Yapay Zeka Ekseninde Bankacılık Sektörü-1: Yapay Zeka Nedir?
Günlük konuşmalarımızda dahi yerini almaya başlayan “Yapay Zeka” kavramında olduğu kadar çok az konu abartı ve histeri yaratır. İş gücünde insanların yerini devralan robotlar, insanların yerine karar alabilen akıllı cisimler, tükenmekte olan kaynakların verimli kullanımı için çözüm üreten akıllı şehirler ve daha birçok yapay zeka ile ilintili kavram hayal gücümüzü ele geçirdi. Yapay zekanın modern toplum ve iş dünyasındaki rolünün, uzun vadeli ve devrim niteliğinde değişim potansiyeli içeren vaatlerini öne sürmesi de birçok alanda yapay zeka uygulama örneklerini ortaya çıkarmaya başladı.
Uzun süredir teknolojiye bağımlı ve büyük hacimli verilerle çalışan finansal hizmetler sektörü, yapay zeka uygulamalarının geliştirilmesi konusunda en çok başvurulan sektörlerden biridir. Finans sektörünün en önemli unsurlarından biri olan bankaların da bu gelişmeleri içeren bir dönüşüm serüveninden geçtiğini görmekteyiz. McKinsey’in yayınladığı “Geleceğin Yapay Zeka Bankaları” raporuna göre yapay zeka, her yıl bankalar için 1 trilyon dolarlık ek fayda yaratma potansiyeline sahiptir.¹ Bu beklenti ve halihazırda devam etmekte olan dönüşüm süreci, bankaları yapay zeka yatırımları ve iş modellerini yapay zeka odaklı geliştirmeleri konusunda teşvik etmektedir.
Yukarıdaki grafikte 2012-2021 yılları arasında yapay zeka, makine öğrenmesi ve derin öğrenme konuları hakkında Google üzerinden yapılan aramaların yıllara göre değişimindeki eğilim de gösteriyor ki, yapay zeka ve alt dallarına yönelik ilgi ve sektörel bazdaki dönüşümler önümüzdeki yıllarda daha çok gündemde olacaktır. Bankacılık sektöründe gündemde olan yapay zeka yansımalarının bugününü ve yarınını ele almayı hedeflediğim bu yazı dizisinin ilk bölümüne yapay zeka ve bu alanda en sık kullanılan makine öğrenmesi ve derin öğrenme kavramlarını genel hatlarıyla tanıtarak başlamak isterim.
Yapay Zeka (Artificial Intelligence, AI)
Yapay zeka, en basit tanımıyla, insan zekasının algılama, analiz etme, sorun çözme, öğrenme, karar verme ve çıkarım yapma gibi belirli bir parçasını oluşturan becerilerini taklit etmeye çalışan sistemlerin genel adıdır. Tanımı her ne kadar üst düzey gözükse de, rastgele büyükten küçüğe sıralama işlemi yapan bir algoritma da yapay zeka olarak kabul edilmektedir.²
Her gün e-posta adreslerimize düşen haber özetlerinden, kişisel finans durumunu izlemek için kullanılan mobil asistan uygulamalarına; sosyal medyada karşımıza çıkan reklamlardan, kasiyersiz ödeme yapabildiğimiz mağaza sistemlerine kadar hemen hemen her sektörde yapay zekanın etkisi altına aldığı örnekler görmek mümkündür.
Karşımıza çıkan örneklerin ve çalışma alanlarının birçoğu tek başına yapay zeka şeklinde genel olarak ifade edilse de aslında hepsi yapay zekanın alt dallarına ait örneklerdir.
Makine Öğrenmesi (Machine Learning, ML)
Her ne kadar birbiri yerine geçişmeli olarak kullanılsa da, yapay zeka ve makine öğrenmesi kavramlarını birbirinden ayırt etmek gerekmektedir. Makine öğrenmesi, yapay zekanın alt dallarından bir tanesi olan özelleşmiş bir kavramdır. Diğer yapay zeka uygulamalarından farklı olarak, bir yandan insan zekasını taklit ederken, diğer yandan verilebilecek herhangi bir komuta veya kurala ihtiyaç duymayan algoritmalar bütünüdür. Makine öğrenmesi, adı üstünde, bilgisayarlara açıkça programlama yapılmadan bir veri setinin eğitilmesi ve öğrenme yeteneğinin verilmesidir.
Makine öğrenmesi, hem girdi hem de sonucun tanımlandığı Gözetimli Öğrenme (Supervised Learning) ve algoritmanın kendisinin kullanılan veriden bir sonuca vardığı Gözetimsiz Öğrenme (Unsupervised Learning) olarak temelde iki algoritma kategorisine sahiptir. Her bir kategorinin kendi içerisinde, kullanılan veri setinin karakterine göre farklı algoritma kırılımları da bulunmaktadır. Makine öğrenmesi, her ne kadar yapay zekaya göre daha dar bir kavram olarak karşımıza çıksa da, içerisinde birçok farklı algoritma ve yöntem bulunduran bir alandır.
Makine öğrenmesinin günümüzde en sık kullanıldığı alanlardan bir tanesi sosyal medya önerileri ve haber akışları olmakla birlikte, kurumsal uygulamalarda da sıklıkla tercih edilmektedir. Örneğin, insan kaynakları sistemlerinde açık pozisyonlara en uygun adayları bulmak veya geçmiş tüketim davranışı verilerini kullanarak pazarlama stratejisi oluşturmak makine öğrenmesinin kurumsal hayattaki yansımalarındandır.³
Derin Öğrenme (Deep Learning)
Derin öğrenme ve makine öğrenmesi de birbiri yerine sıklıkla kullanılan kavramlardır; fakat ikisinin birbirinden ayrıldığı nokta algoritmaların veriler üzerinden öğrenme şeklidir. Derin öğrenme, insan müdahalesinden daha fazla sıyrılarak daha büyük veri kümelerinin kullanılmasını sağlar. İnsan beynindeki öğrenme sürecine benzer şekilde matematiksel modelleme aracılığıyla oluşturulan “Çok Katmanlı Yapay Sinir Ağları” üzerinden veri analizi gerçekleştirilir. Bu Yapay Sinir Ağlarının geri yayılım isimli bir algoritma ile eğitilmesine de derin öğrenme denilmekte; buradaki “derin” ifadesi birden fazla katmandan oluşan veriyi ifade etmektedir.⁴
Günümüzde karşımıza çıkan yapay zeka uygulamalarının birçoğu derin öğrenme kavramı altında yer almaktadır. Dil tercümesinde kullanılan sistemler, sohbet motorları (Chatbot), yüz tanıma sistemleri ve sosyal medya uygulamalarında kullanılan yapay zekaların birçoğu derin öğrenme üzerinden geliştirilmiştir.
Sonuç olarak, birbiri yerine sıklıkla kullanılan fakat her birinin ilişkilendirildiği farklı alanlar bulunan bu terimleri kullanırken, belli başlı hatalardan kaçınabilmek amacıyla genel hatlarıyla aralarındaki ilişkiyi bilmek önem taşımaktadır. Yazı dizisinin devamında yapay zekanın bankacılık sektörü üzerindeki etkilerine dair incelemeler paylaşılacaktır.
(3)https://www.ibm.com/cloud/blog/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks
Bunlar da İlginizi Çekebilir
![news](/uploads/image/c14e4153335f5583de8ff0e22bd24a55-1716187621937.jpg)
![news](/uploads/image/c3fa78cbca3d6f642788fd1f88aa517a-1714634821364.jpg)
![news](/uploads/image/5e905fd29a5047ad7a05eb71ecbf380e-1713785547561.jpg)
![news](/uploads/image/f9edd669c1d1c4709e7e6314f3a78dee-1703859456346.jpg)