Page 58 - bilgem-teknoloji-dergisi-9

Yapay Zekâ

Kullanım Senaryoları ve Ticarileşme Boyutu Kaynakça
Dünyanın her geçen gün daha büyük Yapay zekâ veri tabanı sistemi kullanım senaryosu Silberschatz, A., Korth, H.F. ve Sudarshan, S., (2011). Database
boyuttaki veriye ihtiyaç duymasının için nakliye şirketi altyapısı örnek olarak verilebilir. System ConceptsVeritabanı Nedir?. (t.y.). Erişim: 2 Şubat 2020,
yanında günümüzde geleneksel veri Nakliye şirketinde bulunan bir yapay zekâ veri tabanı, https://www.oracle.com/tr/database/what-is-database.html
araç filosundan gelen büyük boyuttaki gerçek zamanlı
tabanı yönetim sistemleri büyük akan veriyi işleyebilir. Elde ettiği coğrafi verileri analiz Wannalai, N., ve Mekruksavanich, S. (2019, Ocak). The Applicati-
on of Intelligent Database for Modern Information Management.
miktardaki veri ile yeteri kadar başa edilerek modelleyebilir ve kamyonları dinamik olarak 2019 Joint International Conference on Digital Arts, Media and
Technology with ECTI Northern Section Conference on Electri-
çıkamamaktadır. yeniden yönlendirebilir ve/veya rotalarını optimize edi- cal, Electronics, Computer and Telecommunications Enginee-
lebilir. Bu itibarla Yapay zekâ uygulamalarının verimini
ve kullanılabilirliğini artırabilen bu teknolojiye ticari şir- ring (ECTI DAMT-NCON).
yüzler (Go, Python, Java, PL/SQL vb.) üzerinden kullanıl- ketler kayıtsız kalmamıştır. Vasic V. (2017). Artificial Intelligence tunes Azure SQL Databa-
masını mümkün kılarlar. Benzer şekilde veri hazırlama ses. Erişim: 2 Şubat 2020, https://azure.microsoft.com/is-is/
(normalleştirme, dönüştürme) ve model eğitme gibi Günümüzde, yapay zekâ veri tabanı olarak oluşturul- blog/artificial-intelligence-tunes-azure-sql-databases/
faaliyetlerin veri tabanı üzerinde otomatik veya manuel muş birçok ticari ürün bulunmaktadır. Bu ürünler, kul- Oracle Autonomous Database Technical Overview (2019). Eri-
olarak gerçekleştirilebilmesine imkan sağlayacak şekil- lanıcı tanımlı fonksiyonların oluşturulmasına imkan şim: 2 Şubat 2020, https://www.oracle.com/a/ocom/docs/
de tasarımlarını geliştirmişlerdir. sağlayarak veri tabanında bulunan kayıtlar üzerinde database/oracle-autonomous-database-technical-overview.pdf
çalıştırılabilecek kodların yazılmasını mümkün kıla- Chu, T. ve Funke, M. (2019). The AI database is upon us. Erişim:
Tüm bunlara ek olarak makine öğrenmesi, veri maden- bilmektedir. Yazılan bu kodlar birçok makine üzerinde 2 Şubat 2020, https://w ww.ibmbigdatahub.com/blog/ai-data-
base-upon-us
Yapay zekâ uygulamalarında zeki veri tabanı sistem- ciliği ve yapay zekâ gibi disiplinlerde kullanılmak üzere dağıtık ve paralel olarak çalıştırılabilmektedir. Buna ek
lerinin sıklıkla tercih edilmesindeki sebeplerin başın- özel olarak tasarlanmış veritabanı sistemleri de bulun- olarak, ilgili algoritmalar birçok veri bilimcinin aşina Wheatley, M. (2019). IBM brings its Db2 database into the mo-
dern AI-driven era. Erişim: 2 Şubat 2020, https://siliconangle.
da, bahsi geçen unsurlar sayesinde büyük boyuttaki maktadır. Bu kapsamda, bir yapay zekâ uygulamasında olduğu Python, TensorFlow, Caffe ve Torch gibi prog- com/2019/06/04/ibm-brings-db2-database-modern-ai-driven-era/
verinin efektif şekilde yönetilebilmesi ve işlenebilmesi kullanılmak üzere oluşturulmuş yapay zekâ veri tabanı ramlama dilleri ve kütüphaneler kullanılarak oluşturu-
sistemi (AI Database) uygulama geliştirirken tercih edi-
gelmektedir. Ancak dünyanın her geçen gün daha bü- lebilir. Yapılan araştırmalarda yapay zekâ veri tabanı labilmektedir. Zaino, J. (2018). Artificial Intelligence Takes on Large-Scale Da-
tabase Management. Erişim: 2 Şubat 2020, https://www.data-
yük boyuttaki veriye ihtiyaç duymasına rağmen günü- sisteminin iki farklı şekilde tanımlanabildiği görülmüş- versity.net/artificial-intelligence-takes-large-scale-database-ma-
müzde geleneksel veri tabanı yönetim sistemleri büyük tür. İlk tanıma göre yapay zekâ veri tabanı, insanların Bazı ticari ürünler ise barındırdıkları resim, video ve nagement/
miktardaki veri ile genellikle yeteri kadar başa çıkama- birbirleri ile iletişim kurarken kullandığı doğal dilleri üze- ses gibi yapısal olmayan veriler üzerinden otomatik Data Mining Concepts. (2020). Erişim: 2 Şubat 2020, https://
maktadır. Dolayısı ile zeki veri tabanı sistemi kavramı rinden veri tabanı kayıtlarını sorgulayabilmesine olanak olarak yapay zekâ için modeller oluşturabilmektedir. docs.oracle.com/cd/B28359_01/datamine.111/b28129/int-
doğrultusunda oluşturulan veri tabanı sistemleri, içinde sağlayan ve ilgili sorguya karşılık ilişkili olan tüm verileri Benzer şekilde ticari ürünlerden faydalanan bir şir- ro_concepts.htm
bulunduğumuz yüzyılda oldukça yaygın olarak kullanıl- getirebilen bir sistemdir. Bu sayede SQL (Structured ket, sosyal medya platformuna yüklenen resimlerden Doing Data Science and AI with SQL Server. (2019). Erişim: 2 Şu-
maktadır. Örneğin, hastane veri tabanı sistemleri metin, Query Language) sorgularına ihtiyaç duymaksızın kul- fiziksel albüm oluşturmak için hangi resimlerin kulla- bat 2020, https://docs.microsoft.com/en-us/archive/msdn-ma-
röntgen görüntüleri ve grafiklerden oluşan hasta geçmi- lanıcılar veri tabanı sistemleri üzerinde sorgulama ya- nılması gerektiğini tespit etmek adına yapay zekâ veri gazine/2017/july/machine-learning-doing-data-science-and-a-
şini kolaylıkla sunabilmekte ya da birçok kurumsal veri- pabilmektedirler. Ancak bu tanım oldukça kısıtlı ve dar tabanı sisteminden faydalanmıştır. i-with-sql-server
tabanında satış modeli analizine dayanan karar destek anlamdadır. Keep, M. (2017). Deep Learning and the Artificial Intelligence
araçları kullanılabilmektedir. Sonuç Revolution: Part 4. Erişim: 2 Şubat 2020, https://www.mongodb.
Daha nesnel, kullanışlı ve genel kabul görmüş olan diğer Veri tabanı ve yapay zekâ teknolojilerinin entegrasyo- com/blog/post/deep-learning-and-the-artificial-intelligence-re-
volution-part-4
Yapay Zeka Veri Tabanı Sistemi tanımda ise yapay zekâ veri tabanı, kaynakları optimize nu için geliştirilen yaklaşımlar her iki alanın da ilerleme
Veri tabanı yönetim sistemleri mevcut yeteneklerini bir şekilde kullanarak zamandan tasarruf sağlayan, kar- göstermesine katkı sağlamaktadır. Elde edilen başa- Bhatia, P., Khurana, N., ve Sharma, N. (2013). Intuitive Approach
geliştirmek için yapay zekâ, makine öğrenmesi ve veri maşık veri yönetimi gibi süreçleri daha iyi işletebilmeye rılar sayesinde karmaşık, maliyetli ve zorlu süreçler to Use Intelligent Database for Prediction. International Journal
of Computer Applications, 83(15), 36-40.
madenciliği gibi disiplinlerden faydalanırken bu disip- yardımcı olan, modellerin eğitilmesi ve kullanılması için otomatize edilmekte ve daha verimli yönetimi sağ-
linler ile geliştirilen uygulamalar tarafından da kullanıla- gerekli işlem yükünü karşılayacak şekilde tasarlanmış lanmaktadır. Günümüze kadar ilgili entegrasyon kap- Nihalani, N., Silakari, S., ve Motwani, M. (2009, Temmuz). Integra-
tion of Artificial Intelligence and Database Management System:
bilmektedirler. Geliştirilecek bir yapay zekâ uygulama- olan veri tabanı sistemi olarak öne çıkmaktadır. Yapay samında birçok farklı yaklaşım ortaya çıkmış olsa da An Inventive Approach for Intelligent Databases. 2009 First Inter-
sında verilere kaynaklık edecek veri tabanı sisteminin zekâ veri tabanı hızlı bir şekilde birden fazla kaynaktan gelişimin hala devam ettiği görülmektedir. national Conference on Computational Intelligence, Communi-
doğru seçilmesi büyük öneme sahiptir. Kullanılacak karmaşık veriyi toplayabilmeli, analiz faaliyetlerinde he- cation Systems and Networks (CICSYN).
veri tabanı sistemine karar verilirken desteklenen veri saplama sürecini birden fazla düğüm üzerinde paralel Choudhary, S., Patkar, U. (2016, Mart). Databases For Artificial
tipleri ve modelleri, ölçeklenebilirlik, performans, lisans olarak işletebilmeli ve sonuçları görselleştirebilmelidir. Intelligence. International Journal of Computer Science and Mo-
ücretleri, güvenlik, yerleşik sunulan özellikler (built-in Nasıl ki geliştirilen bir yapay zekâ uygulamasında kul- bile Computing, 5(3), 67-70.
feature), erişilebilen arayüz (programlama dilleri, sorgu lanılacak olan donanımda yüksek hesaplama gücünü Intelligent database. (2017, 13 Eylül). Wikipedia, The Free Encyc-
dilleri vb.) gibi etkenler göz önünde bulundurulmalıdır. karşılamak üzere geliştirilmiş özel yongalar (chip) ter- lopedia içinde. Erişim: 23 Şubat 2020, https://en.wikipedia.org/
cih edilmekte ise benzer kapsamda veri tarafında yapay wiki/Intelligent_database
Günümüz yapay zekâ uygulamalarında tercih edile- zekâ veri tabanı sistemleri kullanılır. Bu amaç doğrultu- Marvin, R. (2017). AI Databases: What They Are and Why Your
bilecek veri tabanı yönetim sistemlerine, çeşitli ticari sunda; veri ambarı, gelişmiş analiz yetenekleri ve gör- Business Should Care. Erişim: 26 Şubat 2020, https://www.pc-
ürünlerin yanı sıra açık kaynak kodlu ve ücretsiz olarak selleştirme özellikleri bir bellek içi veri tabanı (in-me- mag.com/news/ai-databases-what-they-are-and-why-your-busi-
ness-should-care
sunulmakta olan PostgreSQL, MySQL, MariaDB, Cas- mory database) sistemi üzerinde birleştirilerek yapay
sandra ve MongoDB gibi ürünler örnek olarak verilebi- zekâ veri tabanı sistemi elde edilebilmektedir. Johnson, M. (2017). The AI Database – A Prerequisite to Ope-
lir. Bu ve benzeri mevcut ticari veya ücretsiz veri tabanı rationalizing Machine and Deep Learning. Erişim: 26 Şubat
2020,
https://www.kinetica.com/blog/introducing-ai-databa-
sistemleri, yapay zekâ, makine öğrenmesi ve veri ma- Tüm bu bilgiler ışığında, yapay zekâ veri tabanının daha se-for-machine-learning/
denciliği gibi uygulamalara kaynaklık ederken verimliliği hızlı ve verimli şekilde modellerin eğitilmesini sağladığı Gonzalez, D. (2018). ZIFF, Inc. Announces Unstructured Ai Da-
mümkün olan en üst seviyede tutmak amacıyla, tekno- ve yapay zekânın iş sürecine uygulanması için bir yön- tabase Product Release. Erişim: 26 Şubat 2020, http://www.
lojilerine entegre ettikleri yerleşik metotların çeşitli ara- tem sunabildiği net bir şekilde söylenebilir. prweb.com/releases/2018/03/prweb15366202.htm

56 57