Türkçe altyazı Turkish subtitles
0:00 Arthur C Clarke ünlü bir şekilde, yeterince gelişmiş herhangi bir teknolojinin sihirden ayırt edilemez olduğunu söylemiştir ve belki de Üretken Yapay Zeka ile ilk kez oynadığınızda bir sihir hissi uyandırmıştır. Arthur C Clarke famously said that any sufficiently advanced technology is indistinguishable from magic and perhaps the first time that you played with Generative AI it did evoke a sense of magic. 0:15 Aniden, tarihimizde ilk kez, dillerimizi konuşabilen, isteklerimizi anlayan ve tamamen yeni çıktılar üretebilen bir teknolojiye sahibiz. Suddenly, for the first time in our history, we have a technology that can speak our languages, understand our requests and produce entirely novel output. 0:26 Yapay zeka şiir yazabilir ve başka dünyalardan görüntüler çizebilir. AI can write poetry and draw otherworldly images. 0:30 Kod yazabilir. It can write code. 0:31 Bize özgün bir espri ya da müzik bestesiyle sürpriz yapabilir ve keyif verebilir. It can surprise and delight us with an original joke or musical composition. 0:37 Yaratabilir ve bu yaratma eylemi sık sık hayranlık uyandırır. It can create and an act of creation that often inspires wonder. 0:42 Ancak yapay zeka sihir değildir. But AI is not magic. 0:44 O, matematik ve bilimdir. It's math and science. 0:46 Ve bu ani bir şey değildi. And it wasn't sudden. 0:48 Bu deneyimler onlarca yıl süren bir hazırlığın sonucudur. These experiences have been decades in the making. 0:52 Yapay zeka hayatımızın her yönüne dokunacak. AI is going to touch every aspect of our lives. 0:56 Dünyayı değiştirecek. It will change the world. 0:58 Ancak dünyayı nasıl değiştireceği bize bağlı. But how it will change the world is up to us. 1:02 Hepimize. To all of us. 1:20 Yapay Zeka Akademisi'ne hoş geldiniz. Welcome to the AI Academy. 1:23 Benim adım Darío Gil. My name is Darío Gil. 1:25 Mesleki olarak bir elektrik mühendisi ve bilgisayar bilimcisiyim, aynı zamanda IBM Research'in başkanıyım; ayrıca bir iş lideri ve IBM'de kıdemli bir başkan yardımcısıyım. I'm an electrical engineer and computer scientist by trade and the head of IBM Research, but also a business leader and a senior vice president at IBM. 1:35 Bu seride yapay zekayı açıklığa kavuşturacağız. Buraya nasıl geldiğimizi, Üretken Yapay Zeka'nın nasıl çalıştığını gösterecek ve iş dünyasını ve toplumu nasıl dönüştüreceğinin bazı yollarını keşfedeceğiz. In this series, we are going to demystify AI. We’ll show you how we got here, how generative AI works, and explore some of the ways that it will transform business and society. 1:47 O halde, başlangıçtan başlayalım. So let's start at the beginning. 1:50 İnsanlar, makinelerin bir gün düşünebileceği ihtimali üzerine 1800'lerin sonlarından beri spekülasyon yapıyorlardı, ancak bu fikir gerçekten kök saldı 1950'de Alan Turing'in temel makalesiyle. People have been speculating about the possibility that machines would someday think since the late 1800s, but the idea really took root with Alan Turing seminal paper in 1950. 2:03 Tarihçiler Turing'i yapay zekanın babası olarak adlandırdı. Historians called Turing the father of AI. 2:06 O, bilgisayarların satranç oynayabileceğini, insan oyuncuları geçebileceğini ve doğal dilde yetkin hale gelebileceğini teorileştirdi. He theorized that we could create computers that could play chess, that they would surpass human players, that we could make them proficient in natural language. 2:17 O, makinelerin sonunda düşüneceğini teorileştirdi; bu benim IBM araştırma kariyerim sayesinde gerçekleşti. He theorized that machines would eventually think, thanks to my career in IBM research. 2:23 Turing'in düşünce makinesine giden yolda belirlediği birçok dönüm noktasını, Deep Blue satranç ve Jeopardy gibi sistemleri ve tartışma sistemlerini görüp bir parçası oldum. I have seen and been part of achieving many of the milestones that Turing identified on the way to a thinking machine, including chess with deep blue jeopardy and debating systems. 2:35 Ama Turing sadece bir başlangıçtı. But Turing was just a beginning. 2:38 Turing'in 1950 makalesi kıvılcım ise, sadece altı yıl sonra Büyük Patlama'yı, Dartmouth Çalıştayı'nı yaşadık. If Turing's 1950 paper was the spark, just six years later, we had the Big Bang, the Dartmouth Workshop. 2:46 Birkaç genç akademisyen, Bell Labs ve IBM'den birkaç kıdemli bilim insanıyla bir araya gelerek, yapay zekayı yoğun şekilde ele almak için sadece birkaç seçkin kişinin katıldığı uzun bir yaz çalıştayı önerdi. A couple of young academics got together with a couple of senior scientists from Bell Labs and IBM, and proposed an extended summer workshop with just a small handful of top people in adjacent fields to intensively consider artificial intelligence. 3:03 Böylece "yapay zeka" terimi ortaya çıktı ve yapay zekanın bir araştırma alanı olarak kurulduğu noktayı işaret etti. That is how the phrase artificial intelligence was coined, and in marks the point at which AI was established as a field of research. 3:13 Yıllardır çözmeye çalıştığımız ve makinelerin potansiyel olarak düşünebileceği sinir ağları, kendi kendine öğrenme, yaratıcılık ve daha fazlası gibi birçok zorluğu ayrıntılı bir şekilde ortaya koydular; hepsi bugün hâlâ geçerli. They laid out in extensive detail many of the challenges that we've been working all these years to solve and develop machines that could potentially think neural networks, self-directed learning, creativity and more. All still relevant today. 3:31 Perspektif açısından bakarsak, bu 1956 yılıydı; aynı yıl transistör icadı Nobel Ödülü'nü kazandı. For perspective, this was 1956, the same year the invention of the transistor won the Nobel Prize. 3:39 Şimdi bir GPU'da 100 milyarın üzerinde transistör ve birbirine bağlı sayısız GPU bankasıyla, üretken yapay zeka fonksiyonlarını oluşturup çalıştıracak hesaplama gücüne sahibiz. Now we can have over 100 billion transistors on a GPU and banks and banks of interconnected GPUs to provide the compute power to create and execute generative AI functions. 3:54 Tüm bu yıllar boyunca, yapay zeka teorileri, teknikleri ve fikirleri donanım ilerlemesiyle paralel olarak geliştirildi; bu da hesaplama ve depolama maliyetlerinde dramatik düşüşlere yol açtı ve şimdi üretken yapay zekayı gerçek ve pratik hâle getiriyor. All these years, the AI theories, techniques and ideas have been developed in parallel with progress in hardware that result in dramatic reductions in compute and storage costs, all converging now to make generative AI real and practical. 4:13 Ancak bu kritik noktayı vurgulamak istiyorum. But I want to make this critical point. 4:15 Sadece güçlü donanım ve zekice algoritmalardan ibaret değil. It's not just about powerful hardware and clever algorithms. 4:19 Üçüncü ve belki de en önemli bileşen, özellikle işinizle ilgili olduğunda, veridir. The third, and maybe the most important ingredient, particularly when it comes to your business, is data. 4:28 Veri olmadan üretken yapay zekadan bahsedemezsiniz. You can't talk about generative AI without talking about data. 4:33 Bu, yapay zeka tabure modeli mimarisinin üçüncü ayağıdır; yanısıra hesaplama ve veri de gerekir. It's the third leg of the AI stool model architecture, plus compute plus data. 4:44 Üretken yapay zekayı güçlendiren büyük dil modelleri ya da LLM'lerden bahsedilir. You hear about large language models or LLMs that are powering generative AI. 4:50 Peki, bunlar nedir? So what are they? 4:51 Temel seviyede, bunlar çok sayıda parametreyle yüksek boyutlu bir uzayda dili temsil etmenin yeni bir yoludur; bu temsili, devasa miktarda metinle eğiterek oluşturursunuz. At a basic level, they are a new way of representing language in a high dimensional space with a large number of parameters, a representation that you create by training of massive quantities of text. 5:06 Bu açıdan bakıldığında, bilişim tarihinin büyük bir kısmı veriyi yeni yollarla temsil etmek ve ondan değer çıkarmak üzerine olmuştur. From that perspective, much of the history of computing has been about coming up with new ways to represent data and extract value from it. 5:14 Verileri tablolar içinde koyarız; çalışanların ya da müşterilerin satırları ve niteliklerin sütunları bir veritabanında. We put data in tables, rows of employees or customers, and columns of attributes in a database. 5:22 Bu, işlem işleme ya da bireylere ödeme yapmak için çek yazma gibi şeyler için harikadır. This is great for things like transaction processing or writing checks for payments to individuals. 5:29 Sonra verileri grafiklerle temsil etmeye başladık. Then we started representing data with graphs. 5:32 Veri noktaları arasındaki ilişkileri görmeye başlarız. We start to see relationships between data points. 5:36 Bu kişi, bu işletme ya da bu yer, diğer insanlar, işletmeler ve mekanlarla bağlantılıdır. This person or this business or this place is connected to these other people or businesses and places. 5:43 Bu şekilde temsil edilen veri desenleri ortaya çıkarmaya başlar. Data represented this way starts to reveal patterns. 5:47 Ve bir sosyal ağı haritalayabilir ya da kredi kartı dolandırıcılığı tespiti için anormal alışverişleri fark edebiliriz. And we can map a social network or spot anomalous purchases for credit card fraud detection. 5:54 Şimdi, büyük dil modelleriyle çok fazla veri konuşuyoruz ve bunu beyin hücrelerinin soyut bir versiyonunu taklit eden sinir ağlarında temsil ediyoruz. Now, with large language models, we are talking lots of data and representing it in neural networks that simulate an abstract version of brain cells. 6:06 Onlarca milyar, yüzlerce milyar hatta trilyon parametreli katmanlar ve bağlantılar. Layers and layers of connections with tens of billions or hundreds of billions, even trillions of parameters. 6:14 Ve birdenbire bazı büyüleyici şeyler yapmaya başlayabilirsiniz. And suddenly you can start to do some fascinating things. 6:19 O kadar detaylı desenler keşfedebilirsiniz ki ilişkileri yüksek bir güvenle tahmin edebilirsiniz. You can discover patterns that are so detailed that you can predict relationships with a lot of confidence. 6:25 Bu kelimenin bir sonraki kelimeyle en çok bağlantılı olduğunu tahmin edebilirsiniz. You can predict that this word is most likely connected to this next word. 6:30 Bu iki kelime, belirli bir üçüncü kelimeyle takip edilme ihtimali en yüksek olan bir yapı oluşturur, tekrar tekrar yeniden değerlendirilir ve tahmin edilir; böylece yeni bir şey yazılır ya da yeni bir şey yaratılır/üretilir. These two words are most likely followed by a specific third word building up, reassessing and predicting again and again until something new is written or something new is created or generated. 6:44 İşte üretken yapay zeka budur: veriye bakıp ilişkileri keşfetme ve dizilerin olasılığını yeterince güvenle tahmin ederek daha önce var olmayan bir şeyi yaratma ya da üretme yeteneği. That's what generative AI is: the ability to look at data and discover relationships and predict the likelihood of sequences with enough confidence to create or generate something that didn't exist before. 6:57 Metin, görseller, sesler; modelde temsil edilebilecek her türlü veri. Text, images, sounds, whatever data can be represented in the model. 7:04 Bunu daha önce derin öğrenme ile sınırlı bir şekilde yapabiliyorduk; bu da kendi içinde bir AI dönüm noktasıydı. We could do a limited version of this before with deep learning, which was an AI milestone in its own right. 7:12 Derin öğrenme ile çok katmanlı, çok büyük sinir ağları kullanarak devasa miktarda veri temsil etmeye başladık. With deep learning, we started representing a massive amount of data using very large neural networks with many layers. 7:19 Ancak yakın zamana kadar, eğitimin büyük bir kısmı etiketlenmiş veri kullanılarak gerçekleşiyordu. But until recently, a lot of the training happened using annotated data. 7:24 Bu, insanların manuel olarak etiketlediği veridir. This is data that humans would label manually. 7:27 Bunu denetimli öğrenme diyoruz ve maliyeti yüksek, zaman alıcı. We call this supervised learning, and it's expensive and time consuming. 7:32 Bu yüzden sadece büyük kurumlar bu işi yapıyordu ve belirli görevler için gerçekleştiriliyordu. So only large institutions were doing that work and it was done for specific tasks. 7:38 Ancak 2017 civarında, transformer adı verilen bir mimariyle güçlendirilmiş yeni bir yaklaşım gördük; bu yaklaşım Self-supervised Learning (kendinden denetimli öğrenme) olarak adlandırılan bir öğrenme biçimini gerçekleştiriyor. But around 2017, we saw a new approach, power by an architecture called transformers to do a form of learning called Self-supervised Learning. 7:49 Bu yaklaşımda, bir model büyük miktarda etiketlenmemiş veri üzerinde eğitilir; metnin belirli bölümlerini, kelimeleri, cümleleri vb. maskeler ve modelden bu maskelenmiş kelimeleri doldurması istenir. In this approach, a model is trained on a large amount of unlabeled data by masking certain sections of the text, words, sentences, etc., and asking the model to fill in those masked words. 8:04 Bu muhteşem süreç, ölçekli olarak uygulandığında dar kullanım durumları ve uzmanlık alanları yerine büyük dil modeli (LLM) dediğimiz güçlü bir temsile yol açar. This amazing process, when done at scale results in a powerful representation that we call a large language model instead of narrow use cases and areas of expertise. 8:17 Daha geniş bir şey elde etmeye başlayabilirsiniz. You could start to have something broader. 8:20 Temelde, bu LLM'ler devasa internet verileri üzerinde eğitilebilir ve insan benzeri doğal dil yetenekleri kazanabilir. Basically, these LLMs could be trained on huge volumes of internet data and acquire a human like set of natural language capabilities. 8:30 Ölçekli kendinden denetleme, devasa veri ve hesaplama gücüyle birleştiğinde bize genelleştirilebilir ve uyarlanabilir temsiller sağlar. Self supervision at scale combined with massive data and compute, Give us representations that are generalizable and adaptable. 8:40 Bunlara temel modeller (foundation models) denir; kendinden denetleme kullanılarak eğitilen ve ardından geniş bir yelpazedeki alt görevlere uyarlanabilen büyük ölçekli sinir ağlarıdır. These are called foundation models, large scale neural networks that are trained using self supervision and then adapt it to a wide range of downstream tasks. 8:52 Bu, güvenilir sektöre özgü verilerle eğitilmiş büyük bir önceden eğitilmiş modeli alabileceğiniz ve kurumsal bilginizi kullanarak modeli belirli kullanım durumlarınızda mükemmel performans gösterecek şekilde ayarlayabileceğiniz anlamına gelir. This means that you can take a large pre-trained model, ideally trained with trustworthy industry specific data, and that your institutional knowledge to tune the model to excel at your specific use cases. 9:06 Sonuçta size özel bir şey elde edersiniz; aynı zamanda oldukça verimli ve çok daha hızlı dağıtılabilir. You end up with something that is tailored for you, but also quite efficient and much faster to deploy. 9:13 Güncel düşünce genellikle bunu dile uygulayabileceğiniz yönündedir, ancak bu bir soruyu gündeme getirir. The current thinking is usually that you can apply this to language, but that sparks a question. 9:20 Dil nedir? What is a language? 9:22 Bir endüstriyel ekipmanın içindeki sinyaller size konuşuyor. Signals in a piece of industrial equipment are talking to you. 9:26 Bir kullanıcının bir web sitesinde gezinirken yaptığı tıklamalar, yazılım kodu, kimya ve kimyasalların diyagramatik temsilleri. The clicks of a user navigating a website, software code, chemistry and the diagrammatic representations of chemicals. 9:35 Gözlerinizi kısarsanız, her şey çözülebilir ve anlaşılabilir bir dil gibi görünmeye başlar. If you squint, everything starts looking like a language that can be deciphered and understood. 9:42 Yapay zeka, bu dillerin herhangi birinde üretkenliği artıran her türlü işi yapacak şekilde özelleştirilebilir. AI can be specialized to do all kinds of things that boost productivity in any of those languages. 9:49 Bu, yapay zekanın işinizde yatay olarak genişleyerek İnsan Kaynakları süreçlerine kadar uzanabileceği anlamına gelir. That means that AI can stretch horizontally across your business to H.R. processes. 9:56 Müşteri hizmetleri ve kendin-yap siber güvenlik, kod yazma, uygulama modernizasyonu ve birçok diğer şey. Customer service and self-service cybersecurity, code writing, application modernization, and so many other things. 10:10 Son birkaç yılda elde edilen tüm ilerlemelerle. With all the advances achieved in the last few years. 10:12 1950'lerin hırsı tam bir daire çizdi. The ambition of the 1950s has come full circle. 10:17 Bugünün modelleri gerçek genel zekayı temsil etmiyor, ama bazıları Turing testini geçebiliyor. Today's models don't constitute true general intelligence, but some of them can pass the Turing test. 10:25 Peki bu bizim için ne anlama geliyor? So what does it mean for all of us? 10:28 Bazı insanlar üretici yapay zekayı gördüklerinde parlak bir ütopyanın şafağında olduğumuzu düşünüyor, diğerleri ise bunun distopik bir sıkıntının öncülü olduğunu söylüyor. Some people encounter generative AI and think we're at the dawn of a bright utopian age, while others think this is the prelude to dystopian misery. 10:39 Bir bilim insanı olarak orta bir görüş benimsiyorum. As a scientist, I take a moderate view. 10:42 Hem iyimserlik hem de kaygı geçerli, ve Sanayi Devrimi'nden bu yana her büyük yenilik dönüm noktasında aynı soruları sorduk. Both the optimism and the anxiety are valid, and we've asked the same questions at every major innovation milestone from the Industrial Revolution onward. 10:54 Yapay zeka sadece dijital dünyayla ilgili değil. AI isn't just about the digital world. 10:58 Aynı zamanda fiziksel dünya ile de ilgilidir. Doğru uygulandığında, yapay zekanın keşif ve inovasyon hızına ne katabileceğini, yeni malzemeler bulmada, tıpta, enerjide, iklimde ve tür olarak karşılaştığımız birçok acil sorunda ne yapabileceğini hayal edin. It's also about the physical world. Applied properly, imagine what AI can do for the pace of discovery and innovation, what it can do for discovering new materials, for medicine, for energy, for climate, 11:12 Ve bu kadar çok önemli sorunla nasıl başa çıkacağımızı. and so many of the pressing challenges that we face as a species. 11:18 Sonuçta, başarımız yapay zekaya yaklaşımımıza bağlıdır; üretici yapay zekadan ilk kez duyduğunuz zamanı hatırlamanızı istiyorum. Ultimately, our success depends on how we approach AI I want you to think back to the first time you heard about generative AI. 11:28 Bu ifade gerçekten halka 2022'nin Kasım ya da Aralık ayında girdi. It's a phrase that really became part of the public conversation in maybe November or December of 2022. 11:36 Yeni modeller, evrimleşen modeller ve açık modellere bir patlama gördük. We have seen new models, evolved models and an explosion of open models. 11:42 Üretici yapay zeka, büyüleyici bir yenilikten yeni bir iş zorunluluğuna bir yıldan az bir sürede dönüştü ve her gün yeni bir kullanım örneği ya da uygulama haberi geliyor. Generative AI has gone from being a fascinating novelty, to a new business imperative in less than a year and every day there is news of a new use case or application. 11:54 Büyüme o kadar hızlı ki, on yıl sonra ya da hatta on ay sonra nerede olacağımızı tam olarak tahmin edemiyorum. There's such rapid growth that I can't predict exactly where we'll be ten years from now or even ten months from now. 12:01 Ama kesinlikle bu yolculuğu aktif bir şekilde şekillendirmek isteyeceğinizi biliyorum. But I do know that you're going to want to be actively engaged in shaping that journey. 12:08 Yapay zekanın geleceği, herkes için her şeyi yapacak bir ya da iki harika model değildir. The future of the AI is not one or two amazing models to do everything for everyone. 12:14 Çok modludur. It's multimodal. 12:16 Açık bilim ve açık kaynak yapay zekanın enerjisi ve şeffaflığından yararlanarak demokratikleşmesi gerekir, böylece hepimiz yapay zekanın ne olduğu, ne yaptığı, nasıl kullanıldığı ve toplumu nasıl etkilediği konusunda bir sesimiz olur. It needs to be democratized, leveraging the energy and the transparency of open science and open source AI so that we all have a voice in what AI is, what it does, how it's used, and how it impacts society. 12:32 Yapay zekanın ne yapabileceğine ve işinizle nasıl bütünleşeceğine karar verme hakkı size ait. Where you get to decide what AI can do and how it integrates with your business. 12:38 Yapay zekayı etkili, güvenli ve sorumlu bir şekilde çalıştırmak için planlar yapma zamanı. It's time to start making plans for how you can effectively, safely and responsibly put AI to work. 12:45 Ve size dört ana tavsiyeyle veda ediyorum. And then to leave you with four main pieces of advice. 12:50 Birincisi, verilerinizi korumalısınız. Number one, you want to protect your data. 12:53 Verileriniz ve bu verilerin temsilleri, yani AI modelleri, rekabet avantajınız olacak. Your data and the representations of that data, which, as I just explained, are what AI models are, will be your competitive advantage. 13:03 Bunu dışarıya bırakmayın. Korumak sizin elinizde. Don't outsource that. Protect it. 13:06 İkincisi, AI tarafından verilen kararları ve önerileri mümkün olduğunca anlayıp açıklayabilmek için şeffaflık ve güven ilkelerini benimsemelisiniz. Number two, you have to make sure that you are embracing principles of transparency and trust so that you can understand and explain as much as possible of the decisions or recommendations made by AI. 13:20 Üçüncüsü, AI'nızın etik bir şekilde uygulanmasını sağlamalısınız; modellerinizin yasal olarak erişilen kaliteli verilerle eğitildiğinden emin olun. Number three, you want to make sure that your AI is implemented ethically, that your models are trained on legally accessed quality data. 13:29 Bu veri doğru ve ilgili olmalı, aynı zamanda önyargı, nefret söylemi ve diğer toksik unsurları kontrol altında tutmalıdır. That data should be accurate and relevant, but also control for bias, hate speech, and other toxic elements. 13:36 Dördüncüsü, sadece bir yolcu olmayın. A number four, don't be a passenger. 13:40 AI kaderinizi kontrol etmek için platformlar ve süreçlerle kendinize güç katmalısınız. You need to empower yourself with platforms and processes to control your AI destiny. 13:45 AI uzmanı olmanız gerekmiyor, ancak her iş lideri, politikacı, düzenleyici ve herkes bu yeni teknolojiyi nerede, ne zaman ve nasıl uygulayacağımız konusunda bilinçli kararlar alabilecek bir temele sahip olmalı. You don't need to become an AI expert, but every business leader, every politician, every regulator, everyone should have a foundation from which to make informed decisions about where, when, and how we apply this new technology. 14:01 AI Academy serisinin geri kalanında bu konuların hepsini daha detaylı ele alacağız. We will cover all of these topics in more detail in the rest of the AI Academy series. 14:07 Her video, bu temel konularda belirli bir bakış açısına sahip bir konu uzmanını içerecek. Every video will feature a subject matter expert with a specific point of view on these key topics. 14:14 Bir sonraki bölümde, sadece bir AI kullanıcısı olmaktan öteye geçip bir AI değer yaratıcısı olmak için yolculuğunuzu kontrol etmenin neden zorunlu olduğunu konuşmak üzere tekrar ev sahipliği yapacağım. I hope you will join us for the next episode where I will be hosting again to talk about why it's imperative to take control of your journey to go beyond just an AI user and become an AI value creator. Altyazı bilgisayarımda üretildi ve videoyla ilerler; bir satıra tıklayın, o ana atlasın. Subtitles generated on my computer; they follow the video — click a line to jump there.
Bu video, Generative AI'ın iş dünyasını nasıl dönüştüreceğini ve bu teknolojinin bilimsel temellerini açıklıyor. This video explains how Generative AI will transform the business world and the scientific foundations of this technology.
Bu video youtube.com üzerinde yayımlandı; buradaki oynatıcı YouTube’undur. Türkçe özet ve altyazı AiPulse için hazırlanmıştır. This video is published on youtube.com ; the player here is YouTube’s. The Turkish summary and subtitles are prepared for AiPulse .
YouTube’da izle Watch on YouTube AI Kritik → AI Critique →