Bu çalışmada çeşitli yapay zeka teknikleriyle ilgili makaleler derlenerek problem tipi, uygulama alanı, uygulanan teknik, tekniğin güçlü ve zayıf yanları ve yapay zeka uygulamasının gerekçesi başlıkları altında incelenmiştir. Bu ölçütler problem çözümünde neden yapay zeka kullanıldığı, kullanılan yöntemin avantaj ve dezavantajlarını görmemiz açısından çok önemlidir.
Yapay zekanın tıp, inşaat, şehir planlama, enerji ve daha bir çok alanda klasik yöntemlere göre düşük maliyet, hızlı işlem yapabilme, karmaşık problemleri çözüm sunabilme, az örnekleme yapılabilen yerlerde çalışabilmesi, verimli olması gibi sebeplerle etkin olarak kullanıldığı gözlemlenmiştir.
Giriş
Günümüzde teknolojinin gelişmesi ve teknoloji okuryazarlığının artmasıyla birlikte bilgisayar artık sadece bilgi edinme gibi nedenlerle değil karar verme uygulamalarında da kullanılmaktadır. İşlem hızı, hiçbir detayı gözden kaçırmaması, karar verme mekanizmasındaki maliyetleri düşürmesi ve matematiksel olarak çözülemeyen durumlarda çözüm sunması gibi sebeplerle Yapay zeka uygulamaları her alanda yaygınlaşmaktadır.
Yapay zeka, insan tarafından yapıldığında zeka olarak adlandırılan davranışların (akıllı davranışların) makina tarafından da yapılmasıdır. Yapay zekanın insan aklının nasıl çalıştığını gösteren bir kuram olduğu da söylenebilir. Yapay zekanın amacı, makinaları daha akıllı hale getirmek, zekanın ne olduğunu anlamak ve makinaları daha faydalı hâle getirmektir.
Yapay zekanın amacı insanın zekasını bilgisayar aracılığı ile taklit etmek, bu anlamda belli bir ölçüde bilgisayarlara öğrenme yeteneği kazandırabilmektir. Bu şekilde Yapay zeka çoğunlukla insanın düşünme yeteneğini, beynin çalışma modelini veya doğanın biyolojik evrimini modellemeye çalışan yöntemlerden oluşur. [5]
Başlıca yapay zeka teknikleri şunlardır:
Tavlama Benzetimi (Simulated Annealing),
Uzman Sistemler (Expert Systems),
Bilgisayarlı Görme (Computer Vision),
Konuşma Tanıma (Speech Recognition),
Yapay Sinir Ağları (ANN: Artificial Neural Networks),
Bulanık Mantık (Fuzzy Logic),
Desktek Vektör Makinesi (Support Vector Machine),
Genetik Algoritmalar (Genetic Algorithms),
Kaotik Modelleme,
Robotik,
Bunların bir veya birkaçının kullanılmasıyla oluşturulan hibrid (karma) sistemler.
Çeşitli Yapay Zeka Uygulamalarının Tablo Halinde İncelenmesi
Tablo 1. Çeşitli yapay zeka çalışmalarının belirli kriterlere göre incelenmesi.
REFERANS NO | PROBLEM TİPİ | UYGULAMA ALANI | UYGULANAN TEKNİK | TEKNİĞİN GÜÇLÜ VE ZAYIF YÖNLERİ | YZ UYGULAMASININ GEREKÇELERİ |
1 | Tahmin | Benzer süreçlerle üretilen ürünler için yapay zekâ ile zaman tahmini | Yapay sinir ağları |
| İşleri düşük maliyetle ölçebilecek yöntem ve araçların henüz geliştirilememesi. İş ölçümünün, uygulamasında karşılaşılan güçlükleri çoğunun bu gerçekle ilgili olduğu söylenebilir. |
2 | Sınıflandırma, Kümeleme | İstatistiksel makine öğrenme araçlarını kullanarak yapı enerji performansının kantitatif kesin tahmini | Yapay sinir ağları |
| Büyük yapılarda verimli hesap yağabilmesi ve matematiksel modellerin uzun zaman alması. |
3 | Sınıflandırma, Kümeleme | Ev ortamlarında binary sensörler kullanarak hibrit üretici / ayırıcı modelleme ile aktivite tanılama | Yapay Sinir Ağları ve Destekçi Vektör Makinesi |
| Nüfusun giderek yaşlandığı günümüzde insanların özellikle de bakıma ihtiyaç duyacak insanların evlerdeki aktivitelerini tanıyarak sağlık desteğine ihtiyaç duyacağı durumları otomatik tespit etmek amaçlanmıştır. Bu çalışmayı da herhangi bir matematiksel modelle yapmak mümkün değildir. Bu yüzden yapay zekâya bu tanılamaları yapma konusunda ihtiyaç duyulmuştur. |
4 | Tahmin | Tıpta yapay zeka uygulamaları | Bulanık mantık |
| Tıpta kullanılan çoğu kavram bulanıktır. Tıptaki pratiğin karmaşıklığı nedeniyle geleneksel nicel analiz yaklaşımları uygun olmamaktadır. |
5 | Tahmin | Trafikte yapay zeka uygulamaları | Yapay Sinir Ağları |
| Genellikle matematiksel optimizasyon seçenekleri küçük şebekelerde uygulanabilir. Büyük şebekeler için ise sezgisel yöntemler tercih edilir. |
6 | Kümeleme | Optimize edilmiş kümeleme uygulaması ile beyin MR görüntülerinde beyaz madde lezyonlarının otomatik tanınması | Bulanık Mantık |
| MS hastalarında yaygın olarak bulunan beyaz madde lezyonlarının bulunması ve aynı zamanda yaşlanma ile de ortaya çıkan bu lezyonların saptanması için ortaya konmuş matematiksel bir model yoktur. Yaşı ilerlemiş hastalarda da bu lezyonların gözlemlenmesi bir hayli zordur. Bu nedenle böyle bir kümeleme uygulaması yapılmıştır. |
7 | Tahmin | Uyarlanabilir Bulanık Mantık kontrolüyle rüzgâr türbini emülatörü | Bulanık Mantık |
| Rüzgar türbinlerinin test edilmesi ve izlenmesi gerçek koşullarda oldukça zordur. Bu çalışma ile bulanık mantık kullanılarak gerçek koşullara uygun şekilde benzetim yapılmıştır. |
8 | Sınıflama | Bulanık mantık kullanarak tüberküloz hastalığının demografik dağılımı üzerinde karar modeli belirleme | Bulanık Mantık |
| Tüberküloz hastalığına yakalanma bazı koşullarda saptanabilirken bazı koşullarda da belirsizlik sunmaktadır. Bu belirsizlik herhangi bir istatiksel ve matematiksel çalışma yapılamamasına sebep olduğu için bulanık mantık kullanılmıştır. |
9 | Sınıflama | Mesaj işleme ve sınıflandırma | Uzman Sistemler |
| Bu sistemin geliştirilme amacı kurum içinde iletilen çok sayıda mesajı tek tek okumak yerine otomatik olarak sınıflandırmak ve hangi departmana yönelik olduğunu belirlemektir. Çoğu zaman mesaj yazan kişi bile hangi departmana ileteceğini bilmediğinden işlemleri hızlandırmak adına bu çareye başvurulmuştur. |
10 | Tahmin | Yapay sinir ağları ile asenkron motor hata teşhisi | Yapay Sinir Ağları |
| Bazı tesislerde bir asenkron motorun durması ciddi zaman ve emek kaybına sebep verebilir. Bu yüzden geleneksel metotlar yerine simülasyon oluşturulabilen ve kendi kendine süreçleri takip edip raporlayabilen yapay zeka yöntemleri uygulanmaktadır. |
11 | Tahmin | Yapay sinir ağları ile elektrik enerjisi tüketimi tahmini | Yapay Sinir Ağları |
| Gelecek dönemdeki yatırım planları için en uygun tahmin modelinin araştırılması için yapılmış bir çalışmadır. Neticesinde YSA’nın olumlu sonuç verdiği gözlemlenmiştir. |
12 | Tahmin | Yapay zeka yöntemleriyle trafik kaza tahmin modeli oluşturma | Genetik Algoritma |
| Geleceğe yönelik daha net tahminler yapabilmek için geleneksel yöntemlerle yapay zekâ yöntemlerini karşılaştırma amaçlı yapılmış bir çalışmadır. |
13 | Tahmin | Ham petrol fiyatlarının yapay sinir ağları ile tahmini | Yapay Sinir Ağları |
| “Yapısı gereği hem doğrusal hem de doğrusal olmayan ilişkileri modelleyebilen yapay sinir ağları, veri setine ilişkin fonksiyonel yapının tam olarak belirlenemediği durumlarda, veriden hareketle birçok değişik formdaki fonksiyonel yapıyı başarıyla modelleyebilmekte ve herhangi bir formdaki fonksiyona belirli bir doğrulukla yakınsayabilmektedir. Ayrıca, parametrik bir yöntem olmasından dolayı istatiksel yöntemlerin aksine herhangi bir ön varsayıma gereksinim duymaz. “ |
14 | Kümeleme, Sınıflandırma | K-means ve YSA temelli hibrit bir model ile epilektik EEG işaretlerinin sınıflandırılması | Yapay Sinir Ağları (K- Means – YSA Hibrit Yöntem) |
| YSA hızlı ve paralel işlem yapabilme gücüne sahip olup çözüm algoritması çok karmaşık ya da zor olan problemleri gözlemlere dayanarak gerçek zamanda çözebilmektedir. Bundan dolayı da geleneksel yöntemlere göre oldukça avantajlıdır. |
15 | Tahmin | Kurak iklimde Destek Vektör Makinesi kullanarak günlük ve aylık ortalama solar radyasyon tahmini | Destek Vektör Makinesi |
| “Destek Vektör Makinesi yöntemi solar radyasyon tahmini için kullanılan ampirik modellerden daha iyi sonuçlar vermektedir” |
16 | Tahmin | Elektrik piyasasındaki fiyat stratejisinde karar destek için Destek Vektör Makineleri | Destek Vektör Makinesi |
| “Elektrik piyasalarındaki yeniden yapılanma karmaşıklığı ve tahmin edilemezliği arttırdığından bu tür tahminlerde yapay zeka kullanılmaktadır. |
17 | Tahmin | Virüslerdeki protein fosforilasyonu bölgelerinin Destek Vektör Makinaları ile tanımlanması
| Destek Vektör Makinesi |
| “Normalde virüslerdeki fosforilasyon bölgelerinin bulunması için pahalı donanımlara ve uzman bilgisine gerek vardır. Üstelik bu donanımlar sadece belirli sayıda laboratuarda mevcuttur. Bu yüzden yapay zeka yöntemleri kullanılarak daha düşük maliyetle ve donanım bağımsız bir yol izlenmiştir.” |
18 | Tahmin | Genetik Algoritma kullanarak sokak tümseklerinden geçen araç gürültüsünü minimize etme | Genetik Algoritmalar ve Yapay Sinir Ağları |
| “Lineer olmayan gürültü problemlerinde yapay zeka daha iyi sonuçlar vermektedir. Matematiksel hesaplarda hata oranı Yapay Zeka tekniklerine göre %5 daha fazladır. Yapay Zeka ile yapılan denemelerde bu oran %2 olarak gerçekleşmiştir.“ |
19 | Tahmin | Biyokütle pirolizi için Bulanık Mantık tabanlı tahmin modeli
| Bulanık Mantık ve Yapay Sinir Ağları (Adaptif Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi - ANFIS) |
| “Biyokütle homojen bir kimyasal yapı olmadığından diğer deterministtik modeller uygulanamamaktadır.” |
20 | Tahmin | Uzman Sistemlerle yaş tahmini otomasyonu | Uzman Sistemler |
| Kemik yaşı berlirlemek için Greulich-Pyle Atlası (GPA) kullanılmaktadır. Bu atlas elde edilen röntgen sonuçlarıyla karşılaştırılarak en yakın sonuç yaş olarak belirlenir. Ancak bazı durumlarda örnekleme yapılan bölgeler arasında yaş farkı ortaya çıkmaktadır. Konuyu incelenen bu makale dışında da ele alırsak, Türkiye’deki son yıllarda yapılan bazı araştırmalarda GPA’nın bilinen yaşa göre daha büyük sonuçlar verdiği gözlemlenmiştir.[21] Yani bölgesel olarak da devamlı kendini yenileyen bir yöntem daha işlevseldir. |
Referanslar
Altın, S.S., “Benzer Süreçlerde Üretilen Ürünler İçin Yapay Zeka İle Zaman Tahmini”, Başkent Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 2011
A. Tsanas, A. Xifara: 'Accurate Quantitative Estimation Of Energy Performance Of Residential Buildings Using Statistical Machine Learning Tools', Energy and Buildings, Vol. 49, pp. 560-567, 2012
Ordonez, F.J.; de Toledo, P.; Sanchis, A.,” Activity Recognition Using Hybrid Generative/Discriminative Models on Home Environments Using Binary Sensors”. Sensors 2013, 13, 5460-5477.
Demirhan, A., Kılıç, Y. A., Güler, İ., “Tıpta Yapay Zeka Uygulamaları”, Yoğun Bakım Dergisi, 2010;9(1):31-42
Tektaş, M., Akbaş, A., Topuz, V., “Yapay Zeka Tekniklerinin Trafik Kontrolünde Kullanılması Üzerine Bir İnceleme”, I. Uluslararası Trafik ve Yol Güvenliği Kongresi, Ankara, 551-559, 2002.
Anitha,M., Selvy, P.T., “An Optimized Clustering Approach for Automated Detection of White Matter Lesions in MRI Brain Images”, Broad Research in Artificial Intelligence and Neuroscience Vol2. No:1, 2012
Amine, B.M., Souhila, Z., Tayeb, A., Ahmed, M., "Adaptive Fuzzy Logic Control of Wind Turbine Emulator", International Journal of Power Electronics and Drive System (IJPEDS), Vol. 4, No. 2, June 2014, pp. 233~240
LR de Sá, J de Almeida Nogueira, RM de Moraes, “Decision model on the demographic profile for tuberculosis control using fuzzy logic”, Revista Eletronica de Enfermagem, 2015 apr./jun.;17(2):223-37.
Sönmez, C., Çakır, Ş., “Kara Kuvvetleri Mesaj İşleme Ve Sınıflandırma Uzman Sistemi”, İTÜ Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 2003
Çalış, H., Kayaalp, K., “Asenkron Motor Hata Teşhisinde Modern Metotlar”, Makine Teknolojileri Elektronik Dergisi, 2007 (2) 49-57
Hamzaçebi, C., Kutay, F., “Yapay Sinir Ağları İle Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini”, Gazi Üniv. Müh. Mim. Fak. Der. Cilt 19, No 3, 227-233, 2004
Akgüngör, A. P., “Farklı Yöntemler Kullanılarak Geliştirilen Trafik Kaza Tahmin Modelleri ve Analizi”, Int. J. Eng. Research & Development, Vol.2, No.1, January 2010.
Kaynar, O., Taştan, S., Demirkoparan, F., “Ham Petrol Fiyatlarının Yapay Sinir Ağları İle Tahmini”, Ege Akademik Bakış 10 (2) 2010:559-573
Tekin, R., Kaya, Y., Tağluk, M.E., “K-means ve YSA temelli Hibrit Bir Model ile Epileptik EEG İşaretlerinin Sınıflandırılması”, Elektrik-Elektronik ve Bilgisayar Sempozyumu, 2011
Belaid, S., Mellit, A., “Prediction of daily and mean monthly global solar radiation using support vector machine in an arid climate”, Energy Conversion and Management 118(2016) 105-118
Pinto, T., Sousa T. M., Praça, I., Vale, Z., Morais, H., “Support Vector Machines for decision support electricity markets’ strategic bidding”, Neurocomputing Volume 172, 8 January 2016, Pages 438–445
Huang, S., Shi, S., Qiu, J., Liu, M., “Using support vector machines to identify protein phosphorylation sites in viruses”, Journal of Molecular Graphics and Modelling 56 (2015) 84-90
Sarafraz, H., Sarafraz, Z., Hodaei, M., Sayeh, N., “Minimizing vehicle noise passing the street bumps using Genetic Algorithm”, Applied Acoustics 106(2016) 87-92
Lerkkasemsan, N., “Fuzzy-based predictive model for biomass pyrolysis”, Aplied Energy xxx(2016) xxx-xxx
Seok, J., Kasa-Vubu, J., Dipietro, M., Girard, A., “Expert system for automated bone age determination”, Expert Systems Wits Applications 50 (2016), 75-88
Demirkıran, D.S., Çelikel, A., Zeren, C., Arslan, M.M., “Yaş tespitinde kullanılan yöntemler”, Dicle Tıp Dergisi, 2014;41(1):238-243
Normalde hiç yazmam yorum. Bilgiyi alıp giderim. Ama bu sefer baktım kimse yazmamış ben teşekkür etmek istedim. Gerçekten çok faydalı bir içerik olmuş. Bu bilgiyi hem tablo halinde hem de kaynakça ile paylaştığınız için tekrardan teşekkür ederim.
Teşekkürler. İşinize yaramasına sevindim 🙂