Endüstri 4.0’da İnsan ve Yapay Zekâ
Bir endüstri dünyası içinde yaşıyoruz. Tüketim dünyasının içinde bir birey olarak üretim yapmak adına çabalıyoruz. Üretimin yolunun ve temelinin bazı disiplinlere bağlı olduğunu biliyor, çağa özgü sistemleri etkili biçimde kullanmaya özen gösteriyoruz. “ChatGPT”, “QuillBot, “DeepL” gibi farklı amaçlara sahip yapay zekâları; “edX”, “Coursera” ve “Udemy” gibi çağın dinamiğine hitap eden eğitim platformlarını kullanıyoruz. Gelinen sürecin arka planı epey derin ve eskidir.
Şimdiye değin dört sanayi devrimini geride bıraktık. Her yeni devrimde yol gösteren yeni bir gelişme meydana geldi, insanın ve beşeri sistemlerin işleyiş biçiminde bir adım ileri götürdü. İlk sanayi devrimi, su değirmeni ve buharlı makineler üzerine kurulmuştu. Bu enerji kaynakları ile ufak şirket yapılanmaları güçlendi. Endüstri 2.0, elektrik ve montaj hatları ile başladı. Henry Ford gibi isimler bu döneme öncülük etmiş, Avrupa ve Amerika’da 19. yüzyıldan itibaren endüstrileşme kapsamında fabrikaların sayısı yükselişe geçmiştir. Bu yükselişler beraberinde kimya gibi diğer disiplinlerde de ilerlemelerin önünü açmıştır (Sharma & Singh, 2020: 66-67).
1970’li yıllarda başlayan üçüncü endüstri devrinde kısmi otonom cihazlar ve bilgisayarlar daha aktif rol oynamaya başlamıştır. Mekanik sistemlerin yerini bu devirde dijital sistemler almıştır. Bu gelişmeleri takiben bizler artık tüm sistemi makinelerin yönetiminde yapmaya hazırlanıyoruz. Şu an içinde bulunduğumuz Endüstri 4.0, verimliliği ve maksimum kapasiteyi esas alarak gelişmiş bir sanayi devrimidir; maksimum kapasitede üretimi, minimum kaynak harcaması ile yapmayı hedefler. Bu hedef doğrultusunda dijital sistemler fabrikalardaki görev birimleri ile entegre biçimde çalışır ve arz talep oranları ya da aciliyete göre üretim şeklini ve içeriğini iyi bir zaman yönetimi ile değiştirir. Endüstri 4.0’da üretimi iyileştirmek için bazı yöntemler kullanılmıştır:
İnternetin Nesneleri (IoT: The Internet of Things): Nesnelerin bir ağ yardımı ile teknolojik bir cihaza (telefon, bilgisayar vb.) bağlanmasıdır. Robot süpürgeler, Amazon’un “Alexa” asistanı gibi hizmetler ve cihazlar buna örnektir.
Büyük Veri (Big Data): Büyük verilerin sınıflandırılması, organize ve analiz edilmesi anlamına gelmektedir. İleriki araştırmalar ve analizler için temiz veri sağlar.
Bulut Bilişim (Cloud Computing): İnternet tabanlı veri aktarımı ve veri depolama işlevidir. Burada veriler sürekli bir akış hâlindedir. Canlı ve dinamik olarak veriler daima yorumlanır, toplanır ve düzenlenir.
Makine Öğrenmesi (Machine Learning): Belirli bir düşünce ya da program olmaksızın bilgisayarların öğrenmesi ve kendilerini sistemsel olarak iyileştirip geliştirmesidir (Sharma & Singh, 2020: 67-70).
Endüstri 4.0’ın sosyal, ekonomik ve politik değişimleri bağlamında yarattığı değişimleri Lasi ve diğerleri (2014:239) açıklamaktadır. Kısa zamanlı gelişmeler, esneklik, görev dağılımı yapmak ve kaynak verimliliği sağlamak, Endüstri 4.0’a özgü değerlerdir. Bu dönem aralığında etkileşim hem insanlar arasında hem de makineler arasında yükselişe geçtiği için kısa zaman aralıklarında aksiyon almak gerekmektedir. Hızlı üretim ve tüketim yapıldığından dolayı mevcut ana akımda gelişen olaylara yönelik üretim yapmak Endüstri 4.0’a özgüdür.
Bazı eylemlerin ve kararların gerçekleştirilmesi için iş bölümünün yapılması ve bir işin takım hâlinde yapılması Endüstri 4.0’ın bir diğer özelliğidir. Bu yapı, hiyerarşiyi reddedip tüm üyelerin tam katılımını sağlar ve merkeziyetçi oluşumları engeller. Diğer yandan kaynak verimliliği sağlamanın en baştaki nedeni sürdürülebilirliği sağlamaktır. Çevreci, bireyler arası eşitsizlikleri en aza indirgeyen, karada ve sudaki yaşama katkı sunan bir yaklaşıma sahip olmak bu çağın özellikleri ve gereklilikleri arasındadır (Lasi ve diğerleri, 2014: 239).
Endüstrinin Getirdiği Bir Devrim: Yapay Zekâ
Bugünün dünyasında yeni bir gücün yükselişi de gerçektir: Yapay zekâ (YZ). Temelleri makine öğrenmesi, derin öğrenmeye dayanan YZ terimi son yıllarda bilinir olmuştur. Doğal dil işleme, makine ve derin öğrenme metotları ile çalışan YZ’nin varyasyonlarını bugün çeşitli alanlarda kullanıyoruz ama YZ’nin temelleri geçmişe dayanmaktadır. Jaakkola ve diğerleri, 2019’da YZ’nin zaman içinde nasıl bir gelişim sergilediği üzerine bir seminer vermişlerdir. YZ, insan zekasını, karar verme mekanizmasını, görsel algıyı ve konuşma gibi işlevleri taklit eden bir bilgisayar sistemidir. Bu akıllı sistemin gelişimi dört evreden oluşmaktadır ve evrelerin oluşumu hem ilerleme hem de gerilemelerle meydana gelmektedir (Lasi ve diğerleri, 2014: 860).
İlk evre 1950’lerde meydana gelmiştir ve akıllı sistemler yalnızca Lisp ve Prolog gibi programlama sistemlerinden oluşmaktadır. Bu dönemde yalnızca belli algoritmalar yazılabiliyor ve sadece bu dili programcılar okuyabiliyordu. Detaylara yalnızca programcılar hâkimdi ve bu programlama dilleri farklı uygulamaların gelişiminde rol aldı. İkinci evre, 1970 ve 1980’lerin arasına denk gelmekteydi. İkinci dalgada uzman sistemler söz almaya başladı ve bilgi, problem çözmek için kullanılabildi. Bu dönemde bazı kurallı algoritmalara dayalı çözüm sistemleri olduğu gibi kalıplara da bağlı çözüm sistemleri mevcuttu. 1970’te Edward Feigenbaum öncülüğünde, bulaşıcı hastalıkların teşhisi için Mycin ve bilinmeyen organik moleküllerin tanımlanması için Dendral sistemleri ve uygulamaları geliştirildi. Üçüncü dalgada özellikle Japonların büyük bir katkısı oldu. 1982’de “New (Fifth) Generation Computer System” (FGCS) adlı bir program başlattılar ve büyük bilgisayar programları geliştirmeyi amaçladılar. Japonya, bilgisayar programları gelişimindeki çalışmaları ve girişimleriyle üçüncü dalgada lider konumuna yükseldi. Bu dalgada geliştirilen uygulamaların bir kullanım sınırı yoktu. Bu süreçte servisler ve uygulamalar yaygınlaşmaya başladı (Lasi ve diğerleri, 2014: 862-864).
YZ’nin dördüncü dalgasında, yapılan hatalardan ve yanlış kararlardan anlayabilen ve ona göre aksiyon alabilen akıllı sistemler vardır. Bu sistemler problemi veya girdiyi anlayabilir, ona uygun çıktıyı ve cevabı belli örüntülere göre verebilir. Özellikle paralel işleme, büyük veri teknolojilerinin ortaya çıkışı ve daha aktif kullanılması ile YZ’nin insanın yapabileceği fonksiyonları yapabilir hâle gelişi mümkün olmuştur. Algoritmaların, makine öğrenmesinin, derin öğrenmenin ve veriyi daha yorumlanabilir hâle getirilmesiyle YZ’nin tüm temellerinin tamamlandığı söylenebilir (Lasi ve diğerleri, 2014: 863-864).
Bugünün dünyasında YZ ile çeşitli çıktılar almak mümkündür. Bizler yazılı, sesli veya görüntüye sahip çıktı verebilen YZ araçlarına sahibiz. Bu araçların da farklı kullanım amaçları var. Deepfake gibi bireylere ve toplumlara zarar veren bir amaçla da kullanılabilir, tam tersine, eğitimde fırsat eşitsizliğini azaltma amacıyla da kullanılabilir. YZ ile oluşturulmuş algoritmaların sosyal medyaya entegre edilmesi yoluyla kullanıcıların benzer içerikleri tüketmesini sağlamak için de bu içerik akışının potansiyel bağımlılık yapması için de kullanılabilir (Ienca, 2023: 839; Pataranutaporn ve diğerleri, 2021: 1013-1016).
YZ’nin video üretimi ile iki farklı yolu vardır: Ya makine öğrenmesi metodu ile sınıflandırılmış bir yüz verisinin, kişinin yüzüne entegre edilerek görünümünün değiştirilmesi ya da bir kullanıcının bir YZ karakteri ile iletişime geçmesidir. İlk kullanımda bireyler başka bir karaktere büründüğünden o karakterin özelliklerini taklit etmede iyileşmeler sergilediği görülse de aynı yöntem Deepfake videoların üretimi için kullanılabilir. İkinci yöntemde ise bir YZ aracı ile iletişime girilir ve o, rehber olarak kullanılır. Bu tarz kullanımlara eğitim biçimini iyileştiren uygulamalar örnek verilebilir (Pataranutaporn ve diğerleri, 2021: 1014-1015).
YZ’nin video üretimi ya da yazılı içerik hazırlama özelliğinin psikolojide kullanımı hakkında da bazı gelişmeler sağlamıştır. Sohbet robotların yaygınlaşması ile bilişim teknolojileri ve insandaki iyi oluş hâlleri kesişmeye başlamış, kesişim çoğunlukla beyin görüntüleme teknolojilerinde ve klinik psikolojide olmuştur. Bendig ve diğerleri, sohbet robotlarının psikoterapide kullanımları üzerine araştırma yapmışlardır (2019: 65). Onların bulgularına göre sohbet robotları, tamamlanan bir terapinin ardından destekleyici bir unsur olarak kullanılabilir, davranışçı ya da psikodinamik terapiler sanal hâle çevrilip yüz yüze yerine çevrim içi olarak gerçekleşebilir. Tüm bu sohbet robotlarının performansı, insana dair duygudurum ve duygu süreçlerine dair sahip oldukları veriye göre değişmektedir. Bu terapi biçimi yazılı, sesli ya da videolu gibi farklı tiplerde gerçekleştiğinde kişiden gelen girdinin niteliği değiştiğinden terapide farklı veriler ele alınabilmektedir (Bendig ve diğerleri, 2019: 67).
WOEBOT, SHIM, GABBY gibi farklı sohbet robotlarının psikoterapide kullanımları ölçüldüğünde farklı koşullarda (stres düzeyleri, terapinin etkili oluşu ve anlamlı bir farklılık vb.) farklı başarılar elde edildiği görüldüğü gibi bahsi geçen aynı koşulların bazılarında hedeflenen başarıya ulaşılamamıştır. Bu bize çalışmaların daha uzun sürmesi gerektiğini göstermektedir (Bendig ve diğerleri, 2019: 71-72).
YZ öğrenmesi ile insan öğrenmesi kıyaslandığında insan öğrenmesinin daha yavaş ve daha masraflı olduğu söylenebilir. YZ, geniş bilgi dosyalarını kısa sürede okuyabilir, anlayabilir ve yorum yapabilir hâle gelmektedir. YZ, insanın içinde bulunduğu sosyal sistemlere, biyolojisine ve psikolojisine insanın bildiği kadar hâkimdir. Kendimiz hakkında az bilmemiz YZ’nin potansiyeli için bir sınır oluşturmaktadır (Graham ve diğerleri, 2019: 116).
Makine öğrenmesinin de belli şekilleri vardır ve bunlar denetimli, denetimsiz, derin öğrenme ve doğal dil işlemedir. Bu dört farklı öğrenmede makineler veriyi anlamak için dört farklı stil kullanır. Denetimli öğrenme metodunda veri bir göreve sınıflandırılırken denetimsiz öğrenmede ham veriyi algoritma benzerliklere ve farklılıklara göre sınıflandırır. Derin öğrenmede yapay sinir ağlarının işleyişi vardır ve burada veri gizli katman olarak adlandırılan bir katmandan geçerek çıktı hâline gelir. Doğal dil işleme, metin olarak alınan veriyi makine diline çevirmeye yarayan verimli bir sistemdir ve ELIZA gibi sohbet robotlarında kullanılan yöntemdir. Bu sistemde kullanıcıdan alınan metin, sözcüklere bölünür ve belli duyguları çağrıştıran kelimelerin analizi yapılarak kişinin duygu durumunu makine anlamaya çalışır (Bendig ve diğerleri, 2019: 68-69; Graham ve diğerleri, 2019: 115-116).
Sonuç olarak ilk endüstri zamanından itibaren insanlık olarak kendimizi geliştirmekteyiz ve bugün geldiğimiz noktada, şimdiye dek ürettiğimiz alanlardaki tüm verileri daha iyi yorumlayan, daha iyi öğrenen, daha iyi açıklayan, daha üstün bir biçimde bizlere aktarmayı başaran ve insana dair fonksiyonları her geçen gün daha iyi bir biçimde başaran bir teknoloji ile karşı karşıyayız.
Bu zamanda ayakta kalmak için insana dair işleri daha az masraf ve daha az maliyetle gerçekleştiren akıllı sistemlerin gelişmesinin ışığında hareket etmeliyiz. Güncel gelişmelerden haberdar olmalı, güncel konu başlıklarına hâkim olmalı, değişen ve gelişen dünyada yön veren aydın bireyler olmalıyız. YZ’nin teknik tarafına odaklanmalı, onun teknik sınırlılıklarının farkında olarak iş dünyasında aksiyon almalıyız. YZ’nin aslında yeni bir teknoloji olmadığını bilerek onun temellerinin geçmişte atıldığını ve zaman içinde kullanım alanlarının nasıl değiştiğini ve ilerlediğini göz önünde tutarak geleceğimize yön vermeliyiz. Gelecekte insanlar arası sohbetin azalıp insan ve makine etkileşiminin artacağını öngörebiliriz. Bu etkileşimde psikoloji de payını alacak ve değişim gösterecektir. Makinelerin olanaklarını daha fazla anladıkça insan fizyolojisini, biyolojisini ve insanın duygu durumunu daha iyi anlamaya başlayacağız ve genel iyi oluşu destekleyen uygulamaların başarısı ve sayısı artış gösterecektir.
Kaynakça
Bendig, E., Erb, B., Schulze-Thuesing, L., & Baumeister, H. (2019). The Next Generation: Chatbots in Clinical Psychology and Psychotherapy to Foster Mental Health – A Scoping Review. Verhaltenstherapie, 32, 64–76.
Graham, S., Depp, C., Lee, E. E., Nebeker, C., Tu, X., Kim, H., & Jeste, D. V. (2019). Artificial Intelligence for Mental Health and Mental Illnesses: an Overview. Current Psychiatry Reports, 21(11), 116.
Jaakkola, H., Henno, J., Mäkelä, J., & Thalheim, B. (2019). Artificial Intelligence Yesterday, Today, and Tomorrow. 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), Opatija, 860–867.
Ienca, M. (2023). On Artificial Intelligence and Manipulation. Topoi, 42(3), 833–842. https://doi.org/10.1007/s11245-023-09940-3
Lasi, H., Fettke, P., Kemper, H., Feld, T., & Hoffmann, M. (2014). Industry 4.0. Business & Information Systems Engineering, 6(4), 239–242.
Pataranutaporn, P., Danry, V., Leong, J., Punpongsanon, P., Novy, D., Maes, P., & Sra, M. (2021). AI-generated Characters for Supporting Personalized Learning and Well-being. Nature Machine Intelligence, 3(12), 1013–1022.
Sharma, A., & Singh, B. J. (2020). Evolution of Industrial Revolutions: A Review. International Journal of Innovative Technology and Exploring Engineering, 9(11), 66–73. https://doi.org/10.35940/ijitee.i7144.0991120
Comments