Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, İstanbul Üniversitesi Enformatik Bölümü öğretim üyesi Dr. İncizaim Gökbay tarafından sunulan kapsamlı bir eğitim dersidir. Konuşmacı, yapay zeka, makine öğrenmesi ve derin öğrenme konularını detaylı şekilde anlatmaktadır.
- Video, yapay zekanın temel kavramlarından başlayarak, makine öğrenmesinin üç temel dalını (gözetimli, gözetimsiz ve pekiştirmeli öğrenme) ve derin öğrenme modellerini (CNN, RNN, RBM) kronolojik olarak ele almaktadır. Her bir kavram ve model detaylı örneklerle açıklanmakta, günlük hayattan uygulamalar sunulmaktadır.
- Ders içeriğinde bilgisayar tarihi, nöron modelleri, öğrenme kuramları, algoritma kavramları ve makine öğrenmesinin çeşitli alanlardaki uygulamaları (kredi risk değerlendirmesi, ses tanıma, görüntü sınıflandırması, otonom araçlar, IBM Watson gibi) detaylı şekilde anlatılmaktadır. Video, yapay zekanın gelecekte kuantum kimya, parçacık fiziği ve materyal tasarımı gibi alanlarda nasıl kullanılabileceğine de değinmektedir.
- 00:09Yapay Zeka Kavramı ve Tarihsel Gelişimi
- İstanbul Üniversitesi Enformatik Bölümü öğretim üyesi Dr. Incizaim Gökbay, yapay zeka, makine öğrenmesi ve derin öğrenme kavramları üzerine bir eğitim gerçekleştirecektir.
- Konuyla ilgili daha ayrıntılı bilgi, Türkiye Cumhuriyeti Şehir ve Çevrecilik Bakanlığı'nın Akıllı Şehirler Strateji ve Eylem Planı kapsamında hazırlatmış olduğu kitapçıklarda bulunabilir.
- 1960'lı yıllardaki "Star Trek" ve "Jetson" (Türkçe'ye çevrilmiş ismiyle "Jetgiller") dizilerindeki teknolojik hayaller, günümüzde yaygın kullanım haline gelmiştir.
- 02:51Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme İlişkisi
- Toplumda yapay zeka, makine öğrenme ve derin öğrenmenin birbirinden farklı yapılar olduğu düşünülse de, aslında bunlar birbirine bağlı kavramlardır.
- Yapay zeka, insan davranışını taklit edebilen veya insan davranışlarının iyileştirilmesi, kolaylaştırılmasına yönelik hizmetler sunma kabiliyeti olan makinalardır.
- Makine öğrenmesi, yapay zekanın altında yer alan bir öğrenme modelidir ve makinelerin deneyimlerini arttıracak istatistiksel veya olasılıksal modellerin bulunduğu alanıdır.
- Derin öğrenme ise makine öğrenmesinin alt kümesidir ve çok katmanlı sinir ağlarından oluşan, daha özelleştirilmiş bir öğrenme algoritmasıdır.
- 06:15Yapay Zekanın Tarihsel Temelleri
- Yapay zekanın temeli binlerce yıllık bir düşünsel süreçtir ve birçok bilim insanı, filozof, matematikçi, fizyolog, nörolog ve nörofizyolog'un katkıları vardır.
- Yapay zekanın temelinde Aristoteles'in tasım modeli bulunmaktadır; bu modelde, çok kapsamlı ve katmanlı yargılar matematiksel modellerle işlenerek sonuçlar üretilir.
- Wilhelm Lightness, insanın kullandığı karmaşık dil yerine daha basit bir matematiksel dil oluşturmayı amaçlamıştır.
- 09:24Yapay Zekanın Gelişimi
- 19. yüzyılın başında Charles Stanhope, basit mantık ve olasılık problemlerini çözen cihazlar tasarlamış ve basit mantık makinesini inşa eden ilk kişi olarak tarihe geçmiştir.
- George Bool, 1854 yılında "Mantık ve Olasılığa Dair Matematiksel Kuramların Üstüne Kurulduğu Düşünce Yasalarının Soruşturması" adlı kitabıyla bilgisayarların temelini atmıştır.
- 1950'li yıllarda bilim insanları, insanların var olan potansiyellerini hesaplamak için kullanacaklarını ve bu işleri daha iyi yapabilmek için makinelere ihtiyaç duyacaklarını tartışmaya başlamışlardır.
- 12:29Yapay Zeka ve Makine Öğrenmesi
- Yapay zekanın temelinde makine öğrenmesi bulunmaktadır ve makine öğrenmesi, öğrenme algoritmalarının bulunduğu bir kümeyi ifade eder.
- Yapay zeka sadece bir alanın ürünü değil, birçok alandan gelen bilginin bir araya gelmesi sonucu ortaya çıkmıştır.
- Yapay zekanın gelişimi için bilişsel psikolojinin gelişmesi ve bilişsel psikolojideki çalışmaların netliğe kavuşması gerekmektedir.
- 13:16Bilgi iletimi ve Bilişim Matematiği
- Bilgilerin farklı yerlere iletilmesi için sinyaller kullanılır ve bu sinyaller bilgi taşıyan verilerdir.
- Bilgilerin uzak mesafelere daha hızlı iletilmesi için benzerlikler kullanılır ve bu konuda Shannon ve iletişim kuramı önemlidir.
- Bilişim matematiği, algoritma, graf teorisi, ağaçlar, otomata kuramları, kriptografi ve olasılık teorileri gibi alanlarla adım adım gelişmiştir.
- 15:17İlk Bilgisayarlar
- İlk bilgisayar olarak Charles Babbage tarafından yapılan "Difference Machine" (iki sayıyı birbirinden çıkaran makine) tarihe geçmiştir.
- Ada Lovelace, Charles Babbage'in bu makineyi üretmesinde önemli katkılar sağlayan bir kadın bilim insanıdır.
- 1944 yılında John Fleming tarafından diyot yapılmış ve 1944 yılında ilk bilgisayar olarak Mark-1 üretilmiştir.
- 16:40Yapay Zeka ve Alan Turing
- El Cezeri tarafından yapılan mekanik basit makinalar, insan ve diğer canlıların hareketlerini ve öğrenme kabiliyetlerini taklit eden sibernetik tabanlı işlevsel makinalardır.
- Alan Turing, hesaplama işlemlerinin gelecekte makineler tarafından yapılacağını ve makinelerin insandan ayırt edilemeyecek kadar zeki olacağını öngörmüştür.
- Alan Turing, zeki bir makine insandan ayırt edilir ve ayırt edilemez standardını ortaya koyan Turing testini geliştirmiştir.
- 19:13Beyin ve Sinir Ağları
- Yapay zekanın tam anlamıyla olabilmesi için öğrenme algoritmalarının matematiksel ifade edilmesi gerekir.
- 1943 yılında Warren McCulloch ve matematikçi Walter Pitts tarafından beyin nöral etkileşimlerini basit elektrik devrelerden yararlanarak sinir ağı yapılandırma modelleri geliştirilmiştir.
- Bu model, insanın bir uyarıyı aldığı zaman nasıl tepki verdiğini ve nöronların ateşlenme şeklini göstermektedir.
- 20:29Nöronların Matematiksel Modeli
- Uyarının beyne hızlıca gitmesi, beyinde çözümlenmesi ve davranış olarak tepki oluşturması için matematiksel modelde sinaptik eylem değeri ve ağırlıklar kullanılır.
- Ağırlık katsayısı, bir uyarıcıya tepki verme hızını belirler; katsayı ne kadar yüksekse tepki verme ne kadar hızlı olur.
- Nöronun hem uyarıcı hem de engelleyici etkileri vardır ve tüm sinapsların dikkate alındığı bir modelle ateşlenip ateşlenmeyeceği belirlenir.
- 22:59Matematiksel Modelin Uygulanması
- Matematiksel modelde x (uyarı), omega (ağırlık) değerleri kullanılarak bir lineer denklem kurulur.
- Uyanma eylemi örneğinde, göz açma, hareket etme, doğrulma gibi eylemler x değerleri, bu eylemlerin hızı omega değerleri olarak modellenir.
- Nöronun aksondan bilgi iletecek olup olmayacağı, sinapsın şiddeti (omega) ve eşik değeri aşılıp aşılacağına bağlıdır.
- 27:09Yapay Sinir Ağları
- Fit ve Mclock'un oluşturduğu matematiksel model, yapay sinir ağı modelinin ortaya çıkmasını sağlar.
- Yapay sinir ağı modelleri, algılayan ve tanıyan otomatlar projesiyle psikolog Frank Rosenblatt'ın sinir ağları üzerine çalışmalarını etkilemiştir.
- Yapay sinir ağı modelleri, sinir ağı modeli yani bir dizi tek yönlü ağırlıklı bağlantı aracıyla etkileşime giren nöron benzeri işleme elemanlarına dayanır.
- 28:50Öğrenme Kuramları
- Psikolojide davranışçı akım, öğrenmeyi bireyin davranışlarındaki gözlemlenebilir bir değişme olarak tanımlar.
- Öğrenme, öğrencinin uyarıcıya karşı istenilen tepkiyi göstermesiyle gerçekleşir.
- Pavlov'un köpeği deneyi ve beyaz tavşanla bebeğin arasındaki deney, öğrenmenin nasıl gerçekleştiğini gösteren örneklerdir.
- 31:54Öğrenme Sınıflandırılması
- Makinelere öğretim üç temel adımda yapılır.
- Birinci adım, derinlemesine bildiğimiz bir konuyu adım adım modelleyerek makineye öğretmektir.
- Satranç, bu tür bir öğrenme modelinin en iyi örneğidir.
- 32:18Satranç ve Makine Öğrenmesi
- Satranç, 8x8 karelerden oluşan 64 küçük kareli bir tahtada, belirli hareket kuralları olan taşlarla oynanan bir oyundur.
- Satrançta taşların nasıl hareket edeceği ve tahtanın sınırları dışına çıkılmaması gibi belirli kurallar vardır.
- Satranç oynamayı öğrenmek için özel bir zeka veya doğuştan gelen yetenek gerekmez, kitaplar ve bilgilerle öğrenebilir, hatta usta olabiliriz.
- 33:57IBM Deep Blue Örneği
- IBM tarafından geliştirilen Deep Blue bilgisayarı, 1997'de dünya ünlü satranç ustası Garry Kasparov'u yenmiştir.
- Makineye satranç oyununun kuralları ve önceki deneyimler sistematik bir şekilde öğrenilmiştir.
- Satrançta fiziksel yetenek gerektirmez, sadece hesaplama gücü ve zihinde tutma kabiliyetine dayalı bir oyun olduğu için makine sistematik yöntemlerle insanları yenmiştir.
- 35:09Görsel Öğrenme
- İnsanlar, bebeklerin köpek tanımak için canlı köpek, resimler, sesler ve farklı köpekler gösterilmesiyle öğrenirler.
- Makineler de benzer şekilde öğrenir: birçok kadın ve erkek resmi gösterilerek, makine bu resimleri analiz ederek kendi kafasında bir model oluşturur.
- Sosyal medya platformlarında, insanlar resimleri etiketlerken, makine bu etiketleri öğrenir ve zamanla kendisi de resimleri doğru şekilde etiketlemeye başlar.
- 37:23Go Oyunu ve Öğrenme
- Go oyununda satranç gibi belirli taş hareket kuralları yoktur, beyaz ve siyah taşlar kullanılarak karşıdaki kişinin taşlarını azaltmak amaçlanır.
- Go oyununda, binlerce oyunun bilgisayara gösterilmesiyle, makine stratejileri kendi kendine öğrenir ve en iyi hamleleri belirler.
- AlphaGo, 2016 yılında dünya şampiyonu Lee Sedol'u 40 gün boyunca oynanan oyunların büyük kısmını kazanarak yenmiştir.
- 41:18Makine Öğrenmesi ve Algoritma
- Makine öğrenmesinde kullanılan algoritma, makinanın bir işi adım adım komutlar vasıtasıyla yaptırılmasıdır.
- Örneğin, bir markette meyve suyu almak için robotun hangi reyonlara gitmesi, hangi markaları araması gibi adımlar belirtilir.
- Bu adımların olduğu verilerin toplandığı yere veri tabanı denir ve büyük veritabanlarından değerli verileri bulma işlemine veri madenciliği denir.
- 44:37Makine Öğrenmesi Türleri
- Makine öğrenmesi üç temel türde incelenir: gözetimli, gözetimsiz ve pekiştirmeli öğrenme.
- Gözetimli öğrenmede, makine belirli bilgilere dayanarak (örneğin küpün altı kenarı olan karelerden oluştuğu) verilen bilgiyi kullanır.
- Gözetimsiz öğrenmede, makine birbirine benzeyen nesneleri gruplandırarak öğrenir (örneğin altı kenarı olan karelerin olduğu şekilleri bir gruba ayırır).
- Pekiştirmeli öğrenmede, makine kendi kendine deneyerek öğrenir ve önceki deneyimlerinden elde ettiği ödüllerle yeni durumları değerlendirir.
- 46:33Makine Öğrenmesi Kuralları
- İlişkilendirme kuralı, market sepeti problemleri gibi durumlarda kullanılır.
- İlişkilendirme kuralı, belirli ürünlerin birlikte alınma olasılığını hesaplayarak (örneğin tuvalet kağıdı alanların %80'inin sabun da aldığını) öneriler sunar.
- Bu ilişki kuralları sanal market alışverişlerinde "bu ürünleri alanlar bunu da aldı" veya dizi/film platformlarında "bu filmi izleyenler bunu da izledi" önerilerinde kullanılır.
- 49:04Sınıflandırma
- Sınıflandırma, farklı nesneleri veya verileri belirli kriterlere göre gruplara ayırma işlemidir.
- Kredi kartı veya kredi başvurularında, bankalar müşterileri risk sınıflarına göre ayırarak kredi verme kararları alır.
- Sınıflandırma, görüntü, ses tanıma, örüntü analizi ve yüz tanıma gibi alanlarda kullanılır.
- Ses analizlerinde, kadın ve erkek seslerindeki farklı frekanslar veya farklı insanların çizdiği "a" harflerindeki farklılıklar sınıflandırma için kullanılır.
- 52:57Yüz Tanıma Çalışması
- 2017'de İngiltere Bradford Üniversitesi'nde yayınlanan bir makale, kaybolan çocukların fotoğraflarını tahmin etme konusunda çalışmıştır.
- 21 aylık Ben Neetham adlı bir çocuğun kaybolmadan önce çekilmiş fotoğrafı kullanılarak, bilgisayar tarafından farklı yaşlarda nasıl görüneceğine dair tahminler yapılmıştır.
- Bu tür fotoğraflar, uluslararası sistemlerde yer alarak kaybolan kişilerin bulunması için yüz tanıma algoritmalarıyla eşleştirilebilir.
- 55:05Sınıflandırma ve Bağlanım Kuralları
- Hastalıkların erken teşhisi, bedensel ve davranışsal özelliklerin tanımlanması veya kimlik tanımlama için biyometri kullanılır.
- Ses tanımlama, sınıflandırma kurallarıyla çözülür.
- Bağlanım kuralları, çıktının bir sayı olduğu uygulamalarda kullanılır.
- 55:34Bağlanım Kurallarının Uygulamaları
- Emlak yatırımı yaparken, bölgeye yapılacak yatırımlar (yol, metro, tiyatro salonları) ve hizmetler (okul, ulaşım ağı) konut fiyatlarını etkiler.
- Bağlanım kuralları, geçmişte o bölgede o kategoride olan evlerin fiyat değişimini, çevresine yapılan hizmetleri ve internet altyapısını analiz ederek fiyat tahminleri yapar.
- Akıllı ev sistemleri, deprem uyarıları, güvenlik sistemleri ve yaşlıların evlerinde bakımlı yaşamını sağlayarak konut değerini artırabilir.
- 1:01:22Gözetimli Öğrenme
- Gözetimli öğrenme (supervised learning), girdi (x) ve çıktı (y) arasındaki eşleştirmeyi öğrenme sürecidir.
- Gözetimli öğrenmede insanlar tarafından yapılan etiketleme işlemi, makineye öğretilen bilgileri sağlar.
- Matematik modelleri kullanılarak öğrenilen çıktılar yeteri düzeyde doğruluğa ulaştığında, yeni veriler için öngörüler yapabilir.
- 1:03:14Gözetimli Öğrenme Modelleri
- Doğrusal regresyon, bağımsız girdi değişkenleri ve bağımlı çıktı değişkenleri arasındaki doğrusal ilişkiyi modeller.
- Mantıksal regresyon, doğrusal regresyona benzerlik gösterir ancak sınırlı sayıda çıktı sunar ve cilt kanserinin teşhisi gibi alanlarda kullanılır.
- Doğrusal ikinci dereceden diskriminant analizi, girdilerin çıktı üzerindeki etkileri doğrusal orantılı olmadığında kullanılır ve müşteri kayıp analizinde tercih edilir.
- 1:05:56Karar Ağaçları
- Karar ağaçları, insan hayatındaki karar verme mekanizmasına benzer bir matematik modeldir.
- Bu modelde verilen bir karar diğer kararları tetikler ve kararların düğümlerinde dallar oluşur.
- Karar ağaçları algoritması hem anlatmak hem de öğrenmek için kolay anlaşılır bir modeldir.
- 1:06:45Gözetimsiz Öğrenme ve Modelleri
- Gözetimsiz öğrenmede, bir doğru doğru değeri bir gözlemci tarafından verilen çıktıya girdi arasında bir eşleşme yapılır.
- Gözetimsiz öğrenme durumunda öbekleme algoritması kullanılır ve sitedeki satın alma veya ekranı kullanma gibi veriler analiz edilerek benzer müşteriler öbeklere ayrılır.
- Öbekleme algoritmaları görüntü sıkıştırmada da yaygın olarak kullanılır; girdiler görüntülere ait imge noktalarındaki renk değerleri olup, benzer renkler öbeklenir.
- 1:15:42Gözetimsiz Öğrenme Modelleri
- K-ortalama kümeleme (k-means clustering) modelinde veriler belli sayılardaki kümelere yerleştirilir ve kümedeki her eleman birbiriyle benzer özelliklere sahiptir.
- Hastanede gelen hastaların farklı karakteristiklere göre kümeleme yaparak hizmetlerin daha etkili yönetilmesi sağlanabilir.
- Gauss karışım modeli, k-ortalama kümelemeleriyle benzerlik gösterir ve bu modelde kümelerin büyüklüklerine ve şekline müdahale edilebilir.
- 1:17:41Hiyerarşik Kümeleme
- Hiyerarşik kümeleme, kümeleri hiyerarşik bir yapıyla ayrılması ve toplanmasıyla sınıflandırmaya olanak sağlar.
- Firma müşterilerini daha küçük segmentlere ayırabilir ve tavsiye sistemlerinde öneriler yapmak için kullanabilir.
- Web sitelerinde "bununla alanlar bunu da aldı" veya "buna bakanlar buna da baktı" gibi öneriler bu model kullanılarak yapılır.
- 1:18:12Pekiştirmeli Öğrenme
- Pekiştirmeli öğrenmede, adım adım pekiştirerek öğrenme yapılır ve AlphaGo gibi yapay zeka sistemleri bu yöntemle öğrenir.
- Bu öğrenme modeli, eylemleri için alınan ödülleri en üst düzeye çıkarmaya çalışır.
- Pekiştirmeli öğrenme, çevreyi öğrenmenin tek yolu olarak iletişim ve etkileşim kurmaktır.
- 1:19:11Stratejik Politika Oluşturma
- Pekiştirmeli öğrenmede tek bir eylem değil, stratejik bir politika oluşturulur.
- Bilgisayar diliyle dizgenin çıktısı, en başarılı hedefe erişebilmek için gerçekleştirilen doğru eylemler dizisidir.
- Yapay zeka, üretilen stratejik politikaları değerlendirebilmeli ve geçmiş stratejilerden başarılı yeni politikalar üretebilmelidir.
- 1:20:15Pekiştirmeli Öğrenmenin Uygulamaları
- Oyun oynamak, pekiştirmeli öğrenmenin en iyi örneğidir; ilk kez oynadığımızda ne yapacağımızı deneye deneye öğreniriz.
- Pekiştirmeli öğrenmede, bir eylem gerçekleştirdiğimizde bu eylemin bize bir karşılık vermesi önemlidir.
- Zamanla kendimiz için stratejiler oluştururken, pekiştirmeli öğrenme bilgisayarda da benzer stratejiler oluşturur.
- 1:22:12Markov Karar Süreci
- Pekiştirmeli öğrenmede hemen hemen her zaman Markov karar süreci kullanılır.
- Markov karar süreçlerinin algılama, eylem ve hedef olmak üzere üç önemli özelliği vardır.
- Pekiştirmeli öğrenmede eylemi gerçekleştiren ve öğrenen etkene "ajan" (agent) denir ve açık hedeflere sahip olmalı.
- 1:22:54Pekiştirmeli Öğrenmenin Uygulamaları
- Pekiştirmeli öğrenme psikolojik açıdan karar verme sürecini ve önceki kararların sonuçlarından öğrenmeyi planlamaya yardımcı olur.
- Teröristlerin yakalanmasında, saklanma biçimlerini ve kamuflaj yöntemlerini pekiştire pekiştire öğrenerek öngörülmesine katkı sağlar.
- Madde satışının olup olmayacağını hesaplamak veya sokaklarda çöp kutularını boşaltan bir robot tasarlamak gibi uygulamalarda kullanılır.
- 1:25:43Makine Öğrenmesinin Özeti
- Makine öğrenmesinde üç alt dal vardır: gözetimli öğrenme, gözetimsiz öğrenme ve pekiştirmeli öğrenme.
- Gözetimli öğrenmede sınıflandırma veya regresyon yapılır, gözetimsiz öğrenmede kümeleme veya boyutsal eleme yapılır.
- Pekiştirmeli öğrenmede gerçek zamanlı kararlar, yapay zeka oyunları, robotlar ve otonom araçlar gibi uygulamalar kullanılır.
- 1:26:47Derin Öğrenme
- Derin öğrenme, makine öğrenmesinin bir alt kümesidir ve özellik çıkarma ve dönüştürme için birçok doğrusal olmayan işlem birimi katmanının kullanıldığı bir yapıdır.
- Derin öğrenme, verilerinin birden fazla özellik seviyesi veya temsillerin öğrenmesine dayanır ve hiyerarşik bir temsil oluşturur.
- Derin öğrenme gözetimli, gözetimsiz ya da yarı gözetimli olarak gerçekleştirilebilir ve çok fazla veriye ihtiyaç duyar.
- 1:29:15Derin Öğrenme Modelleri
- Otto-OCR kısaltmasıyla Osmanlıca karakter tanıma sistemi ve Open Zeka projesi, görüntü ve video tanımlama için derin öğrenme uygulamaları sunmaktadır.
- Derin öğrenme algoritmalarında en yaygın kullanılan evrişimsel sinir ağı, hayvanların görme merkezinden esinlenerek geliştirilmiştir.
- Evrişimsel sinir ağı, bir veya daha fazla evrişimsel katman, alt örnekleme katmanı ve standart çok katmanlı bir sinir ağı gibi bir veya daha fazla tamamen bağlı katmandan oluşmaktadır.
- 1:31:26Tekrarlayan Sinir Ağları
- Tekrarlayan sinir ağları (RNN), birimler arasındaki bağlantıların yönlendirilmiş bir döngü oluşturduğu yapay sinir ağı sınıfıdır.
- RNN'ler sıralı bilgileri kullanarak, bir cümle içinde bir sonraki kelimeyi tahmin etmek için kullanılabilir.
- Uzun vadeli bağımlılıkları öğrenebilen LSTM (Long Short-Term Memory) ağları, 1997 yılında ortaya atılmıştır.
- 1:34:39Diğer Derin Öğrenme Modelleri
- Kısıtlı Bosman makineleri (RBM), girdi seti üzerinde olasılık dağılımlarını öğrenebilen üretken rastgele bir yapay sinir ağıdır.
- Derin inanç ağları (DBN), birden fazla kısıtlı Bosman makineleri ağının üst üste yığılmasından oluşur.
- DBN'lerde üstte bulunan iki katman, simetrik ve aralarında yönlendirilmemiş bağlantılara sahip ilişkili bir hafıza oluşturur.
- 1:37:03Yapay Zekanın Hayatımızı Kolaylaştırdığı Örnekler
- Otonom araçlar, dikkatsizlikten kaynaklanan veya aşırı yorgunluk nedeniyle araç sürmekten kaynaklanan hataları en aza indiriyor.
- Otonom araçlar, çevresine yerleştirilmiş sensörlerle bisiklet, yaya, araç ve trafik ışıkları gibi durumları algılayarak güvenli bir yolculuk sağlamayı hedefliyor.
- IBM Watson, kanser teşhisi ve tedavi planı gibi konularda doktorlardan çok daha hızlı sonuçlar vererek sağlık alanında önemli katkılar sunuyor.