış zorlu içeriklere yönlendirdiğini ortaya koydu. "Uyarlanabilirlik" vaadinin gerçek anlamda bireyselleştirme sağlayıp sağlamadığı tartışmalı olmayı sürdürmektedir.

Oyun Endüstrisinde Yapay Zeka

Oyun yapay zekası iki farklı boyutta gelişmektedir: oyun içi yapay zeka (rakip karakterlerin davranışları, NPC davranışı) ve oyun dışı yapay zeka (eşleşme algoritmaları, oyuncu elde tutma sistemleri). League of Legends'ın eşleşme sistemi, oyuncuları MMR (Matchmaking Rating) adı verilen gizli bir skorla değerlendirir ve her maçtaki kayıp olasılığını yaklaşık %50'de tutmayı hedefler.

Ancak bu sistemin tartışmalı boyutu şudur: bazı oyun şirketleri "Dinamik Zorluk Ayarlama" (Dynamic Difficulty Adjustment — DDA) algoritmalarını oyuncunun motivasyonunu yönetmek — yani oyunun içinde tutmak — amacıyla kullanmaktadır. Activision-Blizzard bu konuda 2019'da bir patent başvurusunda bulundu; patent belgesi, sistemin kullanıcıları mikro ödeme satın almaya teşvik edecek koşullar yaratmasını açıkça tanımlıyordu.

Ders 2 Testi

Okulda ve Oyunda Yapay Zeka

1. 2020 İngiltere A-level not tahmin algoritması hangi veriyi bireysel öğrenci performansına göre daha fazla ağırlıklandırdı?

✓ Doğru! Ofqual'ın algoritması okulların tarihsel geçmişine ağırlık verdiğinden dezavantajlı okullardaki öğrenciler orantısız biçimde etkilendi.

✗ Yanlış. Algoritma bireysel performanstan çok okulun tarihsel not geçmişini esas aldı ve bu sosyal adaletsizliğe yol açtı.

2. Uyarlanabilir öğrenme sistemlerinde yaygın olarak kullanılan "Madde Tepki Kuramı" (IRT) ne işe yarar?

✓ Doğru! IRT, her sorunun istatistiksel karakteristiğini kullanarak öğrenciye en bilgilendirici soruyu seçmeye yarar.

✗ Yanlış. IRT, soruların zorluk ve ayırt edicilik parametrelerini kullanarak öğrencinin yetenek düzeyini tahmin eder.

3. Activision-Blizzard'ın 2019 patent başvurusundaki "Dinamik Zorluk Ayarlama" sisteminin örtülü amacı neydi?

✓ Doğru! Patent belgesi, sistemin oyuncuların para harcamasını artıracak psikolojik koşullar yaratmayı hedeflediğini açıkça ortaya koyuyordu.

✗ Yanlış. Patent başvurusu, sistemin oyunculara mikro ödeme yaptıracak koşullar oluşturmak amacıyla tasarlandığını belgeliyordu.

Lab 2: Eğitim Teknolojilerini Değerlendirmek

Uyarlanabilir öğrenme iddialarını ve oyun sistemlerinin tasarım kararlarını eleştirel bir gözle inceleyin.

Lab Talimatları

Bu laboratuvarda bir eğitim teknolojisi ya da oyun sistemi seçerek yapay zekanın gerçekten öğrenmeyi destekleyip desteklemediğini ya da başka bir amaca hizmet edip etmediğini tartışacaksınız.

Asistanın sorusunu yanıtlayın.
Belirli bir platform veya oyundan somut örnek verin.
Sistemin tasarımındaki ödüllendirme yapısını sorgulayın.

Öneri: "Şu ana kadar kullandığınız bir eğitim uygulaması ya da oyundaki ilerleme sistemi sizi gerçekten öğretti mi, yoksa yalnızca geri dönmeye mi teşvik etti?"

🤖 YZ Uzmanı — Eğitim Teknolojisi Lab 2

🎯 İleri Düzey · Ders 3

Toplumumuzda Yapay Zeka

Yüz tanıma, tahmine dayalı polislik ve sosyal hizmet kararları giderek daha fazla yapay zekaya devrediliyor. Bu geçişin hukuki ve etik sonuçları nelerdir?

Bir algoritma insanın verdiği bir karardan daha adil olabilir mi?

Robert Williams, 2020 yılında Detroit Polis Departmanı'nın kullandığı yüz tanıma yazılımının yanlış eşleşmesi sonucunda evinin önünde tutuklandı. Yazılım — Michigan eyaletine satılmış Dataworks Plus sistemi — Williams'ın yüzünü dükkan güvenlik kameralarından alınan görüntüdeki şüpheliyle yanlış eşleştirdi. Bu, ABD'de yanlış yüz eşleşmesi nedeniyle belgelenen ilk yanlış tutuklama vakasıydı. Williams, 30 saat gözaltında kaldı. Mahkeme sürecinde ortaya çıktı ki dedektif bu yazılım çıktısını tek başına dava açmak için yeterli delil olarak kullandı; oysa üreticinin kendi kılavuzu yazılım sonuçlarının tek başına delil sayılamayacağını açıkça belirtiyordu.

Yüz Tanıma: Performans Farkları ve Sonuçları

NIST (ABD Ulusal Standartlar ve Teknoloji Enstitüsü), 2019 yılında 189 yüz tanıma algoritmasını test eden kapsamlı bir çalışma yayımladı. Bulgu çarpıcıydı: algoritmaların büyük çoğunluğu, siyah ve sarı tenli bireyleri beyaz bireylere kıyasla 10 ila 100 kat daha yüksek hata oranıyla tanımlıyordu. Bu fark eğitim verilerindeki orantısızlıktan ve bazı demografik grupların yeterince temsil edilmemesinden kaynaklanmaktadır.

Yapısal Sorun

San Francisco ve Boston başta olmak üzere pek çok ABD şehri yüz tanımanın kamu güvenliği bağlamında kullanımını yasakladı. Avrupa Birliği'nin 2024'te yürürlüğe giren Yapay Zeka Yasası, gerçek zamanlı biyometrik gözetlemeyi "yüksek riskli" yapay zeka uygulaması olarak sınıflandırarak kamu alanlarında uygulanmasına ciddi kısıtlamalar getirdi.

Tahmine Dayalı Polislik: PredPol ve Sonuçları

PredPol (günümüzde Geolitica adıyla bilinen) yazılımı, geçmiş suç verilerini analiz ederek belirli bölgelerde ne zaman devriye gezilmesi gerektiğini öneriyordu. Los Angeles, Santa Cruz ve diğer şehirlerde kullanıldı. 2021'de Santa Cruz, bu tür yazılımları tamamen yasaklayan ilk ABD şehri oldu. Gerekçe: sistematik araştırmalar, yazılımın tarihsel suç verilerindeki mevcut yanlılıkları (özellikle düşük gelirli ve azınlık nüfusun yoğun yaşadığı mahallelere yönelik orantısız polisliği) pekiştirip güçlendirdiğini ortaya koydu. Başka bir deyişle sistem, geçmişte daha çok denetlenen mahallelerin gelecekte de daha çok denetlenmesini öneriyordu.

Bu durum "geri besleme döngüsü" (feedback loop) sorununa tipik bir örnektir: önyargılı veriyle eğitilen model önyargılı kararlar üretir; bu kararlar yeni önyargılı veri yaratır ve döngü sürer.

Ders 3 Testi

Toplumumuzda Yapay Zeka

1. Robert Williams davası hangi açıdan özellikle önemlidir?

✓ Doğru! Bu dava, yüz tanıma yazılımının güvenilirliği konusunda kamuoyunun dikkatini çeken kritik bir emsal oluşturdu.

✗ Yanlış. Williams davası, ABD'de yanlış yüz eşleşmesi nedeniyle gerçekleşen ilk belgelenmiş yanlış tutuklama vakasıydı.

2. NIST'in 2019 yüz tanıma çalışması, algoritmalar hakkında hangi temel bulguyu ortaya koydu?

✓ Doğru! NIST çalışması, 189 algoritmanın çoğunda ciddi demografik performans farkları olduğunu belgeledi.

✗ Yanlış. NIST çalışması, algoritmaların büyük bölümünde siyah ve sarı tenli bireylere karşı 10-100 kat daha yüksek hata oranı tespit etti.

3. Tahmine dayalı polislik yazılımlarındaki "geri besleme döngüsü" (feedback loop) sorunu neden ortaya çıkar?

✓ Doğru! PredPol davası bu döngünün somut bir örneğidir: geçmişte daha fazla denetlenen mahalleler, gelecekte de daha fazla denetlenmek üzere seçildi.

✗ Yanlış. Geri besleme döngüsü, önyargılı verinin önyargılı kararlar üretmesi ve bu kararların yeni önyargılı veri yaratmasıyla kendiliğinden devam etmesinden kaynaklanır.

Lab 3: Toplumsal YZ Kararlarını Sorgulamak

Güvenlik ve adalet sistemlerinde yapay zeka kullanımının sınırlarını tartışın.

Lab Talimatları

Bu laboratuvarda yüz tanıma veya tahmine dayalı polislik gibi toplumsal YZ uygulamalarını analiz edecek ve bu sistemlerin meşruiyet sınırlarını tartışacaksınız.

Asistanın açılış sorusunu yanıtlayın.
Bir gerçek vakaya veya ülkeden somut örnek verin.
Bu sistemlerin kimler için işe yarayıp kimler için risk yarattığını değerlendirin.

Öneri: "Türkiye veya başka bir ülkede kamu güvenliği amaçlı yapay zeka kullanımına dair haberler okuduğunuzda ne düşündünüz?"

🤖 YZ Uzmanı — Toplum ve Güvenlik Lab 3

🎯 İleri Düzey · Ders 4

Tıp ve Bilimde Yapay Zeka

DeepMind'ın protein yapısı tahmininden tıbbi görüntü analizine kadar yapay zeka bilimsel keşfin hızını artırıyor. Ancak klinik benimseme neden bu kadar yavaş ilerliyor?

Yapay zeka bir hastalığı insandan daha iyi teşhis edebilir mi?

2021 yılında DeepMind'ın AlphaFold2 sistemi, 50 yıllık açık bir biyoloji problemi olan protein katlama sorununu çözdü. Sistem, bir proteinin amino asit dizisinden üç boyutlu yapısını insan uzman tahminine eşdeğer ya da daha yüksek doğrulukla belirleyebildi. DeepMind, 2022'de 200 milyondan fazla proteinin yapısını kamuya açık bir veritabanında ücretsiz yayımladı. Bu veritabanı, sıtma ve uykusuzluk hastalığı dahil pek çok hastalığa karşı ilaç hedeflerinin belirlenmesinde kullanılmaya başlandı. Nature dergisinde yayımlanan bağımsız doğrulama çalışmaları, bu tahminin ilaç keşif süreçlerini birkaç yıl kısaltabileceğini gösterdi.

Tıbbi Görüntü Analizi: Gerçek Performans

Google Health, 2020 yılında Nature Medicine'de yayımladığı çalışmada geliştirdikleri derin öğrenme (deep learning) modelinin mamografi yorumlamada ABD'li radyologları daha düşük yanlış pozitif ve yanlış negatif oranlarıyla geride bıraktığını iddia etti. Ancak bu çalışma hem metodolojik hem de bağlamsal açıdan kapsamlı bir tartışmaya yol açtı.

Eleştirel Değerlendirme

Karşılaştırma grubundaki radyologlar yalnızca tek bir görüntüyü değerlendirirken, gerçek klinik pratikte radyologlar hastanın tam tıbbi geçmişine erişir. Bu metodolojik fark, modelin gerçek dünya performansının aşırı tahmin edilmesine yol açmış olabilir. Bağımsız araştırmacılar bu sınırlılığa dikkat çekti; ancak çalışma kamuoyunda zaten büyük yankı uyandırmıştı.

İlaç Keşfinde Yapay Zeka: Hız ve Sınırlar

Exscientia, tamamen YZ ile tasarlanan ilk ilaç adayını 2020'de klinik deneylere soktu. Geleneksel ilaç tasarım sürecinin 4-5 yıl sürdüğü hesaplanırken Exscientia bu aşamayı 12 ayda tamamladığını açıkladı. Ancak klinik deneylerin ilerleyen aşamalarında bu adayların bir kısmı başarısız oldu — ki bu durum, YZ tarafından tasarlanan bileşiklerin geleneksel süreçlere kıyasla daha yüksek başarı oranı sağlayıp sağlamadığı sorusunu henüz yanıtsız bırakmaktadır.

İlaç keşfinde asıl yapay zeka katkısı henüz deneysel aşamada olsa da, genomik veri analizi ve hastane kayıtlarından risk faktörü çıkarımı gibi alanlarda klinik olarak onaylanmış sistemler artık yaygın biçimde kullanılmaktadır.

Ders 4 Testi

Tıp ve Bilimde Yapay Zeka

1. AlphaFold2'nin çözdüğü temel biyoloji problemi neydi?

✓ Doğru! Protein katlama problemi 50 yıldır biyolojinin en zorlu açık sorularından biriydi ve AlphaFold2 bu alanda çığır açıcı bir başarı elde etti.

✗ Yanlış. AlphaFold2, amino asit dizisinden bir proteinin üç boyutlu yapısını tahmin etme problemini çözdü.

2. Google Health'in mamografi çalışmasına yöneltilen temel metodolojik eleştiri neydi?

✓ Doğru! Bu metodolojik fark, modelin gerçek dünya performansını aşırı tahmin etmiş olabileceği anlamına gelir.

✗ Yanlış. Temel eleştiri, karşılaştırma grubunun klinik gerçekliği yansıtmamasıydı: radyologlar hasta geçmişine erişemeden sadece görüntüyle değerlendirme yaptı.

3. Exscientia'nın YZ ile tasarladığı ilaç adayı geleneksel süreçten ne kadar daha hızlı klinik deneylere girdi?

✓ Doğru! Exscientia, geleneksel 4-5 yıllık ilaç tasarım sürecini 12 aya indirdiğini açıkladı.

✗ Yanlış. Exscientia, bu aşamayı geleneksel 4-5 yıllık süreç yerine 12 ayda tamamladığını açıkladı.

Lab 4: Tıbbi YZ'nin Sınırlarını Tartışmak

Tıp ve biyolojide yapay zekanın neler başardığını ve nerede yetersiz kaldığını değerlendirin.

Lab Talimatları

Bu laboratuvarda tıbbi yapay zeka sistemlerinin klinik benimsemesini yavaşlatan faktörleri ve bilimsel keşfe katkılarını tartışacaksınız.

Asistanın açılış sorusunu dikkatlice okuyun ve yanıtlayın.
Yapay zekanın tıptaki rolüne dair kendi görüşünüzü paylaşın.
Bir doktor ile YZ sisteminin kararlarında hangisine daha çok güvenirsiniz? Gerekçenizi açıklayın.

Öneri: "Bir YZ sistemi size kanser teşhisi koysa ve bir doktor farklı bir teşhis verse, hangisine güvenirdiniz?"

🤖 YZ Uzmanı — Tıp ve Bilim Lab 4

🎯 İleri Düzey · Ders 5

İş Dünyasında Yapay Zeka

Amazon'un işe alım algoritmasından otomatik içerik denetlemeye kadar şirketler yapay zekayı verimlilik gerekçesiyle benimsedi. Ancak bu sistemler ne tür yanlılıklar içeriyor?

Bir algoritma iş başvurusunu değerlendirirken tarafsız olabilir mi?

Amazon, 2014-2017 yılları arasında geliştirdiği yapay zeka tabanlı işe alım sistemini kullanıma almadan iptal etti. Sistem, son 10 yılın başvuru ve işe alım verisiyle eğitilmişti. Ancak bu veri, şirketin erkek çalışan ağırlıklı olan geçmiş işe alım örüntüsünü yansıtıyordu. Sonuç olarak model, özgeçmişlerde "kadın" kelimesini içeren ifadeleri — örneğin "kadın satranç kulübü kaptanı" — sistematik olarak daha düşük skorla değerlendirdi ve kadın üniversitelerinin mezunlarını dezavantajlı konuma düşürdü. Amazon sistemi hiçbir zaman resmi olarak devreye almadı; ancak Reuters bu durumu 2018'de kamuoyuyla paylaştığında tartışma büyük bir yankı uyandırdı.

İşyerinde Gözetleme Sistemleri

COVID-19 salgınıyla birlikte uzaktan çalışmanın yaygınlaşması, işyeri gözetleme yazılımlarının satışlarını hızla artırdı. Hubstaff, Time Doctor ve Teramind gibi platformlar ekran görüntüsü alma, tuş vuruşu sayma ve fare hareketi izleme gibi yöntemlerle çalışan verimliliğini ölçmeye çalışır.

Eleştirel Nokta

Cornell Üniversitesi araştırmacıları 2021'de bu sistemlerin "üretkenliği" yanlış ölçtüğünü gösterdi: derin bir analiz yapan ya da düşünen bir çalışan, ekran önünde hızla hareket eden birine kıyasla daha "verimsiz" görünebilir. Yazılım klavye aktivitesini ölçer; düşünmeyi değil.

Otomasyonun İş Gücüne Etkisi

McKinsey Global Institute'ün 2023 tarihli raporuna göre üretici yapay zeka (generative AI), 2030 yılına kadar mevcut işlerin %60 ile %70'ini kısmen veya tamamen dönüştürme potansiyeline sahip. Ancak bu rakamlara dikkatli yaklaşmak gerekmektedir: 2013'te Oxford Üniversitesi'nin "İşlerin Geleceği" çalışması, 20 yıl içinde ABD işlerinin %47'sinin otomasyona gideceğini öngörmüştü; gerçekleşen oran çok daha düşük kaldı.

Tarihsel olarak otomasyon, bazı iş kategorilerini ortadan kaldırırken yeni kategoriler de yarattı. Asıl soru, yeni kategorilerin ne kadar hızlı ortaya çıkacağı ve kimin bu geçişin maliyetini ödeyeceğidir.

Ders 5 Testi

İş Dünyasında Yapay Zeka

1. Amazon'un işe alım yapay zekası neden kadın adayları dezavantajlı konuma düşürdü?

✓ Doğru! Bu, tarihsel yanlılığın (historical bias) makine öğrenimi sistemlerine nasıl aktarıldığının en çok belgelenen örneğidir.

✗ Yanlış. Sorun, eğitim verilerinin geçmişteki erkek ağırlıklı işe alım kararlarını yansıtması ve modelin bunu başarı kriteri olarak öğrenmesiydi.

2. Cornell Üniversitesi'nin 2021 çalışması, işyeri gözetleme yazılımlarının hangi temel sorununu ortaya koydu?

✓ Doğru! Sistem klavye ve fare aktivitesini sayar; derin analiz veya kavramsal düşünme gibi değerli ama görünmez işleri ölçemez.

✗ Yanlış. Temel sorun, sistemlerin aktiviteyi üretkenlik olarak ölçmesi ve derin düşünme gibi bilişsel çalışmayı görmezden gelmesiydi.

3. 2013 Oxford çalışmasının otomasyon öngörüsüyle gerçek arasındaki fark bize ne öğretiyor?

✓ Doğru! Öngörülen %47 otomasyon oranı gerçekleşmedi. Bu, sektör tahminlerine eleştirel yaklaşmanın önemini vurgular.

✗ Yanlış. 2013 tahmini aşırı iyimserdi ve gerçekleşen oran çok daha düşük kaldı; bu bize tahminlere eleştirel yaklaşmamız gerektiğini gösteriyor.

Lab 5: İşe Alımda YZ Yanlılığını Tartışmak

Otomatik karar sistemlerinin iş dünyasındaki etik sınırlarını keşfedin.

Lab Talimatları

Bu laboratuvarda yapay zekanın iş kararlarına dahil edilmesinin ne zaman meşru, ne zaman sorunlu olduğunu tartışacaksınız.

Asistanın sorusunu yanıtlayın.
Kariyer planlarınız veya iş deneyimlerinizden bir örnek paylaşın.
İşverenin YZ kullanma hakkı ile çalışanın adil değerlendirilme hakkı arasındaki gerilimi değerlendirin.

Öneri: "Bir işe alım sürecinde YZ tarafından elendiyseniz ya da böyle bir durumla karşılaşsaydınız, bunu adil bulur muydunuz?"

🤖 YZ Uzmanı — İş Dünyası ve Etik Lab 5

🎯 İleri Düzey · Ders 6

Sanat, Müzik ve Kültürde Yapay Zeka

Üretici yapay zeka modelleri görsel sanat, müzik ve edebiyat üretebiliyor. Ancak bu sistemler yaratıcı mı yoksa yeniden düzenleyici mi? Ve bu ayrımın telif hukuku açısından önemi var mı?

Bir yapay zeka gerçekten yaratıcı olabilir mi, yoksa yalnızca taklit mi ediyor?

2022 yılında Jason Allen, Midjourney ile ürettiği "Théâtre d'Opéra Spatial" adlı eserle Colorado Eyalet Güzel Sanatlar Fuarı'nda dijital sanat kategorisinde birinci oldu. Allen eserini "Jason Allen via Midjourney" adıyla yarışmaya sundu. Diğer sanatçıların itirazları kamuoyunda büyük tartışma yarattı. Aynı dönemde ABD Telif Hakkı Ofisi, yalnızca yapay zeka tarafından üretilen eserlerin telif hakkı korumasından yararlanamayacağına hükmetti; ancak insan müdahalesi içeren eserlerin değerlendirileceğini de belirtti. Bu yasal belirsizlik 2024 itibarıyla hâlâ çözüme kavuşturulamamıştır.

Müzik Endüstrisinde Üretici YZ

Suno ve Udio gibi müzik üretme platformları, 2024'te ABD'li büyük plak şirketleri (Sony Music, Universal Music, Warner Music) tarafından telif hakkı ihlali gerekçesiyle dava edildi. Şikâyet, bu platformların kayıtlı müzikleri izinsiz eğitim verisi olarak kullandığını öne sürdü. Bu davalar henüz sonuçlanmamıştır ancak müzik endüstrisinin telif yapısını kökten sarsabilecek nitelikte tartışmalara zemin hazırladı.

Türkiye Perspektifi

Türkiye'de de üretici YZ ile oluşturulan içeriklerin telif hukuku kapsamında değerlendirilip değerlendirilemeyeceği tartışması 2023-2024 döneminde gündemine girdi. Türk Telif Hakkı Kanunu'nun (FSEK) mevcut hükümleri, "yaratıcı insan emeği" koşulunu temel aldığından YZ üretimi eserlerin bu kapsamda değerlendirilmesi güçtür.

Kültürel Temsil ve YZ Yanlılığı

Görüntü üretme modellerinin (DALL-E, Stable Diffusion, Midjourney) "doktor" gibi yansız mesleki kavramlara yanıt olarak büyük ölçüde Batı'lı, beyaz erkek figürler ürettiği araştırmalarla belgelendi. Bu eğilim, modellerin eğitiminde kullanılan İnternet görüntülerinin demografik ve kültürel dağılımını yansıtmaktadır. Türkiye ve Orta Doğu'yu temsil eden görüntülerin bu modellerde yetersiz kaldığına dair bağımsız testler yapılmış olup sonuçlar, modellerin Batı merkezli olduğunu tutarlı biçimde doğrulamıştır.

Ders 6 Testi

Sanat, Müzik ve Kültürde Yapay Zeka

1. ABD Telif Hakkı Ofisi, yalnızca yapay zeka tarafından üretilen eserlere ilişkin hangi kararı verdi?

✓ Doğru! Ofis, telif koruması için insan yaratıcılığının gerekli olduğuna hükmetti; ancak insan müdahalesi içeren karma çalışmaların değerlendirileceğini de belirtti.

✗ Yanlış. ABD Telif Hakkı Ofisi, yalnızca YZ tarafından üretilen eserlerin telif koruması kapsamı dışında kaldığına karar verdi.

2. Suno ve Udio müzik platformlarına karşı açılan davanın temel iddiası neydi?

✓ Doğru! Plak şirketleri, bu platformların izin almaksızın telif korumalı müzikleri eğitim için kullandığını öne sürdü.

✗ Yanlış. Davalar, platformların telif korumalı müzikleri izinsiz eğitim verisi olarak kullandığı iddiasına dayanıyordu.

3. Görüntü üretme modellerinin "doktor" gibi mesleki kavramlara yanıt olarak ağırlıklı olarak belirli demografik özelliklerde figürler üretmesi neyi gösterir?

✓ Doğru! Bu durum, modellerin İnternet görüntülerindeki demografik temsil dengesizliğini büyüterek yeniden ürettiğini göstermektedir.

✗ Yanlış. Bu eğilim, eğitim verisindeki kültürel ve demografik dengesizliğin model çıktılarına doğrudan yansımasının sonucudur.

Lab 6: YZ Sanatının Sınırlarını Sorgulamak

Yapay zekanın ürettiği sanat, müzik ve kültürel içeriklerin özgünlük ve telif boyutlarını tartışın.

Lab Talimatları

Bu laboratuvarda üretici yapay zekanın yaratıcılık, kültürel temsil ve telif hukuku üzerindeki etkilerini eleştirel bir perspektiften değerlendireceksiniz.

Asistanın açılış sorusunu yanıtlayın.
Türk kültürünü veya sanatını etkileyen bir YZ uygulamasına dair görüşünüzü paylaşın.
"YZ sanat yapabilir mi?" sorusuna kendi argümanınızı geliştirin.

Öneri: "Bir yapay zeka Türk halk müziği ya da Osmanlı minyatürü üretebilir mi? Bu üretime 'sanat' demek doğru olur mu?"

🤖 YZ Uzmanı — Sanat ve Kültür Lab 6

🎯 İleri Düzey · Ders 7

Yönetim ve Altyapıda Yapay Zeka

Elektrik şebekeleri, trafik sistemleri ve kamu hizmetleri yapay zeka destekli optimizasyon sistemleriyle yönetiliyor. Bu sistemler kritik altyapıda ne zaman başarısız oldu?

Kritik altyapıyı bir yapay zekaya teslim etmek ne zaman güvenli olur?

2021 yılında Teksas kış fırtınası sırasında ERCOT (Teksas Güvenilirlik Konseyi) enerji yönetim sistemleri, bölgenin elektrik altyapısının soğuk hava şartlarına ne ölçüde dayanıklı olduğunu doğru modelleyemedi. Tahmin algoritmaları tarihsel veriyle çalışıyordu; ancak bu veri, böylesine aşırı soğuk bir senaryoyu içermiyordu. Dağıtım kırılıklı (distributed grid) enerji ağı yönetim yazılımı, önleyici kapasite azaltımı yapmak yerine ardışık arıza süreçlerini hızlandırdı. Sonuç: yaklaşık 246 kişi hayatını kaybetti, milyonlarca kişi günlerce elektriksiz kaldı ve ekonomik hasar 195 milyar doları aştı. Meclis soruşturmaları hem altyapının yetersizliğini hem de yönetim sistemlerinin olağandışı senaryolara karşı ne ölçüde kırılgan olduğunu belgeledi.

Akıllı Şehir Sistemleri: Vaat ve Gerçek

Singapur, Barselona ve Kopenhag akıllı şehir (smart city) altyapısı alanında en çok atıfta bulunulan örnekler arasındadır. Singapur'un Entegre Ulaşım Yönetim Sistemi, gerçek zamanlı araç verilerini kullanarak trafik sinyallerini dinamik olarak ayarlar; bu uygulama pik saatlerde yolculuk sürelerini ölçülü biçimde düşürmüştür.

Dağıtık Saldırı Yüzeyi

2021'de Florida'nın Oldsmar şehrindeki su arıtma tesisine yapılan siber saldırıda bir saldırgan uzaktan erişim yazılımı aracılığıyla sodyum hidroksit dozajını tehlikeli düzeylere çıkarmaya çalıştı. Operatör müdahalesi felaketi önledi. Bu olay, altyapı sistemlerinin ağa bağlanmasının yeni saldırı yüzeyleri oluşturduğunu çarpıcı biçimde ortaya koydu.

Yargı Sistemlerinde Yapay Zeka: COMPAS Davası

ABD'nin çeşitli eyaletlerinde kullanılan COMPAS (Yeniden Suç İşleme Riskini Değerlendirme Sistemi), mahkûmların yeniden suç işleme riskini hesaplamak ve tahliye ya da infaz indirimi kararlarını desteklemek amacıyla kullanılmaktadır. ProPublica'nın 2016 tarihli araştırması, sistemin siyah sanıklar için yanlış yüksek risk tahmini yapma olasılığının beyaz sanıklara kıyasla iki kat daha fazla olduğunu ortaya koydu. Sistem geliştiricisi Northpointe bu bulgulara itiraz etti; metodoloji tartışması akademik çevrelerde hâlâ sürmektedir. Ancak sonuçta özgürlüğü etkileyen bir karar sürecinde algoritmik sistemin nasıl kullanıldığı, denetlendiği ve şeffaflığa kavuşturulduğu sorusu yanıtsız kalmaya devam etmektedir.

Ders 7 Testi

Yönetim ve Altyapıda Yapay Zeka

1. ERCOT'un 2021 Teksas kış fırtınası sürecindeki başarısızlığının temel nedeni neydi?

✓ Doğru! Bu olay, "dağılım dışı" (out-of-distribution) senaryolarda tarihsel veriye dayalı modellerin yetersiz kalabileceğini açıkça ortaya koydu.

✗ Yanlış. Temel sorun, sistemin tarihsel veriyle öğrenmesi ve bu nedenle tarihte görülmemiş aşırı soğuk senaryoyu doğru modelleyememesiydi.

2. Oldsmar su arıtma tesisi saldırısı, akıllı altyapı sistemleri hakkında ne tür bir güvenlik riskini gözler önüne serdi?

✓ Doğru! Fiziksel altyapının dijital ağlara bağlanması büyük verimlilik avantajları sunar; ancak aynı zamanda siber-fiziksel saldırı riskini de beraberinde getirir.

✗ Yanlış. Bu saldırı, ağa bağlı altyapıların uzaktan erişim aracılığıyla fiziksel hasara neden olabilecek yeni saldırı yüzeyleri yarattığını gösterdi.

3. ProPublica'nın COMPAS araştırmasındaki temel bulgu neydi?

✓ Doğru! Bu bulgu, özgürlüğü etkileyen yargı kararlarında kullanılan algoritmik sistemlerin denetlenmesi ve şeffaflığı tartışmasını başlattı.

✗ Yanlış. ProPublica, sistemin siyah sanıklara yönelik yanlış yüksek risk tahmini yapma olasılığının iki kat daha fazla olduğunu belgeledi.

Lab 7: Kritik Altyapıda YZ Riskini Tartışmak

Enerji, su ve ulaşım gibi kritik sistemlerde yapay zekanın kullanım sınırlarını keşfedin.

Lab Talimatları

Bu laboratuvarda kritik altyapıda yapay zeka yönetiminin ne zaman güvenli, ne zaman riskli olduğunu tartışacaksınız.

Asistanın açılış sorusunu yanıtlayın.
Türkiye'deki altyapı sistemlerinden (enerji, ulaşım, su) bir örnek üzerinden düşünün.
İnsan denetiminin nereye kadar gerekli olduğunu değerlendirin.

Öneri: "Türkiye'deki elektrik şebekesi veya toplu taşıma sistemi tamamen yapay zeka tarafından yönetilseydi, bu sizi rahatlatır mıydı, yoksa endişelendirir miydi?"

🤖 YZ Uzmanı — Yönetim ve Altyapı Lab 7

🎯 İleri Düzey · Ders 8

Küresel Yapay Zeka Ortamı

ABD, Çin ve Avrupa Birliği farklı yapay zeka stratejileri benimsiyor. Bu stratejik rekabet yenilik, düzenleme ve teknolojik egemenlik arasındaki dengeyi nasıl şekillendiriyor?

Yapay zeka düzenlemesi yeniliği engeller mi, yoksa güvenceye mi alır?

Avrupa Birliği'nin Yapay Zeka Yasası (AI Act), Mart 2024'te Avrupa Parlamentosu tarafından kabul edilerek yürürlüğe girdi. Bu yasa, yapay zeka sistemlerini risk düzeyine göre dörtlü bir sınıflandırmaya tabi tutmaktadır: kabul edilemez risk (yasaklı), yüksek risk (sıkı denetim), sınırlı risk (şeffaflık yükümlülüğü) ve minimal risk (serbest). Özellikle biyometrik sınıflandırma ve sosyal puanlama sistemlerini "kabul edilemez risk" olarak nitelendiren yasa, çeşitli Çin uygulamalarını AB pazarından fiilen dışlamaktadır. Teknoloji sektörü temsilcileri bu yasanın Avrupa'nın rekabet gücünü zayıflatabileceğini öne sürerken insan hakları örgütleri yasanın yeterince kapsamlı olmadığını savunmaktadır.

ABD-Çin Yapay Zeka Rekabeti

ABD Ticaret Bakanlığı, 2022'den itibaren NVIDIA'nın ileri düzey GPU'larının Çin'e ihracatını kısıtlamaya yönelik bir dizi ticaret kısıtlaması uygulamaya koydu. Gerekçe, bu çiplerin askeri yapay zeka uygulamalarında kullanılabileceği endişesiydi. Çin'in bu kısıtlamalara yanıtı çok boyutlu oldu: Huawei, Ascend 910B adlı kendi yapay zeka çipini geliştirirken CASIA ve diğer araştırma kurumları daha az hesaplama gücüyle çalışabilen verimli modeller üzerine yatırımlarını artırdı.

Türkiye'nin Konumu

Türkiye, 2021 yılında Ulusal Yapay Zeka Stratejisi'ni (2021-2025) yayımladı. Strateji; sağlık, ulaşım ve tarım sektörlerini öncelikli uygulama alanları olarak belirledi. Ancak bağımsız değerlendirmeler, strateji belgesiyle kamu kurumlarındaki fiili uygulama hızı arasında belirgin bir açığın bulunduğuna dikkat çekmektedir.

Küresel Yönetişim Boşlukları

BM Yapay Zeka Danışma Organı, 2024 yılında hazırladığı raporunda "yapay zeka yönetişiminde çok taraflı koordinasyonun yokluğu" sorununa dikkat çekti. İklim değişikliği gibi küresel risklerde uluslararası çerçeveler mevcut olmasına karşın yapay zeka için hâlâ bağlayıcı, küresel ölçekte geçerli bir düzenleme çerçevesi bulunmamaktadır. Bu yapısal boşluk önemli bir asimetri yaratmaktadır: güçlü düzenleyici çerçevelere sahip ülkeler (AB gibi) sıkı kurallar uygularken, bu tür çerçevelerden yoksun ülkelerde geliştirilen sistemler farklı standartlarla —ya da hiçbir standart olmaksızın— tasarlanabilmektedir.

Bu bağlamda Türkiye ve benzeri orta gelirli ülkeler, küresel yapay zeka düzenlemelerinin şekillenmesinde etkin bir rol üstlenip üstlenmeme kararıyla karşı karşıyadır. Hızlı benimseme stratejisi, var olan standartları olduğu gibi kabul etmeyi içerirken; bağımsız kapasite geliştirme yolu daha uzun vadeli yatırım gerektirmektedir.

Ders 8 Testi

Küresel Yapay Zeka Ortamı

1. AB Yapay Zeka Yasası'nda "kabul edilemez risk" kategorisine giren uygulamalara ne yapılmaktadır?

✓ Doğru! Kabul edilemez risk kategorisi, biyometrik sınıflandırma ve sosyal puanlama gibi sistemleri kapsar ve bu uygulamalar AB'de tamamen yasaklanmıştır.

✗ Yanlış. "Kabul edilemez risk" kategorisindeki uygulamalar AB Yapay Zeka Yasası kapsamında tamamen yasaklanmıştır.

2. ABD'nin Çin'e yönelik GPU ihracat kısıtlamalarına Çin'in verdiği tepkilerden biri hangisidir?

✓ Doğru! Bu kısıtlamalar paradoks olarak Çin'in yerli çip ve model geliştirme kapasitesini hızlandırma etkisi yarattı.

✗ Yanlış. Çin'in temel tepkilerinden biri yerli çip geliştirme (Huawei Ascend 910B) ve daha az hesaplama gerektiren verimli modellere odaklanmaydı.

3. Türkiye'nin 2021-2025 Ulusal Yapay Zeka Stratejisi hangi sektörleri öncelikli uygulama alanı olarak belirledi?

✓ Doğru! Strateji bu sektörleri öncelikli alanlar olarak belirledi; ancak bağımsız değerlendirmeler uygulama hızının hedeflerin gerisinde kaldığına dikkat çekmektedir.

✗ Yanlış. Türkiye'nin 2021-2025 YZ Stratejisi sağlık, ulaşım ve tarımı öncelikli sektörler olarak tanımladı.

Lab 8: Küresel YZ Politikasını Tartışmak

Yapay zeka düzenlemesi, stratejik rekabet ve Türkiye'nin bu tablodaki konumunu eleştirel bir bakışla değerlendirin.

Lab Talimatları

Bu laboratuvarda küresel yapay zeka yarışında farklı ülkelerin benimsediği stratejileri ve Türkiye'nin bu ortamda izleyebileceği yolu tartışacaksınız.

Asistanın sorusunu yanıtlayın.
AB, ABD veya Çin modellerinden hangisinin Türkiye için daha uygun olduğunu tartışın.
Yapay zeka egemenliği ile uluslararası iş birliği arasındaki dengeyi değerlendirin.

Öneri: "Türkiye'nin kendi yapay zeka modellerini geliştirmesi mi, yoksa mevcut küresel modellere erişimi artırması mı öncelikli olmalı?"

🤖 YZ Uzmanı — Küresel YZ Politikası Lab 8

Modül 2 — Tamamlama Testi

Dünyamızda Yapay Zeka · 15 Soru · İleri Düzey

1. Facebook'un "Facebook Files" belgelerine göre, şirket yönetimi algoritmik zararlı içerik azaltma önerilerini neden defalarca reddetti?

✓ Doğru! Wall Street Journal'ın belgelediği bulgular, şirket yönetiminin ticari çıkarları ile içerik güvenliği arasındaki çatışmayı açıkça ortaya koyuyordu.

✗ Yanlış. Belgeler, reddedilme gerekçesinin etkileşim metriklerini ve reklam gelirlerini koruma kaygısı olduğunu gösteriyordu.

2. "Filtre balonu" (filter bubble) kavramı hangi algoritmik mekanizma sonucunda ortaya çıkar?

✓ Doğru! Öneri sistemi, mevcut ilgileri pekiştiren içerikleri tercih ederek giderek daralan bir bilgi ortamı yaratır.

✗ Yanlış. Filtre balonu, öneri sistemlerinin kullanıcının mevcut tercihlerini sürekli pekiştiren içerikler seçmesiyle ortaya çıkar.

3. 2020 İngiltere A-level algoritması sonuçlarının iptal edilmesine yol açan toplumsal baskı neyi kanıtladı?

✓ Doğru! Bu olay, algoritmik kararların —özellikle yüksek riskli kamu alanlarında— siyasi hesap verebilirlikten muaf tutulamayacağını gösterdi.

✗ Yanlış. Bu olay, yüksek riskli kamu kararlarında algoritmik sistemlerin hesap verebilirlik ve itiraz mekanizmalarına ihtiyaç duyduğunu ortaya koydu.

4. NIST'in yüz tanıma çalışmasındaki demografik performans farklarının temel kaynağı nedir?

✓ Doğru! Bu durum, veri temsili ile model performansı arasındaki doğrudan ilişkinin en belgelenmiş örneklerinden biridir.

✗ Yanlış. Temel neden, eğitim verilerindeki demografik dengesizlik ve bazı grupların yeterince temsil edilmemesidir.

5. AlphaFold2'nin kamuya açık protein veritabanının ilaç keşfine sağladığı en somut katkı nedir?

✓ Doğru! Bu veritabanı, ilaç hedefi belirleme sürecini yıllardan aylara indirecek potansiyele sahip ücretsiz bir kaynak olarak araştırmacılara sunuldu.

✗ Yanlış. AlphaFold2'nin kamuya açık veritabanı, araştırmacılara çeşitli hastalıklar için ilaç hedeflerini çok daha hızlı belirlemelerine olanak tanıdı.

6. Amazon'un işe alım yapay zekasını kullanıma almadan iptal etmesi, makine öğrenimi tasarımı hakkında ne tür bir dersi öne çıkarmaktadır?

✓ Doğru! Bu, tarihsel yanlılığın (historical bias) makine öğrenimi sistemlerine aktarılmasının en sık başvurulan örneğidir.

✗ Yanlış. Temel ders, geçmişteki ayrımcı örüntüleri içeren verilerle eğitilen modellerin bu ayrımcılığı sistematik biçimde yeniden ürettiğidir.

7. Aşağıdakilerden hangisi AB Yapay Zeka Yasası'nın dört risk kategorisinden biri değildir?

✓ Doğru! AB Yapay Zeka Yasası'nın kategorileri şunlardır: kabul edilemez risk (yasak), yüksek risk (sıkı denetim), sınırlı risk (şeffaflık yükümlülüğü) ve minimal risk.

✗ Yanlış. "Orta risk" yasal çerçevede bir kategori değildir. Dört kategori şunlardır: kabul edilemez risk, yüksek risk, sınırlı risk ve minimal risk.

8. Colorado güzel sanatlar yarışmasında Jason Allen'ın Midjourney ile ürettiği eserin kazanması hangi tartışmayı başlattı?

✓ Doğru! Bu olay, üretici YZ araçlarıyla yaratılan eserlerin özgünlük, telif hakkı ve yarışma etiği açısından nasıl değerlendirileceği sorusunu gündeme taşıdı.

✗ Yanlış. Olay asıl olarak YZ yardımlı eserlerin sanat yarışmalarına katılabilirliği ve bu eserlerin telif korumasından yararlanıp yararlanamayacağı tartışmasını başlattı.

9. PredPol gibi tahmine dayalı polislik yazılımlarındaki "geri besleme döngüsü" sonucunda ortaya çıkan en ciddi sorun nedir?

✓ Doğru! Bu döngü, geçmişteki aşırı denetim örüntülerini yapısal bir eşitsizliğe dönüştürerek kendi kendini pekiştirir.

✗ Yanlış. Geri besleme döngüsünün asıl sorunu, geçmişte aşırı denetlenen mahallelerin daha fazla veri üretmesi ve bunun da gelecekteki aşırı denetimi meşrulaştırmasıdır.

10. Teksas 2021 enerji krizi, yapay zeka destekli altyapı sistemlerinin hangi temel kırılganlığını ortaya koydu?

✓ Doğru! Bu, dağılım dışı genelleme (out-of-distribution generalization) sorunudur: model, hiç görmediği koşullarla başa çıkamaz.

✗ Yanlış. Temel kırılganlık, modelin tarihsel veriden öğrenmesi ve bu nedenle daha önce görülmemiş aşırı senaryolarda başarısız olmasıydı.

11. Görüntü üretme modellerinin kültürel temsil yanlılığının, Türkiye gibi ülkelerde kullanımı açısından pratik sonucu nedir?

✓ Doğru! Eğitim verilerindeki Batı ağırlıklı temsil, Türk ve Orta Doğu kültürlerine özgü içeriklerin eksik veya hatalı biçimde üretilmesine yol açar.

✗ Yanlış. Temel sorun, modellerin Türk kültürel bağlamını içeren içerikleri yetersiz ya da hatalı biçimde temsil etme eğiliminde olmasıdır.

12. COMPAS davasında sistemin yüksek riskli olarak sınıflandırdığı sanıklar hakkında hangi kritik şeffaflık sorunu gündeme geldi?

✓ Doğru! Sistemin tescilli (proprietary) niteliği, karar sürecinin incelenmesini engelledi ve temel hukuki güvenceyi — kararın gerekçesini bilme hakkını — zedeledi.

✗ Yanlış. Temel şeffaflık sorunu, sanıkların ve avukatlarının algoritmik risk skorunun neyi esas aldığını öğrenememeleri ve bu nedenle karara itiraz edememeleri meselesiydi.

13. BM Yapay Zeka Danışma Organı'nın 2024 raporundaki ana tespiti neydi?

✓ Doğru! Bu yapısal boşluk, güçlü düzenleyici çerçevelere sahip ülkeler ile böyle çerçevelerden yoksun ülkeler arasında ciddi bir asimetri yaratmaktadır.

✗ Yanlış. Raporun temel tespiti, yapay zeka için bağlayıcı, küresel ölçekte geçerli bir yönetişim çerçevesinin bulunmamasıydı.

14. Sesli asistanların belirli aksanlarda daha yüksek hata oranı sergilemesi, yapay zeka sistemi tasarımında hangi ilkenin gözetilmesi gerektiğini ortaya koymaktadır?

✓ Doğru! Sistemin çalışacağı nüfusu yeterince temsil etmeyen eğitim verisi, öngörülebilir performans eşitsizliklerine yol açar.

✗ Yanlış. Temel ilke şudur: eğitim verisi hedef kullanıcı kitlesinin demografik ve dilsel çeşitliliğini yansıtmalıdır; aksi hâlde performans eşitsizlikleri kaçınılmazdır.

15. Uyarlanabilir öğrenme sistemlerinde "geri besleme döngüsü" sorununun eğitime özgü hangi olumsuz sonucu olabilir?

✓ Doğru! Carnegie Mellon araştırması, bu tür sistemlerin öğrenciyi yanlış anladığında öğrencinin anlayış boşluklarını kapatmak yerine derinleştirebileceğini gösterdi.

✗ Yanlış. Temel sorun, sistemin öğrenciyi yanlış değerlendirmesi durumunda onu yanlış içeriklere yönlendirebilmesi ve bu yanlış anlamayı gidermek yerine pekiştirmesidir.