Öne çıkan

Virüs, Kriz ve Yapay Zeka Arama Terimlerine Bağlı Olarak Google Trend Verilerinin Ülkeler Açısından Karşılaştırmalı Analizi: Comparative Analysis of Google Trend Data Based on Virus, Crisis and AI Search Terms by Countries

Bilindiği üzere Google Trends ile bir ülke veya bölgede öne çıkan içerikler ortaya konulabilmektedir. Google Trends, Google Arama’da en çok yapılan arama sorgularının çeşitli bölge ve dillerdeki popülerliğini analiz eden bir Google web sitesidir. Web sitesi, zaman içindeki farklı sorguların arama hacmini karşılaştırmalı olarak ortaya koyan grafikler sunmaktadır. Google Trendler ayrıca, kullanıcılara iki veya daha fazla arama terimi ile göreli arama hacmini karşılaştırmasına olanak da tanımaktadır.

Araştırma kapsamında ilk üç çalışma yapılarak ülkelere göre karşılaştırmalı olarak ortaya konulacaktır. İlk çalışmada “virüs” aramalarının seyri, ardından ise “kriz” ve “yapay zeka” arama terimlerinin ülkelere göre ve dünyadaki seyri incelenecektir. Son kısımda ise “Suriye” arama terimleri Türkiye özelinde ele alınacaktır.

Metodoloji ve Bulgular

a) İlk Çalışma

Çalışma kapsamında 01-01-2020 ile 31-01-2021 tarihleri arasında “virüs” arama terimine bağlı olarak başta COVID-19 olmak üzere bütün virüs kaynaklı aramaların Amerika, Türkiye, Kanada, Fransa özelinde ve Dünya ölçeğinde izlediği seyrin ortaya konulması amaçlanmıştır. Aynı zamanda bu arama verisinden yola çıkarak gelecek 1 yıl için tahmin yapılmıştır.

b) İkinci Çalışma

Çalışma kapsamında 01-01-2004 ile 27-10-2020 tarihleri arasında “kriz” arama terimine bağlı olarak başta ekonomik ve sağlık olmak üzere kriz aramalarının Amerika, Türkiye, Kanada, Fransa özelinde ve Dünya ölçeğinde izlediği seyrin ortaya konulması amaçlanmıştır.

c) Üçüncü Çalışma

Bu kısımda 01-01-2004 ile 31-01-2021 tarihleri arasında “yapay zeka” arama terimine bağlı olarak Amerika, Türkiye, Kanada, Fransa özelinde ve Dünya ölçeğinde yapay zeka arama teriminin hit sayıları üzerinden izlediği seyrin ortaya konulması amaçlanmıştır.

d) Dördüncü Çalışma

Bu bölümde 29-04-2011 ile 01-02-2021 tarihleri arasında “Suriye” arama terimine bağlı olarak Türkiye‘de Suriye arama teriminin hit sayıları üzerinden izlediği seyrin ortaya konulması amaçlanmıştır. Ayrıca Suriye arama terimiyle ilişkili diğer aramalar da bu çalışma kapsamında ortaya konulmuştur.

Uygulama ve Bulgular

Çalışma kapsamında R programlama dili kullanılmıştır. Veri gtrendsR paketi ile Google Trends veri tabanından eş zamanlı olarak alınacaktır. O zaman işe koyulma zamanı 🙂 . İlk olarak yüklenecek R paketlerini verelim. Arama terimleri karşılaştırılacak ülkenin kullandığı dile göre yapılmalıdır.

Yüklenecek kütüphaneler

Yüklenecek kütüphane konusunda her zamanki gibi bonkorüm galiba 🙂 ; daha az kütüphaneyle de aynı analizleri yapabilirsiniz. Ancak daha çok esneklik ve estetik tasarım tanıdığı için olması gerekenden fazla kütüphane ile çalışıyorum.

kutuphane<-c("dplyr","tibble","tidyr","ggplot2","formattable","ggthemes","readr","readxl","ggpubr","formattable", "ggstance","pander", "gtrendsR","explore", "lubridate", "writexl", "tidytext","prophet")
yukle<-sapply(kutuphane, require, character.only = TRUE)
yukle

a) İlk Çalışma

Bu kısımda 01-01-2020 ile 31-01-2021 tarihleri arasında “virüs” arama terimine bağlı olarak Amerika, Türkiye, Kanada ve Fransa özelinde izlediği seyir ortaya konulmuştur. Aynı zamanda bu arama verisinden yola çıkarak gelecek 1 yıl için tahmin yapılmıştır.

arama = gtrends(c("virus","virus","virüs", "virus"), geo = c("US","CA","TR", "FR"), gprop = "web", time = "2020-01-01 2021-01-31")[[1]]
arama=arama %>% mutate(geo = recode(geo, 
  "US" = "ABD",
  "CA" = "Kanada",
  "TR" = "Türkiye",
  "FR" = "Fransa"))

ggplot(data = arama, aes(x = date, y = hits, group = geo)) +
  geom_line(size = 1, alpha = 0.7, aes(color = geo), show.legend = FALSE) +
  geom_point(size = 0) +
  theme(legend.title=element_blank(), axis.title.x = element_blank()) +
  ylab("Hit Sayısı") + 
  xlab("Tarih")+
  ggtitle("Virüs Arama Terimine Göre Google Trendleri")+
  facet_wrap(~geo)+
  theme_hc()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra virüs arama terimine göre Google Trendleri karşılaştırmalı olarak aşağıdaki grafikte verilmiştir. Grafiğe göre virüs arama terimi hit sayısının bütün ülkelerde Mart 2020’de zirveye ulaştığı görülmektedir. Ancak bu ülkeler içerisinde en yüksek hit sayısı ABD’de görülürken en düşük hit sayısı Türkiye’de görülmüştür. 2021 yılının ocak ayında ise bütün ülkeler en düşük hit sayısına sahip olduğu görülmektedir.

Yukarıdaki arama trend verilerine bağlı olarak bir de Facebook tarafından geliştirilen prophet paketi kullanarak gelecek 1 yıla ilişkin ülkelere göre tahmin yapalım. Önceliği Türkiye’ye verelim 🙂 .

# 1 Yıllık Tahmin
TR<-filter(arama, geo=="Türkiye")

tahmin <- TR[,c("date","hits")]
colnames(tahmin) <-c("ds","y")

t1 <- prophet(tahmin)

gelecek <- make_future_dataframe(t1, periods = 365)
ongoru <- predict(t1, gelecek)
plot(t1, ongoru)

Yukarıdaki R kod bloğunun çalıştırılmasından Türkiye için gelecek 1 yıllık (2022 yılının 31 Ocağına kadar) virüs arama trendi aşağıdaki grafikte verilmiştir. Görüleceği üzere virüs arama trendinin %95 güven aralığı içerisinde azalan bir trend ortaya koyduğu görülmektedir.

Türkiye tahmin verilerini aşağıda yazdığım R kod bloğu ile xlsx uzantılı Microsoft Excel çalışma kitabına yazdırdım.

turkiye=forecast[c('ds', 'yhat',  'yhat_lower', 'yhat_upper')] 
write_xlsx(turkiye, "turkiyetahminleri.xlsx")

Yukarıdaki R kod bloğu çalıştırıldıktan sonra elde edilen Türkiye virüs arama 1 yıllık tahmin verilerini güven aralıklarıyla birlikte aşağıdan indirebilirsiniz.

Yukarıdaki arama trend verilerine bağlı olarak gelecek 1 yıla ilişkin ABD virüs arama tahminlerini ortaya koyalım.

ABD<-filter(arama, geo=="ABD")
tahmin <- ABD[,c("date","hits")]
colnames(tahmin) <-c("ds","y")

t1 <- prophet(tahmin)
gelecek <- make_future_dataframe(t1, periods = 365)
ongoru <- predict(t1, gelecek)
plot(t1, ongoru)

Yukarıdaki R kod bloğunun çalıştırılmasından ABD için gelecek 1 yıllık (2022 yılının 31 Ocağına kadar) virüs arama trendi aşağıdaki grafikte verilmiştir. Görüleceği üzere virüs arama trendinin %95 güven aralığı içerisinde azalan bir trend ortaya koyduğu görülmektedir. Ancak bu azalma trendi Türkiye’den daha hızlı ve keskindir. Bunu sol tarafta yer alan y (tahmin) değerlerinden rahatlıkla görüyoruz.

Yukarıdaki arama trend verilerine bağlı olarak şimdi de gelecek 1 yıla ilişkin Fransa virüs arama tahminlerini ortaya koyalım.

fr<-filter(arama, geo=="Fransa")
tahmin <- fr[,c("date","hits")]
colnames(tahmin) <-c("ds","y")

t1 <- prophet(tahmin)
gelecek <- make_future_dataframe(t1, periods = 365)
ongoru <- predict(t1, gelecek)
plot(t1, ongoru)

Yukarıdaki R kod bloğunun çalıştırılmasından Fransa için gelecek 1 yıllık (2022 yılının 31 Ocağına kadar) virüs arama trendi aşağıdaki grafikte verilmiştir. Görüleceği üzere virüs arama trendinin %95 güven aralığı içerisinde diğer ülkelerdekine benzer olarak azalan bir trend ortaya koyduğu görülmektedir. Ancak bu azalma trendi Türkiye’den ve ABD’den daha düşüktür. Bunu sol tarafta yer alan y (tahmin) değerlerinden rahatlıkla görüyoruz.

Yukarıdaki arama trend verilerine bağlı olarak son olarak gelecek 1 yıla ilişkin Kanada virüs arama tahminlerini ortaya koyalım.

kn<-filter(arama, geo=="Kanada")
tahmin <- kn[,c("date","hits")]
colnames(tahmin) <-c("ds","y")

t1 <- prophet(tahmin)
gelecek <- make_future_dataframe(t1, periods = 365)
ongoru <- predict(t1, gelecek)
plot(t1, ongoru)

Yukarıdaki R kod bloğunun çalıştırılmasından Kanada için gelecek 1 yıllık (2022 yılının 31 Ocağına kadar) virüs arama trendi aşağıdaki grafikte verilmiştir. Görüleceği üzere virüs arama trendinin %95 güven aralığı içerisinde diğer ülkelerdekine benzer olarak azalan bir trend ortaya koyduğu görülmektedir. Ancak bu azalma trendi Türkiye ve Fransa’dan daha yüksek iken ABD ile benzerdir. Bunu sol tarafta yer alan y (tahmin) değerlerinden rahatlıkla görüyoruz.

Virüs” arama terimine bağlı olarak Dünyadaki google trendlerine de elimiz değmişken aşağıda yazdığım R kod bloğu ile bakalım 🙂 .

virus = gtrends(c("virus","virus","virüs", "virus"), gprop = "web", time = "2020-01-01 2021-01-31")[[1]]

virus= virus  %>% mutate(hits=as.numeric(hits))

ggplot(data = virus, aes(x = date, y = hits)) +
  geom_line(size = 1, alpha = 0.7, aes(color = geo), show.legend = FALSE) +
  geom_point() +
  theme(legend.title=element_blank(), axis.title.x = element_blank()) +
  ylab("Hit Sayısı") + 
  xlab("Tarih")+
  ggtitle("Virüs Terimine Göre Dünyada Google Trendleri")+
  theme_economist_white()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra Dünyadaki “virüs” arama google trendleri aşağıdaki grafikte verilmiştir.

b) İkinci Çalışma

Bu bölümde 01-01-2004 ile 27-10-2020 tarihleri arasında “kriz” arama terimine bağlı olarak başta ekonomik ve sağlık olmak üzere kriz aramalarının Amerika, Türkiye, Kanada ve Fransa özelinde izlediği seyir aşağıda yazılan kod bloğu ile ortaya konulmuştur. Elde edilen bulgular ülkelere ve yıllara göre karşılaştırmalı olarak verilmiştir.

kriz = gtrends(c("crisis","crisis","kriz", "crise"), geo = c("US","CA","TR", "FR"), gprop = "web", time = "2004-01-01 2020-10-27")[[1]]

kriz=kriz %>% mutate(geo = recode(geo, 
  "US" = "ABD",
  "CA" = "Kanada",
  "TR" = "Türkiye",
  "FR" = "Fransa"))

ggplot(data = kriz, aes(x = date, y = hits, group = geo)) +
  geom_line(size = 1, alpha = 0.7, aes(color = geo), , show.legend = FALSE) +
  geom_point(size = 0) +
  theme(legend.title=element_blank(), axis.title.x = element_blank()) +
  ylab("Hit Sayısı") + 
  xlab("Tarih")+
  ggtitle("Kriz Arama Terimine Göre Google Trendleri")+
  facet_grid(~geo)+
  theme_hc()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra elde “kriz” arama terimine bağlı olarak elde edilen bulgular ülkelere ve yıllara göre karşılaştırmalı olarak aşağıdaki grafikte verilmiştir. Elde edilen bulgulara göre kriz terimi arama sayısının en yüksek olduğu ülke Fransa olup, en yüksek olduğu tarih ise 01.10.2008 tarihidir. Bu tarihte Fransa’da kriz arama terimindeki hit sayısı 100’dür. Genel olarak bakıldığında karşılaştırılan ülkeler içerisinde Fransa’da kriz arama terimine bağlı olarak ortaya çıkan hit sayıları ve bu hit sayılarının seyri diğer ülkelere göre daha yüksek olduğu söylenebilir. Türkiye özelinde bakıldığında ise kriz arama terimine bağlı olarak ortaya çıkan hit sayıları açısından en düşük ülkedir. Ancak Türkiye kendi içerisinde değerlendirildiğinde kriz arama teriminin sayısının en yüksek olduğu ilk 3 tarih hit sayısına göre şöyledir: 03.01.2004 (Hit sayısı: 24), 11.01.2008 (Hit sayısı: 23) ve 05.01.2004 (Hit sayısı: 22).

Türkiye için en yüksek ilk 10 kriz hit sayısının olduğu tarihler ise aşağıda yazılan kod bloğu ile verilmiştir.

kriz %>% filter(geo=="Türkiye") %>% select(date, hits) %>% arrange(desc(hits)) %>% head(10) %>% formattable()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra Türkiye için elde edilen en yüksek ilk 10 kriz hit sayısı tarihlere göre aşağıda verilmiştir.

Fransa için en yüksek ilk 10 kriz hit sayısının olduğu tarihler ise aşağıda yazılan kod bloğu ile verilmiştir.

kriz %>% filter(geo=="Fransa") %>% select(date, hits) %>% arrange(desc(hits)) %>% head(10) %>% formattable()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra Fransa için elde edilen en yüksek ilk 10 kriz hit sayısı tarihlere göre aşağıda verilmiştir.

Son olarak ABD için en yüksek ilk 10 kriz hit sayısının olduğu tarihler ise aşağıda yazılan kod bloğu ile verilmiştir.

kriz %>% filter(geo=="ABD") %>% select(date, hits) %>% arrange(desc(hits)) %>% head(10) %>% formattable()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra ABD için elde edilen en yüksek ilk 10 kriz hit sayısı tarihlere göre aşağıda verilmiştir.

“Kriz” arama terimine bağlı olarak elde edilen bulguların veri seti aşağıda yazılan R kod bloğu ile ülkelere ve tarihlere göre karşılaştırmalı olarak xlsx uzantılı Microsoft Excel çalışma kitabına yazdırdım.

write_xlsx(kriz, "ulkeverileri.xlsx")

Buradan bu veri setini indirebilirsiniz.

Kriz” arama terimine bağlı olarak Dünyadaki google trendlerine de elimiz değmişken aşağıda yazdığım R kod bloğu ile bakalım :).

crisis = gtrends(c("crisis","crisis","kriz", "crise"), gprop = "web", time = "2004-01-01 2020-10-27")[[1]]

crisis= crisis  %>% mutate(hits=as.numeric(hits))

ggplot(data = crisis, aes(x = date, y = hits)) +
  geom_line(size = 1, alpha = 0.7, aes(color = geo), show.legend = FALSE) +
  geom_point() +
  theme(legend.title=element_blank(), axis.title.x = element_blank()) +
  ylab("Hit Sayısı") + 
  xlab("Tarih")+
  ggtitle("Kriz Terimine Göre Dünyada Google Trendleri")+
  theme_economist_white()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra Dünyadaki “kriz” arama google trendleri aşağıdaki grafikte verilmiştir.

Dünyada en yüksek ilk 10 “kriz” arama terimi hit sayısının olduğu tarihler aşağıda yazılan kod bloğu ile verilmiştir.

crisis %>% mutate(hits=as.numeric(hits)) %>% select(date, hits) %>% arrange(desc(hits)) %>% head(10) %>% formattable()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra Dünyada en yüksek ilk “kriz” arama terimi hit sayısı tarihlere göre aşağıdaki tabloda verilmiştir. Zaten ortaya konulan bu bulgular hepimizin bildiği üzere 2008 yılının son aylarında ortaya çıkan ve dünyayı etkisi altına alan 2008 Dünya ekonomik krizini doğrular niteliktedir.

“Kriz” arama terimine bağlı olarak elde edilen bulguların veri seti aşağıda yazılan R kod bloğu ile tarihlere göre karşılaştırmalı olarak xlsx uzantılı Microsoft Excel çalışma kitabına yazdırdım.

veri=crisis %>% mutate(hits=as.numeric(hits))
write_xlsx(veri, "krizdunya.xlsx")

Buradan bu Dünya kriz veri setini indirebilirsiniz.

c) Üçüncü Çalışma

Bu bölümde 01-01-2004 ile 31-01-2021 tarihleri arasında “yapay zeka” arama terimine bağlı olarak Amerika, Türkiye, Kanada ve Fransa özelinde izlediği seyir aşağıda yazılan kod bloğu ile ortaya konulmuştur. Elde edilen bulgular ülkelere ve yıllara göre karşılaştırmalı olarak verilmiştir. Elde edilen bulgular ülkelere ve yıllara göre karşılaştırmalı olarak verilmiştir.

ai = gtrends(c("artificial intelligence","artificial intelligence","yapay zeka", "intelligence artificielle"), geo = c("US","CA","TR", "FR"), gprop = "web", time = "2004-01-01 2020-01-31")[[1]]

ai=ai %>% mutate(geo = recode(geo, 
  "US" = "ABD",
  "CA" = "Kanada",
  "TR" = "Türkiye",
  "FR" = "Fransa"))

ggplot(data = ai, aes(x = date, y = hits, group = geo)) +
  geom_line(size = 1, alpha = 0.7, aes(color = geo), , show.legend = FALSE) +
  geom_point(size = 0) +
  theme(legend.title=element_blank(), axis.title.x = element_blank()) +
  ylab("Hit Sayısı") + 
  xlab("Tarih")+
  ggtitle("Yapay Zeka Arama Terimine Göre Google Trendleri")+
  facet_grid(~geo)+
  theme_hc()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra elde “yapay zeka” arama terimine bağlı olarak elde edilen bulgular ülkelere ve yıllara göre karşılaştırmalı olarak aşağıdaki grafikte verilmiştir. Elde edilen bulgular yapay zeka arama trendlerinin dalgalı bir seyir izlediğini göstermektedir. Yapay zeka terimi arama sayısının en yüksek olduğu ülke Türkiye olup, en yüksek olduğu tarih ise 01.11. 2004 tarihidir. Bu tarihte Türkiye’de yapay zeka arama terimindeki hit sayısı 100’dür. Genel olarak bakıldığında karşılaştırılan ülkeler içerisinde Türkiye’de yapay zeka arama terimine bağlı olarak ortaya çıkan hit sayıları ve bu hit sayılarının seyri diğer ülkelere göre daha yüksek ve bu konunun daha popüler olduğu söylenebilir. Türkiye kendi içerisinde değerlendirildiğinde yapay zeka arama teriminin sayısının en yüksek olduğu ilk 3 tarih hit sayısına göre şöyledir: 01.11. 2004 (Hit sayısı: 100), 01.10.2004 (Hit sayısı: 98) ve 01.02.2004 (Hit sayısı: 95).

Türkiye için en yüksek ilk 10 yapay zeka hit sayısının olduğu tarihler aşağıda yazılan kod bloğu ile verilmiştir.

ai %>% filter(geo=="Türkiye") %>% select(date, hits) %>% arrange(desc(hits)) %>% head(10) %>% formattable()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra Türkiye için elde edilen en yüksek ilk 10 yapay zeka hit sayısı tarihlere göre aşağıda verilmiştir.

“Yapay zeka” arama terimine bağlı olarak elde edilen bulguların veri seti aşağıda yazılan R kod bloğu ile ülkelere ve tarihlere göre karşılaştırmalı olarak xlsx uzantılı Microsoft Excel çalışma kitabına yazdırdım.

write_xlsx(ai, "ulkeverileriai.xlsx")

Buradan bu veri setini indirebilirsiniz.

Yapay Zeka” arama terimine bağlı olarak Dünyadaki google trendlerine de elimiz değmişken aşağıda yazdığım R kod bloğu ile bakalım 🙂 .

ai = gtrends(c("artificial intelligence","artificial intelligence","yapay zeka", "intelligence artificielle"), gprop = "web", time = "2004-01-01 2020-01-31")[[1]]
ai= ai  %>% mutate(hits=as.numeric(hits))

ggplot(data = ai, aes(x = date, y = hits)) +
  geom_line(size = 1, alpha = 0.7, aes(color = geo), show.legend = FALSE) +
  geom_point() +
  theme(legend.title=element_blank(), axis.title.x = element_blank()) +
  ylab("Hit Sayısı") + 
  xlab("Tarih")+
  ggtitle("Yapay Zeka Terimine Göre Dünyada Google Trendleri")+
  theme_economist_white()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra Dünyadaki “yapay zeka” arama google trendleri aşağıdaki grafikte verilmiştir.

d) Dördüncü Çalışma

Bu bölümde 29-04-2011 ile 01-02-2021 tarihleri arasında “Suriye” arama terimine bağlı olarak Türkiye‘de Suriye arama teriminin hit sayıları üzerinden izlediği seyrin ortaya konulması amaçlanmıştır. Ayrıca Suriye arama terimiyle ilişkili diğer aramalar da bu çalışma kapsamında ortaya konulmuştur. Elde edilen bulgular yıllara göre karşılaştırmalı olarak verilmiştir.

TUR = gtrends("suriye", geo = "TR", gprop = "web", time = "2004-01-01 2020-02-01")
top<-filter(TUR$related_topics, related_topics=="top")
top<-top[,c(3,1)] %>%  as.tibble() %>% rename(word=value, freq=subject) %>% mutate(freq=as.numeric(freq))

top  %>% mutate(word = fct_reorder(word, freq)) %>% slice(1:10) %>% 
  ggplot( aes(x=word, y=freq)) +
    geom_bar(stat="identity", fill="#f68060", alpha=.6, width=.4) +
    coord_flip() +
    xlab("") +
    ylab("Frekans")+
   theme_economist()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra elde “Suriye” arama terimine bağlı olarak elde edilen bulgular ilişkili konularla birlikte aşağıdaki grafikte verilmiştir. Elde edilen bulgulara bakıldığında ilişkili top konularda da Suriye 1. sırada olduğu, bunu sırasıyla harita (map) ve savaş (war) izlediği görülmektedir. Diğer top konular ise sırasıyla şöyledir: Suriye savaşı, Irak, Rusya, Iran ve Özgür Suriye Ordusu’dur.

Suriye arama terimine bağlı olarak Türkiye’de yıllara göre arama trendlerinin sayısı aşağıda yazılan kod bloğu ile verilmiştir.

TUR = gtrends("suriye", geo = "TR", gprop = "web", time = "2011-04-29 2020-02-01")[[1]]
tur= TUR  %>% mutate(hits=as.numeric(hits))
ggplot(data = tur, aes(x = date, y = hits, group = geo)) +
  geom_line(size = 1, alpha = 0.7, aes(color = geo), , show.legend = FALSE) +
  geom_point(size = 0) +
  theme(legend.title=element_blank(), axis.title.x = element_blank()) +
  ylab("Hit Sayısı") + 
  xlab("Tarih")+
  ggtitle("Türkiye'de Suriye Arama Terimine Göre Google Trendleri")+
  facet_grid(~geo)+
  theme_hc()

Yukarıdaki R kod bloğunun çalıştırılmasından sonra Suriye arama terimine göre Türkiye’de yıllara göre arama hit sayısı aşağıdaki grafikte verilmiştir.

Yapılan çalışma ile özellikle veri bilimi (data science) ile ilgilenen akademi ve saha çalışanlarına bir katkı sunulması amaçlanmıştır.

Faydalı olması ve farkındalık oluşturması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Saygılarımla.

Not: Kaynak gösterilmeden alıntı yapılamaz veya kopyalanamaz.

Note: It can not be cited or copied without referencing.

Yararlanılan Kaynaklar

Öne çıkan

Büyük Veri Mi Kalın Veri Mi? : Big Data or Thick Data?

Yararlanılan Kaynak: Tarafımdan geliştirilen kelime bulutu oluşturucu (https://buluttevfik.shinyapps.io/kelimebulutuv2/) uygulaması ile yazdığım metin olduğu gibi analiz edilmiştir.

Yapılandırılmış ve yapılandırılmamış veri ile bilgi ve belgelerin dijital ortama aktarılması ve dijital ortamda işlenmesi süreci anlamına gelen dijitalleşmenin küresel ölçekte Covid-19 salgının ortaya çıkmasıyla birlikte daha da ivme kazanmış olması üretilen verinin hacmini devasa boyutlara ulaştırmış,  çeşitliliğini ise artışmıştır. Bu durum beraberinde büyük veri, ingilizce ifadeyle big data kavramını 2000’li yılların başında literatüre kazandırmıştır. Özellikle son 10 yılda yaşamımızın hemen hemen her yönünü etkileyen dijitalleşmeyle birlikte ortaya çıkan devasa boyuttaki bu veri daha iyi bir örgüt inşa edilmesinde, örgütün iyileştirilmesinde ve sürdürülebilir kılınmasında anahtar rol oynamaya başlamıştır. Artan dijitalleşme bununla da sınırlı kalmamış büyük verinin yanında kalın veri, ingilizce ifadeyle thick data kavramını beraberinde getirmiştir. Bu makalede büyük veri ve kalın veri bağlamında aşağıdaki sorulara cevap aranmıştır:

  • Büyük veri nedir?
  • Kalın veri nedir?
  • Büyük veri ve kalın veri arasında öne çıkan farklılıklar nelerdir?
  • Örgütler için büyük veri ve kalın veri neden önemlidir?

Büyük veri nedir?

Büyük veri, ingilizce ifadeyle big data yapılandırılmış ve yapılandırılmamış olmasının yanında çeşitli olması, doğruluk değeri taşıması, değer ifade etmesi ve belirli bir hızda üretilmesi özelliklerinin aynı anda karşılandığı veriyi tanımlamak için kullanılan bir terimdir. 2005 yılında O’Reilly Media şirketinden Roger Mougalas, Web 2.0 teriminin ortaya çıkmasından sadece bir yıl sonra, “Big Data” terimini ilk kez ortaya çıkmıştır.  Ancak 2005 yılından önce de büyük veri vardı ve operasyonlarda kullanılıyordu. Ancak bu kavramın adı konmamıştı.

Büyük veri kendi içerisinde uzun veri (tall data) ve şişman veri (fat data) olmak üzere iki kategoride incelenir.

  1. Uzun veri (tall data): Veri setindeki değişken sayısının az olmasına karşılık gözlem sayısının çok yüksek olması anlamına gelir. Başka bir deyişle her bir gözlemi satır, değişkenleri sütun olarak kabul edersek satır sayısının çok yüksek, buna karşın sütun sayısının düşük olması durumunu ifade eder.
  2. Şişman veri (fat data): Büyük verinin bu kategorisi ise uzun verinin tam tersidir. Daha açık ifadeyle, şişman veri veri setindeki değişken sayısının yüksek olmasına karşılık satır sayısının oldukça az olduğu kategoriyi tanımlamak için kullanılır.

Anlatılanları somutlaştırmak adına büyük veri kategorileri Şekil 1 üzerinde verilmiştir.

Şekil 1: Büyük Veri Kategorileri

Ancak büyük veriden bahsedebilmek için tek başına büyük hacimli olması yetmez. Bunun yanında diğer özelliklerin de aynı anda karşılanması gerektiği daha önce ifade edilmişti. Tam anlamıyla büyük veriden bahsedebilmek için literatürde yaygın bir şekilde kabul gören belli başlı özelliklere sahip olması gerekir. Bu özellikler aynı zamanda kısaca 5V olarak anılmakta olup şöyledir:

a) Hacim (Volume): Üretilen verinin yüksek miktarlarda olması anlamına gelir. Analist firmalarından Gartner ve uluslararası veri şirketi IDC verilerine göre önümüzdeki birkaç yıl içerisinde bulut bilişim, nesnelerin interneti (IoT) ve edge bilişim teknolojileri sayesinde evrim geçirecektir. Burada adı geçmişken edge bilişimden kısaca bahsetmek yerinde olacaktır. Edge bilişim, kurumsal uygulamaları nesnelerin interneti (IoT) veya yerel edge sunucuları gibi veri kaynaklarına yaklaştıran dağıtık bir bilgi işlem çerçevesidir. Verilerin kaynağına olan bu yakınlık, daha hızlı iç görüler oluşturma ve iyileştirilmiş yanıt süreleri gibi gerçek iş avantajları sağlayabilmektedir. Somutlaştırmak gerekirse, firmanın yakınından ham maddeyi alarak işlemesi gibi düşünebilirsiniz. Edge bilişim, bulut bilişime göre daha etkili bir alternatif sunarak verilerin oluşturuldukları kaynağın daha yakınında işlenerek analiz edilebilmesine olanak tanımaktadır. Diğer taraftan nesnelerin interneti (IoT) ise ağ içerisinde yer alan cihaz ve makine gibi fiziksel nesnelerin insana gerek duymadan kendi aralarında veri alış-verişi yaptığı sistemlerdir. Nesnelerin internetiyle birbirine bağlanan cihaz sayısında büyük artış sağlanması ve bu cihazların artan bilgi işleme gücü,  daha önce benzeri görülmemiş veri hacimlerinin ve büyük verinin oluşmasına imkân tanımıştır. Edge bilişim de büyük veri hacimlerinin ve büyük verinin oluşması sürecine hız kazandırmıştır. Ayrıca, 5G ağlara geçişin mümkün kılınması ile birlikte bağlı mobil cihaz sayısının artacak olması veri hacimlerini üstel olarak büyütecektir. Şöyle ki, beşinci nesil kablosuz mobil telekomünikasyon hizmeti olan kısaca 5G, dördüncü nesil teknoloji olarak nitelendirilen 4G’den yaklaşık 10 katı veri iletim hızı sağlamaktadır. Bu açıdan bakıldığında 5G ve edge bilişim uyumu, bütün sektörlerde olağanüstü fırsatların ortaya çıkmasına zemin hazırlayacaktır. IDC’ye göre, 2025 yılına kadar küresel ölçekteki toplam veri hacmi 175 zettabayta ulaşacaktır. Veri depolama ölçü birimlerinden biri olan zettabaytta 1 zettabayt 10²¹ (1.000.000.000.000.000.000.000) bayt veya 1 sekstilyon bayt olarak ifade edilmektedir.

b) Çeşitlilik (Variety): Verinin yapılandırılmış ve yapılandırılmamış olması anlamına gelir. Büyük veride veri tipleri ve kaynakları Şekil 2’deki gibi özetlenebilir:

Şekil 2: Büyük Veri Tipleri ve Kaynakları

Kaynak: Hiba ve diğerleri, 2015

c) Hız (Velocity): Verinin belirli bir hızda üretilmesi gerekir. Gerçek zamanlı verilerin üretildiği sosyal medya platformları, hastaneler, radar sistemleri gibi alanlar buna örnek verilebilir.

d) Değer (Value): Verinin işlendikten sonra bir anlam ifade etmesi, diğer bir ifadeyle veri madenciliği teknikleri kullanılarak tanımlayıcı ve çıkarımsal istatistikler üretilmesi ve verinin paraya dönüştürülmesidir.

e) Doğruluk (Veracity): Verinin güvenilir olmasıdır. Bundan kasıt toplanan verinin kaynağının güvenilir olması, verinin yaşam döngüsünün şeffaf bir şekilde güvence altına alınması, güvenli depolama özelliklerine sahip olmasını ve istatistiksel açıdan güvenilir olmasını gerektiği anlaşılmalıdır.

Büyük verinin taşıması gereken özellikler anlatıldıktan sonra bahsedilenleri özetlemesi adına bu özellikler Şekil 3’te sunulmuştur.

Şekil 3: Büyük Verinin Özellikleri

Kalın veri nedir?

Kalın veriye geçmeden önce “kalın” teriminin irdelenmesinin faydalı olduğuna inanıyorum. Antropolog Clifford Geertz tarafından 1973 yılında yayınlanan makalede kalın terimi ele alınmış ve popülerlik kazanmıştır. Kalın terimi bir eylemin anlamının ve motivasyonunun irdelenmesi gerektiğini ileri sürmektedir. Kalın veri ise büyük veri analitikleriyle ortaya konulan görselleştirme ve analizinin ardındaki anlamı ortaya çıkaran yeni bir etnografik yaklaşımdır. Antropolojinin bir dalı olan etnografi, mevcut bir sosyal durumda bireylerin ya da grupların davranışını nitel araştırma perspektifinden inceleyen sosyal araştırma disiplinidir. İnsan davranışının bilinmeyenlerini anlamak ve bir bireyin bir hizmet veya ürünle ilişkisinin zaman içinde nasıl değişeceğini tahmin etmeyi amaçlayan kalın veri yaklaşımı işletme CEO’su Tricia Wang tarafından 2013 yılında popüler hale getirilmiştir. Kalın veri yaklaşımı tüketici davranışlarını daha hassas bir şekilde alır ve tüketicinin satın alma hikâyesine derinlik kazandırır. Kalın veri, analiz edilen konuların bağlamlarının ve duygularının ortaya çıkmasına izin veren etnografik verilerin nitel yaklaşım ile ele almasıyla büyük veriden ayrılırken, büyük veri genellikle veri bilimcileri tarafından yürütülen algoritmik bir süreci gerektirir. İç görüler inşa edilmeye çalışılıyorsa bir değil birden fazla metodun bir arada kullanılması gerekir. Buradan kalitatif araştırma yöntemi olarak da görülen kalın veriyle birlikte kantitatif yaklaşım olarak değerlendirilen büyük verinin birlikte kullanılması gerektiği anlaşılmalıdır. Özellikle pazarlama alanında büyük markalar kalın veri ve büyük verinin entegrasyonu ile fark yaratmaya başlamışlardır. Buna örnek olarak video içerik sağlayıcı Netflix’in pazarlama stratejileri verilebilir. Büyük veri genellikle makine öğrenme ve derin öğrenme gibi yapay zekâ yöntemlerine bağlı olarak tahminde bulunurken kalın veri tutum veya davranışların ardında yatan gerçeklikle ilgilenir.

Büyük veri ve kalın veri arasındaki farklılıklar nelerdir?

Önceki kısımda büyük veri ve kalın veri arasındaki farklılıklar kısmen verilse de bu kısımda sistematik bir şekilde bu kavram arasındaki farklılıkları Ang (2019)’a göre aşağıdaki gibi ele alabiliriz:

  1. Verinin formatı: Büyük veride veri nicel formattayken, kalın veri de format niteldir.
  2. Hacim: Gözlem sayıları büyük veride daha yüksek iken kalın veride daha düşüktür.
  3. Veri toplama yöntemleri: Dijital kayıtlar ve dijital arşivler ile internet ve sosyal medya aracılığıyla büyük veride veri toplanırken, kalın veride veri katılımcı gözlemi, odak grup görüşmeleri, açık uçlu soruları barındıran anketler, video kayıtları ve nitel karakterli verinin sosyal medya platformları aracılığıyla toplanır.
  4. Analistler: Analizler büyük veride genellikle sosyal araştırmacılar ve veri bilimcileri tarafından yapılırken kalın veride analizler antropologlar ve etnograflar tarafından yapılmaktadır.
  5. Analiz yapıldığı yer: Büyük veride analistlerin veriyi analiz etmesi mekandan bağımsız iken, diğer bir ifadeyle belirli bir mekan gereksinimi söz konusu değil iken, kalın veride analistler nitel araştırmanın doğası gereği gözlemin yapılacağı ortamda bulunma gereksinimi duyarlar. Katılımcı gözlemi, derinlemesine görüşme gibi nitel araştırma teknikleri analistin o ortamda bulunmasını gerektirir.
  6. Problem çözümündeki rol: Büyük veride daha çok tanımlayıcı ve çıkarımsal istatistikler ortaya koymak amaçlanırken, kalın veride belirli bir konuda problemleri tanımlayarak ve nedenlerini ortaya koyarak derinlemesine içgörüler elde edilmesi amaçlanır.
  7. Güçlü yanlar: Nicel araştırmaların doğası gereği elde edilen bulguların araştırma evrenine veya popülasyonuna genellenmesi söz konusu iken, nitel araştırmaların doğası gereği kalın veride elde edilen bulguların popülasyona genellenmesi söz konusu değildir. Kalın veride amaç belirli konu ve problem alanına yönelik derinlemesine içgörüler elde etmektir.

Örgütler için büyük veri ve kalın veri neden önemlidir? En başta yapay zekâ teknolojilerinde büyük verinin önemini vurgulamak gerekir. Gelişmiş bilgisayar zekâsı da olarak da adlandırılan yapay zekâ büyük hacimli verilerden ve veri setlerinden öğrenerek daha iyi analizler yapabilmekte ve çıkarımlarda bulunmaktadır. Bu yönüyle bakıldığında düşük hacimli veri setleri yapay zekâ çıkarımları açısından fonksiyonel ve istatistiksel açıdan güvenilir görülmemektedir. Dolayısıyla yapay zekâ ve büyük veri güvenilir analiz ve istatistiksel çıkarımlar açısından vazgeçilemez muhteşem ikilidir. Nitel araştırma yaklaşımlarından biri olan kalın veri ise büyük veriye daha çok içgörü sağlayarak derinlemesine analize imkân tanımaktadır. O zaman şöyle söyleyebiliriz; Etnografik bir yaklaşım olan kalın veri büyük veriyi, büyük veri ise yapay zekâyı besler. Yapay zekâ için en elzem girdi veridir. Veri yoksa yapay zekânın da öğrenebileceği bir girdi olmayacağından fonksiyonel olmayacaktır. Buradan şu yorumu da çıkarabiliriz: hızla artan dijitalleşme ve Web 3.0 ile birlikte kaliteli ve güvenilir veri hacmi artıkça yapay zekâ daha iyi öğreneceğinden daha iyi tahminlerde ve çıkarımlarda bulunacaktır. Ülke politikaları da dijitalleşme sürecine ve dijital dönüşüme büyük ivme kazandırarak büyük verinin üstel olarak artmasına büyük katkı sağlamaktadır. Şöyle ki, Almanya’nın 2011 yılında başlattığı 4. Sanayi Devrimi (Industry 4.0), Singapur’un 2014 yılında başlattığı Akıllı Ulus (Smart Nation) programı ve Japonya’nın 2015 yılında başlattığı Toplum 5.0 (Society 5.0) devrimi bu ülke politikalarına örnek verilebilir. Şahsen yapay zekâ ve büyük veri muhteşem ikilisine son zamanlarda öne çıkan kalın veriyi de ilave edersek muhteşem üçlüyü elde etmiş oluruz.

Başta verimlilik ve etkililik sağlayan büyük veri ve kalın verinin örgütlere sağladığı belli başlı avantajlar şöyledir (Almeida, 2017):

  • Büyük veri analitikleriyle hem yapılandırılmış hem de yapılandırılmamış verinin yapay zekâ teknolojisiyle analizine imkân tanıyarak daha doğru tahminler elde edilebilmektedir.
  • Artan dijitalleşme ve bulut bilişim sayesinde büyük veriye zaman ve mekândan bağımsız olarak ulaşılmasının yanında gerçek zamanlı analizlere olanak tanıması büyük veri kullanıcılarına ulaşılabilirlik açısından büyük avantaj sağlamaktadır.
  • Yeni ürün ve hizmetlerin geliştirilmesine ve yeni iş modellerinin kurulmasına olanak tanımaktadır.
  • Veriye dayalı pazarlama anlayışına, müşteri deneyimlerinin kişiselleştirilmesine, müşteri sadakatinin ve tatmininin artırılmasına büyük katkı sunmaktadır.
  • Müşteri davranışının daha iyi anlaşılmasına ve müşteri davranışı hakkında derinlemesine içgörüler oluşturulmasına fırsat sunmuştur.
  • Yatırım getiri oranları (ROIs)’nda artış sağlamaktadır.
  • Girdi maliyetlerini azaltarak satış fiyatlarının daha etkili belirlenmesine katkı sunmaktadır.

Özetle, yapılan bu çalışmayla büyük veri ve kalın verinin tanımı, aralarında öne çıkan farklılıkların neler olduğundan bahsedilerek örgütler için neden önemli olduğu vurgulanmıştır. Anlatılanlar bütüncül bir yaklaşımla değerlendirildiğinde etnografik bir yaklaşım olan kalın verinin büyük veri için tamamlayıcı bir rol oynadığı, hem büyük verinin hem de kalın verinin yapay zekâ teknolojilerinin ayrılmaz bir parçası olduğu ve olması gerektiği anlaşılmalıdır. Dolayısıyla büyük veri ve kalın verinin içerisinde olduğu bir hibrit yaklaşım benimsenmelidir. Nitekim yapay zekânın ana girdisi ve yakıtı olan büyük veri ve kalın verinin örgütlerin yatırım planlama, yatırım kararı alma, ürün veya hizmet geliştirme ve pazarlamada, yönetim sistemlerinin iyileştirilmesinde, veriye dayalı makro ve mikro politikalar geliştirilmesinde etkinlik, etkililik ve verimlilik sağlamak için hayati derecede önemli olduğu unutulmamalıdır. Başta pazarlama olmak üzere küresel trendlerin de bu yönde olduğu görülmektedir. Benzetim yaparsak elinizde son model arabanız olsa da yakıt yoksa fonksiyonel anlamda arabanın pek bir değerinin olduğu söylenemez. İşte yapay zekâ ve onun alt dalları olan makine öğrenme ve derin öğrenme için de veri o denli bir öneme sahiptir. Artık dünyanın en değerli kaynağı petrol değil veridir.

Faydalı olması ve farkındalık oluşturması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Not: Kaynak gösterilmeden alıntı yapılamaz veya kopyalanamaz.

Note: It can not be cited or copied without referencing.

Yararlanılan Kaynaklar

  • Yuen Yuen Ang (2019). Integrating Big Data and Thick Data to Transform Public Services Delivery. IBM, http://www.businessofgovernment.org/report/integrating-big-data-and-thick-data-transform-public-services-delivery. Access Date: 9/10/2020.
  • Dash, S., Shakyawar, S.K., Sharma, M. et al. Big data in healthcare: management, analysis and future prospects. J Big Data 6, 54 (2019). https://doi.org/10.1186/s40537-019-0217-0
  • What is Digitalization? http://library.fes.de/pdf-files/bueros/ruanda/16158.pdf
  • Alles, Michael & Vasarhelyi, Miklos. (2014). Thick data: adding context to big data to enhance auditability. International Journal of Auditing Technology. 2. 95. 10.1504/IJAUDIT.2014.066237.
  • J. Fiaidhi and S. Mohammed, “Thick Data: A New Qualitative Analytics for Identifying Customer Insights,” in IT Professional, vol. 21, no. 3, pp. 4-13, 1 May-June 2019, doi: 10.1109/MITP.2019.2910982.
  • KARTARI, Asker. Nitel Düşünce ve Etnografi: Etnografik Yönteme Düşünsel Bir Yaklaşım. Moment Dergi, [S.l.], v. 4, n. 1, jun. 2017. ISSN 2148-970X. Erişim Adresi: <http://www.momentdergi.org/index.php/momentdergi/article/view/236/437&gt;. Erişim Tarihi: 09 Oct. 2020 doi:10.17572/mj2017.1.207220.
  • Geertz, Clifford (1973) Thick Description: Toward an Interpretive Theory of Culture. In The Interpretation of Cultures: Selected Essays. pp 3–30. New York: Basic Books.
  • Jørgensen, T. B., & Due, B. L. (2018). Big–Thick Blending: A method for mixing analytical insights from big and thick data sources. Big Data & Society.
  • Hiba, Jasim & Hadi, Hiba & Hameed Shnain, Ammar & Hadishaheed, Sarah & Haji, Azizahbt. (2015). BIG DATA AND FIVE V’S CHARACTERISTICS. 2393-2835.
  • S. Sreeja, A.K. Sangeetha “No science no humans, no new technologies no changes: “Big Data a Great Revolution”,” International Journal of Computer Science and Information Technologies, vol. 6, no. 4, 2015, pp. 3269-3274.
  • Almeida, Fernando. (2017). Benefits, Challenges and Tools of Big Data Management. Journal of Systems Integration. 8. 12-20. 10.20470/jsi.v8i4.311.
  • Naidoo, Loshini. (2012). Ethnography: An Introduction to Definition and Method. 10.5772/39248.
  • https://tevfikbulut.com/2020/08/01/bulut-bilisim-nereye-evriliyor-where-is-cloud-computing-evolving-into/
  • IDC FutureScape, Worldwide IT Industry 2019 Predictions, November 2018. https://www.idc.com/getdoc.jsp?containerId=US44403818.
  • Kelime bulutu oluşturucu, https://buluttevfik.shinyapps.io/kelimebulutuv2/
Öne çıkan

Bulut Bilişim Nereye Evriliyor? : Where is Cloud Computing Evolving into?

Bulut bilişim veya sanal bulut derken ne anlamalıyız? Atmosferde gözlemlediğimiz su damlacıkları ve buz taneciklerinin yoğunlaşmasıyla oluşan doğal bulut mu yoksa internet üzerinde oluşturulan sanal bir bulut mu? Hâlâ bulut bilişim veya sanal bulut kavramı kafa karışıklığı oluşturduğu için bu makalede hem sanal bulutu açıklamak hem de bulut bilişimin nereye doğru evrildiği ele alınarak farkındalık oluşturulması amaçlanmıştır.

İlk olarak sanal bulut ile doğadaki bulut arasındaki farklılıkları birkaç maddeyle ele alalım ve Şekil 1 üzerinde verelim:

Şekil 1: Doğal-Sanal Bulut İlişkisi

  • Doğadaki bulut bünyesinde yağmur suyunu, sanal bulut ise veriyi depolamaktadır. Sanal bulutta veri kaynakları ve türleri çok çeşitlidir. Örneğin sanal bulut, dosyalar, müzik uygulamaları, videolar ve daha fazlası olan bilişim varlıklarını bünyesinde barındırmaktadır. Depolama özelliği bakımından sanal bulut ve doğal bulutun birbirine benzetiği söylenebilir.
  • Doğadaki bulutlar, yeryüzüne yağmur bırakmadan önce belirgin bir doygunluğa ulaşması gerekir. Bulut bilişim üzerindeki verilere ise her an her yerden erişilebilir.
  • Doğadaki bulut doygunluğa ulaşıp yağmur olarak yeryüzüne döndüğünde topraklardaki bitki örtüsü faydalanacak ve büyüyecektir. Sanal bulutlar doygunluğa ulaştığında ise bu durum ağda çok fazla talebin olduğuna işarettir. Yararlı olabilecek yağmurdan farklı olarak, bir bulut bilgi işlem patlaması işinize zarar verebilir. Bu nedenle, şirketinizin önemli verilerini barındırmak için bir bulut sağlayıcı seçerken çok dikkatli olmanız önemlidir.

Bulut veya bulut bilişim nedir?

Bulut bilişim temel kavramı 1950’lere dayanmakla birlikte ilk bulut bilişim hizmetleri 1990’lı yılların başlarında verilmeye başlanmıştır.

Bulut bilişim, ingilizce ifadeyle “cloud computing”, riskli ve kafa karıştırıcı bir konseptten, küçük ve büyük ölçekli örgütlerin genel bilişim stratejilerinin bir parçası olarak benimsenmeye başladığı bir stratejiye dönüşmüştür. Bulut bilişim kavramı çoğu zaman bulut olarak kullanıldığı görülmektedir. İki kavram da aynı amaca hizmet etmekte ve aslında bulut bilişime gönderme yapmaktadır. Bulut aynı zamanda internetle aynı anlamda kullanıldığı da görülmektedir. Bu kullanım esasen yanlış da değildir. Çünkü bulut bilişim internet tabanlı olarak yürütülmektedir.

Bulut bilişim, iş süreçlerinin yanı sıra uygulamalar, bilgi işlem, depolama, ağ oluşturma, geliştirme ve dağıtım platformlarını içeren bir dizi internet tabanlı bilgi işlem kaynağı sağlama yöntemidir. Bir diğer tanımda, bulut bilişim, bir müşteriye internet üzerinden sağlanan barındırma hizmetleridir. İstediğiniz şeyi istediğiniz yerde ve zamanda almanızı sağlayan internet tabanlı sanal depolama alanı olarak bulut bilişimi tanımlarsak hatalı olmaz. Buradan bakıldığında bulut bilişim tanımında yer alan “istediğiniz yer” mekan kavramını, “istediğiniz zaman”  zaman kavramını belirli bir lokasyon ve belirli bir zaman dilimine hapsetmeyerek esnek çalışma ve uzaktan çalışma alışkanlıklarını değiştirdiği görülmektedir.  Günümüzün değişen iş ve teknoloji dünyası da esasen bunu gerektirmektedir. Yani belirli bir zaman ve çalışma ortamına bağımlı değilsiniz ve çoğu zaman böyle olmak zorundadır taleplere anlık cevap vermek için. Bahsedilenleri özetleyecek olursak bulut bilişim hakkında varılacak yorum şöyledir: bulut bilişim, internet üzerinden veri, bilgi ve belgelerin paylaşımının yapıldığı, zaman ve mekandan bağımsız olarak bu belgelere erişiminin sağlandığı bir havuzdur.

Bulut bilişim, geleneksel işlenmiş bilişim varlıklarını bir internet temeline dayanan paylaşılan kaynak havuzlarına dönüştürür. Bulut sistemleri herşeyden önce veri ve veriye dayalı olarak veri merkezlerinden başlar. Dolayısıyla veri bulut bilişim sisteminin ana girdisi ve yakıtıdır. Bulut için önemli bir gereksinim de buluta erişmek için bir internet bağlantınızın olmasıdır. Bu, bulutta barındırdığınız belirli bir belgeye bakmak istiyorsanız, önce kablosuz (wifi) veya kablolu internet ve mobil geniş bant bağlantısı aracılığıyla bir internet bağlantısı kurmanız gerektiği anlamına gelir. Avantajı, aynı belgeye nerede olursanız olun internete erişebilen herhangi bir cihazla ulaşabilmenizdir. Bu cihazlar bir masaüstü, dizüstü bilgisayar, tablet veya telefon olabilir.

Bulut bilişim kullanım alanları nelerdir?

Bulut bilişim, ağa bağlı depolama alanına ulaşabileceğiniz ve bilgisayar kaynaklarını elde edebileceğiniz genellikle abonelik tabanlı bir hizmettir. Farkında olmasanız bile büyük olasılıkla şu anda bulut bilişimi kullanıyorsunuz. Süregelen elektronik posta adreslerinin kullanımları buna verilebilecek en klasik örnektir. Elektronik posta adreslerine girebilmek ve oradaki dosyalara ulaşabilmek için tanımlanan elektronik posta adresini ve şifrenizi girmeniz gereklidir. Bulut bilişime örnek verebilecek sayısız alan olmakla birlikte, e-devlet uygulamaları, internet bankacılığı işlemleri, uzaktan eğitimler, elektronik dergi ve gazeteler, sosyal medya platformları, e-seminerler ve bulut veri analitikleri hepimizin aşina olduğu örneklerden sadece birkaçıdır. Belge düzenlemek, film veya TV izlemek, müzik dinlemek, oyun oynamak veya resim ve diğer dosyaları saklamak için çevrimiçi bir hizmet kullanıyorsanız, bulut bilişimin perde arkasındaki her şeyi mümkün kılması muhtemeldir. Bulut bilişim hizmetleri küçük girişimlerden küresel şirketlere, devlet kurumlarına ve kar amacı gütmeyen kuruluşlara kadar çeşitli kuruluşlar teknolojiyi birçok nedenden dolayı kucaklamakta veya kucaklamak zorunda kalmaktadır. Covid-19 pandemik krizi de bulut üzerindeki işlemlerin gerek sayısında gerekse hacmindeki artışa büyük ivme kazandırmış ve kazandırmaya devam etmektedir. 

Bulut örgütler için neden önemlidir?

Bulut bilişim, işletmelerin BT kaynakları hakkında geleneksel düşünme şeklinde büyük bir değişim yaratmıştır. Bulut, büyük hacimli veriler için donanım ve depolama alanını bünyesinde barındırmak zorunda olan büyük ölçekli şirketlerde özellikle yararlıdır. Küçük şirketler de verilerini bulutta depolayarak örgüt içinde bellek donanım ve depolama maliyetini ortadan kaldırabilir. Bulut hizmeti sunan girişimlerden hizmet alıyorsanız kullandığınız bulut hizmetleri için ödeme yaparak işletme maliyetlerinizin düşürülmesine, altyapınızı daha verimli bir şekilde yönetmenize ve iş gereksinimleriniz değiştikçe ölçeklendirmeye yardımcı olursunuz. Ayrıca, yalnızca kullanacağınız depolama alanı miktarını satın almanız gerektiğinden, bir işletme, işleri büyüdükçe veya daha az depolama alanına ihtiyaç duyduklarını belirledikçe daha fazla alan satın alabilir veya aboneliklerini azaltabilir. Bu durumda ekstra bir donanım maliyetleri oluşmamış olur. Diğer taraftan bulut bilişim zaman ve mekândan bağımsız olarak bireylere ve şirketlere esnek çalışma fırsatı tanır.

Bulut bilişimin avantajları nelerdir?

Bulut bilişim, işletmelerin BT kaynakları hakkında geleneksel düşünme şeklinde büyük bir değişim yaratmıştır. Kuruluşların bulut bilişim hizmetlerine yönelmesinin yedi yaygın nedenini şöyle ele alabiliriz

Maliyet: Bulut bilişim, donanım ve yazılım satın almak ve örgüt içerisinde veri merkezi kurmak ve çalıştırmak için yapılan sermaye giderlerini ortadan kaldırmaktadır. Bu maliyetler ortadan kalktığı altyapıyı yönetmek için bilgi teknolojileri uzmanlarına ihtiyaç duymasınız.

Esneklik: Bulut bilişim hizmetleri kullanıcılara zaman ve mekândan bağımsız olarak küresel ölçekte esneklik sağlamaktadır.

Performans: En büyük bulut bilişim hizmetleri, düzenli olarak en yeni nesil hızlı ve verimli bilgi işlem donanımları ile güncellendiğinden yüksek performans elde edilebilmektedir.

Hız: Bulut bilişim hizmetlerinin çoğuna self servis ve talep üzerine sunulur, bu nedenle büyük miktarda ve yüksel hacimli bilişim hizmetlerine bile dakikalar içinde, genellikle sadece birkaç tık yaparak ulaşabilirsiniz.

Verimlilik: Örgütler içindeki veri merkezleri genellikle çok sayıda “raf ve istifleme” gerektirir: donanım kurulumu, yazılım yaması ve diğer zaman alan BT yönetim işleri. Bulut bilişim, bu görevlerin çoğuna olan ihtiyacı ortadan kaldırır, böylece BT ekipleri daha önemli iş hedeflerine ulaşmak için zaman harcayabilir.

Güvenilirlik: Bulut bilişim, veri yedekleme, olağanüstü durumları kurtarma ve iş sürekliliğini daha kolay ve daha ucuz hale getirir, çünkü veriler bulut sağlayıcısının ağındaki birden fazla yedek sitede yedeklenebilir.

Güvenlik: Birçok bulut sağlayıcısı, genel olarak güvenliğinizi güçlendiren ve verilerinizi, uygulamalarınızı ve altyapınızı potansiyel tehditlerden korumaya yardımcı olan çok çeşitli politikalar, teknolojiler ve kontroller sunar. Diğer taraftan bulutta barındırılan bilgilerin önem seviyesi genellikle yüksek olduğundan kötü niyetli bireyler açısından değerli olarak görülür. İnsanların bilgisayarlarında sakladığı birçok kişisel bilgi günümüzde artan bir şekilde buluta aktarılmaktadır. Bu durum beraberinde güvenlik risklerini ve açıklarını getirmektedir. Bu yüzden, bulut sağlayıcınızın aldığı güvenlik önlemlerini anlamanız kritik öneme sahiptir ve verilerinizi güvence altına almak için kişisel önlemler almanız da aynı derecede önemlidir. Bakmanız gereken ilk şey, bulut sağlayıcınızın aldığı güvenlik önlemleridir. Bunlar bulut hizmet sağlayıcıdan sağlayıcıya ve çeşitli bulut türleri arasında değişiklik gösterir. Sağlayıcıların ne tür şifreleme yöntemleri vardır? Verilerinizin saklanacağı donanımlar için ne tür koruma yöntemleri mevcuttur? Verilerimin yedeklerini alacaklar mı? Güvenlik duvarları kurulmuş mudur? Topluluk bulutunuz varsa, bilgilerinizi diğer şirketlerden ayrı tutmak için ne gibi önlemler bulunmaktadır? Soru sorabileceğiniz birçok konu var, ancak verilerinizin güvenliği konusunda büyük bir titizlik gösteren bir bulut sağlayıcısı seçmek önemlidir. Kişisel verileriniz konusunda ne kadar dikkatli olursanız olun, buluta abone olarak harici bir kaynağa kontrolün elinde tutulması bağlamında biraz taviz vereceksiniz. Siz ve verilerinizin fiziksel konumu arasındaki bu mesafe kontrolün sağlanması açısından bir bariyer oluşturur. Burada önemli olan kullanıcı ve bulut hizmet sağlayıcı arasında bir dengenin kurulmasıdır.

Bulut hizmet modelleri nelerdir?

Şirketler artık bulut bilişim hakkında düşünüp düşünmeyeceklerini değil, iş sorunlarını çözmek için hangi tür bulut bilişim modellerinin en uygun olduğunu sorgulamaya başlamıştır.

Bulut bilişim hizmetleri genel olarak dört geniş kategoriye ayrılır: altyapı hizmeti (IaaS), platform hizmeti (PaaS), sunucusuz hizmet ve yazılım hizmeti (SaaS). Bu hizmet modellerine bazen bulut bilgi işlem yığını denilmektedir. Çünkü bunlar birbiri üzerine inşa edilmektedir. Bulut hizmet modellerinin ne olduklarını ve nasıl farklılaştıklarını bilmek iş hedeflerinize ulaşmanızı kolaylaştırmaktadır.

Altyapı hizmeti (IaaS): Bulut bilişim hizmetlerinin en temel kategorisinde yer alan IaaS ile sunucular, sanal makineler (virtual machines), depolama, ağlar ve işletim sistemlerinden oluşan BT (Bilgi Teknolojileri) altyapısını kullandığınız kadar öde temelinde bir bulut sağlayıcısından kiralarsınız.

Platform hizmeti (PaaS): Yazılım uygulamalarını geliştirmek, test etmek, prototiplemek, sunmak ve yönetmek için isteğe bağlı bir ortam sağlayan bulut bilişim hizmetlerini ifade eder. PaaS, geliştiricilerin, geliştirme için gereken sunucu, depolama, ağ ve veri tabanlarının alt yapısını kurmak veya yönetmek konusunda endişelenmeden, hızlı bir şekilde web veya mobil uygulamalar oluşturmasını kolaylaştırmak için tasarlanmıştır. Ekiplerin işbirliğine bağlı olarak uzaktan çalışmasına imkân tanıyarak verimliliği artırır. Güvenlik, sunucu yazılımları, işletim sistemleri ve yedeklemeler hizmet sağlayıcılar tarafından yönetilmektedir. Temel altyapıyı bulut bilişim sağlayıcısı oluşturur.

Sunucusuz bilişim (genel bulut) hizmeti: PaaS ile çakışan sunucusuz bilişim hizmeti, sunucuları ve bunu yapmak için gereken altyapıyı sürekli yönetmeye zaman harcamadan uygulama işlevselliği oluşturmaya odaklanır. Bulut sağlayıcı kurum, kapasite planlama ve sunucu yönetimini sizin için gerçekleştirir. Sunucusuz mimariler, yalnızca belirli bir işlev veya tetikleyici oluştuğunda kaynakları kullanarak yüksek düzeyde ölçeklenebilir ve olaya dayalıdır. Diğer bir ifadeyle kullanıcıların taleplerine dayalı bir esneklik sunmaktadır.

Yazılım hizmeti (SaaS): Yazılım uygulamalarını internet üzerinden, istek üzerine ve tipik olarak abonelik temelinde dağıtma yöntemidir. SaaS, bulut sağlayıcıları, yazılım uygulamasını ve temel altyapıyı barındırır ve yönetir. Bununla birlikte yazılım yükseltmeleri ve güvenlik yaması gibi her türlü bakımı da gerçekleştirir. Kullanıcılar, genellikle telefonlarında, tabletlerinde veya PC’lerinde bir web tarayıcısıyla uygulamaya internet üzerinden bağlanır. Sanal masaüstü uygulamaları, sosyal medya platformları, oyunlar, elektronik gazete ve dergiler SaaS örnekleri arasında yer almaktadır.

Bulut bilişim türleri nelerdir?

Bulut bilişim altyapı açısından değerlendirildiğinde üç farklı başlık altında ele alınmaktadır.

Özel bulut: Dahili olarak veya bir üçüncü parti tarafından yönetilebilen kuruluşa özel işletilen bir bulut bilişim modeli olan özel bulut şirket güvenlik duvarının arkasında ya da şirket dışında barındırılabilir.  Hızlı devreye alınma ve ölçeklenebilirlik gibi genel bulut avantajlarının yanında kullanım kolaylığı ve esneklik sağlayarak daha fazla denetim, daha yüksek güvenlik ve öngörülebilir maliyet avantajları da sunmaktadır.

Kamu bulutu veya genel bulut: Genel kullanıma açık bir bulut bilişim modeli olan kamu bulutunda dışardan bir hizmet sağlayıcı tarafından internet üzerinden sunulur ve yönetilir. Bulut bilişimden yararlanmaya başlamada en yaygın kullanılan bulut bilişim modelidir. Microsoft Azure genel bulut modeline örnek gösterilebilir.

Genel bulut, bulut bilgi işlemden yararlanmaya başlamanın en yaygın yoludur. Sunucular ve depolama gibi bulut kaynakları, üçüncü taraf bulut hizmeti sağlayıcılarına aittir, bunlar tarafından işletilir ve İnternet üzerinden sunulur. Microsoft Azure, genel buluta bir örnektir. Genel bulutta tüm donanım, yazılım ve diğer destekleyici altyapı bulut sağlayıcısına aittir ve bu sağlayıcı tarafından yönetilir. Bu bulutta, bulut “kiracısı” olursunuz ve diğer kuruluşlarla aynı depolama, donanım ve ağ cihazlarını internet tabanlı olarak paylaşırsınız. Hizmetlere erişmek ve hesabınızı yönetmek için ihtiyacınız olan şey bir web tarayıcıdır. İnternet tabanlı e-posta ve çevrimiçi ofis uygulamaları kullanmak, test ve geliştirme ortamları sağlamak için çoğunlukla genel bulut modeli kullanılmaktadır. Maliyet ve bakım gerektirmemesi, ihtiyaca uygun hizmetlerle sınırlanabilir olması ve yüksek güvenlik sağlaması açısından kullanıcılara büyük avantaj sağlamaktadır.

Hibrit bulut: Genel ve özel bulutun özelliklerinin birleştirildiği bulut bilişim türü olan hibrit bulutta kullanıcılara daha yüksek esneklik ve dağıtım seçeneği sunulmaktadır. Genel ve özel bulut arasında işlemler taşınabilmektedir. Düşük güvenlikli işlemlerde genel bulut, yüksek risk ve güvenlik gerektiren finansal işlemlerde özel bulutu kullanabilirsiniz. Buradan bakıldığında aslında hibrit bulut kullanıcılara seçim şansı vererek bir denge (trade-off) kurmaktadır. Hibrit bulut kullanıcılara daha yüksek esneklik sağlamasının yanında bilişim varlıkları üzerinde hem denetim hem de maliyet avantajı sağlamaktadır.

Gelecekte bulut bilişimde bizleri neler bekliyor ve bulut bilişim nereye evriliyor?

Bulut bilişim zaten birçok kuruluşun ayrılmaz bir parçası haline gelmiştir. Gerek özel sektörün rekabet avantajı elde etme gerekse kamu politikaları ile dijitalleşmesin teşvik edilmesi bulut bilişime ivme kazandırmaya devam etmektedir. RightScale tarafından yapılan bir araştırmaya göre, 1.000 veya daha fazla çalışanı olan şirketlerin yüzde 81’inin çok platformlu bir stratejisi mevcuttur. 2024 yılına kadar bu sayının yüzde 90’ın üzerine çıkması beklenmektedir. 2018-2021 arasında, dünya çapında kamu bulut hizmetlerine yapılan harcamaların yüzde 73 artarak 160 milyar dolardan 277 milyar dolara çıkacağı tahmin edilmektedir.

Analist firmalarından Gartner ve uluslararası veri şirketi IDC verilerine göre önümüzdeki birkaç yıl içerisinde bulut bilişim, nesnelerin interneti (IoT) ve edge bilişim teknolojileri sayesinde evrim geçirecektir. Burada adı geçmişken edge bilişimden kısaca bahsetmek yerinde olacaktır. Edge bilişim, kurumsal uygulamaları nesnelerin interneti (IoT) veya yerel edge sunucuları gibi veri kaynaklarına yaklaştıran dağıtık bir bilgi işlem çerçevesidir. Verilerin kaynağına olan bu yakınlık, daha hızlı iç görüler oluşturma ve iyileştirilmiş yanıt süreleri gibi gerçek iş avantajları sağlayabilmektedir. Somutlaştırmak gerekirse, firmanın yakınından ham maddeyi alarak işlemesi gibi düşünebilirsiniz. Edge bilişim, bulut bilişime göre daha etkili bir alternatif sunarak verilerin oluşturuldukları kaynağın daha yakınında işlenerek analiz edilebilmesine olanak tanımaktadır. Diğer taraftan nesnelerin interneti (IoT) ise ağ içerisinde yer alan cihaz ve makine gibi fiziksel nesnelerin insana gerek duymadan kendi aralarında veri alış-verişi yaptığı sistemlerdir. Nesnelerin internetiyle birbirine bağlanan cihaz sayısında büyük artış sağlanması ve bu cihazların artan bilgi işleme gücü,  daha önce benzeri görülmemiş veri hacimlerinin ve büyük verinin oluşmasına imkân tanımıştır. Burada veri hacminin tek başına devasa boyutlara ulaşması onun büyük veri olduğu anlamına gelmez. Büyük veriden bahsetmek için ayrıca verinin akışkan, çeşitli, değerli ve doğru olması gibi özellikleri aynı anda içinde barındırması gerektiğini hatırlatmakta fayda olduğunu düşünüyorum. Edge bilişim de büyük veri hacimlerinin ve büyük verinin oluşması sürecine hız kazandırmıştır. Ayrıca, 5G ağlara geçişin mümkün kılınması ile birlikte bağlı mobil aygıt sayısının artacak olması veri hacimlerini üstel büyütecektir. Şöyle ki, beşinci nesil kablosuz mobil telekomünikasyon hizmeti olan kısaca 5G, dördüncü nesil teknoloji olarak nitelendirilen 4G’den yaklaşık 10 katı veri iletim hızı sağlamaktadır. Bu açıdan bakıldığında 5G ve edge bilişim uyumu, bütün sektörlerde olağanüstü fırsatların ortaya çıkmasına zemin hazırlayacaktır. IDC’ye göre, 2025 yılına kadar küresel ölçekteki toplam veri hacmi 175 zettabayta ulaşacaktır. Veri depolama ölçü birimlerinden biri olan zettabaytta 1 zettabayt 1021 (1.000.000.000.000.000.000.000) bayt veya 1 sekstilyon bayt olarak ifade edilmektedir.  

Google’ın küresel orta ve büyük ölçekteki şirketlerle yaptığı araştırmada şirketlerin yüzde 83’ü edge bilişim veya nesnelerin internetinin 2029’a kadar bütün endüstrileri etkileyeceğini belirtmiştir. Aynı araştırmaya göre şirketlerin yüzde 66’dan fazlasının 2029’a kadar bulut işlemlerinin çoğunluğunda edge bilişimi kullanması beklenmektedir.  Diğer taraftan açık kaynak yazılımlarının bulut üzerinde giderek yaygınlık kazandığı ve kazanacağı görülmektedir. Araştırmada şirketlerin yüzde 94’ü 2029 yılına kadar açık kaynak yazılımları kullanacağını belirtmiştir. Bulut üzerinde gerçekleşen veya gerçekleştirilen işlemlerin güvenliği artan bulut işlemlerinden dolayı trend bir konu haline dönüşmüştür. Bahse konu araştırmada karar vericilerin yüzde 70’i 2029 yılına kadar bulut güvenlik işlemlerinin otomasyona bağlanacağını,  karar vericilerin yüzde 72’i ise bulut üzerinde daha çok güvenlik uygulamaları beklediklerini ifade etmiştir.

Gartner, 2022 yılına kadar kurumsal verilerin yüzde 75’inin geleneksel bir merkezi veri merkezi veya bulutun dışında oluşturulacağını veya işleneceğini tahmin etmektedir. Buna ek olarak, IDC’ye göre, 2022 yılına kadar, kuruluşların bulut dağıtımının yüzde 40’ından fazlasında edge bilişim yer alacak ve son kullanıcı cihazlarının yüzde 25’ini yapay zekâ algoritmaları çalıştıracaktır. Diğer taraftan bulut altyapısında gerekli olan enerji maliyetleri de artan bir öneme sahiptir. Örneğin soğutma enerjisi maliyetleri küresel şirketlerden Google’ın gündeminde olmuştur. Google, yapay zekâyı kullanarak veri merkezi soğutma maliyetlerini % 40’a kadar düşürmüştür.

Sağlık bakım endüstrisinde bulut bilişimin gelecek trendleri nelerdir?

Geleneksel veri depolamadan sağlık hizmeti verilerinin dijitalleştirilmesine kadar, sağlık endüstrisi, veri yönetimi uygulamalarını optimize etmede uzun bir yol kat etmiştir. Bulut ve bulut teknolojileri ile birlikte bu sürece yeni bir boyut kazandırılmış ve kazandırılmaya devam edilmektedir. Bulut bilişim ilaç ve sağlık endüstrisinde daha çok esneklik ve mobilite, daha az maliyet ve daha yüksek hız gibi birçok avantajı beraberinde getirmektedir. Bununla birlikte beşinci nesil telekomünikasyon hizmeti (5G), yapay zekâ  (AI), doğal dil işleme (NLP), büyük veri analitikleri, robotik, sensör teknolojileri, blok zincir (blockchain) ve medikal nesnelerin interneti (IoMT) gibi inovatif teknoloji çözümlerinin ve uygulamaların bu alana entegre olmaya başlaması çok yakın zamanda sağlık bakım endüstrisinde büyük atılımlar gerçekleştirilmesini çok daha mümkün hale getirecektir.

2012 yılında kurulan İrlanda merkezli Research and Markets’in 2018-2027 dönemine içine “Sağlık Bakımında Bulut Bilişim – Küresel Pazar Görünümü” raporuna göre küresel sağlık bakımında bulut bilişim piyasa hacminin 2027 yılına kadar 92,24 milyar dolara yükselmesi beklenmektedir. Aynı raporda bulut bilişimin sağlık bakımındaki kilit aktörleri arasında yer alan şirketler şöyledir:

  • Amazon Web Services
  • Athenahealth
  • CareCloud
  • Carestream Health
  • ClearDATA
  • Dell
  • IBM Corporation
  • Iron Mountain
  • Oracle
  • Siemens Healthineers
  • Cisco System
  • Allscripts Healthcare Solution
  • EMC

Yukarıda sayılan piyasa aktörlerine Microsoft’u da eklersek listeyi güncellemiş oluruz.

Wise Guy Reports tarafından yapılan 2019-2026 dönemini içine alan “Sağlık Bakımında Bulut Bilişim Gelecek Trendleri, Büyüme Aktörleri ve Zorluklar” adlı piyasa araştırma raporuna göre küresel sağlık bakımında bulut bilişim piyasası sunulan bulut bilişim hizmet modelleri açısından ağırlıklı olarak  platform hizmeti (PaaS), altyapı hizmeti (IaaS) ve yazılım hizmeti (SaaS) segmentlerine ayrılmıştır. Önceki kısımlara bakılarak bahsedilen bu hizmet modellerinin ne olduğu hakkında daha detaylı bilgi edinilebilir. Raporda SaaS, kullanıcılara sunulan ilk hizmet olduğu için sağlık bulut bilişiminde en önemli pazar payına sahiptir. Bununla birlikte, diğer hizmet modelleri arasında IaaS bulut bilişim hizmet modelinin 2026 yılına kadar en yüksek oranda büyüme kaydetmesi beklenmektedir. Bu durum IaaS hizmet modelinin bulutta uygulama geliştirme altyapısının daha yalın hale getirilmek istenmesiyle açıklanabilir. Diğer taraftan rapora göre bulut bilişim modelleri genel bulut, özel bulut ve hibrit bulut olarak bölümlere ayrılmıştır. Özel bulutlar, hasta verilerinin daha güvenli bir şekilde depolanmasına imkân vermesinden dolayı şu anda en önemli pazar payını oluşturmaktadır. Ancak, hibrit bulut modeli hem genel hem de özel bulutların avantajlarını bir arada barındırdığı için hibrit bulut çözümlerine yönelik artan talep söz konusudur. Bu artan talepten dolayı hibrit bulutun en yüksek büyüme oranını göstermesi beklenmektedir.

Özetlemek gerekirse, bulut günlük bireysel bilgisayar kullanıcılarına olduğu kadar büyük ve küçük ölçekli işletmelere de verilerin depolanması, işlenmesi ve paylaşılması gibi birçok seçenek sunmakta ve artan dijitalleşme ise bu sürece büyük ivme kazandırmaktadır. Bulut, bilgisayar dünyasını daha geniş bir kullanım alanına açmakta ve herhangi bir internet bağlantısı üzerinden erişim sağlayarak kullanım kolaylığını artırmaktadır.  Bu kolaylık hem bireysel kullanıcılara hem de şirketlere maliyet,  esneklik, hız ve ihtiyaca uygun hizmetle sınırlandırılabilme, diğer bir ifadeyle esneklik açısından büyük avantaj sağlamaktadır. Aksine bir durum özellikle girişimci tarafında bürokrasiyi artırarak yatırım kararlarının hem ertelenmesine hem de yatırımlardan vazgeçilmesine neden olmaktadır. Örneğin yatırımların önünde büyük bir engel olarak görülen bürokratik iş ve işlemlerin yükü bulut bilişim sayesinde büyük ölçüde azaltılarak girişimciye hız ve maliyet avantajı kazandırılmıştır. 2018 Türkiye Organize Sanayi Bölgeleri Yatırım Engelleri Araştırmasına göre bürokratik iş ve işlemler her 10 firmadan yaklaşık 7’sinin yatırım kararını olumsuz etkilemiştir. Bürokratik iş ve işlemler, ıslah OSB’lerdeki firmaların yüzde 62,5’inin, ihtisas OSB’lerdeki firmaların % 67,3’ünün, karma OSB’lerdeki firmaların ise yüzde 66,1’inin yatırım kararını olumsuz etkilemiştir. Ülkemizde bürokrasinin azaltılması eylem planı kapsamında resmi yazışmaların bulut (internet) üzerinden yapılması ve e-devlet uygulamalarının kapsamının giderek genişlemesi, hizmet sağlayıcı olarak hem kamu tarafında hem de kullanıcı tarafında büyük avantajlar getirmiştir. Bu avantajlar uluslararası arenada ülke olarak skorlarımıza da yansımıştır. 2020 yılı Birleşmiş Milletler tarafından yayınlanan e-Devlet Gelişmişlik Endeksi’ne göre ülkemiz 93 ülke arasında, Çevrim İçi Hizmet Endeksinde 22. sıraya, e-Katılım Endeksinde ise 23. sıraya yükselmiştir.

Ancak, bilişim varlıklarının artan bir şekilde bulut üzerine taşınması ve bulut ortamında bu varlıkların işlenmesi siber güvenlik endişesini de beraberinde getirmektedir. Yeterli önlemler alınmazsa güvenlik açısından bir tehdit de oluşturacağı aşikârdır. Bulutta bilgilerinize kimlerin erişebileceği üzerinde daha az kontrole sahip olduğunuz ve nerede depolandığı hakkında çok az bilginiz olduğu için bulut bir endişe kaynağı da oluşturmaktadır. Diğer taraftan, bulut, kötü niyetli kişiler için büyük bir hedeftir ve bu yönüyle dezavantajları olabileceği için bulutta veri depolamanın güvenlik risklerinin de farkında olmalısınız. Dolayısıyla, katmanlı yüksek güvenlik bulut altyapısının bulut bilişim hizmetlerinde artan bir gereklilik olarak öne çıkmaktadır. Katmanlı yüksek güvenlik bulut altyapısıyla yapay zeka, 5G, edge bilişim ve nesnelerin internetinin bulut bilişim hizmetlerine entegre edilmesi, gerek verimlilik gerekse hız ve güvenlik açısından ülkemiz için olduğu kadar dünya için de bir dönüm noktası oluşturacaktır. Ülkemizde bu alanlarda proaktif adımlar atılmaya devam edilmektedir. Ancak küresel ölçekte söz sahibi olabilmek için çok daha fazlasına ihtiyaç olduğu açıktır. Bu yüzden hem bireysel hem de toplumsal gelişmenin yolu, egolarımızdan arındırılmış bir şekilde “Daha iyisini nasıl yapabilirim?” sorusunu sormaktan geçiyor.

Her ne kadar buraya kadar bulut bilişim ve onun öneminden bahsetsek de en az bu konu kadar önemli olan, belki ondan da daha önemli olan bir şey var; o da cumhuriyet öncesi ve sonrası kazanımları toplumsal değerlerimizle birlikte koruyarak toplumsal uzlaşı kültürü oluşturmaktır. Eğer bunu yapabilirsek güzel ülkem kronik hale gelen ağırlıklarından kurtularak emin adımlarla bilim ve teknoloji, yani aklın ışığında çağdaş medeniyetler seviyesine ulaşacaktır. İçinde bulunduğumuz coğrafya esasen bunu zorunlu da kılmaktadır.

Ülkemiz neleri başarmadı ki bunu başarmasın… Ben inanıyorum. Hep birlikte yapabiliriz…

Faydalı olması ve farkındalık oluşturması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Saygılarımla.

Makalenin pdf versiyonunu aşağıdaki linkten indirebilirsiniz.

Not: Kaynak gösterilmeden alıntı yapılamaz veya kopyalanamaz.

Note: It can not be cited or copied without referencing.

Yararlanılan Kaynaklar

Öne çıkan

COVID-19 ve Dijital Dönüşüm: COVID-19 and Digital Transformation

7 secrets for getting digital transformation right | CIO

Kaynak:https://www.cio.com

Birleşmiş Milletler Sınai Kalkınma Örgütü (UNIDO) tarafından 10 Temmuz 2020 tarihinde içerisinde ağırlıklı olarak Covid-19 pandemisinin dijitalleşme üzerindeki etkisinin ele alındığı “Covid-19 Olası Sonuçlar ve Cevaplar: Dijital Dönüşüm ve Endüstriyel İyileşme” adlı rapor yayımlanmıştır.

Pandemik kriz uluslararası topluma özellikle ileri üretim teknolojileri ve dijitalleşme yoluyla uluslararası kalkınma sorunlarına işbirliği çözümleri sunarak dijital dönüşümü hızlandırma fırsatı sağlamıştır. Krizden önce bile, küresel imalat, dijital ve geleneksel imalat sektörleri Dördüncü Sanayi Devrimi ile görülmemiş hızlı bir değişim geçirmiştir. Yapay zekâ, ileri robotik, 3D yazıcılar, giyilebilir ve nesnelerin interneti gibi yıkıcı teknolojiler, üretim ortamını kökten değiştirerek üretkenliği arttırmak için büyük fırsatlar sunarken aynı zamanda sosyal içerme amaçlarına da büyük katkı sunmaktadır. Sosyal içerme, dezavantajlı bireylerin ve grupların topluma katılımını artırma ve onları iyileştirme sürecidir. Dördüncü sanayi devriminin değişim hızı, yürürlüğe girmesi on yıllar, hatta yüzyıllar süren önceki endüstriyel devrimlerle karşılaştırıldığında benzersizdir. Bu devrim yaşam biçimlerine de etki ederek yaşam biçimlerini üretimin yapıldığı fabrikanın ötesine taşıyacaktır.

Mevcut pandeminin küresel ölçekli yansımaları dünyayı Dördüncü Sanayi Devrimi’ne doğru yapısal kaymanın aciliyetini düşünmeye zorlamış ve Covid-19 dijital dönüşümün beklenmedik hızlandırıcısı olmuştur.

Pandemik kriz dördüncü sanayi devrimini üretken sektörlere katmak, uzun vadeli esnekliği artırmak ve daha iyi bir gelecek inşa etmek için eşsiz bir fırsat sunmaktadır. Örneğin, siber alana taşınma, eğitim, sosyal ve ekonomik faaliyetlere uzaktan katılım, sosyal mesafenin psiko-sosyal etkisinin azaltılmasına imkân sağlamıştır. Büyük veri, kriz yönetimi ve tahmine dayalı öğrenme açısından giderek daha fazla kullanım alanı oluşturmaya başlamıştır. Bu durum beraberinde gerçek zamanlı veriye dayalı daha hızlı ve daha verimli bir karar almayı mümkün kılmıştır. Benzer şekilde dünya, kriz sürecince fiziksel perakende mağazalarından elektronik ticarete geçişe tanık olmuş ve olmaya devam etmektedir.

Krize müdahale etmenin gerekliliği şüphesiz bazı alanlarda yeniliği de beraberinde getirmiştir. Yapay zekâ ve büyük veri, virüs araştırmalarına, aşı geliştirilmesine ve kamu politikalarını destekleyen veri analizleri için kullanılmıştır. Benzer şekilde, robotlar hastaların izlenmesi ve desteklenmesinde artan bir rol oynamıştır. Örneğin, giyilebilir teknolojiler hastaların ve sağlık personelinin taranmasında ve izlenmesinde önemli rol oynamıştır. Dördüncü Sanayi Devrimi, Covid-19 ve bununla ilişkili sosyal, ekonomik ve çevresel etkilere karşı mücadelede çok çeşitli potansiyel çözümler getirmiştir. Bu çözüm örneklerinden bazıları ve bunların kullanım alanları şöyledir:

  1. Dronlar: Sağlık krizinde kritik malzemelerin teslimi, kamusal alanların dezenfeksiyonu, vücut ısının ölçümü ve karantina kontrollerinin uygulanmasında kullanılmıştır. Diğer taraftan ekonomik krizde dronlar hizmet sunumunda artan verimlik sağlamakla birlikte yoğun nüfuslu alanların taranmasına da imkan sunmuştur.
  2. Robotlar: Sağlı krizinde hastalara yardım etme ve onları izleme, medikal stokların optimizasyonu ile ilaç ve gıda tesliminde kullanılmıştır. Diğer taraftan ekonomik krizde robotlardan uzaktan denetim, bakım ve onarım ile yarı otonom işlerde yararlanılmıştır.
  3. 3D Yazıcılar: Sağlı krizinde tıbbi malzeme ve temel bileşenlerin üretiminde kullanılmıştır. Diğer taraftan ekonomik krizde parça eksikliklerini giderme ve yeni ürünler için tasarım ve test prototipleri oluşturmada 3D yazıcıların önemli katkısı olmuştur.
  4. Blockchain: Sağlı krizinde bireylerin sağlık durumunu içeren dijital kimliklerin oluşturulması, ilaç güvenliğinin izlenmesi ve sağlık bakım taleplerinin yönetiminde kullanılmıştır. Diğer taraftan blockchain teknolojisi ekonomik krizde tedarik zincirlerinde karşılaşılan problemlerin çözümünde kullanılmasının yanı sıra ürün veya hizmetin kökeni ve dönüşüm süreci hakkında izlenebilirlik ve şeffaflık sağlamıştır.
  5. Büyük Veri ve Yapay Zekâ: Sağlı krizinde veri analizleri, aşı ve model geliştirme alanlarında kullanılmıştır. Diğer taraftan ekonomik krizde üretim hattının hızlı bir şekilde değiştirilebilmesi için endüstriyel tesislerin dijital ikizinin oluşturulması, veri ve trend analizleri ile talep tahminlerinde büyük veri veya yapay zekâdan yararlanılmıştır.
  6. Nesnelerin İnterneti: Sağlı krizinde halk sağlığı verisinin toplanması, binalar içerisindeki hava kalitesinin analiz edilmesi ve kritik gıdaların taşınmasında kolaylık sağlamıştır. Diğer taraftan ekonomik krizde doğruluk oranı artırma, cevap süresini kısaltma ve müşteri tercih ve ihtiyaçlarını anlamada nesnelerin internetinden yararlanılmıştır.

Bu örnekler, Dördüncü Sanayi Devrimi’nin rolünün mevcut kriz ışığında nasıl değiştiğini göstermektedir. Şimdiye kadar, Dördüncü Sanayi Devrimi’nin baskın odak noktası öncelikle maliyet optimizasyonu, verimliliği artırma veya rekabet avantajı kazanma gibi konular olmuştur. Ancak Covid-19 pandemisi dijital dönüşüme ve yenilikçi çözümlere bakış açısını bir ölçüde değiştirmiştir. Bu kriz, başta sağlık olmak üzere temel hizmetlerin ve tedarik zincirlerinin sürdürülebilirliğini sağlamak, öngörülemeyen şoklara karşı toplumsal direnci ve iş direncini artırmak açısından dijital dönüşüme ve yenilikçi çözümlere kapı aralamıştır. Bununla birlikte söz konusu kriz yeni sektörlerin doğuşuna imkân tanıyarak yeni işletmelerin kurulmasını sağlamış ve bu süreci hızlandırmıştır. Örneğin, Covid-19 aşı çalışmaları ve bu alana yapılan yatırımların sürekli artış göstermesi kurulan firma ve çalışan sayılarını artırmıştır.  Diğer bir ifadeyle Covid-19 pandemisinin küresel ölçekte getirdiği “yeni normal”, dijital dönüşümün yönünü etkilemiş, hızını ise artırmıştır. Özetle, Covid-19 pandemik krizi beraberinde dijital dönüşümde de yeni normali getirmiştir. Dijital dönüşümdeki bu “yeni normal” insan mobilitesini azaltarak çevrenin korunmasına ve sürdürülebilirliğinin sağlanmasına da katkıda bulunacaktır.

Faydalı olması ve farkındalık oluşturması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Saygılarımla.

Makalenin pdf versiyonunu aşağıdaki linkten indirebilirsiniz.

Yararlanılan Kaynaklar

Doğurganlık Hızı Fırsat Mı Tehdit Mi?

Bilindiği üzere Türkiye İstatistik Kurumu (TÜİK) yakın zamanda Türkiye için önemli nüfus göstergelerinden biri olan toplam doğurganlık hızlarını açıkladı. Bir kadının doğurganlık dönemini içine alan 15 ile 49 yaş arasında doğurabileceği ortalama çocuk sayısını gösteren toplam doğurganlık hızı ürkütücü seviyelere düştü. Gelişmiş ülkelerde bir neslin yenilenme düzeyi eşik değeri 2,10 seviyesi olarak görülmektedir. Diğer bir deyişle, kadın başına ortalama doğum sayısının en az 2,10 seviyesinde olması gerekir. TÜİK tarafından 13 Mayıs 2020 tarihinde 2019 yılına ait açıklanan toplam doğurganlık hızı 2,10 yenilenme düzeyinin çok altında kalarak 2001’den 2019 yılına kadar geçen son 19 yılın en düşük seviyesi olan 1,88 seviyesinde gerçekleşmiştir. Tabiri caizse ülkemizin toplam doğurganlık hızları alarm vermektedir. Avrupa ülkelerine kıyasla övündüğümüz genç nüfus potansiyelimizi ve avantajımızı hızla kaybediyoruz. Ne yazık ki aynı azalma trendinin devam etmesi öngörüldüğünden bu avantajımızı koruyamayacağımızı da ifade etmek lazım. Bu düşüş trendinin devam etmesi bir yana durağan bir seyir izlemesi bile ülkeler için artık büyük bir başarı olarak görülmektedir. Zira Avrupa ülkeleri başta olmak üzere diğer Dünya ülkelerinde de toplam doğurganlık hızları düşmekte, dünya nüfusu yaşlanmaya devam etmektedir. Bazı ülkeler bu gerçeği bilerek politikalarını ona göre dizayn etmeye çoktan başlamışlardır. Örneğin, Japonya bu gerçeği çok iyi bilerek yaşlı nüfusun getireceği dezavantajları elimine etmek için Toplum 5.0 programını başlatmıştır.

Son 19 yıla ilişkin ülkemizin toplam doğurganlık hızlarının seyri Şekil 1’de verilmiştir. Şekil 1’e göre öne çıkan bulgular şöyledir:

  • Toplam doğurganlık hızı (TDH)’nın en yüksek seviyesine ulaştığı 2001 yılında kadın başına ortalama doğum sayısı 2,3 olarak gerçekleşmiştir. Bu bulgu aynı zamanda son 19 yılda yenilenme düzeyi (2,10)’nin üstünde gerçekleşen en yüksek TDH’dır.
  • TDH’nın en düşük seviyede gerçekleştiği 2019 yılında kadın başına ortalama doğum sayısı 1,88 olarak gerçekleşmiştir. Bu bulgu aynı zamanda son 19 yılda yenilenme düzeyinin altında gerçekleşen en düşük TDH’dır.

Şekil 1: Toplam Doğurganlık Hızları

Kaynak: TÜİK

Toplam doğurganlık hızları neden düşüyor?

Toplum doğurganlık hızlarının düşme nedenleri arasında evrensel gerçekler olduğu kadar ülke gerçekleri de mevcuttur. Evrensel gerçeklerden bahsetmek gerekirse öne çıkabilecek birkaç neden şöyle belirtilebilir:

  • Özellikle kadın tarafından bakıldığında eğitim düzeylerinin yükselmesi doğurganlık hızlarını düşürmektedir. Diğer bir ifadeyle, eğitim düzeyi ile doğurganlık hızı ters orantılıdır.
  • Refah düzeylerinin artması doğurganlık düzeyini azaltmaktadır.
  • Kariyer odaklı beklentilerin artması doğurganlık düzeylerinde azaltıcı yönde etkide bulunmaktadır.

Türkiye açısından bakıldığında doğurganlık hızlarının azalmasında öne çıkabilecek birkaç neden şöyle ifade edilebilir:

  • Kadınların işgücü piyasasına katılımının hızla artma eğilimi göstermesi hem çocuk sayısı kararını hem de çocuk yapma kararını ertelemektedir. Bu durum beraberinde geniş aileden çekirdek aile yapısına geçişi de hızlandırmış ve hızlandırmaya devam etmektedir.
  • İşsizlik oranının yüksek olmasına bağlı olarak özellikle erkeklerin bir gelecek kuramama endişesi yaşaması doğurganlık hızlarını olumsuz etkilemektedir.
  • Geleneksel evlilik kurumuna atfedilen kutsiyetin yavaş yavaş ortadan kaybolması ve birlikte yaşam kültürünün ön plana çıkmaya başlaması doğurganlık hızlarını olumsuz yönde etkilemektedir.
  • Hem erkek hem de kadın tarafında evlilikten beklentilerin giderek artması doğurganlık hızları üzerinde olumsuz etkiye sahiptir.
  • Ataerkil (patriarchal) aile yapısından eşitlikçi (equalitarian) aile yapısına geçişin olmasına bağlı olarak erkek üzerindeki rollerin değişmeye başlaması ve erkeklerin aile içindeki sorumluluklarının artması doğurganlık hızları üzerinde olumsuz etkiye sahip olduğu düşünülmektedir.

Bahsedilenlere bakıldığında çok iç açıcı şeylerden bahsetmesek de bu nedenlere bakarak bundan sonra alınabilecek politika tedbirlerinin özellikle eğitim ve teknoloji bağlamında neler olabileceğini ele alabiliriz. Hal böyle olunca duruma göre ülke olarak pozisyon almamız ve gerçeği kabullenmemiz gerekir.

Peki bu durumda ne yapmalıyız?

Doğurganlık hızlarının düşmesine bağlı olarak çalışma çağındaki nüfusun azalması önümüzdeki yıllarda sigorta sistemimiz üzerinde ciddi sıkıntılar oluşturacaktır. Bu durumda bir yandan eğitim kalitesini yükselterek diğer yandan da hızla dijitalleşmenin yolunu açarak emin ve istikrarlı adımlarla ilerlemek zorundayız. Başta Avrupa ülkeleri olmak üzere dünya ülkelerinin birçoğu yaşlanan nüfusun sigorta sistemleri üzerine getireceği yükleri elimine etmek veya azaltmak için 4. sanayi devrimi olarak da adlandırdığımız dijitalleşmeye ve tam otomasyona doğru adımlar attığı görülmektedir. Esasında buradan bakıldığında bu adımlar mantıklı görülmektedir. Çalışma çağındaki nüfusun giderek azalan bir seyir izlemesi bu adımları haklı kılmaktadır.

Diğer taraftan işveren tarafından bakıldığında ise dijitalleşme ve tam otomasyona geçiş firmalara verimlilik artışı sağlayarak hem rekabet avantajı hem de daha hızlı büyümelerine imkan sunacaktır. Şimdi şöyle düşünelim; dijitalleşme ve tam otomasyon işverenlerin iş kazalarındaki sorumluluğunu ve kıdem tazminatları ödenmesini azaltacaktır ve zamanla belki de bazı yüksek teknoloji sınıfındaki sektörlerde bu yükümlülükleri tamamen ortadan kaldıracak, buna bağlı olarak istihdam azalacaktır. Bu büyük bir artı olarak düşünülmesi gerekir işveren tarafında. Ancak devlet olarak bakıldığında istihdam azalışı olması olumsuz yorumlanabilecek bir durum ortaya koyacaktır. Hal böyle iken devlet özellikle otomasyonun ve yapay zekâ teknolojilerinin hat safhaya ulaşacağı teknoloji yoğun sanayi sektörlerinin dışında istihdam artışı sağlamanın yollarını arayacaktır. Bu durumda ise ülkemiz sahanın ihtiyaçlarına uygun nitelikli eğitimin önünü açarak hizmet sektörleri başta olmak üzere insan kaynağı yetiştirmesi her zamankinden daha önemli hale gelecektir. 

Bahsedilenler özetlenecek olursa doğurganlık hızının yenilenme düzeyinin altında olması büyük bir dezavantaj görülse de bu durumun nitelikli eğitime ve dijitalleşmeye geçişi zorunlu kılacak olması açısından büyük bir avantaj sağlamaktadır eğer sürdürebilir adımlar atılırsa. Bu yönde ülkemizin attığı adımlar elbette mevcuttur ve esasen dijital teknolojilerde ülkemiz iyi durumdadır fakat özellikle bu teknolojilere yönelik kurumsallaşma adımlarının atılması ve tamamlanması bağlamında yeterli değildir. Bu nedenle atılan veya atılacak bu adımları sürdürülebilir kılmak için kısır ve verimsiz tartışma ve konu alanlarından uzak durularak ve ülkemiz gerçekleri dikkate alınarak kurumsallaşma adımlarının ivedi bir şekilde tesis edilmesi gerekir.

Farkındalık oluşturması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Yararlanılan Kaynaklar

Kritik Teknolojiler ve On Birinci Kalkınma Planı

Belki de kalkınma planları içerisinde 2019-2023 dönemini kapsayan 11. Kalkınma Planı, günümüzde ve yakın gelecekte anahtar rol oynayan ya da oynayacak teknolojileri içinde barındıran ve makul hedeflerle sınırları çizilmiş en iyi hazırlanmış kalkınma planlarından biri olduğu söylenebilir. Bundan kasıt, anılan kalkınma programında adı geçen kritik teknolojilere ve öncelikli sektörlere detaylı bir şekilde yer verilmiş olması ve belirlenen hedeflerin saha gerçekleri ile örtüşmesidir. Burada amaç, öncelikli sektörlerde ve alanlarda teknolojik dönüşümün sağlanabilmesi ve rekabet gücünün artırılması amacıyla önümüzdeki dönemde yüksek katma değer oluşturması beklenen kritik teknoloji alanlarında teknoloji üretme ve adaptasyon yeteneğinin geliştirilmesidir. Bu yazımızda kısaca 11. Kalkınma Planı’nda yer verilen kritik teknolojilerin neler olduğundan bahsedilmiştir.

Almanya’nın endüstri devrimi Sanayi 4.0 (Industry 4.0), Japonya’nın endüstri devrimi Toplum 5.0 (Society 5.0) olarak adlandırılmaktadır. Esasında her ikisi de dijital devrim olarak adlandırılabilir. Ancak aralarında odak noktaları bağlamında farklılıklar bulunmaktadır. Dolayısıyla devrimlere ilişkin bu tür adlandırılmalar ve devrimlerin çıkış noktaları için ülke gerçeklerine bakılması gerekir. Çok genel hatlarıyla, Sanayi 4.0 daha çok makinelere, diğer bir deyişle sanayinin dijitalleşmesine, Toplum 5.0 ise insanlara odaklandığı söylenebilir.

Ülkemizin endüstri devrimi ise ithal kavramlarından arındırılarak yerlilik, millilik ve özgünlük kavramları üzerine inşa edilerek “Milli Teknoloji Hamlesi (National Technology Move)” olarak adlandırılmıştır. Milli Teknoloji Hamlesi, ülkemizin küresel rekabet gücünü artıran, ekonomik ve teknolojik bağımsızlığını temin eden kritik teknolojilerde politika geliştirmeyi ilke edinmiştir. Aynı zamanda bir yaklaşımı ifade eden bu devrimin ilk başarılı örneği savunma sanayinde hayata geçirilen teknoloji geliştirme projeleridir.

Ülkemizin sanayi 4.0’ı veya toplum 5.0’ı olarak nitelendirilebilecek “Milli Teknoloji Hamlesi”nin gerçekleştirilmesine yönelik olarak 11. Kalkınma Planı’nda ele alınan kritik teknolojiler şöyledir:

  • Yapay zekâ (Artificial intelligence)
  • Nesnelerin interneti (Internet of things)
  • Artırılmış gerçeklik (Augmented reality)
  • Büyük veri (Big data)
  • Siber güvenlik (Cyber security)
  • Enerji depolama (Energy storage)
  • İleri malzeme (Advanced material)
  • Robotik (Robotics)
  • Mikro/nano/opto-elektronik (Micro / nano / opto-electronic)
  • Biyoteknoloji (Biotechnology)
  • Kuantum (Quantum)
  • Sensör teknolojileri ve katmanlı imalat teknolojileri (Sensor technologies and layered manufacturing Technologies)

Anılan kalkınma programı kapsamında bu kritik teknolojilerin gelişim yol haritalarının hazırlanması, gerekli altyapının tesis edilmesi, ihtiyaç duyulan nitelikli insan kaynağının yetiştirilmesi ve toplumsal yönelimin bu alanlara odaklanması sağlanması öngörülmektedir.

Kritik teknolojilerde insan gücü ile özel sektörün teknoloji geliştirme ve adaptasyon yeteneğine ilişkin mevcut durum analizini de kapsayan ve teknolojilerin gelişme potansiyeli ile uzun vadeli arz ve talep dinamiklerini dikkate alan teknoloji yol haritaları hazırlanması planlanmaktadır. Bu alanda atılacak adımlar adı geçen kalkınma planında 3 ana başlıkta ele alınabilir:

  1. İnsan gücü kapasitesinin geliştirilmesi
  2. Araştırma altyapısının güçlendirilmesi
  3. Özel sektör kapasitesinin geliştirilmesi

1. İnsan Gücü Kapasitesinin Geliştirilmesi

Kritik teknolojilerde insan gücü kapasitesi de artırılacaktır. Bu amaçla;

  • Kritik teknoloji alanlarına yönelik ihtiyaç duyulan yetenek ve yetkinlikler yapılacak bir analiz çalışması ile belirlenecektir. Bu yetenek ve yetkinliklerin karşılanmasına yönelik kritik teknolojilerde ihtisaslaşmış disiplinler arası lisans ve lisansüstü programlar açılacaktır.
  • Kritik teknoloji alanlarında yetkinliği kanıtlanmış yurt dışı eğitim kurumlarına diğer alanlara göre farklılaşan destek miktarlarıyla lisansüstü öğrenci gönderilmesine yönelik burs programları oluşturulacaktır.
  • Kritik teknolojilerde ihtisaslaşmış programı olan üniversitelerde yurt dışından yetkin akademisyen ve araştırmacıların kısmi zamanlı olarak çalışması teşvik edilecektir.

2. Araştırma Altyapısının Güçlendirilmesi

Kritik teknolojilerde araştırma altyapısı güçlendirilecektir. Bu amaçla, kritik teknolojilerde ihtisaslaşmış programı olan üniversitelerin laboratuvar altyapısının bu teknolojilere yönelik Ar-Ge çalışmalarının ihtiyaçlarına göre geliştirilmesi sağlanacaktır.

3. Özel Sektör Kapasitesinin Geliştirilmesi

Kritik teknolojilerde özel sektörün kapasitesi de geliştirilecektir. Bu amaçla;

  • Kritik teknoloji alanlarında yenilikçi girişimcilere özel Ar-Ge destek programı oluşturulacaktır.
  • Büyük ölçekli firmaların ürün geliştirmeye yönelik olarak kritik teknoloji alanlarında yapacağı Ar-Ge çalışmalarını üniversite veya kamu araştırma kurumlarıyla gerçekleştirmesi halinde, projenin girişimciye yansıyan maliyetinin belirli bir bölümü kamu tarafından karşılanacaktır.
  • Özel sektörün kritik teknolojilerde yürüteceği ortak Ar-Ge projelerine, altyapı kullanımına ve insangücü yetiştirilmesine yönelik oluşturduğu işbirlikleri desteklenecektir.
  • Kritik teknoloji alanlarında Ar-Ge ve yenilik işbirliği yapılacak stratejik ülkeler belirlenecek, bu ülkeler ile özel sektör-üniversite; özel sektör-özel sektör işbirliklerini içeren ikili ve çoklu Ar-Ge ve yenilik işbirlikleri desteklenecektir.

Ülkemizde sayılan bu kritik teknoloji alanlarında dışa bağımlılığı azaltmak yönünde önemli adımlar atılmaktadır ancak çok daha fazlasına ihtiyaç duyulduğu da aşikardır.

Tükettiğimiz teknolojiye değil ancak ürettiğimiz teknolojiye hükmedebileceğimizi unutmamak her şeyin başında gelmektedir. Diğer bir deyişle, hükmedebildiğimiz ölçüde bağımsız oluruz. Bunun en güzel örneği ülkemizde yerli ve milli imkânlarla üretilen teknolojilerin bulunduğu savunma sanayi sektöründe görülmektedir. Suriye’deki kullanılan ülkemiz tarafımızdan geliştirilmiş silahlı ve silahsız insansız hava araçları (SİHA ve İHA’lar), ingilizce ifadeyle armed or unmanned aerial vehicles (AUAVs ve UAVs), Türk Silahlı Kuvvetleri’mize büyük operasyonel avantaj sağlamaktadır. Drone olarak da adlandırılan bu araçlar yarı otonom veya tam otonom olabilmektedir.

Ancak bulunduğumuz çoğrafya, iç ve dış tehditler dikkate alındığında başta savunma sanayi sektörü olmak üzere diğer sektörlerle birlikte özgün, yerli ve milli teknolojik ürün geliştirilerek teknolojik bağımsızlığı elde etmek ve geliştirilen teknolojiye hükmetmek mümkündür. Bunun tersi bir durum teknolojik bağımlılık ve dışa bağımlılık anlamına gelir ki, bu ifadenin geçerliliğini ortaya koyan uluslararası arenada ülkemizin ve diğer ülkelerin karşılaştığı sayısız örnek bulunmaktadır. Diğer bir durum, teknolojik bağımlılık bazen bir öyle bir seviyeye gelir ki; ekonomik kaynaklar içeride üretilemeyen teknolojiyi satın almaya yetse de bu teknolojileri elinde bulunduranlar bunları muhafaza etmekte ve stratejik amaçlar için diğer ülkeler aleyhine bir silah olarak kullanılabilmektedir. Tıpkı yabancı ülkelerden birinin F35 savaş uçakları ve patriot hava savunma sistemleri konusunda Ülkemize karşı izlenen strateji bunun en güzel örneklerinden birini göstermektedir.

Ulus olarak zengin bir ülke olsanız ya da teknolojiyi satın alabilecek güce sahip olsanız da üretken bir ülke değilseniz bağımlısınız, dolayısıyla bağımsız değilsinizdir. Dolayısıyla zenginlik de teknolojiyle üretime dönüştürülmedikçe ve aynı kaldığı sürece o bağımsızlık da sürdürülebilir değildir. Burada bahsedilen zenginlik doğal kaynaklar olabileceği gibi insan kaynağı da olabilir. Bütüncül bir yaklaşımla değerlendirildiğinde artık teknoloji bir ulusun gücünü göstermekle kalmayıp aynı zamanda kimliğini ve bağımsızlığını da belirlemektedir.

Özetle, 11. Kalkınma Planı’ndaki günümüzün ve geleceğin toplumlarının ve ekonomilerinin şekillenmesinde çok önemli bir yere sahip kritik teknoloji konu alanlarından ve teknolojik bağımsızlığın ülkeler açısından öneminden kısaca bahsedilerek farkındalık oluşturulması amaçlanmıştır.

Bilimle ve teknolojiyle kalınız.

Yararlanılan Kaynaklar

https://powerstar.com/virtue/what-is-energy-storage/

OnbirinciKalkinmaPlani.pdf erişimi için tıklayın

https://www.sanayi.gov.tr/anasayfa

https://www.rand.org/topics/unmanned-aerial-vehicles.html

https://airandspace.si.edu/exhibitions/military-unmanned-aerial-vehicles-uav

2019 Yılı Yapay Zekâ Endeksi Raporu

11 Aralık 2019 tarihinde Dünyanın en seçkin üniversitelerinden biri olan Stanford Üniversitesi tarafından 291 sayfadan oluşan 2019 yılı Yapay Zekâ Endeksi Raporu yayınlanmıştır. Bu rapor, küresel ölçekte yapay zekâ çalışmaları hakkında bilgi veren en kapsamlı çalışmalardan biridir.

Yapay zekâ toplumun pek çok yönüne dokunduğundan, raporda ulusal ekonomilerden iş büyümesine, araştırmaya ve kamu algısına kadar pek çok konu üzerindeki geniş küresel etkisi hakkında disiplinlerarası bir yaklaşımla analiz edilerek verilmiştir. Rapor’un amacı, uygulayıcılara, endüstri liderlerine, politika yapıcılara ve fon sağlayıcılara, genel kamuoyuna ve onu bilgilendiren medyaya hizmet ederek yapay zekâ tartışmasını veriye dayalı olarak topluma sunmaktır.

Stanford Üniversitesi İnsan Merkezli Yapay Zekâ Enstitüsü (Human-Centered Artificial Intelligence Institute) bünyesinde bağımsız bir girişim olan raporun üçüncüsü hazırlanmıştır. Endeks raporu, akademi ve endüstriden disiplinler arası bir uzmanlar grubu olan Yapay Zekâ Yönlendirme Komitesi (AI Index Steering Committee)’in öncülüğünde işbirliğine dayalı bir çalışmanın sonucudur. Çalışma kapsamında 35’ten fazla sponsor iş ortağı ve veri katılımcısı katkı endeks raporuna katkı sunmuştur. 2019 yılı raporu önceki yıllara ait yayınlanan raporlardan gerek endekste kullanılan veri seti çeşitliliği gerekse konu alanların çeşitliliği bakımından çok daha geniş kapsamlıdır.

Dokuz bölümden oluşan 2019 Yapay Zekâ Endeksi Raporu’na göre öne çıkan bulgular konu başlıkları itibariyle şöyle özetlenmiştir.

Araştırma ve Geliştirme

  • 1998-2018 arasında, hakemli yapay zekâ (AI) makalelerinin hacmi % 300’den fazla arttı. Hakemli dergilerin yayınlarının % 3’ünü ve yayınlanan konferans bildirilerinin % 9’unu yapay zeka oluşturdu.
  • 2006 yılında ABD’yi geçen Çin, şu anda Avrupa Birliğindeki ülkelerinin yıllık ürettiği yapay zekâ alanındaki bilim dergisi ve konferans bildiri sayısına eşittir. ABD yayınlarının Alan Ağırlıklı Atıf Etkisi (The Field-Weighted Citation Impact) hala Çin’inkinden % 50 daha fazladır.
  • Singapur, İsviçre, Avustralya, İsrail, Hollanda ve Lüksemburg, online açık kaynak platformu olan arXiv’de yapay zekânın en gelişmiş fazı olan Derin Öğrenme (Deep Learning) alanında kişi başına düşen makale sayısı diğer ülkelere göre nispeten yüksektir.
  • Dünyadaki yapay zekâ dergi atıflarının % 32’sinden fazlası Doğu Asya’ya aittir. Dünya yapay zekâ konferans bildirisi atıflarının ise % 40’ından fazlası Kuzey Amerika’ya aittir.
  • Kuzey Amerika, 2014-2018 arasındaki küresel yapay zekâ patent atıf faaliyetlerinin % 60’ından fazlasını oluşturmaktadır.
  • Birçok batı Avrupa ülkesinde, özellikle Hollanda, Danimarka, Arjantin, Kanada ülkelerinde ve İran’daki yapay zeka araştırmalarında diğer ülkelere kıyasla nispeten daha yüksek kadın varlığı göze çarpmaktadır.

Konferanslar

  • Yapay zekâ konferanslarına katılım önemli ölçüde artmaya devam etmektedir. 2019’da en fazla katılımın gerçekleştiği NeurIPS (Neural Information Processing Systems), 2018’e göre % 41 ve 2012’ye göre % 800’ün üzerinde katılımcı sayısında artış beklemektedir. 1979 yılında kurulan ve eski adı Amerikan Yapay Zeka Derneği olan AAAI (the Association for the Advancement of Artificial Intelligence) düzenlediği ve CVPR (The Conference on Computer Vision and Pattern Recognition) gibi konferanslara yıllık katılımın yaklaşık % 30 artmasını öngörmektedir.
  • Yapay zekâ alanında kadınların etkinliğini artırmayı hedefleyen bir girişim olan WiML (Women in Machine Learning)  çalıştaylarına katılım sağlayanların sayısı 2014 yılındakinden sekiz kat yüksektir. ABD merkezli ve Melinda Gates’in de desteklediği kar amacı gütmeyen bir girişim olan AI4ALL ise 2015 yılındakinden 20 kat daha yüksek mezun katılımcı sayısına sahiptir. Bu artışlar yapay zeka alanında kadınları ve yetersiz temsil edilen grupları bu alana girmeye teşvik etmektedir.

Teknik Performans

  • Bir buçuk yıl içinde, büyük bir görüntü sınıflandırma sistemini bulut altyapısı üzerinde eğitmek için gereken süre Ekim 2017’de yaklaşık üç saatten, Temmuz 2019’da yaklaşık 88 saniyeye düşmüştür. Aynı dönemde böyle bir sistemi eğitmenin maliyeti benzer şekilde düşmüştür.
  • Geniş kapsamlı doğal dil işleme (NLP) sınıflandırma görevlerinde kaydedilen ilerlemeler oldukça hızlı olmuştur
  • 2012’den önce yapay zekâ sonuçları, her iki yılda bir hesaplama kapasitesini ikiye katlayan Moore Yasasını yakından izledi. 2012 sonrası, hesaplama kapasitesi her 3.4 ayda bir ikiye katlanıyor. Moore Yasası, Intel şirketinin kurucularından Gordon Moore’un 1965 yılında Electronics Magazine dergisinde yayınlanan makalesi ile teknoloji tarihine kendi adıyla geçen yasasında, her 18 ayda bir tümleşik devre üzerine yerleştirilebilecek bileşen sayısının iki katına çıkacağını belirtmektedir. Bu sayede, bilgisayarların işlem kapasitelerinde büyük artışlar yaşanması ve üretim maliyetlerinin aynı veya düşme eğilimi göstermesi beklenmektedir.

Ekonomi

  • Singapur, Brezilya, Avustralya, Kanada ve Hindistan, 2015’ten 2019’a kadar yapay zeka istihdamında en hızlı büyümeyi yaşadı.
  • ABD’de yapay zeka ile ilgili konulardaki işlerin payı, 2010’daki toplam işlerin % 0,26’sını oluşturmaktayken bu oran Ekim 2019’da % 1,32’ye yükseldi ve Makine Öğreniminde en yüksek pay (toplam işlerin % 0,51’i) oldu. Yapay zeka işgücü talebi, özellikle yüksek teknoloji hizmetlerinde ve imalat sektöründe artmaktadır.
  • Washington eyaleti en yüksek yapay zeka işgücü talebine sahiptir. İşlerin neredeyse % 1,4’ü yapay zeka işleridir. Bu eyaleti sırasıyla  % 1,3 ile California, % 1,3 ile Massachusetts % 1,3, % 1,2 ile New York % 1,2, % 1.1 ile Columbia Bölgesi (DC) ve % 1 ile Virginia eyaletleri izlemiştir.
  • ABD’de yapay zekâ işlerinin payı 2012’de % 0,3’ten 2019’da % 0,8’e yükselmiştir. Yapay zekâ işgücü talebi özellikle yüksek teknoloji gerektiren hizmetlerde ve imalat sektöründe artış göstermiştir.
  • 2019 yılında, küresel özel yapay zekâ yatırımları 70 milyar doları geçmiştir. Bu yatırımların 37 milyar dolardan fazlasını yapay zekâ startup firmalarından gelmektedir.
  • Küresel olarak, yapay zekâ girişimlerine yapılan yatırım istikrarlı yükselişini sürdürmektedir. Yatırımlarda 2010 yılında toplam 1,3 milyar dolar’dan 2018’de 40,4 milyar dolar’a yükselerek yıllık ortalama % 48’in üzerinde bir finansman artışı kaydedilmiştir.
  • Otonom Araçlar, 7,7 milyar dolar (toplamın % 9,9’u) ile küresel yatırımın son yıldaki en büyük payını almıştır. Otonom araçları İlaç, Kanser ve Terapi (4,7 milyar dolar, % 6,1), Yüz Tanıma (4,7 milyar dolar, % 6,0), Video İçeriği (3,6 milyar dolar, % 4,5) ve Sahtekârlık Tespiti ve Finans (3,1 milyar dolar, % 3,9) izlemiştir.
  • Araştırmaya katılan büyük ölçekli şirketler, yapay zekânın en az bir fonksiyonunu ya da işletme biriminde yapay zekâyı kullanmaktadır. Bu oran 2018 yılında % 47’den 2019’da % 58’e yükselmiştir.
  • Araştırmaya katılan büyük şirketlerin sadece % 19’u kuruluşlarının yapay zekâ algoritmalarının açıklanabilirliği ile ilişkili riskleri azaltmak için adımlar attığını ve % 13’ü ise algoritmik önyargı ve ayrımcılık gibi eşitlik ve adalet risklerini azalttığını belirtmektedir.

Eğitim

  • Yapay zekâ ve yapay zekâ ilişkili konular hem ABD’deki üniversitelerde hem de uluslararası alanda online eğitimlerde hızla büyümeye devam etmektedir.
  • Kuzey Amerikada, yapay zekâ doktora eğitimlerinde hızla en popüler ikinci uzmanlık alanı olmuştur. Bu alandaki dokora yapan öğrenci sayısı ikinci en popüler alan olan güvenlik veya bilgi teknolojileri alanlarında doktora yapan öğrenci sayısının iki katından daha yüksektir. 2018 yılında, mezun olan Bilgisayar Bilimleri Doktoralı öğrenci sayısının % 21’inden fazlası Yapay Zekâ / Makine Öğrenimi konusunda uzmanlaşmıştır.
  • ABD ve Kanada’da yapay zekâ alanında mezun olan uluslararası doktora öğrencilerinin sayısı artmaya devam etmekte ve şu anda bu programlardan mezun olan doktoralı sayısı bu programlarda mezun olanların % 60’ını aşmıştır. Bu oran 2010 yılında % 40’dan daha azdı.
  • Sanayi sektörü, açık arayla yapay zekâ yeteneğinin en büyük tüketicisi haline gelmiştir. 2018’de, sanayi sektörüne giden yapay zekâ doktoralı mezun sayısı, 2018 yılında mezunların % 60’ı iken bu oran 2004 yılında yaklaşık % 20 seviyelerindeydi. 2018’de, sanayi sektörüne giren doktoralı mezun sayısı açısından değerlendirildiğinde ABD’de akademik diğer konu alanlarına göre AI Doktora mezunu sayısı iki katından fazladır.
  • ABD’de, endüstri için akademiden ayrılan yapay zekâ alanındaki öğretim üyesi sayısı artış göstermektedir.
  • Yapay zekâ alanındaki öğretim görevlilerinin cinsiyet temelinde çeşitlendirilmesi yeterince ilerleme kaydetmemiştir. 2018’de yeni öğretim görevlisi işe alımlarının % 20’sinden daha azını kadınlar oluşturmuştur. Benzer şekilde, kadın AI Doktora alıcılarının payı ABD’de 2010’dan bu yana % 20’de neredeyse sabit kalmıştır. Benzer şekilde, ABD’de yapay zekâ alanındaki kadın öğretim görevlileri başvurusu kabul edilenlerin oranı ise 2010’dan itibaren yaklaşık % 20 seviyelerinde kalmıştır.

Otonom Sistemler

  • Kaliforniya’daki otonom araçları (AV) test eden toplam firma sayısı 2015-2018 arasında yedi kattan fazla arttı. California eyaleti 2018’de 50’den fazla şirkete ve 500’den fazla otonom araca lisans vermiştir.

Endüstriyel Robotlar

  • Endüstriyel robotlar için beş büyük pazar Çin, Japonya, ABD, Kore Cumhuriyeti ve Almanya’dır. Bu ülkeler küresel robot kurulumlarının % 74’ünü oluşturmaktadır. Çin, 2018’deki toplam kurulumların % 36’sı ile dünyanın en büyük endüstriyel robot pazarı olmuştur. Çin’de robot kullanan başlıca endüstriler Elektronik, Otomotiv ve Metaller olup, endüstriyel robotların ana uygulama alanları elleçleme ve kaynak sektörleridir.

Kamuoyu Algısı

  • Küresel merkez bankaları, özellikle İngiltere Merkez Bankası, Japonya Merkez Bankası ve Federal Rezerv yapay zekâya büyük ilgi göstermektedir.
  • Dünya genelinde kongre kayıtları, komite raporları ve yasal metinlerde yapay zekâ ile ilgili mevzuatta önemli bir artış olduğu görülmektedir.

Toplumsal Düşünceler

  • Adalet, Yorumlanabilirlik ve Açıklanabilirlik, 59 Etik Yapay Zekâ ilke belgesinde en sık bahsedilen etik zorluklar olarak tanımlanmıştır.
  • 2018’in ortasından 2019 ortasına kadar etik ve yapay zekâ hakkında 3600’den fazla küresel haberde baskın konuların yapay zekânın etik kullanımı, veri gizliliği, yüz tanıma teknolojisinin kullanımı, algoritma önyargısı ve büyük teknolojilerin rolü hakkında çerçeve ve kılavuzlar olduğu görülmektedir.
  • Yapay zekâ, Birleşmiş Milletler (BM) Sürdürülebilir Kalkınma Hedefleri (SDG)’nin her birine katkıda bulunabilir, ancak sürdürülebilir kalkınma için yapay zekâda hala aşılması gereken darboğazlar bulunmaktadır.

Faydalı olması ve farkındalık oluşturması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Yararlanılan Kaynaklar

YAPAY ZEKÂ

Günümüzde yapay zekâ alanındaki gelişmeler baş döndürücü hızda artış göstermektedir. Otonom otomobillerden video oyunlarına, sağlıktan savunma sanayine yaşamın pek çok alanında önemli bir rol oynamaya başlamıştır.

YAPAY

Yapay, simüle edilen gerçek olmayan bir şeydir. Örneğin yapay olarak düşünebilecek şeylerden biri yapay organdır. Çeşitli nedenlerden dolayı gerçek organın yerine ikame edilerek kullanılır. Yeterli organ donörü bulunamamasından kaynaklı olarak yapay organ, kalp, karaciğer gibi organ yetmezliği durumunda sıklıkla kullanılabilmektedir. Burada vurgulanmak istenen nokta, bir şeyin gerçeği yokken neden yapay bir şeyle ikame edilmek istenmesidir.

ZEKÂ

Zekâ, kompleks bir kavramdır. Pek çok farklı açıdan ele alınabilen zekâ, bazılarına göre mantık, anlama, farkına varma, sınıflama, tümevarım, tümdengelim, öğrenme, planlama, yaratıcılık olarak tanımlansa da bazılarına göre ise problem çözme olarak tanımlanabilmektedir. İnsana özgü zekâ, Türk Dil Kurumu (TDK)’na göre insanın düşünme, akıl yürütme, objektif gerçekleri algılama, yargılama ve sonuç çıkarma yeteneklerinin tamamıdır. Bir diğer tanımda Gardner’a göre insan zekâsı, problem çözme kapasitesi olarak tanımlanmıştır.

YAPAY ZEKÂ

Yapay zekâ, insan beyninin işleyişini akıllı bilgisayar programlarıyla modelleme ve modellenen bu programların akıllı makinelere aktarma bilimi ve mühendisliğidir. Bu kavram, geliştirilmiş bilgisayar zekâsı olarak da tanımlanabilir. 1950’de ortaya konmuş bir kavramdır.

YAPAY ZEKÂ VE İNSAN ZEKÂSI ARASINDAKİ FARKLAR

İnsan zekâsı ile bugün gelinen noktadaki yapay zekâ arasında belirgin farklılıklar öne çıktığı görülmektedir. Öne çıkan bu farklılıklar Tablo 1’de özetlenmiştir.

Tablo 1. Yapay Zekâ ve İnsan Zekâsı Arasındaki Farklar

Yetenekler İnsan Zekâsı Yapay Zekâ
Sensörleri kullanma (Koku, dokunma, işitme, görme) Yüksek Düşük
Yaratıcı düşünme Yüksek Düşük
Deneyimlerden öğrenme Yüksek Düşük
Adapte olma Yüksek Düşük
Bilgi kaynaklarını kullanma Yüksek Düşük
Büyük çapta bilgi edinebilme Yüksek Düşük
Kompleks hesaplamaları yapabilme Düşük Yüksek
Bilgiyi transfer edebilme Düşük Yüksek
Doğru ve hızlı bir şekilde bir dizi hesaplamaları yapabilme Düşük Yüksek

YAPAY ZEKÂ DİSİPLİNLERİ

Bilgisayar bilimi, biyoloji, dil bilimi, psikoloji, matematik ve mühendislik disiplinleri üzerine inşa edilmiş yapay zekâ, içinde makine öğrenme ve derin öğrenme branşlarını da barındıran şemsiye kavram niteliğindedir.

YAPAY ZEKÂ ÖĞRENME TİPLERİ

Yapay zekâ algoritmaları genel olarak üç farklı tipte öğrenme gerçekleştirmektedir.

  • Denetimli Öğrenme (Supervised Learning) : Girdi verisinden öngörülebilen çıktı verisinin elde edildiği öğrenme tipidir. Günümüzde en yaygın kullanılan öğrenme tipidir. Yüz tanıma, ve veri analizleri alanında sıklıkla kullanılmaktadır.
  • Denetimsiz Öğrenme (Unsupervised Learning) : Veri hakkında keşfin yapıldığı öğrenme tipidir.Denetim öğrenme algoritmalarına örnek olarak kümeleme (clustering) algoritmaları örnek verilebilir.
  • Zorlamalı Öğrenme (Reinforcement Learning): Ödüllere, cezalara ve yanlışlara dayalı olan davranış odaklı öğrenme tipidir. Kaynak yönetimi, video oyunları ve endüstriyel simülasyon alanları kullanım alanlarına örnek gösterilebilir.

YAPAY ZEKÂNIN BRANŞLARI

Makine öğrenme (machine learning), istatistiksel teknikleri kullanarak deneyimlerle makinelere kendini geliştirme özelliği kazandıran yapay zekânın bir dalıdır.  Makine öğrenmenin veri madenciliği ve analizlerinde kullanılmasıyla birlikte 1980’lerde yaygınlık kazanmaya başlayan öğrenen sistemler bütünüdür.

Yapay zekâ içinde yer alan ve makine öğrenmenin yeni bir alanı olan derin öğrenme (deep learning) ise,çok tabakalı yapay sinir ağları (multi-layer artificial neural networks) ile öğrenmeye imkan tanıyan bir tekniktir. Derin öğrenme, büyük veri (big data) kavramının ve büyük ölçekli veri setlerinin ortaya çıkmasıyla birlikte 2010’dan sonra gelişmeye başlayan bir alandır. Yapay sinir ağları biyolojik sinir hücresinin fizyolojisinden ilham almakta ve onu modellemektedir. Şekil 1’de bir biyolojik sinir hücresinin yapısı, Şekil 2’de ise yapay bir sinir hücresinin yapısına yer verilmiştir.

Şekil 1. Biyolojik Sinir Hücresinin Yapısı

Kaynak: IBM

Şekil 1’de matematiksel ifadeyle, dentritler Şekil 2’de girdi verisi (input data ya da sinir girdileri)’ni, hücre gövdesi (cell body) ve sinapslar (synapses) Şekil 2’de toplam fonksiyonu (summing function)’nu ve aktivasyon fonksiyonu (activation function)’nu, akson (axon) ise Şekil 2’de çıktı verisi (output data)’ni belirtmektedir.

Şekil 2. Yapay Sinir Hücresinin Yapısı

Çok katmanlı sinir ağları, görüntü tanıma, ses tanıma ve doğal dil işleme gibi problemleri gibi birçok problemi çözen bir dizi algoritmalardır. Örneğin, derin öğrenme, strateji oyunu olan Go oyunu eski dünya şampiyonu Lee Sedol’u 2016 yılının başlarında yenen DeepMind’ın iyi bilinen AlphaGo algoritmasıdır. Derin öğrenme algoritması 2017 yılı başlarında da Go oyununda dünya şampiyonu olan Ke Jie’yi de yenmiştir. Burada, “Derin” terimi teknik bir terim olup, bir sinir ağında tabakaların sayısını ifade etmektedir. Basit bir yapay ağ bir gizli katmanı (hidden layer) içerisinde barındırırken, derin bir ağ birden fazla gizli katmanı içerisinde barındırmaktadır. Şekil 3’te çok katmanlı bir sinir ağının mimarisi gösterilmiştir. Şekil 3’te soldaki resimde tek katmanlı yapay bir sinir ağına, sağda ise çok katmanlı sinir ağına yer verilmiştir.

Şekil 3. Çok Katmanlı Bir Sinir Ağının Mimarisi

Kaynak: M. Mitchell Waldrop PNAS 2019;116:4:1074-1077

Çok katmanlı ağlar, veriyi daha az katmanlı ağlara göre daha çok matematiksel işlemden geçirir. Bu yüzden, çok katmanlı ağlarda kullanılan verinin eğitilmesi (training) hem daha uzun süre hem de daha çok matematiksel işlem gerektirmektedir. Hesaplama yoğunluğu derin öğrenmenin en önemli özelliklerinden biridir. Bundan dolayı derin öğrenme modellerini eğitmek için yeni nesil işlemcilere ihtiyaç duyulmaktadır.

YAPAY ZEKÂNIN EVRİMLERİ

Yapay zekâ ilk evriminden son evrimine kadar dört evrim geçirmiştir. Son aşama olan rasyonel hareket etmek günümüzde geçerli olan evrimin son aşamasını oluşturmaktadır. Genel hatlarıyla yapay zekâ evrimi dört aşamada özetlenebilir:

1. Aşama : İnsan gibi düşünmek

2. Aşama: Rasyonel düşünmek

3. Aşama: İnsan gibi hareket etmek

4. Aşama: Rasyonel hareket etmek

YAPAY ZEKÂNIN TEMEL AMAÇLARI

Yapay zekâ inşa edilirken gerçekleştirilmesi gereken iki amaç bulunmaktadır:

  • Uzman sistemler yaratmak: Akıllı davranış sergilemek, öğrenmek, göstermek, açıklamak ve tavsiyede bulunmak.
  •  Makinelere insan zekâsını adapte etmek: İnsanlar gibi anlayan, düşünen, öğrenen ve onların gibi davranabilen sistemler yaratmak.

YAPAY ZEKÂNIN TEMEL YETENEKLERİ

Yapay zekâdan bahsedilebilmesi için, diğer bir deyişle, yapay zekâyı yapay zekâ yapan temel yetenekler vardır. Bu temel yetenekler şöyle özetlenebilir:

  • Sorgulama
  • Öğrenme
  • Problem çözme
  • Algılama
  • Dilbilimsel zekâ

Görüleceği üzere bu yetenekler birebir insan zekâsı ile benzerlik göstermektedir. Alan Turing’in 1950 yılında yayınlanan  “Bilgisayar Mekanizması ve Zekâ” (Computing machinery and intelligence) adlı makalesinde, öğrenen makinelerden bahseden Turing bir makinenin zeki olup olmadığını saptamak için kendi adıyla literatüre geçen Turing Testi geliştirmiştir. Yapay düşünme üzerinde düşünmeye devam ettiği bu süre sonunda 1950 yılında “Bilgisayar Mekanizması ve Zekâ” (Computing machinery and intelligence) adındaki makalesini yayınlayan Turing, tekrar “Yapay Zekâ”ya ve düşünmeye işaret etmiş ve popüler olarak Turing testi olarak bilinen, bir makinenin “zeki” olup olmadığını saptayacak olan bir deney prensibi ortaya atmıştır. Ancak, Turing test, tekrarlanabilir ve matematiksel analize uygun değildir.

YAPAY ZEKÂNIN ARAŞTIRMA ALANLARI

Yapay zekânın araştırma alanları ise 5 başlık altında ele alınabilir:

  • Uzman Sistemler: Bu araştırma alanına uçuş izleme ve takip sistemleri ile klinik sistemler örnek olarak verilebilir.
  • Doğal Dil İşleme: Konuşma tanıma ve anlık ses çıktısı alabilme.
  • Sinir Ağları: Yüz tanıma, karakter tanıma ve el yazısı tanıma sistemleri içeren yetenekler.
  • Bulanık Mantık: Tüketici elektronikleri ve otomobiller.
  • Robotlar: Temizleyen, boyayan, hareket eden, onay kontrolleri yapan endüstriyel robotlar.

YAPAY ZEKÂNIN GÖREVLERİ

Yapay zekâ görev tipleri resmi görevler, zorunlu görevler ve uzman görevler olmak üzere üç grupta sınıflandırılabilir. Sınıflandırılmış bu görevler tipleri altındaki görevler Şekil 4’te verilmiştir.

Şekil 4. Yapay Zekâ Görev Tipleri

YAPAY ZEKÂ PROGRAMLAMA DİLLERİ

Yapay zekâ geliştirmek için genel kabul görmüş programlama dilleri mevcuttur. Bu programlama dillerinden bazıları şöyledir:

  • Lisp
  • Python
  • Prolog
  • Java
  • C++
  • R

YAPAY ZEKÂ SİSTEMİNİN BİLEŞENLERİ

Yapay zekâ sistemi bir ajan ve onun çevresinden oluşur. Ajanlar onların çevresi dahilinde hareket ederler. Bir ajan sensörleriyle çevresini algılayabilen ve effektörleriyle bu çevrede hareket eden her şeydir. Yapay zekâ ajanları kendi içerisinde 3 grupta incelenebilir:

  • İnsan Ajanı: Effektörler için eller, bacaklar ve ağız gibi diğer organlarla sensörlerin yerini alan gözler, kulaklar, burun, dil ve deri gibi duyu organları vardır.
  • Robotik Ajan: Sensörlerin yerine kızıl ötesi bulucuların ve kameraların olduğu ve effektörlerin yerine ise motorların ve aktüatörlerin olduğu bir yapıya sahiptir.
  • Yazılım Ajanı: Programlar ve eylemler olarak bit dizelerine kodlanır.

YAPAY ZEKÂ UYGULAMA ALANLARI

Yapay zekânın ilk ortaya çıkışından bugüne gelinceye kadar pek çok farklı alanda kullanıldığı görülmektedir. Bu kullanım alanları şöyle özetlenebilir:

  • Oyunlar: Sezgisel bilgiye dayalı olarak yapay zekâ satranç, poker gibi strateji oyunlarında çok yaygın bir şekilde kullanılmaktadır.
  • Doğal Dil İşleme Süreci (Natural Language Processing) : İnsanlar tarafından konuşulan doğal dili anlayan bilgisayarlarla etkileşime geçmek mümkündür.
  • Uzman Sistemler (Expert Systems): Sorgulayan ve önerilerde bulunabilen makineler ve yazılımlar vardır.
  • Görsel Sistemler (Vision Systems): Bu sistemler bilgisayardaki görsel girdileri anlamaya, yorumlamaya olanak tanır. Örneğin; polisler işlenen suçların izlerini bulmada ve doktorlar ise hastaya teşhis koyarken bu sistemleri kullanabilir.
  • Konuşma Tanıma Sistemleri (Speech Recognition): Bazı akıllı sistemler farklı aksanlara sahip dilleri ve arka plandaki sesleri, seslerdeki değişimleri algılayabilir.
  • El Yazısı Tanıma Sistemleri (Handwriting Recognition): El yazısı tanıma yazılımları bir kalemle ya da bilgisayarla kağıt üzerinde yazılı metni okuyabilir, yazılı metinleri daha okunabilir bir seviyeye çıkarabilir.
  • Akıllı Robotlar (Intelligent Robots): Robotlar insanlar tarafından verilen görevleri yapabilirler. Onlar ışık, ısı, sıcaklık, hareket, ses, basınç gibi gerçek dünyadan alınan fiziksel verileri belirlemek için sensörleri vardır. Akıllı bir hareket sergileyebilmeleri için etkili işlemcileri, çoklu sensörleri ve devasa hafızaları vardır. Diğer bir özelliği ise hatalardan öğrenebilmeleri ve yeni çevrelere adapte olabilmeleridir.

Günümüzün ve geleceğin teknolojisi yapay zekânın yukarıdaki uygulama alanlarının bir sonucu olarak gerçek yaşam uygulamaları arasında otonom otomobiller,  dronlar, navigasyon sistemleri, Boston Dynamics tarafından geliştirilmiş robot, chatbotlar, robot ASIMO, bilgisayar oyunları yapay zekâ uygulamalarına gösterilecek örneklerden sadece birkaçıdır. Yakın gelecekte ise yapay zekâ askeri bir robot, iyi bir avukat, besteci ve sağlık bakım çalışanı olarak öne çıkması öngörülmektedir.

Faydalı olması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Saygılarımla.

YARARLANILAN KAYNAKLAR

Yapay Zekâ ve 4. Sanayi Devrimi-III

Yapay zekâ sistemi hangi bileşenlerden oluşur?

Bu sistem bir ajan ve onun çevresinden oluşur. Ajanlar onların çevresi dahilinde hareket ederler.

Bir ajan sensörleriyle çevresini algılayabilen ve effektörleriyle bu çevrede hareket eden her şeydir. Yapay zekâ ajanları kendi içerisinde 3 grupta incelenebilir. Bunlar;

  • İnsan Ajanı: Effektörler için eller, bacaklar ve ağız gibi diğer organlarla sensörlerin yerini alan gözler, kulaklar, burun, dil ve deri gibi duyu organları vardır.
  • Robotik Ajan: Sensörlerin yerine kızıl ötesi bulucuların ve kameraların olduğu ve effektörlerin yerine ise motorların ve aktüatörlerin olduğu bir yapıya sahiptir.
  • Yazılım Ajanı: Programlar ve eylemler olarak bit dizelerine kodlanır.

Ülkemiz açısından yapay zekâ kapasitesi diğer bir deyişle kurumsal kapasitesi nasıl oluşturulacak?

Yapay zekâ alanında, Bilim, Sanayi ve Teknoloji Bakanlığı’nca başlangıç niteliğinde gerekli adımlar atılmış ve atılmaya devam edilmektedir. Ancak daha fazlası gerekmektedir. Atılması gerekli bu adımlar şöyle özetlenebilir:

  • Sanayi devrimi ve bu devrimin sonuçları kamu kurumları, sektör temsilcileri ve sivil toplum örgütleriyle birlikte bütün kesimleri etkileyeceğinden bu devrime gerek hazırlık aşamasında gerekse geçiş aşamasında bütün paydaşların aktif katılımı sağlanmalıdır.
  • Bakanlıklar nezdinde aynı zamanda ayrı bir birim olarak yapay zekâ laboratuvarları kurulmalıdır.
  • Yapay zekâ için önemli bir yeri olan verinin sistematize edilmesi ve bir standarda kavuşturulması gerekir. Bu aynı zamanda sanayi 4.0’ın altyapısı açısından da büyük önem arz etmektedir.
  • Çoğrafi bölge ölçeğinde üniversitelerle ve sanayiyle doğrudan bağlantılı olarak yapay zekâ, derin öğrenme enstitüleri ve yapay zekâ laboratuvarları kurulmalıdır. Günümüzde bahsedilen bu atımları atan ülkeler mevcuttur.
  • Yapay zekâ ve yapay zekâ teknolojileri alanında en az yüksek lisans düzeyinde programlar açılması ve bu programların üniversitelerde yaygınlaştırılmasının önü açılmalı ve yaygınlaştırılması teşvik edilmelidir.
  • Özellikle üniversitelerin temel bilimlerinin olduğu bölümlerde hiç olmazsa temel seviyede yapay zekâ ve onun branşları zorunlu ders haline getirilmelidir. Aynı zamanda ilk ve orta öğrenim düzeyinde yapay zekâ ve programlama dillerine giriş niteliğinde dersler müfredata eklenmelidir.
  • Türkiye Büyük Millet Meclisi bünyesinde önemini ve işlevselliğini ayrıca vurgulamak için “Yapay Zekâ Komisyonu” kurulmalıdır.
  • Kamuoyunda doğrudan yapay zekâya ve yazılım faaliyetlerini özendirmeye yönelik farkındalık faaliyetleri bütün yönleriyle başlatılmalıdır.
  • Bakanlıklar nezdinde yapılacak çalışmalar süreci görmek adına en az 3’er aylık dönemler halinde ve ilerleme raporları şeklinde seçilecek koordinatör kurum ya da kuruluş başkanlığı nezdinde ele alınması, değerlendirilmesi ve atılacak adımların belirlenmesi gerekmektedir.
  • İşe alım süreçleri şeffaflaştırılması, objektif kriterlere bağlanması ve alanında en iyi insan kaynağının istihdam edilmesine yönelik önlemler alınması 4. sanayi devrimine geçişe ivme kazandıracaktır.
  • Özel sektörde yapay zekâ alanında nitelikli eğitim verilmesine ve yaygınlaştırılmasına yönelik yeni teşvik mekanizmaları devreye sokulması ve bu özel sektör kurum ya da kuruluşlarının etkili bir şekilde denetlenmesi gerekmektedir.
  • Yapay zekânın sağlayacağı katma değeri en yüksek seviyeye çıkarmanın yolu disiplinler arası çalışmalardan geçtiğinden disiplinler arası çalışmalar özendirilmeli, ortak çalışma kültürü ve iklimi oluşturulmalıdır.

Yukarıda bahsedilenler öneri mahiyetinde olmakla birlikte dünyadaki trendler de bu yönde bir gelişim gösterdiğinden bizim dışımızda atılması zorunlu atımlardır. Bir örnekle somutlaştırmak gerekirse, bu süreç hepimizin yakından aşina olduğu ve kamuoyunda uzmanlar tarafından sıkça dile getirilen ve herkes tarafından kabul gören gelecekte olması kaçınılmaz İstanbul depremiyle benzerlik gösteriyor. Bu noktada söylenebilecek en önemli şey, eğer bu deprem kaçınılmazsa şimdiden şehrin altyapısını bu depreme hazırlamak ve diğer önlemlerin alınmasıdır. 4. sanayi devriminin için de durum aynıdır; eğer toplumu bütün yönleriyle etkileyecek 4. sanayi devrimine 2025 yılında tamamen geçilecekse, ülkemiz, yapay zekâ altyapısını ve ekosistemini ona göre oluşturmak ve dizayn etmek zorundadır. Zira yapay zekâ altyapısını ve ekosistemini oluşturmak sadece 4. sanayi devrimi açısından değil başlı başına büyük bir ekonomik katma değer oluşturma ya da oluşturabilme potansiyeli açısından da büyük önem arz etmektedir.

Sonuç itibariyle, bahsedilenler bütüncül bir yaklaşımla değerlendirildiğinde yapay zekânın ve yapay zekâ teknolojilerinin 4. sanayi devrimi ve ekonomik dönüşüm açısından önemi ortaya konularak farkındalık ve vizyon oluşturulmaya çalışılmıştır. Faydalı olması dileğiyle.

Not: Kaynak gösterilmeden alıntı yapılamaz.

Kaynaklar

http://www formal.stanford.edu/jmc/whatisai/node1.html

http://www8.cao.go.jp/cstp/tyousakai/ai/summary/aisociety_en.pdf

https://www.cleverism.com/industry-4-0/

http://www.europarl.europa.eu/studies

ai100report10032016fnl_singles.pdf erişimi için tıklayın

http://www.hutter1.net/ai/sintro2ai.pdf

http://deeplearning.net/

https://industry.gov.au

https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_overview.htm

https://www.whitehouse.gov/sites/whitehouse.gov/files/images/EMBARGOED%20AI%20Economy%20Report.pdf

https://www.pwc.com/gx/en/issues/analytics/assets/pwc-ai-analysis-sizing-the-prize-report.pdf

https://medium.com/towards-data-science/what-is-the-best-programming-language-for-machine-learning-a745c156d6b7

http://vmob.me/DE3Q17

https://www.slashdata.co

http://ai-initiative.org/applications/brain-cognitive-science/

https://www.ibanet.org/Document/Default.aspx?DocumentUid=c06aa1a3-d355-4866-beda-9a3a8779ba6e

https://www.itu.int/en/itunews/Documents/2017/2017-01/2017_ITUNews01-en.pdf

http://ai-initiative.org/

Yapay Zekâ ve 4. Sanayi Devrimi-II

Yapay zekâ ile ilgili Avrupa Birliği ülkelerinde ve Türkiye’de hangi çalışmalar yapılmaktadır?

Avrupa birliği parlamentosunun 2016 yılı raporuna göre AB’nin belkemiğini oluşturan 23 milyon KOBİ bulunmaktadır. KOBİ’lerin % 40’dan fazlası dijitalleşmenin getirdiği fırsatları kullanmamaktadır. Bu rapora göre dijital teknoloji kullanan firmaların 2 ila 3 kat daha verimli olacağı ve daha çok istihdam imkanı sağlayacağı dile getirilmektedir. Bunu başarabilmek için AB içindeki üye ülkelerdeki hükümetler, endüstriler, sivil toplum örgütleri ve diğer karar verici mekanizmalar 2015 yılında iş için elektronik beceri programını (e-Skills for Jobs in 2015) başlatmıştır. Söz konusu program ile Avrupa’daki genç işsizlik ile mücadelede dijital teknolojilere, elektronik becerilere, elektronik liderlik konularına odaklanılması ve sanayi 4.0’ın altyapısının hazırlanması amaçlanmaktadır.

29. Bilim, Teknoloji Yüksek Kurulu kararında ülkemiz akıllı üretim sistemlerine yönelik çalışmaların yapılmasına yönelik kararlar almıştır. Ayrıca 4. sanayi devrimine yönelik Bilim, Sanayi ve Teknoloji Bakanlığı nezdinde çalışma grupları ile birlikte ayrı bir birim de oluşturulmuştur. Aynı zamanda üniversitelerin temel bilim alanlarına girişi özendirmek ve temel bilim mezunlarının teknokentlerde istihdam edilebilmelerine yönelik yasal düzelmeler yapılmıştır. Ayrıca girişimcilerin yazılım kapasitesini artırmak için teşvikler sunulmaktadır ve son durumda teşviklerin miktarları ve teşviklerden yararlanma süreleri de artırılmıştır.

Yapay zekânın ekonomik dönüşümdeki yeri nedir?

Beyaz Saray’ın 2016 yılı raporuna göre yapay zekânın ekonomideki en büyük etkisi verimlilik artışı sağlayacak olmasıdır. Teknolojik değişim beraberinde işgücü verimliliğinde, işgücü ücretlerinde ve yaşam standartlarında yükselişle birlikte boş zaman oluşturulmasında da artış sağlayacaktır. Yapay zekâ tabanlı otomasyon sistemleri toplam faktör verimliliğinin artırılmasında önemli bir etkiye sahip olacaktır. Diğer taraftan yapay zekâ küresel ekonomiye oyun alanında 2030’da 15,7 trilyon dolar katkı sağlayacağı öngörülmektedir.

Ancak ABD’deki işlerin % 47’si yapay zekâ ve bilgisayar teknolojileri tarafından yapılabilecek işler olduğundan bu işler özellikle istihdam yaratma noktasında risk altındadır. Diğer taraftan olumsuz olarak yorumlanabilecek bir diğer değişim ise eşitsizlik seviyelerinde bir artış görülecek olmasıdır. Son 10 yılda gelişmiş 31 ülke ekonomisinde teknolojik gelişmelere rağmen büyüme hızının düştüğü, ABD’de ise bu büyüme hızının 1995’ten sonraki 10 yıl içinde yıllık % 2,5 iken 2005’den sonraki 10 yıl içinde % 1 seviyesine düştüğü görülmektedir. Bunun en büyük nedenleri sermaye yatırımlardaki düşüşler ile toplam faktör verimliliğinde yaşanan yavaşlamalardır.

Yapay zekâya ayrılan finansman kaynağı ne kadardır?

Dünyanın önde giden düşünce kuruluşlarından olan Mckinsey Küresel Enstitüsü’nün 2016 yılı raporuna göre 2016 yılında firmalar 39 milyar dolar yapay zekâ alanına yatırım yaptılar ve bu yatırımlar 2025 yılına kadar 126 milyar dolara ulaşacaktır. Bugün gelinen noktada dünya ölçeğinde 3000’den fazla firmanın yapay zekâ teknolojilerine yatırım yaptığı tahmin ediliyor. Bahse konu aynı rapora göre yapay zekâ teknolojilerinin kullanıldığı sektörlerin başında yüksek teknolojili telekomünikasyon sektörü gelmektedir. Bu sektörü sırasıyla otomotiv, finansal hizmetler, enerji, ulaşım ve lojistik, medya, sağlık, tarım gibi sektörler izlemektedir.

Yapay zekâ geliştirmek için kullanılan programlama dilleri nelerdir?

  • Lisp
  • Python
  • Prolog
  • Java
  • C++
  • R

Yapay zekâ geliştirme sürecinde dünyada en çok kullanılan programlama dili hangisidir?

Geliştirici ekonomisinde dünyanın önde giden analiz firması olan Geliştirici Ekonomi firmasının 2017 yılının 1. çeyreğini içine alan 162 ülkeden 2022 cevaplayıcının bulunduğu bir araştırmaya göre sırasıyla en çok kullanılan 5 yapay zekâ programlama dili ve kullanım yüzdeleri şöyledir;

  1. Python (%57)
  2. C/C++ (%43)
  3. Java (%41)
  4. R (%31)
  5. JavaScript (%28)

4. sanayi devrimine ne zaman tamamen geçilecek?

Avrupa Parlamentosunun 2016 yılı raporuna göre 4. sanayi devrimi uzun dönemli bir program olması nedeniyle 2025 yılı sonuna bu devrime tam anlamıyla bir geçiş sağlanılması öngörülmektedir. 2025 yılı öngörülmekte çünkü bu yılın sonuna kadar 4. sanayi devriminin alt yapı çalışmaları tamamlanmış olacaktır.

Makineler birbirleriyle ve insanlarla nasıl iletişim kuracaklar?

Bilgi ve iletişim teknolojilerinde hızlı değişim sanal gerçeklik ve gerçek dünya arasındaki sınırları aşmıştır. Sanayi 4.0’ın arkasında yatan temel amaç, nesnelerin interneti ingilizce ifadeyle the Internet of Things (IoT) ve insanların interneti ingilizce ifadeyle the Internet of People (IoP) ile birbirleriyle iletişimi sağlayan makinelerin bulunduğu sosyal bir ağ yaratmaktır. Diğer bir deyişle, sanal dünya ile gerçek dünyayı bir araya getirerek siber-fiziksel üretim sistemleri ingilizce ifadeyle the Cyber-physicial production systems (CPPS) oluşturmaktır. Ancak bunun için yapay zekâ büyük miktarlardaki veriyi işlemesi gerekmektedir.

Yapay zekâ hangi uygulama alanlarında yaygındır?

  • Oyunlar: Sezgisel bilgiye dayalı olarak yapay zekâ satranç, poker gibi strateji oyunlarında çok yaygın bir şekilde kullanılmaktadır.
  • Doğal Dil İşleme Süreci (Natural Language Processing) : İnsanlar tarafından konuşulan doğal dili anlayan bilgisayarlarla etkileşime geçmek mümkündür.
  • Uzman Sistemler (Expert Systems): Sorgulayan ve önerilerde bulunabilen makineler ve yazılımlar vardır.
  • Görsel Sistemler (Vision Systems): Bu sistemler bilgisayardaki görsel girdileri anlamaya, yorumlamaya olanak tanır. Örneğin; polisler işlenen suçların izlerini bulmada ve doktorlar ise hastaya teşhis koyarken bu sistemleri kullanabilir.
  • Konuşma Tanıma Sistemleri (Speech Recognition): Bazı akıllı sistemler farklı aksanlara sahip dilleri ve arka plandaki sesleri, seslerdeki değişimleri algılayabilir.
  • El Yazısı Tanıma Sistemleri (Handwriting Recognition): El yazısı tanıma yazılımları bir kalemle ya da bilgisayarla kağıt üzerinde yazılı metni okuyabilir, yazılı metinleri daha okunabilir bir seviyeye çıkarabilir.
  • Akıllı Robotlar (Intelligent Robots): Robotlar insanlar tarafından verilen görevleri yapabilirler. Onlar ışık, ısı, sıcaklık, hareket, ses, basınç gibi gerçek dünyadan alınan fiziksel verileri belirlemek için sensörleri vardır. Akıllı bir hareket sergileyebilmeleri için etkili işlemcileri, çoklu sensörleri ve devasa hafızaları vardır. Diğer bir özellikleri ise hatalardan öğrenebilmeleri ve yeni çevrelere adapte olabilmeleridir.

Yapay zekâ hangi disiplinler üzerine inşa edilmiştir?

Yapay zekâ bilgisayar bilimi, biyoloji, dil bilimi, psikoloji, matematik ve mühendislik disiplinleri üzerine inşa edilmiştir.

Yapay zekânın temel amaçları nelerdir?

  • Uzman sistemler yaratmak: Akıllı davranış sergilemek, öğrenmek, göstermek, açıklamak ve tavsiyede bulunmak.
  • Makinelere insan zekâsını adapte etmek: İnsanlar gibi anlayan, düşünen, öğrenen ve onların gibi davranabilen sistemler yaratmak.

Yapay zekânın temel yetenekleri nelerdir?

Yapay zekânın temel yetenekleri diğer bir deyişle yapay zekâyı yapay zekâ yapan temel özellikler şunlardır;

  • Sorgulama
  • Öğrenme
  • Problem çözme
  • Algılama
  • Dilbilimsel zekâ

Yapay zekânın araştırma alanları nelerdir?

Yapay zekânın araştırma alanları 5 başlık altında ele alınabilir:

  • Uzman Sistemler: Bu araştırma alanına uçuş izleme ve takip sistemleri ile klinik sistemler örnek olarak verilebilir.
  • Doğal Dil İşleme: Konuşma tanıma ve anlık ses çıktısı alabilme.
  • Sinir Ağları: Yüz tanıma, karakter tanıma ve el yazısı tanıma sistemleri içeren yetenekler.
  • Bulanık Mantık: Tüketici elektronikleri ve otomobiller.
  • Robotlar: Temizleyen, boyayan, hareket eden, onay kontrolleri yapan endüstriyel robotlar.

Yapay zekânın görevleri nelerdir ve bu görevler nasıl sınıflandırılabilir?

Yapay zekâ görev tipleri resmi görevler, zorunlu görevler ve uzman görevler olmak üzere 3 grupta sınıflandırılabilir. Sınıflandırılmış bu görev tipleri içinde yer alan görevler Şekil 1’de gösterilmiştir.

1

Şekil 1. Yapay Zekâ Görev Tipleri