Sorumlu Yapay Zeka: 4 İlke ve En İyi Uygulamalar

Liderlerin %65'i yapay zeka kaynaklı riskleri etkili bir şekilde yönetmeye hazır olmadığını düşünüyor. ¹ Sorumluluk, güvenilirlik ve etik uygulamaları gözeterek yapay zeka uygulamaları geliştirmek ve ölçeklendirmek, herkes için çalışan yapay zeka oluşturmak için esastır.

Sorumlu yapay zeka (RAI) tasarımı için dört ilkeyi keşfedin ve bunlara ulaşmak için en iyi uygulamaları önerin:

Sorumlu Yapay Zekaya Adım Adım Kılavuz

1. Yapay zeka sistemlerini insan kullanıcılara ve onların deneyimlerine odaklanarak devreye alın. Daha iyi bir kullanıcı etkileşimi için tasarımın etik ilkeleri ve toplumsal değerleri içerdiğinden emin olun.
2. Geri bildirim ve hata oranları da dahil olmak üzere çeşitli metrikleri izlemek için sorumlu bir yapay zeka panosu kullanın; böylece sistem etkinliğini ve risk yönetimini sağlayın.
3. Eğitim verilerini ve temel verileri doğruluk ile temsil gücü açısından dikkatle inceleyin. Veri etiğini iyileştirmek ve yapay zeka politikanızın adillik denetimlerini zorunlu kılmasını sağlamak için önyargıları ve adil olmayan sonuçları ele alın.
4. Makine öğrenmesi modellerinin sınırlamalarını anlayın ve bunları açıkça iletin. Korelasyonlara aşırı güvenmekten kaçının ve üretken yapay zeka yeteneklerinin kapsamını bilin.
5. Birim ve entegrasyon testleri de dahil olmak üzere yapay zeka iş akışlarında sıkı testler uygulayın. Sistem güvenilirliği ve doğruluğu için sürekli izleme esastır; etik hususları süreç boyunca dahil edin.
6. Dağıtım sonrasında sistem performansını sürekli izleyin; güncellemeleri mevzuat uyumu için AB Yapay Zeka Yasası'na göre değerlendirin ve gizlilik ile güvenlik ilkelerine uyum sağlayın. İzleme uygulamalarınızı gizlilik, şeffaflık ve güvenliği vurgulayan yapay zeka politikası standartlarıyla uyumlu hale getirin. Yaygın benimsemeyi ve kötü niyetli saldırılara karşı direnci sağlarken hem acil hem de uzun vadeli sorunları ele alın.

1. Adillik

Yapay zeka araçları işe alım, kredi verme ve tıbbi teşhis gibi çeşitli karar alma süreçlerinde giderek daha fazla kullanılıyor. Bu karar alma sistemlerine eklenen önyargılar kamu üzerinde geniş kapsamlı etkilere yol açabilir ve farklı insan gruplarına karşı ayrımcılığa katkıda bulunabilir.

Gerçek hayattan örnekler

İşte yapay zeka önyargısının gerçek dünyadaki uygulamalardan üç örneği:

• Kredi algoritmalarında cinsiyetçilik: 2019'da, Apple'ın kredi kartı algoritmasının kadınlara karşı ayrımcılık yaptığına ve cinsiyete göre farklı kredi limitleri sunduğuna dair (kurucu ortak Steve Wozniak dahil) çok sayıda iddia vardı.
• Yapay zeka destekli işe alımda ırkçılık ve engellilere yönelik ayrımcılık: Harvard Business School ve Accenture tarafından hazırlanan yakın tarihli bir rapora göre, ABD'deki 27 milyon çalışan otomatik ve yapay zeka destekli işe alım sistemleri nedeniyle eleniyor ve iş bulamıyor. ² Bu "gizli çalışanlar" arasında göçmenler, mülteciler ve fiziksel engelliler yer alıyor.
• Yüz tanımada ırkçılık: Araştırmacılar,³ Amazon veya Microsoft gibi bazı ticari yüz tanıma teknolojilerinin koyu tenli kadınlarda düşük doğruluğa sahip olduğunu, ancak açık tenli erkeklerde daha isabetli olduğunu tespit etti (Şekil 1).

Bu önyargılı kararlar, proje tasarımından veya gerçek dünyadaki önyargıları yansıtan veri kümelerinden kaynaklanabilir. Sağlam ve herkes için kapsayıcı yapay zeka sistemleri oluşturmak için bu önyargıların giderilmesi kritik öneme sahiptir.

Adilliği sağlamak için en iyi uygulamalar

• Veri kümesinin nüfusu adil bir şekilde temsil edip etmediğini inceleyin.
• Modelin farklı gruplar arasında eşit derecede iyi performans gösterip göstermediğini belirlemek için veri kümesinin alt popülasyonlarını analiz edin.
• Modelleri adillik gözeterek tasarlayın; sosyal bilimcilere ve diğer konu uzmanlarına danışın.
• Dağıtım sonrasında makine öğrenmesi modelini sürekli izleyin. Modeller sürüklendiği için zamanla sisteme önyargılar girebilir.
• Ölçülebilir hesap verebilirlik için adillik benchmark'larını yapay zeka politikanıza entegre edin.

Yapay zeka önyargısı ve bunun nasıl düzeltileceği hakkında kapsamlı bir makalemiz var. İncelemekten ücretsiz çekinmeyin. Ayrıca yapay zeka etiği hakkındaki makalemizi okuyabilirsiniz.

2. Gizlilik

Yapay zeka sistemleri sıklıkla büyük veri kümeleri kullanır ve bu veri kümeleri bireyler hakkında hassas bilgiler içerebilir. Bu durum, yapay zeka çözümlerini veri ihlallerine ve hassas bilgileri ele geçirmek isteyen kötü niyetli tarafların saldırılarına açık hale getirir:

• Identity Theft Resource Center'a göre 2021'de 1862 veri ihlali yaşandı; bu sayı 2017'deki önceki tüm zamanların en yüksek seviyesinden %23 daha yüksektir.⁴

Veri ihlalleri işletmeler için mali kaybın yanı sıra itibar kaybına da yol açar ve hassas bilgileri açığa çıkan bireyleri risk altına sokabilir.

Gerçek hayattan örnek

2024'ün başlarında İtalya'nın veri koruma otoritesi, yapay zeka kaynaklı gizlilik ihlalleri nedeniyle İtalya'da cezalandırılan ilk belediye olan Trento şehrine €50.000 para cezası verdi. Trento; kameralar, mikrofonlar ve sosyal medya izleme içeren AB destekli gözetim projelerinde yapay zeka araçları kullanmış, ancak kişisel verileri uygun şekilde anonimleştirmemiş ve bilgileri üçüncü taraflarla hukuka aykırı olarak paylaşmıştı.

Denetim kurumu, GDPR kapsamında şeffaflık ve ölçülülük ihlallerini gerekçe göstererek toplanan tüm verilerin silinmesini emretti. Bu olay, 2023'teki geçici ChatGPT yasağı ve 2024 sonunda OpenAI'a verilen para cezası gibi uygulamaların ardından İtalya'nın yapay zeka ile ilgili gizlilik kurallarını giderek daha sıkı uyguladığını yansıtmaktadır.⁵

Gizliliği sağlamak için en iyi uygulamalar

• Verileri hassasiyetine göre değerlendirin ve sınıflandırın; hassas verileri izleyin.
• Kuruluş içinde veri erişimi ve kullanımına yönelik bir politika geliştirin. En az ayrıcalık ilkesini uygulayın

3. Emniyet ve güvenlik

Bir yapay zeka sisteminin güvenliği, saldırganların sisteme müdahale etmesini ve amaçlanan davranışını değiştirmesini önlemek için kritik öneme sahiptir. Toplumun özellikle kritik alanlarında yapay zeka kullanımının artması, kamu güvenliği üzerinde önemli etkileri olabilecek zafiyetler ortaya çıkarabilir.

Sistem tasarımı sırasında güçlü emniyet ilkeleri uygulamak bu zafiyetleri en aza indirmeye yardımcı olur. Ayrıca sağlam bir yapay zeka politikası; tehdit modelleme, sızma testi ve red teaming gerektirir.

Aşağıdaki örnekleri göz önünde bulundurun:

• Araştırmacılar, yola küçük çıkartmalar yerleştirerek otonom bir aracın karşı şeride geçmesini sağlayabildiklerini gösterdi.

Bu çekişmeli saldırılar şunları içerebilir:

• Veri zehirlenmesi eğitim veri kümelerine yanıltıcı veriler enjekte edilmesi.
• Model zehirlenmesi model'lere erişilerek ve model'ler manipüle edilerek.

Bunların yanı sıra yapay zeka model'ini amaçlanmayan şekillerde davranmaya yönlendirmek için başka yöntemler de kullanılır. Yapay zeka teknolojisi geliştikçe saldırganlar yeni yöntemler bulacak ve yapay zeka sistemlerini savunmak için yeni yollar geliştirilecektir.

Gerçek hayattan örnek

İspanya, AB Yapay Zeka Yasası ile uyumlu olarak, deepfake gibi yapay zeka tarafından üretilen tüm içeriklerin açıkça etiketlenmesini zorunlu kılan bir yasa tasarısını onayladı; bu, şeffaflığı güçlendirmeyi ve savunmasız grupları korumayı amaçlıyor. Yasa ayrıca yapay zeka yoluyla bilinçaltı manipülasyonunu yasaklıyor ve ihlallere yüksek para cezaları öngörüyor. Yasa şunları gerektiriyor:

• Etiketleme: Yapay zeka tarafından üretilen tüm içerikler (ör. görüntüler, videolar, metinler) açıkça bu şekilde işaretlenmelidir.
• Deepfake düzenlemesi: Sentetik medya yapay kaynağını açıklamalıdır.
• Manipülasyon yasağı: Yapay zeka sistemleri, özellikle reşit olmayanlar veya savunmasız kişiler olmak üzere kullanıcıları istismar etmek için bilinçaltı teknikleri kullanamaz.

İhlal durumunda model sağlayıcıların €35 milyona veya küresel cironun %7'sine kadar para cezası ödemesi bekleniyor. Yeni bir ulusal kurum olan AESIA uyumu izleyecek ve uygulayacaktır.

Bu yasa, kullanıcıların sentetik içerikle etkileşimde olduklarını bilmelerini sağlayarak ve zararlı manipülasyonu sınırlayarak sorumlu yapay zekanın şeffaflık ve emniyet ilkelerini güçlendirir.⁶

Güvenliği sağlamak için en iyi uygulamalar

• Bir rakibin sisteme saldırmak için bir motivasyonu olup olmayacağını ve böyle bir saldırının olası sonuçlarını değerlendirin.
• Kuruluşunuzda, zafiyetlerin belirlenmesi ve azaltılması için sistemi test etmek üzere bir rakip gibi davranacak bir red team oluşturun.
• Yapay zeka saldırıları ve yapay zeka güvenliği konusundaki yeni gelişmeleri takip edin. Bu sürekli gelişen bir araştırma alanıdır, bu nedenle gelişmelerden haberdar olmak önemlidir.

4. Şeffaflık

Yapay zeka sistemlerinin şeffaflığı, yorumlanabilirliği veya açıklanabilirliği; işletmelerin sektör standartlarına veya hükümet düzenlemelerine uyması gereken sağlık ve sigortacılık gibi bazı sektörlerde zorunludur. Bununla birlikte, yapay zeka model'lerinin belirli çıktıları neden ürettiğini yorumlayabilmek, tüm işletmelerin ve kullanıcıların yapay zeka sistemlerini anlayıp güvenebilmesi için önemlidir.

Şeffaf bir yapay zeka sistemi işletmelere şu konularda yardımcı olabilir:

• İş açısından kritik kararları açıklama ve savunma,
• “Eğer olursa” senaryoları oluşturma,
• Model'lerin amaçlandığı gibi çalıştığından emin olma,
• Beklenmeyen sonuçlar durumunda hesap verebilirliği sağlama.

Gerçek hayattan örnek

ABD merkezli bir yüz tanıma şirketi olan Clearview AI, kolluk kuvvetleri ve özel müşteriler için bireyleri tespit etmek amacıyla internetten topladığı 30 milyardan fazla görüntüden oluşan bir veri tabanı oluşturdu. Hollanda Veri Koruma Otoritesi, GDPR kapsamındaki gizlilik ve şeffaflık ilkelerini ihlal ettiği için şirkete €30.5 milyon para cezası kesti; bu ihlaller şunlardır:

• Rıza yok: Kullanıcıların bilgisi veya izni olmadan biyometrik veriler (yüz özellikleri) toplandı.
• Şeffaflık eksikliği: Bireyler, görüntülerinin kullanıldığı veya nasıl işlendiği konusunda bilgilendirilmedi.
• Hassas veriler: Veri tabanı reşit olmayanların görüntülerini de içeriyordu.
• Uyumsuzluk: AB'de yerel bir temsilci veya hukuka uygun bir veri dayanağı olmadan faaliyet gösterdi.⁷

Kullanım örnekleri

Açıklanabilir yapay zeka, çeşitli sektörlerdeki karar alma süreçlerinde şeffaflık ve güven oluşturmaya yardımcı olabilir; örneğin:

• Sağlık hizmetleri: Hekimlerin yapay zekanın hastalık teşhisleri ve tedavi önerileri arkasındaki gerekçeyi anlamalarına yardımcı olarak.
• Finans: Dolandırıcılık tespiti ve yatırım tavsiyelerinde paydaşlar arasında güveni artıran şeffaflık sağlayarak.
• Otomotiv: Otonom araçlardaki karar alma süreçlerini netleştirmeye yardımcı olarak güvenliği ve güvenilirliği artırma.
• Pazarlama & Satış: Müşteri segmentasyonu, satış tahmini ve reklam hedeflemesi için yapay zeka destekli içgörülerin şeffaf olmasını sağlayarak stratejik kararları destekleme.
• Siber güvenlik: Yapay zekanın tehdit algılama arkasındaki akıl yürütmeyi açıklayarak siber güvenlik yönetimini iyileştirme.

Şeffaflığı sağlamak için en iyi uygulamalar

• Model'den istenen performans için gerekli olan küçük bir girdi kümesi kullanın. Bu, değişkenler arasındaki korelasyonun veya nedenselliğin nereden geldiğini doğru şekilde belirlemeyi kolaylaştırabilir.
• Açıklanabilir yapay zeka yöntemlerine, yorumlanması zor model'lere (yani kara kutu model'lere) göre öncelik verin.
• Gerekli yorumlanabilirlik düzeyini alan uzmanları ve paydaşlarla görüşün.

Yeni sütun: Yeşil Yapay Zeka

Yeşil Yapay Zeka, yapay zeka sistemlerinin çevresel etkisini azaltmaya odaklanır. Yapay zeka model'lerini eğitmek ve çalıştırmak yüksek enerji tüketimine yol açan önemli hesaplama gücü gerektirir. Bu durum hem maliyetleri hem de karbon emisyonlarını artırabilir.

Yapay zeka benimsenmesi arttıkça enerji verimliliği daha önemli hale geliyor. İşletmeler, performansı korurken kaynak kullanımını azaltmak için model'lerin nasıl oluşturulduğunu, eğitildiğini ve dağıtıldığını optimize etmeye başlıyor.

Yeşil Yapay Zeka yaklaşımı işletmelere şu konularda yardımcı olabilir:

• Enerji tüketimini ve operasyonel maliyetleri azaltma,
• Yapay zeka iş yüklerinin karbon ayak izini düşürme,
• Model eğitimi ve inference verimliliğini artırma,
• Yapay zeka girişimlerini sürdürülebilirlik hedefleriyle uyumlu hale getirme.

Gerçek hayattan örnek

Google DeepMind, Google veri merkezlerindeki soğutma sistemlerini optimize etmek için makine öğrenmesi uyguladı. Sistem; sıcaklık, güç kullanımı ve ekipman performansı gibi verileri analiz ederek soğutmayı otomatik olarak ayarlıyor.

Bu şunlarla sonuçlandı:

• Soğutma enerjisi kullanımında %40'e varan azalma,
• Veri merkezlerinde toplam enerji tüketiminde yaklaşık %15 azalma.

Bu örnek, Yeşil Yapay Zeka'nın büyük ölçekli ortamlarda ölçülebilir sonuçlar sağladığını göstermektedir.⁸

Kullanım örnekleri

Yeşil Yapay Zeka aşağıdakiler de dahil olmak üzere birçok alanda uygulanabilir:

• Veri merkezi optimizasyonu: Yapay zeka sistemleri, enerji israfını azaltmak için soğutma ve güç kullanımını ayarlar.
• Verimli model tasarımı: Daha küçük model'ler ve sıkıştırma teknikleri hesaplama gereksinimlerini azaltır.
• İş yükü planlaması: Görevler, enerji talebi daha düşükken veya yenilenebilir enerji mevcutken çalıştırılır.
• Bulut optimizasyonu: Yapay zeka, aşırı kaynak sağlamayı önlemek için kaynakları dinamik olarak tahsis etmeye yardımcı olur.
• Edge AI: Verilerin kaynağa daha yakın işlenmesi veri aktarımını ve enerji kullanımını azaltır.

Yeşil Yapay Zekayı sağlamak için en iyi uygulamalar

• Gereksiz yere büyük model'ler yerine verimli model mimarileri kullanın.
• İterasyonları azaltarak ve daha kaliteli veriler kullanarak eğitimi optimize edin.
• Yapay zeka iş yüklerinin enerji tüketimini izleyin.
• Yenilenebilir enerji kullanan bulut bölgelerini veya sağlayıcılarını tercih edin.
• Mümkün olduğunda sıfırdan eğitmek yerine önceden eğitilmiş model'leri yeniden kullanın.

Olgunluk notu

Karbon bilincine sahip iş yükü planlaması gibi bazı Yeşil Yapay Zeka uygulamaları hâlâ gelişmekte ve henüz yaygın olarak standartlaşmamıştır. Bununla birlikte mevcut uygulamalar, önemli verimlilik kazanımlarının elde edilebilir olduğunu göstermektedir.

Sorumlu yapay zeka araçları

Sorumlu yapay zeka yazılımı pazar ortamı, aşağıdakiler gibi sorumlu yapay zeka çerçeveleri sunan çeşitli araçları içerir:

• Yapay zeka yönetişim araçları
• Yapay zeka koruma bariyerleri
• MLOps araçları
• LLMOps araçları
• Açık kaynaklı sorumlu yapay zeka kütüphaneleri.

Bu araçların etik değerlerle uyumlu olmasını sağlamak için kuruluşlar; emniyet, adillik, şeffaflık ve hesap verebilirliği kapsayan yapay zeka politikalarına uyan araçları benimsemelidir.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Bir yapay zeka aracının sorumlu olup olmadığı nasıl belirlenir?

İş kullanıcıları yapay zeka araçlarını kullanabilir; örneğin bir İK ekibi, başvuru profillerini incelemek için LLM tabanlı bir algoritma kullanır ve deneyim ile eğitime göre CV'leri filtreleyerek işe alımı hızlandırır. Ancak araç adillik ilkelerini ihlal ediyorsa belirli gruplara karşı ayrımcılık yapabilir. Kullanıcılar bu önyargının farkında olmadan cinsiyet veya ırka dayalı olarak adayları reddedebilir ve bu da kuruluş için etik ve itibari sorunlara yol açabilir.

Bu tür sorunları önlemek için şirketler sorumlu yapay zeka ilkeleriyle uyumlu araçlar benimsemelidir. Etik yapay zeka kullanımını sağlamak için benchmark'ları değerlendirebilir, kullanıcı yorumlarını inceleyebilir ve gerçek hayattan örnekleri veya vaka çalışmalarını inceleyebilirler. Aşağıdaki tablo, en iyi LLM'lerden bazılarının benchmark sonuçlarını göstermektedir:

Sistemler hem genel olarak hem de her tehlike için 5 puanlık bir ölçekle değerlendirilir: Zayıf (1), Orta (2), Makul (3), İyi (4) ve Mükemmel (5). Derecelendirmeler, değerlendirme standartlarını karşılamayan yanıtların yüzdesine göre belirlenir.⁹

Sorumlu yapay zekada son gelişmeler

Uyumsuzluk erken uyarı sistemi

OpenAI, daha güvenli ve daha sorumlu yapay zeka sistemlerine yönelik umut verici bir adım olarak yanlış hizalama erken uyarısı adı verilen yeni bir teknik sundu. Bu yöntem, bir yapay zeka model'i zararlı çıktılar üretmeden önce iç uyarı işaretlerini tespit etmeye odaklanır.¹⁰

Yanlış hizalama erken çalışma sistemi nasıl çalışır?

Sistem, güvenli olmayan davranışlarla ilişkili “toksik persona” gibi belirli iç özellikleri tanımlayarak çalışır. Eğitim veya dağıtım sırasında bu özelliklerin aktivasyon seviyelerini izleyerek, bir model yanlış hizalanmış davranışa doğru kaymaya başladığında geliştiriciler erken uyarılar alabilir.

Bu tür uyarı sinyalleri ortaya çıktığında müdahaleler şu yollarla uygulanabilir:

• Zararlı aktivasyonu doğrudan sönümleme
• Model'in iç yönünü güvenli olmayan kalıplardan uzaklaştıran bir teknik olan aktivasyon yönlendirmesi uygulama.

Bu yaklaşım, yalnızca dış çıktıları izlemeye güvenmek yerine proaktif risk azaltımı sağlar.

Sorumlu yapay zeka için yanlış hizalama erken çalışması

Bu gelişme, sorumlu yapay zekanın temel ilkelerini desteklemektedir:

• Şeffaflık: İç model davranışını yorumlanabilir kılarak
• Emniyet: Erken müdahaleye olanak tanıyarak
• Hesap verebilirlik: İnsan denetimi için net sinyaller sunarak.

Bu, model geliştirme sürecine gerçek zamanlı izleme ve kontrol mekanizmaları yerleştirme yönündeki büyüyen eğilimi yansıtmaktadır. Daha geniş emniyet Ar-Ge çalışmalarının bir parçası olarak bu teknik, eğitim sırasında yanlış hizalamayı yakalama ve düzeltme yeteneğini ilerletir; böylece uluslararası yapay zeka yönetişim çerçeveleri ve tasarım aşamasında emniyet standartlarıyla uyumlu hale gelir.

Yapay Zeka Güvenliği Zirvesi

Yapay Zeka Güvenliği Zirvesi, gelişmiş “Frontier AI” sistemlerinin emniyeti, riskleri ve düzenlenmesine odaklanan önde gelen uluslararası bir konferanstır. İlk etkinlik Kasım 2023'te Birleşik Krallık'taki Bletchley Park'ta düzenlendi ve küresel yapay zeka güvenliği çabalarını koordine etmek üzere hükümetleri, yapay zeka şirketlerini, sivil toplumu ve 28 ülkeden uzmanları bir araya getirdi.

Temel Sonuçlar

• Bletchley Bildirgesi: Katılımcı ülkeler; paylaşılan emniyet ilkelerine dayalı olarak güvenli, insan odaklı, güvenilir ve sorumlu yapay zeka geliştirmeyi taahhüt etti.
• Uluslararası İşbirliği: Gelişmiş yapay zeka üzerinde kötüye kullanım, toplumsal bozulma ve kontrol kaybı gibi riskleri azaltmak için acil işbirliğini vurguladı.
• Şeffaflık ve Düzenleme: Yapay zeka ilerlemelerine ayak uydurmak için şeffaflık, sıkı güvenlik testleri ve uyarlanabilir düzenleyici çerçeveler çağrısında bulundu.

Amaç ve Vizyon

Zirve, çok paydaşlı işbirliğini ve etik yönetişimi teşvik ederek sorumlu yapay zeka gelişimini destekler. İnsan emniyeti, etik ve kapsayıcılığı ön planda tutan yapay zeka sistemleri tasarlama, dağıtma ve yönetme konusundaki küresel sorumluluğu vurgulayarak yapay zekanın zararı en aza indirirken topluma fayda sağlamasını amaçlar.

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{Sorumlu Yapay Zeka: 4 İlke ve En İyi Uygulamalar}},
  year   = {2026},
  month  = mar,
  howpublished    = {\url{https://aimultiple.com/responsible-ai}},
  note   = {AIMultiple. Erişim tarihi: 19 Mart 2026}
}

Değişiklik günlüğü

9 güncelleme

1. 202619 Mar

   Makaleye Yeşil Yapay Zeka başlıklı yeni bir bölüm eklendi.

2. 202517 Tem

   Sorumlu yapay zeka için son gelişmelere uyumsuzluk erken uyarı adlı yeni bir teknik eklendi.

3. 25 Haz

   Genişletilmiş 'Eğitim verilerini inceleyin' bölümü, yapay zeka politikasına bir referansla.

4. 13 Haz

   İletişim bilgilerinden önceki bölüme AI Güvenlik Zirvesi'nin bir açıklaması eklendi.

5. 20246 Ara

   Makaleye bir bölüm eklendi: Bir yapay zeka aracının sorumlu olup olmadığı nasıl belirlenir?

6. 23 Ağu

   Şekil 1: Sorumlu Yapay Zeka Google Trendleri (5 yıl) eklendi.

7. 13 Ağu

   AI Bias" bölümüne "Gerçek hayattan örnekler" eklendi.

8. 9 Ağu

   Sorumlu Yapay Zeka için Adım Adım Bir Kılavuz bölümü eklendi.

9. 202212 Eki

   Fairness bölümüne yüz tanıma doğruluğu örneği eklendi.

Referans Linkleri

1.

Global Risk Study | Accenture

Accenture

2.

Hidden Workers: Untapped Talent | Managing the Future of Work

3.

Cinsiyet tonları: Ticari cinsiyet sınıflandırmasında kesişimsel doğruluk farkları

4.

ITRC 2021 Data Breach Report Saw Record Number of Compromises

Identity Theft Resource Center

5.

reuters.com

Reuters

6.

reuters.com

Reuters

7.

Clearview AI fined €30.5M in the Netherlands over its facial recognition database - SiliconANGLE

8.

AI Cuts Google Data Center Cooling Costs 40% (DeepMind)

9.

https://ailuminate.mlcommons.org/benchmarks/general_purpose_ai_chat/1.0-en_us-official-ensemble

10.

Toward understanding and preventing misalignment generalization | OpenAI

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple bünyesinde baş analisttir. Cem'in AIMultiple'daki çalışmaları; Business Insider, Forbes, Morning Brew ve Washington Post gibi önde gelen küresel yayınlar, Deloitte ve HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır. [1], [2], [3], [4], [5] Kariyeri boyunca Cem; teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yılı aşkın süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımladı. CEO'ya rapor verirken bir telekom şirketinin teknoloji stratejisini ve satın alma süreçlerini yönetti. Ayrıca 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetti. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alındı. Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun oldu ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Hazal Şimşek

Endüstri Analisti

Takip Et

Hazal, AIMultiple'da süreç zekası (süreç madenciliği dahil) ve kurumsal otomasyon (BT otomasyonu ve düşük kodlu/kodsuz otomasyon dahil) konularına odaklanan bir endüstri analistidir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder