Makine Öğrenmesi vs İnsan Öğrenmesi

Makine Öğrenmesi vs İnsan Öğrenmesi. Son birkaç yıldır teknolojiyle ilgili hemen her konuşmanın bir noktasında aynı konuya geliyoruz: Yapay zekâ.

Bazen bir yazılım geliştirici gözüyle, bazen eğitim veren biri olarak, bazen de sadece teknolojiyi uzun süredir takip eden biri olarak bu tartışmaları izliyorum. Yapay zekânın neler yapabildiğini gördükçe insanların sorduğu sorular da değişiyor.

Önceden “Bir makine düşünebilir mi?” diye soruyorduk.

Bugün ise daha farklı bir noktadayız:

Bir makine gerçekten öğrenebilir mi?

Hatta biraz daha ileri gidelim.

Makine öğrenmesi ile insan öğrenmesi gerçekten birbirine benziyor mu?

İlk bakışta benziyor gibi görünüyor. Bir makineye veri veriyoruz, sonuç üretiyor, hata yapıyor, tekrar eğitiliyor ve zaman içerisinde daha başarılı hâle geliyor. Bir insan da bilgi alıyor, deniyor, hata yapıyor, tekrar ediyor ve öğreniyor.

Fakat benzerlik büyük ölçüde burada bitiyor.

Çünkü bir algoritmanın öğrenmesi ile bir insanın öğrenmesi arasında sadece teknik değil; biyolojik, psikolojik, sosyal ve hatta duygusal açıdan çok ciddi farklar bulunuyor.

Üstelik bu farkları anlamak yalnızca yapay zekâ meraklıları için önemli değil. Yazılım geliştiren, eğitim veren, bir işletme yöneten veya önümüzdeki yıllarda hangi becerilere yatırım yapması gerektiğini düşünen herkesin bu ayrımı anlaması gerektiğini düşünüyorum.

Çünkü geleceğin asıl meselesi bana göre “Makine mi kazanacak, insan mı?” sorusu değil.

Asıl mesele şu:

İnsan ile makine birbirinden nasıl öğrenecek?

Makine Öğrenmesi Nedir?

Makine öğrenmesini en sade hâliyle, bir bilgisayar sisteminin kendisine verilen veriler içindeki örüntüleri kullanarak tahmin veya karar üretmesi şeklinde açıklayabiliriz.

Buradaki kritik kelime veri.

Geleneksel yazılım geliştirmede programcı çoğu zaman kuralları açıkça tanımlar.

Örneğin bir sisteme şunu söyleyebilirim:

“Kullanıcının yaşı 18’den küçükse bu işlemi gerçekleştirme.”

Burada sistem öğrenmez. Sadece benim belirlediğim koşulu uygular.

Makine öğrenmesinde ise yaklaşım değişir.

Binlerce örnek sisteme verilir. Sistem bu örneklerdeki ilişkileri analiz eder ve daha sonra karşısına çıkan yeni bir örnek için tahmin üretmeye çalışır.

Örneğin bir makine öğrenmesi modeline binlerce kedi ve köpek fotoğrafı gösterebiliriz. Model, eğitim sürecinde görüntülerde tekrar eden matematiksel özellikleri öğrenir. Daha sonra hiç görmediği bir fotoğraf geldiğinde bunun kedi mi yoksa köpek mi olduğuna ilişkin bir tahmin üretir.

Bu yüzden makine öğrenmesini klasik programlamadan ayıran önemli farklardan biri şudur:

Her kural programcı tarafından tek tek yazılmaz. Bazı ilişkiler veriden çıkarılır.

Bugün kullandığımız öneri sistemlerinden dolandırıcılık tespit yazılımlarına, görüntü tanıma teknolojilerinden üretken yapay zekâ sistemlerine kadar pek çok uygulamanın temelinde bu yaklaşım bulunuyor.

Yapay zekânın şirketlerde kullanım oranının hızla artması da bunun geçici bir teknoloji trendinden çok daha fazlası olduğunu gösteriyor. Stanford Üniversitesi’nin 2026 AI Index verilerine göre araştırmaya katılan kuruluşların yüzde 88’i 2025 yılında en az bir alanda yapay zekâ kullandığını bildirdi. Üretken yapay zekâ kullanan kuruluşların oranı ise en az bir iş fonksiyonunda yüzde 70 seviyesine ulaştı.

Bu rakamların birkaç yıl önce bulunduğumuz noktayla karşılaştırıldığında oldukça dikkat çekici olduğunu düşünüyorum.

Fakat burada önemli bir ayrım yapmamız gerekiyor.

Bir makinenin performansını geliştirmesi, insan gibi öğrendiği anlamına gelmiyor.

İnsan Öğrenmesi Nasıl Gerçekleşir?

İnsan öğrenmesini yalnızca bilgi depolamak şeklinde açıklamak büyük bir hata olur.

Çünkü insan öğrenirken bilgiyi hafızasına eklemekle kalmaz. Yeni bilgiyi eski deneyimleriyle ilişkilendirir, anlamlandırır, sorgular, unutabilir, yeniden hatırlayabilir ve hatta aynı bilgiden farklı dönemlerde farklı sonuçlar çıkarabilir.

Bir çocuk “ateş sıcaktır” bilgisini kitap okuyarak öğrenebilir.

Fakat elini sıcak bir yüzeye yaklaştırdığında oluşan deneyim çok daha farklıdır.

Çünkü o anda yalnızca sıcaklıkla ilgili bir veri alınmaz. Görsel bilgi, fiziksel his, korku, ebeveynin verdiği tepki ve ortamla ilgili başka detaylar da öğrenmenin içine girer.

İnsan beyninin en önemli özelliklerinden biri tam olarak burada ortaya çıkıyor:

Biz bilgiyi bağlam içerisinde öğreniyoruz.

Üstelik beynimiz sabit bir yapı değil.

Nöroplastisite üzerine yapılan çalışmalar, öğrenme ve deneyimin beynin işlevsel ve yapısal organizasyonunda değişikliklerle ilişkili olduğunu uzun zamandır gösteriyor. 2026 yılında yayımlanan bir sistematik inceleme ise konuyu daha ilginç bir noktaya taşıdı. Araştırmacılar 30 çalışmayı inceleyerek belirli deneyimlerin ardından iki saatten daha kısa zaman aralıklarında bile MRI ile ölçülebilen bazı yapısal değişikliklerin gözlemlenebildiğini aktardı.

Yani öğrenme sırasında yalnızca zihinsel bir dosyaya yeni bilgi eklemiyoruz.

Beyin, deneyime cevap veren dinamik bir sistem gibi çalışıyor.

Makine Öğrenmesi ile İnsan Öğrenmesi Arasındaki Temel Fark Nedir?

Makine öğrenmesi ve insan öğrenmesini karşılaştırırken en temel farkın “veri” ile “deneyim” arasında olduğunu düşünüyorum.

Çünkü makine veriye ihtiyaç duyar.

İnsan ise veriyi deneyime dönüştürür.

Bu ikisi birbirine benzese de aynı şey değildir.

Bir yapay zekâ modeline yüz binlerce trafik görüntüsü gösterilebilir. Model otomobil, insan, trafik lambası veya bisiklet gibi nesneleri oldukça başarılı biçimde sınıflandırabilir.

Bir çocuk ise yüz binlerce trafik görüntüsüne ihtiyaç duymaz.

Birkaç kez trafik ışığını görür, ailesinden açıklama duyar, yoldan karşıya geçerken yaşadığı deneyimle bunu birleştirir ve kısa süre içerisinde “kırmızı ışıkta durulur” kavramını öğrenmeye başlar.

Daha da önemlisi çocuk yalnızca rengi öğrenmez.

Kırmızı ışığın ne anlama geldiğini öğrenir.

İşte burada çok kritik bir kavram ortaya çıkıyor:

Anlam.

Makine öğrenmesi sistemleri veriler arasındaki matematiksel ilişkileri son derece güçlü biçimde modelleyebilir. Ancak insan, ilişki kurmanın yanında bu ilişkiye sosyal, kültürel, kişisel ve duygusal anlam da yükler.

Bu nedenle iki öğrenme biçimini sadece “hangisi daha hızlı?” sorusuyla değerlendirmek doğru olmaz.

Makine Çok Veriyle, İnsan Az Örnekle Öğrenebilir

Makine öğrenmesinin en güçlü yanlarından biri büyük miktarda veriyi işleyebilmesidir.

Bir insanın milyonlarca satır veriyi analiz ederek aralarındaki küçük matematiksel ilişkileri bulması pratik olarak mümkün olmayabilir. Bir makine öğrenmesi sistemi ise doğru altyapı sağlandığında bu veriler üzerinde çok büyük ölçekte çalışabilir.

Burada makine açık şekilde avantajlıdır.

Ancak insan öğrenmesinin farklı bir avantajı bulunuyor:

Az örnekten genelleme yapabilmek.

Örneğin küçük bir çocuğa birkaç farklı sandalye gösterelim.

Ahşap sandalye.

Plastik sandalye.

Ofis sandalyesi.

Çocuk kısa süre sonra daha önce hiç görmediği başka bir sandalye türünün de sandalye olduğunu anlayabilir.

Üstelik renk, malzeme veya tasarım tamamen değişmiş olsa bile bunu yapabilir.

Makine öğrenmesi dünyasında bu yetenek uzun yıllardır önemli araştırma alanlarından biri oldu. Günümüzde büyük modeller bu konuda geçmiş sistemlere göre çok daha başarılı olsa da insanın az sayıda örnek, bağlam ve önceki dünya bilgisiyle yaptığı genelleme hâlâ oldukça dikkat çekici.

Bence insan öğrenmesinin en güçlü taraflarından biri burada yatıyor.

Biz sıfırdan öğrenmiyoruz.

Her yeni bilgiyi daha önce oluşturduğumuz zihinsel modellerin üzerine ekliyoruz.

İnsan Hata Yapar, Makine de Hata Yapar; Ama Aynı Şekilde Değil

Öğrenmenin hata olmadan gerçekleşebileceğini düşünmüyorum.

Yazılım eğitimi verirken bunu çok sık görüyorum.

Bir öğrenciye bir programlama konusunu anlattığınızda her şey mantıklı gelebilir. Değişkenleri anlar, döngünün mantığını kavrar, fonksiyonun ne işe yaradığını açıklayabilir.

Sonra kendi projesini yazmaya başladığında işler değişir.

Kod çalışmaz.

Bir değişken yanlış tanımlanmıştır.

Koşul hatalıdır.

Fonksiyon yanlış yerde çağrılmıştır.

İşte çoğu zaman gerçek öğrenme tam olarak o noktada başlar.

Çünkü öğrenci artık bilgiyi sadece dinlemiyordur.

Problem çözüyordur.

Makine öğrenmesinde de hata önemlidir. Model bir tahmin üretir, tahmin ile beklenen sonuç arasındaki fark hesaplanır ve model parametreleri bu hatayı azaltacak şekilde güncellenir.

Fakat insan hatayla karşılaştığında yalnızca matematiksel bir optimizasyon yapmaz.

“Ben burada neden hata yaptım?” diye sorabilir.

Yöntemini değiştirebilir.

Önceki varsayımının yanlış olduğunu fark edebilir.

Başka bir insandan yardım isteyebilir.

Hatta problemin kendisinin yanlış tanımlandığını düşünebilir.

Bu bana göre insan öğrenmesinin en kritik özelliklerinden biri.

İnsan yalnızca cevabını değil, bazen soruyu da değiştirebilir.

Öğrenmede Tekrar Önemli Ama Tekrarın Şekli Daha Önemli

İnsan öğrenmesi konusunda yapılan araştırmaların oldukça net gösterdiği bir başka nokta da tekrarın önemi.

Fakat burada “aynı şeyi sürekli okumak” ile “bilgiyi zihinden geri çağırmaya çalışmak” arasında önemli bir fark bulunuyor.

2025 yılında Learning and Instruction dergisinde yayımlanan bir araştırmada üç farklı deney gerçekleştirildi. Deneylere sırasıyla 309, 158 ve 255 kişi katıldı. Araştırma, bilgiyi aktif biçimde hatırlamaya çalışmanın yani retrieval practice yönteminin yalnızca tekrar okumaya kıyasla uzun vadeli hatırlama ve bazı transfer görevlerinde daha başarılı sonuçlar üretebildiğini gösterdi.

Bu benim eğitimde uzun zamandır gözlemlediğim bir şeyle de örtüşüyor.

Bir öğrenci kodu okuyarak programlama öğrenemez.

Kodu yazması gerekir.

Hata alması gerekir.

Hatayı çözmesi gerekir.

Bir süre sonra aynı problemi hiçbir kaynağa bakmadan yeniden çözmesi gerekir.

Çünkü bilgiye bakarken “biliyorum” hissi oluşabilir.

Asıl test, kaynak kapatıldığında başlar.

Makine öğrenmesinde ise tekrar başka bir biçimde gerçekleşir. Model aynı veri üzerinde birden fazla eğitim döngüsünden geçebilir. Parametreler sürekli güncellenir ve belirlenen kayıp fonksiyonunu azaltmaya çalışır.

İki sistem de tekrar kullanır.

Ancak tekrarın mekanizması tamamen farklıdır.

Unutmak Bir Hata mı, Yoksa İnsan Öğrenmesinin Bir Parçası mı?

İlk bakışta unutmak kötü bir özellik gibi görünüyor.

Bilgisayar dünyasından baktığımızda bir veriyi kaybetmek genellikle istemediğimiz bir durumdur.

İnsan beyninde ise unutmak öğrenmenin doğal bir parçasıdır.

Her gördüğümüz, duyduğumuz ve yaşadığımız detayın aynı önemde saklandığını düşünün.

Muhtemelen günlük hayatımız yönetilemez hâle gelirdi.

İnsan zihni bilgiyi seçer, ilişkilendirir, bazı ayrıntıları güçlendirir, bazılarını zayıflatır.

Bu nedenle insan hafızasını bir bilgisayarın sabit diski gibi düşünmek doğru değil.

Hafıza daha çok sürekli yeniden düzenlenen bir ağ gibi çalışır.

Hatırladığımız bir olay bile her hatırlamada yeniden yorumlanabilir.

Makine sistemlerinde ise unutma farklı bir problem olarak ele alınır. Örneğin bazı sinir ağlarında yeni bilgiler öğrenilirken daha önce öğrenilmiş bazı bilgilerin performansı bozulabilir. Makine öğrenmesinde bu durum “catastrophic forgetting” yani yıkıcı unutma başlığı altında uzun süredir araştırılır.

İlginç olan şu:

İnsan unutmaya rağmen oldukça esnek öğrenebilir.

Makine ise bazen unutmamak için özel yöntemlere ihtiyaç duyar.

İnsan Öğrenmesinde Duygular Neden Bu Kadar Önemli?

Makine öğrenmesi ile insan öğrenmesi arasındaki en büyük farklardan biri de duygular.

Bir algoritmanın morali bozulmaz.

Pazartesi sabahı motivasyonu düşmez.

Bir öğretmenin söylediği cümleden etkilenmez.

Başarısız olduğu için utanmaz.

Bir problemi çözdüğü için özgüven kazanmaz.

İnsan ise bütün bunları yaşar.

Bu durum bazen öğrenmeyi zorlaştırır, bazen de inanılmaz ölçüde güçlendirir.

Bir öğrenci bir konuya gerçekten merak duyduğunda saatlerce çalışabilir.

Başka bir öğrenci teknik olarak aynı kapasiteye sahip olmasına rağmen başarısız olacağına inanıyorsa daha başlamadan vazgeçebilir.

Bu nedenle insan öğrenmesinde motivasyon, merak, özgüven ve çevre gibi faktörleri denklemden çıkaramayız.

Makine öğrenmesi açısından baktığımızda optimizasyon fonksiyonunu matematik belirler.

İnsan öğrenmesinde ise hedef fonksiyonu bazen insanın kendisi bile tam olarak bilmez.

Ve bence insanı ilginç yapan şeylerden biri de bu.

Makine Daha Hızlı Öğrenebilir mi?

Bu sorunun cevabı göreve göre değişir.

Eğer milyonlarca veriyi analiz etmekten bahsediyorsak makine tartışmasız biçimde daha hızlıdır.

Bir yapay zekâ sistemi yüz binlerce belgeyi, görüntüyü veya işlemi insanların gerçekleştiremeyeceği hızlarda analiz edebilir.

Fakat mesele yeni ve alışılmadık bir problemi anlamak olduğunda tablo değişebilir.

Örneğin bir insan daha önce hiç görmediği bir ortamda birkaç gözlemden sonra nasıl davranması gerektiğini anlayabilir.

Bir sandalye kırılmışsa üzerine oturmamamız gerektiğini bize milyonlarca örnekle öğretmek gerekmez.

İnsan fiziksel dünya hakkındaki bilgilerini, geçmiş deneyimlerini ve sebep-sonuç ilişkilerini bir araya getirir.

Bu nedenle öğrenme hızını yalnızca işlem sayısıyla ölçmemek gerekir.

Makine çok hızlı hesaplar.

İnsan çok hızlı anlamlandırabilir.

Bunlar aynı yetenek değildir.

Makine Öğrenmesi Gerçekten “Anlıyor” mu?

Yapay zekâyla ilgili tartışmaların en zor bölümlerinden biri burası.

Özellikle büyük dil modelleri son derece doğal cevaplar ürettiği için karşımızdaki sistemin gerçekten anladığını düşünmek kolaylaşıyor.

Fakat burada kullandığımız “anlamak” kelimesinin ne anlama geldiğini iyi tanımlamamız gerekiyor.

Modern yapay zekâ sistemleri dil, görüntü ve diğer veri türlerinde son derece karmaşık ilişkileri modelleyebiliyor. Sorular arasında bağlantı kurabiliyor, kod üretebiliyor, metin yazabiliyor ve belirli alanlarda insan seviyesine yaklaşan veya insan performansını geçen sonuçlar gösterebiliyor.

Fakat insanın anlaması yalnızca doğru çıktıyı üretmekten ibaret değil.

İnsan deneyim yaşar.

Amaç oluşturur.

Bir durumun kendisi açısından neden önemli olduğunu değerlendirebilir.

Ahlaki sonuçları düşünebilir.

Sosyal bağlamı yaşayarak öğrenebilir.

Kendi geçmişiyle bağlantı kurabilir.

Bugünkü yapay zekâ sistemleri söz konusu olduğunda “insan gibi anlama” iddiasını bu nedenle dikkatli kullanmak gerekiyor.

Bir sistem çok başarılı bir çıktı üretebilir.

Bu, insan zihnindeki sürecin aynısını yaşadığı anlamına gelmez.

İnsan Beyni mi Daha Güçlü, Yapay Zekâ mı?

Bana göre bu soru yanlış kuruluyor.

Bir hesap makinesi benden hızlı çarpma işlemi yapıyor diye benden daha zeki olduğunu söylemiyoruz.

Aynı şekilde yapay zekâ sistemlerinin belirli görevlerde insandan daha başarılı olması da bütünsel anlamda tek bir “zekâ puanı” oluşturmaz.

Makine ile insan farklı avantajlara sahip.

Makine büyük ölçekli verilerde güçlü.

İnsan bağlamda güçlü.

Makine tekrar eden işlemlerde yorulmuyor.

İnsan yeni hedefler oluşturabiliyor.

Makine örüntüleri çok büyük ölçekte yakalayabiliyor.

İnsan sosyal anlam, değer ve amaç oluşturabiliyor.

Makine saniyeler içinde milyonlarca işlem gerçekleştirebiliyor.

İnsan bazen tek bir deneyimden hayatının geri kalanını etkileyecek bir ders çıkarabiliyor.

Bu nedenle geleceğin kazananının insan veya makine olacağı fikrinden çok, ikisinin nasıl birlikte çalışacağına odaklanmak gerektiğini düşünüyorum.

Yapay Zekâ Çağında İnsan Nasıl Öğrenmeli?

Bence asıl önemli soru artık burada başlıyor.

Çünkü yapay zekâ yalnızca makinelerin öğrenme biçimini değiştirmiyor.

İnsanların ne öğrenmesi gerektiğini de değiştiriyor.

World Economic Forum’un Future of Jobs 2025 araştırması bu değişimi oldukça net gösteriyor. Rapora göre çalışanların mevcut becerilerinin yaklaşık yüzde 39’unun 2030’a kadar değişmesi veya güncelliğini kaybetmesi bekleniyor.

Daha çarpıcı bir rakam daha var.

Rapora göre dünya genelindeki iş gücünü 100 kişi olarak düşünürsek 59 kişinin 2030’a kadar yeniden beceri kazanma veya mevcut becerilerini geliştirme ihtiyacı bulunuyor.

Yapay zekâ ve büyük veri en hızlı önem kazanan beceri alanlarının başında geliyor.

Fakat rapordaki benim için daha ilginç kısım şu:

Analitik düşünme, yaratıcılık, dayanıklılık, esneklik, liderlik, iş birliği, merak ve yaşam boyu öğrenme gibi insana özgü beceriler de önemini koruyor.

Yani gelecek bize sadece “daha fazla teknoloji öğrenin” demiyor.

Aslında şunu söylüyor:

Teknolojiyi kullanabilecek kadar teknik, teknolojinin sonucunu sorgulayabilecek kadar insan kalın.

Benim de en çok önemsediğim nokta bu.

Yazılım Öğrenirken Yapay Zekâ Kullanmak Doğru mu?

Yazılım eğitimi açısından bu soruyla artık çok sık karşılaşıyoruz.

Bir öğrenci ChatGPT veya benzeri bir yapay zekâ aracına kod yazdırmalı mı?

Bence cevap kullanım biçimine bağlı.

Öğrenci anlamadığı her problemi doğrudan yapay zekâya çözdürürse kısa vadede hız kazanmaktadır.

Fakat uzun vadede problem çözme kasını geliştiremeyebilir.

Bunu hesap makinesi örneğine benzetiyorum.

Toplama işlemini bilmeyen bir öğrencinin sürekli hesap makinesi kullanması onu matematikte güçlü hâle getirmez.

Fakat matematiğin temelini bilen bir mühendis için hesap makinesi büyük bir hız avantajıdır.

Yapay zekâ da benzer biçimde kullanılmalı.

Önce problemi anlamak.

Sonra çözüm üretmeye çalışmak.

Daha sonra yapay zekâdan alternatif istemek.

Üretilen kodu incelemek.

Neden o yaklaşımın seçildiğini sorgulamak.

Hataları bulmak.

Ve mümkünse aynı problemi araç kullanmadan tekrar çözmek.

Böyle kullanıldığında yapay zekâ öğrenmenin düşmanı değil, oldukça güçlü bir öğrenme ortağına dönüşebilir.

Makine İnsandan, İnsan Makineden Öğrenebilir mi?

Bence önümüzdeki yılların en ilginç alanlarından biri tam olarak bu olacak.

Bugüne kadar makineleri insanların oluşturduğu verilerle eğittik.

Kitaplar.

Fotoğraflar.

Videolar.

Kodlar.

Bilimsel çalışmalar.

İnternet üzerindeki içerikler.

Yani yapay zekânın öğrendiği büyük bilgi havuzunun önemli bölümü aslında insanlığın yıllar boyunca ürettiği bilginin bir yansıması.

Şimdi süreç tersine dönmeye başladı.

İnsanlar da makinelerin ürettiği analizlerden öğreniyor.

Doktorlar yapay zekâ destekli sistemlerden ikinci görüş alabiliyor.

Yazılımcılar alternatif kod çözümleri görebiliyor.

Öğrenciler kişiselleştirilmiş açıklamalar isteyebiliyor.

Araştırmacılar büyük veri kümelerindeki ilişkileri daha hızlı keşfedebiliyor.

Tasarımcılar birkaç dakika içerisinde onlarca fikir varyasyonu görebiliyor.

Bu nedenle geleceğin öğrenme modelini tek yönlü görmüyorum.

İnsan makineyi eğitecek.

Makine insanın düşünme kapasitesini genişletecek.

İnsan çıktıyı değerlendirecek.

Makine yeni alternatifler üretecek.

Ve bu döngü sürekli devam edecek.

Yapay Zekâ İnsan Öğretmenin Yerini Alabilir mi?

Eğitim alanında en sık sorulan sorulardan biri de bu.

Ben yapay zekânın öğretmenin rolünü ciddi biçimde değiştireceğini düşünüyorum.

Ancak değiştirmek ile ortadan kaldırmak aynı şey değil.

Bir yapay zekâ sistemi öğrenciye günün 24 saati soru cevaplayabilir.

Aynı konuyu on farklı yöntemle anlatabilir.

Öğrencinin seviyesine uygun örnekler oluşturabilir.

Sonsuz sayıda pratik sorusu hazırlayabilir.

Hatta öğrencinin hatalarındaki örüntüleri analiz ederek hangi konularda zorlandığını tespit edebilir.

Bunlar çok büyük avantajlar.

Fakat iyi bir öğretmen sadece bilgi aktarmaz.

Öğrencinin derse neden odaklanamadığını fark eder.

Bazen cesaretlendirir.

Bazen sınır koyar.

Gerektiğinde öğrencinin sormadığı soruyu görür.

Bazen teknik olarak doğru olan yöntemin o öğrenci için yanlış olduğunu anlar.

Yani öğretmen yalnızca bilgiyi değil, insanı okur.

Bu yüzden geleceğin öğretmeninin yapay zekâyla yarışması gerektiğini düşünmüyorum.

Yapay zekâyı kullanmayı öğrenmesi gerektiğini düşünüyorum.

Makine Öğrenmesinden İnsan Öğrenmesine Aktarabileceğimiz Dersler Var mı?

Kesinlikle var.

Makine öğrenmesindeki bazı prensiplere baktığımızda insan öğrenmesi için de ilginç benzetmeler çıkarabiliriz.

Kaliteli veri önemlidir.

İnsan için de kaliteli bilgi kaynağı önemlidir.

Tekrar önemlidir.

İnsan için de pratik önemlidir.

Geri bildirim önemlidir.

İnsan için de yaptığı hatanın nedenini öğrenmek önemlidir.

Modelin performansı test edilir.

İnsan da bilgisini gerçek problemler üzerinde test etmelidir.

Aşırı uyum yani overfitting makine öğrenmesinde önemli bir problemdir. Model eğitim verisini ezberler ama yeni verilerde başarısız olabilir.

İnsanlarda da bunun benzerini görüyorum.

Öğrenci örnek soruyu ezberler.

Sorudaki sayı veya senaryo değiştiğinde problemi çözemediği ortaya çıkar.

Çünkü kavram öğrenilmemiştir.

Soru öğrenilmiştir.

Bu yüzden gerçek öğrenmenin ölçütü bana göre şu:

Bilgiyi aynı yerde tekrar etmek değil, yeni bir probleme taşıyabilmek.

İnsan Öğrenmesinden Makine Öğrenmesine Aktarılabilecek Dersler de Var

İlginç biçimde süreç diğer yönde de işliyor.

Yapay zekâ araştırmalarındaki pek çok hedef aslında insanların doğal biçimde gerçekleştirdiği yeteneklerden geliyor.

Az örnekle öğrenme.

Yeni ortamlara uyum sağlama.

Bilgiyi farklı problemlere transfer etme.

Sebep-sonuç ilişkilerini kurma.

Uzun süreli hafızayı yönetme.

Farklı duyulardan gelen bilgileri birleştirme.

Sosyal bağlamı yorumlama.

Bugünün yapay zekâ araştırmalarında bu konuların tamamı önemli bir yere sahip.

Bir bakıma insan beyni, yapay zekâ araştırmacılarının çözmeye çalıştığı en büyük referans sistemlerinden biri olmaya devam ediyor.

Ancak burada önemli bir noktayı unutmamak gerekiyor:

İnsan beynini birebir kopyalamak zorunda değiliz.

Uçak yapmak için kuşun kanadını birebir kopyalamadık.

Uçuş prensiplerini anlamaya çalıştık ve farklı bir sistem geliştirdik.

Yapay zekâda da benzer bir süreç yaşanabilir.

Makinenin insan gibi öğrenmesi gerekmeyebilir.

Belki de tamamen farklı bir öğrenme biçimi geliştirmesi daha güçlü sonuçlar doğuracak.

Gelecekte İnsan ve Makine Nasıl Birlikte Öğrenecek?

Ben geleceğin eğitim sisteminin bugünkünden oldukça farklı olacağını düşünüyorum.

Herkese aynı içeriğin aynı hızda anlatıldığı eğitim modelleri giderek daha fazla sorgulanacak.

Yapay zekâ kişiselleştirilmiş öğrenmenin ölçeğini büyütebilir.

Bir öğrenci aynı matematik konusunu görsel örneklerle öğrenebilir.

Başka biri gerçek hayat senaryolarıyla.

Bir başkası önce basit sorularla başlayabilir.

Sistem öğrencinin hatalarını gördükçe içeriğin seviyesini değiştirebilir.

Ancak burada insan faktörünü sistemden çıkarmak yerine daha önemli bir noktaya taşımamız gerektiğine inanıyorum.

Yapay zekâ bilgiyi kişiselleştirebilir.

İnsan eğitmen ise yön verebilir.

Yapay zekâ veri analiz edebilir.

İnsan hedef belirleyebilir.

Yapay zekâ seçenek üretebilir.

İnsan hangi seçeneğin neden değerli olduğunu değerlendirebilir.

Bu yüzden geleceğin güçlü öğrenme modeli bana göre “yapay zekâ destekli insan öğrenmesi” olacak.

Geleceğin En Değerli Becerisi Öğrenmeyi Öğrenmek Olabilir

Teknoloji dünyasında uzun süredir değişmeyen tek şey değişimin kendisi.

Bir programlama dili popüler oluyor.

Bir framework yükseliyor.

Yeni bir yapay zekâ modeli çıkıyor.

Dün uzmanlık sayılan bir bilgi birkaç yıl sonra temel beceriye dönüşüyor.

World Economic Forum’un 2030’a kadar çalışan becerilerinin yaklaşık yüzde 39’unun dönüşeceğine ilişkin öngörüsü bu nedenle benim için sadece bir istatistik değil.

Bu, çalışma hayatına yönelik ciddi bir mesaj.

Bir insanın kariyerini yalnızca bugün bildikleri üzerine kurması giderek daha riskli hâle geliyor.

Bu nedenle geleceğin en önemli yeteneğinin belirli bir teknolojiye hâkim olmak değil, yeni teknolojileri hızlı ve doğru öğrenebilmek olduğunu düşünüyorum.

Programlama dili değişebilir.

Araç değişebilir.

Yapay zekâ modeli değişebilir.

Platform değişebilir.

Fakat problem çözme, merak etme, araştırma, sorgulama ve öğrenmeyi öğrenme yeteneği kalır.

Makine Öğrenmesi mi Daha İyi, İnsan Öğrenmesi mi?

Buraya kadar geldikten sonra bu sorunun tek bir cevabı olmadığını görmek daha kolay.

Makine öğrenmesi bazı alanlarda insanın ulaşamayacağı ölçekte hızlı ve güçlü.

İnsan öğrenmesi ise anlam, bağlam, deneyim, yaratıcılık ve adaptasyon açısından bambaşka özelliklere sahip.

Makine milyarlarca veri noktası arasında ilişki arayabilir.

İnsan bazen tek bir cümleden yıllarca unutmayacağı bir sonuç çıkarabilir.

Makine yorulmadan tekrar yapabilir.

İnsan neden tekrar yaptığını sorgulayabilir.

Makine verilen hedefi optimize edebilir.

İnsan hedefin kendisinin doğru olup olmadığını sorgulayabilir.

Bana göre asıl fark burada.

Makine Öğrenmesi İnsan Öğrenmesinin Yerini Alacak mı?

Hayır.

Fakat insan öğrenme biçimini ciddi şekilde değiştirecek.

Aslında bu değişim şimdiden başladı.

Artık bilgiye ulaşmak en büyük problem değil.

Doğru bilgiyi seçmek problem.

Kod üretmek tek başına problem değil.

Üretilen kodun doğru olup olmadığını anlamak problem.

Metin oluşturmak problem değil.

Metindeki fikrin gerçekten değerli olup olmadığını değerlendirmek problem.

Bir soruya cevap bulmak problem değil.

Doğru soruyu sormak giderek daha önemli hâle geliyor.

Bu yüzden yapay zekâ çağında eğitimin yalnızca bilgi aktarmaya odaklanması yeterli olmayacak.

İnsanlara düşünmeyi, sorgulamayı ve değerlendirmeyi öğretmemiz gerekecek.

Sık Sorulan Sorular

Makine öğrenmesi insan beyni gibi mi çalışır?

Tam olarak değil. Yapay sinir ağlarının isimlendirilmesinde biyolojik sinir sisteminden esinlenilmiş olsa da günümüzde kullanılan makine öğrenmesi modellerinin çalışma mekanizması insan beyninin birebir dijital kopyası değildir. İnsan beyni biyolojik, kimyasal, elektriksel, sosyal ve deneyimsel süreçlerin birlikte çalıştığı son derece karmaşık bir sistemdir.

İnsan mı daha hızlı öğrenir, yapay zekâ mı?

Göreve göre değişir. Büyük miktarda verinin analiz edilmesi gereken görevlerde yapay zekâ çok daha hızlı olabilir. İnsan ise az sayıda örnekten öğrenme, bağlam oluşturma ve yeni durumlara uyum sağlama konusunda önemli avantajlara sahiptir.

Yapay zekâ kendi kendine öğrenebilir mi?

Belirli makine öğrenmesi sistemleri verilerden örüntüler çıkarabilir, geri bildirim kullanabilir ve performanslarını geliştirebilir. Ancak bu süreç tamamen amaçsız ve bağımsız bir insan öğrenmesiyle aynı değildir. Model mimarisi, eğitim yöntemi, veri, hedefler ve değerlendirme kriterleri insanlar tarafından tasarlanan sistemlerin parçasıdır.

Yapay zekâ öğretmenlerin yerini alacak mı?

Yapay zekâ öğretmenin bazı görevlerini otomatikleştirebilir ve kişiselleştirilmiş eğitim konusunda büyük avantaj sağlayabilir. Ancak motivasyon, sosyal etkileşim, rehberlik, sınıf yönetimi ve öğrencinin duygusal durumunu anlamak gibi alanlarda insan öğretmenlerin rolü önemini koruyacaktır.

Yapay zekâ ile öğrenmek zararlı mı?

Aracın nasıl kullanıldığı belirleyici olur. Yapay zekâ her problemi öğrenci adına çözerse öğrenme süreci zayıflayabilir. Ancak açıklama almak, alternatif çözümleri incelemek, pratik soruları oluşturmak ve yapılan hataları analiz etmek için kullanıldığında oldukça güçlü bir öğrenme aracına dönüşebilir.

Sonuç: Gelecek İnsan veya Makine Değil, İnsan + Makine

Makine öğrenmesi ile insan öğrenmesini karşılaştırdığımda benim vardığım sonuç oldukça net.

Bunları birbirinin rakibi olarak görmek büyük resmi kaçırmamıza neden oluyor.

Makine öğrenmesi bize ölçek, hız ve hesaplama gücü sunuyor.

İnsan öğrenmesi ise bağlam, anlam, yaratıcılık, merak, amaç ve deneyim getiriyor.

Biri milyonlarca örneği saniyeler içerisinde değerlendirebilir.

Diğeri bazen tek bir deneyimden hayatını değiştirecek sonuç çıkarabilir.

Bence önümüzdeki yıllarda en değerli insanlar yapay zekâyı görmezden gelenler olmayacak.

Her şeyi yapay zekâya bırakanlar da olmayacak.

Asıl avantaj, makinenin güçlü olduğu alanları anlayıp kendi insani yeteneklerini bunun üzerine ekleyebilenlerde olacak.

Yani mesele artık yapay zekâdan daha fazla bilgi bilmek değil.

Onun ürettiği bilgiyi değerlendirebilmektedir.

Doğru soruyu sorabilmek.

Yanlış cevabı fark edebilmek.

Yeni bağlantılar kurabilmek.

Ve gerektiğinde sıfırdan yeniden öğrenebilmek.

Çünkü teknoloji ne kadar gelişirse gelişsin, insanın sahip olacağı en önemli yeteneklerden biri değişmeyecek:

Öğrenebilmek.

Belki de makine öğrenmesi ile insan öğrenmesi arasındaki en büyük fark tam olarak burada.

Makine, kendisine kurulan sistem içinde öğreniyor.

İnsan ise öğrenirken bazen sistemi de değiştirebiliyor.