Yapay zekâ ya da kısaca YZ ingilizce Artificial intelligence ya da kısaca AI insanlar da dahil olmak üzere hayvanlar

Yapay zekâ ya da kısaca YZ, (İngilizce: Artificial intelligence ya da kısaca AI), insanlar da dahil olmak üzere hayvanlar tarafından, doğal zekânın aksine makineler tarafından görüntülenen zekâ çeşididir. İlk ve ikinci kategoriler arasındaki ayrım genellikle seçilen kısaltmayla ortaya çıkar. Güçlü yapay zeka genellikle Yapay genel zekâ (İngilizce: Artificial General Intelligence kelimelerinin kısaltılmışı olarak: AGI) olarak etiketlenirken, doğal zekayı taklit etme girişimleri yapay biyolojik zekâ (İngilizce: Artificial Biological Intelligence: ABI) olarak adlandırılır. Önde gelen yapay zeka ders kitapları, alanı zeki etmenlerin çalışması olarak tanımlar: Çevresini algılayan ve hedeflerine başarıyla ulaşma şansını en üst düzeye çıkaran eylemleri gerçekleştiren herhangi bir cihaz. Halk arasında, yapay zekâ kavramı genellikle insanların insan zihni ile ilişkilendirdiği öğrenme ve problem çözme gibi bilişsel eylemleri taklit eden makineleri tanımlamak için kullanılır.

Makineler daha becerikli hâle geldikçe, zekâ gerektirdiği düşünülen görevler genellikle YZ etkisi olarak bilinen bir fenomen olan YZ tanımından çıkarılır. Tesler'in teoremindeki bir espri, "YZ henüz yapılmamış şeydir" der. Örneğin, optik karakter tanıma YZ olarak değerlendirilen şeylerin dışında tutulur, rutin teknoloji hâline gelir.

Genellikle yapay zekâ olarak sınıflandırılan modern makine yetenekleri satranç ve Go gibi stratejik oyun sistemlerinde, en üst düzeyde rekabet eden insan konuşmasını anlama,poker ya da otonom arabalar gibi kusurlu-bilgi oyunlarını içerik dağıtım ağındaki akıllı yönlendirmeyi ve askeri simülasyonları kapsar.

Yapay zekâ çalışmaları sıklıkla insanın düşünme yöntemlerini taklit eden yapay yöntemler geliştirmeye yöneliktir, ancak bununla sınırlı değildir. Öğrenebilen ve gelecekte insan zekâsından bağımsız gelişebilecek bir yapay zekâ kavramına doğru yeni yönelimler oluşmaktadır. Bu yönelim, insanın evreni ve doğayı anlama çabasında kendisine yardımcı olabilecek belki de kendisinden daha zeki, insan ötesi varlıklar meydana getirme düşünün bir ürünüdür. Bu düş, 1920'li yıllarda yazılan ve sonraları Isaac Asimov'u etkileyen modern bilimkurgu edebiyatının öncü yazarlarından Karel Čapek'in eserlerinde dışa vurmuştur. Karel Čapek, R.U.R adlı tiyatro oyununda yapay zekâya sahip robotlar ile insanlığın ortak toplumsal sorunlarını ele alarak 1920 yılında yapay zekânın insan aklından bağımsız gelişebileceğini öngörmüştür.

Tanım

Yapay zekâ, idealleştirilmiş bir perspektife göre, insan zekâsının özgü yüksek bilişsel fonksiyonları veya otonom davranışları sergileyen bir yapay işletim sistemidir. Bu sistem, algılama, öğrenme, çoğul kavramları bağlama, düşünme, fikir yürütme (belirtme), sorun çözme, iletişim kurma ve karar verme gibi yeteneklere sahip olmalıdır. Ayrıca, bu yapay zekâ sistemi düşüncelerinden tepkiler üretebilmeli (eyleyici yapay zekâ) ve bu tepkileri fiziksel olarak dışa vurabilmelidir.

Tarihçe

"Yapay zekâ" kavramının geçmişi modern bilgisayar bilimi kadar eskidir. Fikir babası, "Makineler düşünebilir mi?" sorunsalını ortaya atarak tartışmaya açan Alan Mathison Turing'dir. 1943'te II. Dünya Savaşı sırasında Kripto analizi gereksinimleri ile üretilen elektromekanik cihazlar sayesinde bilgisayar bilimi ve yapay zekâ kavramları doğmuştur.

Alan Turing, Nazilerin Enigma makinesinin şifre algoritmasını çözmeye çalışan matematikçilerin en ünlü olanlarından biriydi. İngiltere, Bletchley Park'ta şifre çözme amacı ile başlatılan çalışmalar, Turing'in prensiplerini oluşturduğu bilgisayar prototipleri olan Heath Robinson, ve Colossus Bilgisayarları, Boole cebirine dayanan veri işleme mantığı ile Makine zekâsı kavramının oluşmasına sebep olmuştu.

Modern bilgisayarın atası olan bu makineler ve programlama mantıkları aslında insan zekâsından ilham almışlardı. Ancak sonraları, modern bilgisayarlar daha çok uzman sistemler diyebileceğimiz programlar ile gündelik hayatımızın sorunlarını çözmeye yönelik kullanım alanlarında daha çok yaygınlaştılar. 1970'li yıllarda büyük bilgisayar üreticileri olan Microsoft, Apple, Xerox, IBM gibi şirketler kişisel bilgisayar (PC, Personal Computer) modeli ile bilgisayarı popüler hâle getirdiler ve yaygınlaştırdılar. Yapay zekâ çalışmaları ise daha dar bir araştırma çevresi tarafından geliştirilmeye devam etti.

Bugün, bu çalışmaları teşvik etmek amacı ile Turing'in adıyla anılan Turing Testi ABD'de Loebner ödülleri adı altında makine zekâsına sahip yazılımların üzerinde uygulanarak başarılı olan yazılımlara ödüller dağıtılmaktadır.

Turing Testinin içeriği kısaca şöyledir: birbirini tanımayan birkaç insandan oluşan bir denek grubu birbirleri ile ve bir yapay zekâ diyalog sistemi ile geçerli bir süre sohbet etmektedirler. Birbirlerini yüz yüze görmeden yazışma yolu ile yapılan bu sohbet sonunda deneklere sorulan sorular ile hangi deneğin insan hangisinin olduğunu saptamaları istenir. İlginçtir ki, şimdiye kadar yapılan testlerin bir kısmında makine zekâsı insan zannedilirken gerçek insanlar makine zannedilmiştir.

Loebner Ödülü kazanan yapay zekâ diyalog sistemlerinin yeryüzündeki en bilinen örneklerinden biri 'dir. Dr. Richard Wallace tarafından yazılmıştır. Bu ve benzeri yazılımlarının eleştiri toplamalarının nedeni, testin ölçümlendiği kriterlerin konuşmaya dayalı olmasından dolayı programların ağırlıklı olarak diyalog sistemi (chatbot) olmalarıdır.

Türkiye'de de makine zekâsı çalışmaları yapılmaktadır. Bu çalışmalar doğal dil işleme, uzman sistemler ve yapay sinir ağları alanlarında Üniversiteler bünyesinde ve bağımsız olarak sürdürülmektedir. Bunlardan biri, - Dil Uzam Yapay Gerçek Uslamlayıcı'dır.

Gelişim süreci

İlk araştırmalar ve yapay sinir ağları

İdealize edilmiş tanımıyla yapay zekâ konusundaki ilk çalışmalardan biri McCulloch ve tarafından yapılmıştır. Bu araştırmacıların önerdiği, yapay sinir hücrelerini kullanan hesaplama modeli, önermeler mantığı, fizyoloji ve Turing'in hesaplama kuramına dayanıyordu. Herhangi bir hesaplanabilir fonksiyonun sinir hücrelerinden oluşan ağlarla hesaplanabileceğini ve mantıksal ve ve veya işlemlerinin gerçekleştirilebileceğini gösterdiler. Bu ağ yapılarının uygun şekilde tanımlanmaları hâlinde öğrenme becerisi kazanabileceğini de ileri sürdüler. , sinir hücreleri arasındaki bağlantıların şiddetlerini değiştirmek için basit bir kural önerince, öğrenebilen yapay sinir ağlarını gerçekleştirmek de olası hale gelmiştir.

1950'lerde Shannon ve Turing bilgisayarlar için satranç programları yazıyorlardı. İlk yapay sinir ağı temelli bilgisayar SNARC, MIT'de Minsky ve tarafından 1951'de yapıldı. Çalışmalarını Princeton Üniversitesi'nde sürdüren , Minsky, Shannon ve 'le birlikte 1956 yılında 'da iki aylık bir açık çalışma düzenledi. Bu toplantıda birçok çalışmanın temelleri atılmakla birlikte, toplantının en önemli özelliği Mc Carthy tarafından önerilen yapay zekâ adının konmasıdır. İlk kuram ispatlayan programlardan Logic Theorist (Mantık kuramcısı) burada ve Simon tarafından tanıtılmıştır.

Yeni yaklaşımlar

Daha sonra ve Simon, insan gibi düşünme yaklaşımına göre üretilmiş ilk program olan Genel Sorun Çözücü (General Problem Solver)'ı geliştirmişlerdir. Simon, daha sonra fiziksel simge varsayımını ortaya atmış ve bu kuram, insandan bağımsız zeki sistemler yapma çalışmalarıyla uğraşanların hareket noktasını oluşturmuştur. Simon'ın bu tanımlaması bilim adamlarının yapay zekâya yaklaşımlarında iki farklı akımın ortaya çıktığını belirginleştirmesi açısından önemlidir: Sembolik Yapay Zekâ ve Sibernetik Yapay Zekâ.

Yaklaşımlar ve eleştiriler

Sembolik yapay zekâ

Simon'ın sembolik yaklaşımından sonraki yıllarda mantık temelli çalışmalar egemen olmuş ve programların başarımlarını göstermek için bir takım yapay sorunlar ve dünyalar kullanılmıştır. Daha sonraları bu sorunlar gerçek yaşamı hiçbir şekilde temsil etmeyen oyuncak dünyalar olmakla suçlanmış ve yapay zekânın yalnızca bu alanlarda başarılı olabileceği ve gerçek yaşamdaki sorunların çözümüne ölçeklenemeyeceği ileri sürülmüştür.

Geliştirilen programların gerçek sorunlarla karşılaşıldığında çok kötü bir başarım göstermesinin ardındaki temel neden, bu programların yalnızca sentaktik süreçleri benzeşimlendirerek anlam çıkarma, bağlantı kurma ve fikir yürütme gibi süreçler konusunda başarısız olmasıydı. Bu dönemin en ünlü programlarından tarafından geliştirilen , karşısındaki ile sohbet edebiliyor gibi görünmesine karşın, yalnızca karşısındaki insanın cümleleri üzerinde bazı işlemler yapıyordu. İlk makine çevirisi çalışmaları sırasında benzeri yaklaşımlar kullanılıp çok gülünç çevirilerle karşılaşılınca bu çalışmaların desteklenmesi durdurulmuştu. Bu yetersizlikler aslında insan beynindeki semantik süreçlerin yeterince incelenmemesinden kaynaklanmaktaydı.

Sibernetik yapay zekâ

Yapay sinir ağları çalışmalarının dahil olduğu sibernetik cephede de durum aynıydı. Zeki davranışı benzeşimlendirmek için bu çalışmalarda kullanılan temel yapılardaki bazı önemli yetersizliklerin ortaya konmasıyla birçok araştırmacılar çalışmalarını durdurdular. Buna en temel örnek, Yapay sinir ağları konusundaki çalışmaların Marvin Minsky ve 'in 1969'da yayınlanan Perceptrons adlı kitaplarında tek katmanlı algaçların bazı basit problemleri çözemeyeceğini gösterip aynı kısırlığın çok katmanlı algaçlarda da beklenilmesi gerektiğini söylemeleri ile bıçakla kesilmiş gibi durmasıdır.

Sibernetik akımın uğradığı başarısızlığın temel sebebi de benzer şekilde Yapay Sinir Ağının tek katmanlı görevi başarması fakat bu görevle ilgili vargıların veya sonuçların bir yargıya dönüşerek diğer kavramlar ile bir ilişki kurulamamasından kaynaklanmaktadır. Bu durum aynı zamanda semantik süreçlerin de benzeşimlendirilememesi gerçeğini doğurdu.

Uzman sistemler

Her iki akımın da uğradığı başarısızlıklar, her sorunu çözecek genel amaçlı sistemler yerine belirli bir uzmanlık alanındaki bilgiyle donatılmış programları kullanma fikrinin gelişmesine sebep oldu ve bu durum yapay zekâ alanında yeniden bir canlanmaya yol açtı. Kısa sürede Uzman sistemler adı verilen bir metodoloji gelişti.

Uzman sistemler bir konuda belli ön koşullar aynı anda var olduğunda konunun bir uzmanın (bazen ne olasılıkla) ne karar alacağını belirleyen kuralların tümünü içeren bir programı gelen problemlere uygulamak temellidir. Bunun bir avantajı her verilen kararın hangi kurallar uygulanarak verildiğinin kolayca bilinmesi idi. Bu birçok kuralcı bürokratik karar örgütleri için kolayca uygulamalar geliştirilebilmesi demekti. Bu doğal olarak bir otomobilin tamiri için önerilerde bulunan uzman sistem programının otomobilin ne işe yaradığından haberi olmaması da demekti. Buna rağmen uzman sistemlerin başarıları beraberinde ilk ticari uygulamaları da getirdi.

Yapay zekâ yavaş yavaş bir endüstri hâline geliyordu. tarafından kullanılan ve müşteri siparişlerine göre donanım seçimi yapan R1 adlı uzman sistem şirkete bir yılda 40 milyon dolarlık tasarruf sağlamıştı. Birden diğer ülkeler de yapay zekâyı yeniden keşfettiler ve araştırmalara büyük kaynaklar ayrılmaya başlandı. 1988'de yapay zekâ endüstrisinin cirosu 2 milyar dolara ulaşmıştı.

Doğal dil işleme

Antropoloji bilimi, gelişmiş insan zekâsı ile dil arasındaki bağlantıyı gözler önüne serdiğinde, dil üzerinden yürütülen yapay zekâ çalışmaları tekrar önem kazandı. İnsan zekâsının doğrudan doğruya kavramlarla düşünmediği, dil ile düşündüğü, dil kodları olan kelimeler ile kavramlar arasında bağlantı kurduğu anlaşıldı. Bu sayede insan aklı kavramlar ile düşünen Hayvan beyninden daha hızlı işlem yapabilmekteydi ve dil dizgeleri olan cümleler yani şablonlar ile etkili bir öğrenmeye ve bilgisini soyut olarak genişletebilme yeteneğine sahip olmuştu. İnsanların iletişimde kullandıkları Türkçe, İngilizce gibi doğal dilleri anlayan bilgisayarlar konusundaki çalışmalar hızlanmaya başladı. Önce, yine Uzman sistemler olarak karşımıza çıkan doğal dil anlayan programlar, daha sonra Sembolik Yapay Zekâ ile ilgilenenler arasında ilgiyle karşılandı ve yazılım alanındaki gelişmeler sayesinde İngilizce olan A.I.M.L (Artificial intelligence Markup Language) ve Türkçe T.Y.İ.D (Türkçe Yapay Zekâ İşaretleme Dili) gibi bilgisayar dilleri ile sentaktik (Örüntü) işlemine uygun veri erişim metotları geliştirilebildi. Bugün Sembolik Yapay Zekâ araştırmacıları özel Yapay Zekâ dillerini kullanarak verileri birbiri ile ilişkilendirebilmekte, geliştirilen özel sayesinde anlam çıkarma ve çıkarımsama yapma gibi ileri seviye bilişsel fonksiyonları benzetimlendirmeye çalışmaktadırlar.

Bütün bu gelişmelerin ve süreçlerin sonunda bir grup yapay zekâ araştırmacısı, insan gibi düşünebilen sistemleri araştırmaya devam ederken, diğer bir grup ise ticari değeri olan karar alan sistemler (Uzman sistemler) üzerine yoğunlaştı.

Diyalog bazlı yapay zeka

Doğal dil işleme ve makine öğrenmesi gibi yapay zeka teknolojileri kullanılarak insan ve makine (yazılım) arasında bir diyaloğun sürdürülmesini sağlayan yapay zeka alt dalına "diyalog bazlı yapay zeka" (conversational artificial intelligence) denir. Daha önce insanların bilgisayara komut vermesinde kullanılan web, mobil uygulama gibi grafiksel arayüzlerin (GUI) yerine geçmeyi amaçlayan (CUI) insanların bilgisayara günlük dilde yazarak veya konuşarak komut verebilmesini amaçlar. Günümüzde, chatbotlar ve sesli asistanlar diyalog bazlı yapay zeka alanında sıkça kullanılan teknolojik ürünler olarak karşımıza çıkmaktadır.

Chatbotlar

Chatbotlar, diyalog bazlı yapay zekanın günlük hayatta kullanılan bir örneğidir. Kullanıcılar, Türkçeye olarak geçmiş bu dijital ürünler ile yazışarak belirli bir konuda bilgi alabilir veya uçak bileti almak, banka havalesi yapmak veya bir kitap satın almak gibi günlük işlerini yapabilirler. Chatbotlar, şirketlerin web sitesinde veya mobil uygulamasında yer alabilirler. Bunun dışında chatbotlar, WhatsApp, Facebook Messenger gibi genel mesajlaşma platformlarında veya Google Assistant, Siri gibi da yer alabilirler.

Chatbotlar kullanıcı ile etkileşim kurma yöntemini, arkasında yer alan teknolojik altyapıya göre farklı çeşitlerde oluşturulabilir. Örneğin bir chatbot kullanıcı ile, sadece kullanıcı onunla etkileşime girdiğinde iletişim kuruyorsa reaktif bir chatbottur, eğer bir uyarıcı ile tetiklenerek kullanıcı ile olan diyaloğu başlatan taraf oluyorsa buna proaktif bir chatbot denir. Teknoloji açısından bakılacak olursa, yapay zeka tabanlı chatbotların yanında, doğal dil işleme, makine öğrenmesi gibi yapay zeka teknolojileri kullanılmadan geliştirilen chatbotlar da kullanılmaktadır. Ancak bu iki tür chatbotun davranışı farklıdır. Kural bazlı chatbotlarda genellikle kullanıcıya belirli seçenekler sunulur ve yaratılan deneyim bu seçeneklerle sınırlı kalır.^[] Yapay zeka tabanlı chatbotlarda ise kullanıcı serbest bir metin yazabilir, chatbotun doğal dil işleme teknolojisi bu metni anlamlandırıp doğru yanıtı belirleyerek kullanıcıya sunar.^[]

Gelecekte yapay zekâ

Gelecekte yapay zekâ araştırmalarındaki tüm alanların birleşeceğini öngörmek zor değildir. Sibernetik bir yaklaşımla modellenmiş bir Yapay Beyin, Sembolik bir yaklaşımla insan aklına benzetilmiş bilişsel süreçler ve Yapay Bilinç sistemi, insan aklı kadar esnek ve duyguları olan bir İrade (Karar alma yetisi), Uzman sistemler kadar yetkin bir bilgi birikimi ve rasyonel yaklaşımın dengeli bir karışımı sayesinde Yapay Zekâ, gelecekte insan zekâsına bir alternatif oluşturabilir.

Bilginin hesaplanması matematiksel gelişme ile mümkün olabilir. Çok yüksek döngü gerektiren NP problemlerin çözümü, satranç oyununda en iyi hamleyi hesaplamak veya görüntü çözümleme işlemlerinde bilgiyi saymak yerine hesaplamak sureti ile sonuca ulaşılabilir.

Yeni matematik kuantum parçacık davranışlarını açıklayacağı gibi kuantum bilgisayarın yapılmasına olanak verir.

Yapay zekânın gücü

Yapay zekâ uygulamaları gün geçtikçe gelişmeye ve insan zekâsını yakalamaya doğru adım adım ilerlemektedir.

Bilişim uzmanları, bir insanın hepsi aynı anda paralel olarak çalışan 100 milyar nöron bağlantısının toplam hesap gücünün alt sınırı olan saniyede 10 katrilyon (1.000.000.000.000.000 = $10^{15}$ ) hesap düzeyine 2025'te erişeceğini düşünüyorlar.

Beynin bellek kapasitesine gelince, 100 trilyon bağlantının her birine 10.000 bit bilgi depolama gereksinimi tanınırsa, toplam kapasite 10^18 düzeyine çıkıyor. 2020'ye gelindiğinde insan beyninin işlevselliğine erişmiş bir bilgisayarın fiyatının 1000 dolar olacağı tahmin ediliyor. 2030'da 1000 dolarlık bir bilgisayarın bellek kapasitesi 1000 insanın belleğine eşit olacak.

Uygulama alanları

Yapay zekanın uygulama alanlarının bazı örnekleri şu şekildedir:

Önerici sistemler: Kullanıcıların geçmiş davranışlarına dayanarak yeni içerik önerilmesi. Örneğin, sosyal medya sitelerinde yeni arkadaş, mağazalarda başka bir ürün, gazetede başka bir haber önerileri.
Makine çevirisi: Bir dilde ifade edilen cümleyi farklı bir dile çevirmek. Örneğin, Google Translate, Microsoft Tercüman ve Yandex.Çeviri gibi çevrimiçi araçlar.
Sinyal işleme: Ses ve görüntü gibi sinyallerin işlenerek bilgi çıkarımı. Örneğin, yüz ve ses tanıma.
Prosedürel içerik üretimi: Rassal yöntemler kullanarak yapay içerik üretme. Örneğin, üretimsel müzik ve video oyunlarında prosedürel dünyalar.
Regresyon analizi: Geçmiş verilere dayanılarak bir değişkenin gelecekteki değerinin tahmin edilmesi. Örneğin, ekonomik öngörüler, üretim miktarı öngörüleri.
Görüntü işleme: Dijital görüntülerde bulunan objeleri tanıma, yerini bulma, sınıflandırma gibi işlemlerin tümü. Yapay zekadan önce bu işlemler Hough dönüşümü gibi kurala dayalı algoritmalar ile sürdürülürken, günümüzde bu kurallar veriden öğrenilmektedir. Görüntülemenin sık kullanıldığı tıp, biyoloji, otomotiv, üretim gibi alanlarda kullanılmaktadır.
Makale yazma: Dünyada yapay zeka ile yazılan ilk köşe yazısı 8 Eylül 2020 tarihinde The Guardian gazetesinde yayınlanmıştır. Türkiye'de yapay zekanın yazdığı ilk haber ise Şalom gazetesinde 2018 yılında yayınlanmıştır.

Alt dallar

(Sembolik Yapay Zekâ)
Yapay Sinir Ağları (Sibernetik Yapay Zekâ)
Doğal Dil işleme (Dil ile düşünme)
Görüntü İşleme
Konuşma Sentezi (Yapay Konuşma)
(Konuşma Analizi)
Tümevarımlı mantık programlama
Bilgi-tabanlı sistem
Bilgisayarlı görü
Doğal dil üretme
Uzman sistemler
Sinirsel şebeke
Makine öğrenimi
Örüntü Tanıma
Genetik Algoritmalar
Genetik Programlama
Bulanık Mantık
(Multiple Instance Learning)

Ayrıca bakınız

Kaynakça

^ Poole, Mackworth & Goebel 1998, p. 1.
^ Russell & Norvig 2003, s. 55.
^
Definition of AI as the study of :
- Poole, Mackworth & Goebel (1998), which provides the version that is used in this article. These authors use the term "computational intelligence" as a synonym for artificial intelligence.
- Russell & Norvig (2003) (who prefer the term "rational agent") and write "The whole-agent view is now widely accepted in the field".
- Nilsson 1998
- Legg & Hutter 2007
^ Russell & Norvig 2009, s. 2.
^ McCorduck 2004, s. 204
^ Maloof, Mark. "Artificial Intelligence: An Introduction, p. 37" (PDF). georgetown.edu. 25 Ağustos 2018 tarihinde kaynağından (PDF).
^ "How AI Is Getting Groundbreaking Changes In Talent Management And HR Tech". Hackernoon. 11 Eylül 2019 tarihinde kaynağından . Erişim tarihi: 14 Şubat 2020.
^ Schank, Roger C. (1991). "Where's the AI". AI magazine. 12 (4). s. 38.
^ (İngilizce). 10 Mart 2016 tarihinde kaynağından arşivlendi.
^ Russell & Norvig 2009.
^ Kaynak hatası: Geçersiz <ref> etiketi; Cepheus poker bot isimli refler için metin sağlanmadı (Bkz: )
^ Allen, Gregory (Nisan 2020). "Department of Defense Joint AI Center – Understanding AI Technology" (PDF). AI.mil – The official site of the Department of Defense Joint Artificial Intelligence Center. 21 Nisan 2020 tarihinde kaynağından (PDF). Erişim tarihi: 25 Nisan 2020.
^ Siri, Siri in my Hand, who's the Fairest in the Land? 21 Kasım 2018 tarihinde Wayback Machine sitesinde . Andreas Kaplan, Michael Haenlein (2018) On the Interpretations, Illustrations and Implications of Artificial Intelligence, Business Horizons, 62(1)
^ "ChatGPT: Sohbet için Fazla Güçlü Bir Dil Modeli". www.basit.ai. 1 Nisan 2024 tarihinde kaynağından . Erişim tarihi: 1 Nisan 2024.
^ Choi, Jeff; Patil, Advait; Vendrow, Edward; Touponse, Gavin; Aboukhater, Layla; Forrester, Joseph D.; Spain, David A. (1 Şubat 2022). "Practical Computer Vision Application to Compute Total Body Surface Area Burn: Reappraising a Fundamental Burn Injury Formula in the Modern Era". JAMA Surgery. 157 (2): 129-135. doi:10.1001/jamasurg.2021.5848. ISSN 2168-6254.
^ Lube, Vinicius; Noyan, Mehmet Alican; Przybysz, Alexander; Salama, Khaled; Blilou, Ikram (27 Mart 2022). "MultipleXLab: A high-throughput portable live-imaging root phenotyping platform using deep learning and computer vision". Plant Methods (İngilizce). 18 (1): 38. doi:10.1186/s13007-022-00864-4. ISSN 1746-4811. (PMC) 8958799 $2. (PMID) 35346267. KB1 bakım: PMC biçimi ()
^ Gautam, S.; Kumar, A. (2022). Nagar, Atulya K.; Jat, Dharm Singh; Marín-Raventós, Gabriela; Mishra, Durgesh Kumar (Ed.). "Automatic Traffic Light Detection for Self-Driving Cars Using Transfer Learning". Intelligent Sustainable Systems (İngilizce). Singapore: Springer: 597-606. doi:10.1007/978-981-16-6309-3_56. ISBN . 8 Nisan 2022 tarihinde kaynağından . Erişim tarihi: 8 Nisan 2022.
^ Tulbure, Andrei-Alexandru; Tulbure, Adrian-Alexandru; Dulf, Eva-Henrietta (1 Ocak 2022). "A review on modern defect detection models using DCNNs – Deep convolutional neural networks". Journal of Advanced Research (İngilizce). 35: 33-48. doi:10.1016/j.jare.2021.03.015. ISSN 2090-1232. 8 Nisan 2022 tarihinde kaynağından . Erişim tarihi: 8 Nisan 2022.
^ . 8 Eylül 2020. 8 Eylül 2020 tarihinde kaynağından arşivlendi. Erişim tarihi: 7 Aralık 2022.
^ . 7 Aralık 2022. 7 Aralık 2022 tarihinde kaynağından arşivlendi. Erişim tarihi: 20 Haziran 2018.

[FOOTNOTEPooleMackworthGoebel1998[httppeoplecsubcca~poolecich1pdf_p._1]-1] Poole, Mackworth & Goebel 1998, p. 1.

[FOOTNOTERussellNorvig200355-2] Russell & Norvig 2003, s. 55.

[Definition_of_AI-3] Definition of AI as the study of :
Poole, Mackworth & Goebel (1998), which provides the version that is used in this article. These authors use the term "computational intelligence" as a synonym for artificial intelligence.

Russell & Norvig (2003) (who prefer the term "rational agent") and write "The whole-agent view is now widely accepted in the field".

Nilsson 1998

Legg & Hutter 2007

[4] Poole, Mackworth & Goebel (1998), which provides the version that is used in this article. These authors use the term "computational intelligence" as a synonym for artificial intelligence.

[5] Russell & Norvig (2003) (who prefer the term "rational agent") and write "The whole-agent view is now widely accepted in the field".

[6] Nilsson 1998

[7] Legg & Hutter 2007

[FOOTNOTERussellNorvig20092-4] Russell & Norvig 2009, s. 2.

[5] McCorduck 2004, s. 204

[6] Maloof, Mark. "Artificial Intelligence: An Introduction, p. 37" (PDF). georgetown.edu. 25 Ağustos 2018 tarihinde kaynağından (PDF).

[7] "How AI Is Getting Groundbreaking Changes In Talent Management And HR Tech". Hackernoon. 11 Eylül 2019 tarihinde kaynağından . Erişim tarihi: 14 Şubat 2020.

[8] Schank, Roger C. (1991). "Where's the AI". AI magazine. 12 (4). s. 38.

[bbc-alphago-9] (İngilizce). 10 Mart 2016 tarihinde kaynağından arşivlendi.

[FOOTNOTERussellNorvig2009-10] Russell & Norvig 2009.

[Cepheus_poker_bot-11] Kaynak hatası: Geçersiz <ref> etiketi; Cepheus poker bot isimli refler için metin sağlanmadı (Bkz: )

[12] Allen, Gregory (Nisan 2020). "Department of Defense Joint AI Center – Understanding AI Technology" (PDF). AI.mil – The official site of the Department of Defense Joint Artificial Intelligence Center. 21 Nisan 2020 tarihinde kaynağından (PDF). Erişim tarihi: 25 Nisan 2020.

[13] Siri, Siri in my Hand, who's the Fairest in the Land? 21 Kasım 2018 tarihinde Wayback Machine sitesinde . Andreas Kaplan, Michael Haenlein (2018) On the Interpretations, Illustrations and Implications of Artificial Intelligence, Business Horizons, 62(1)

[14] "ChatGPT: Sohbet için Fazla Güçlü Bir Dil Modeli". www.basit.ai. 1 Nisan 2024 tarihinde kaynağından . Erişim tarihi: 1 Nisan 2024.

[15] Choi, Jeff; Patil, Advait; Vendrow, Edward; Touponse, Gavin; Aboukhater, Layla; Forrester, Joseph D.; Spain, David A. (1 Şubat 2022). "Practical Computer Vision Application to Compute Total Body Surface Area Burn: Reappraising a Fundamental Burn Injury Formula in the Modern Era". JAMA Surgery. 157 (2): 129-135. doi:10.1001/jamasurg.2021.5848. ISSN 2168-6254.

[16] Lube, Vinicius; Noyan, Mehmet Alican; Przybysz, Alexander; Salama, Khaled; Blilou, Ikram (27 Mart 2022). "MultipleXLab: A high-throughput portable live-imaging root phenotyping platform using deep learning and computer vision". Plant Methods (İngilizce). 18 (1): 38. doi:10.1186/s13007-022-00864-4. ISSN 1746-4811. (PMC) 8958799 $2. (PMID) 35346267. KB1 bakım: PMC biçimi ()

[17] Gautam, S.; Kumar, A. (2022). Nagar, Atulya K.; Jat, Dharm Singh; Marín-Raventós, Gabriela; Mishra, Durgesh Kumar (Ed.). "Automatic Traffic Light Detection for Self-Driving Cars Using Transfer Learning". Intelligent Sustainable Systems (İngilizce). Singapore: Springer: 597-606. doi:10.1007/978-981-16-6309-3_56. ISBN . 8 Nisan 2022 tarihinde kaynağından . Erişim tarihi: 8 Nisan 2022.

[18] Tulbure, Andrei-Alexandru; Tulbure, Adrian-Alexandru; Dulf, Eva-Henrietta (1 Ocak 2022). "A review on modern defect detection models using DCNNs – Deep convolutional neural networks". Journal of Advanced Research (İngilizce). 35: 33-48. doi:10.1016/j.jare.2021.03.015. ISSN 2090-1232. 8 Nisan 2022 tarihinde kaynağından . Erişim tarihi: 8 Nisan 2022.

[19] . 8 Eylül 2020. 8 Eylül 2020 tarihinde kaynağından arşivlendi. Erişim tarihi: 7 Aralık 2022.

[20] . 7 Aralık 2022. 7 Aralık 2022 tarihinde kaynağından arşivlendi. Erişim tarihi: 20 Haziran 2018.