ISTQB CT-AI: Yapay Zekâ Testi ve AI Testing'e Giriş
Güncelleme tarihi: 21 Ağu
Yapay Zekâ Test Uzmanlığı-1
Merhaba değerli meslektaşlarım ve yazılım kalitesine gönül verenler, Teknolojinin hızla dönüştüğü ve Yapay Zekâ (YZ) sistemlerinin hayatımızın her alanına entegre olduğu bir dönemden geçiyoruz. Geleneksel yazılım test yöntemlerini geri de bırakmayarak, onları yapay zekâ ile harmanlayarak yolumuza devam ediyoruz. Tek başına eski yöntemler tam anlamıyla yetersiz kalıyor demeyi çok doğru bulmuyorum ancak bakış açılarımızın değişmesi gerektiği konusunda kesin düşüncelerim var; günümüzdeki iş geliştirme süreçlerine baktığımızda test uzmanlarının YZ tabanlı sistemleri test etme ve test süreçlerinde YZ’den faydalanma yetkinliklerini geliştirmeleri bir zorunluluk haline gelmiş ve gelmektedir.
Daha önce sizlerle paylaştığım ISTQB® CTFL (Temel Seviye Yazılım Test Uzmanlığı) içeriklerinin ardından, şimdi bu yeni yazı serimizde, ISTQB® Certified Tester Artificial Intelligence Testing (CT-AI) müfredatını en baştan, tamamen resmi dokümantasyona sadık kalarak ve uluslararası sınav standartlarına uygunolarak sizlere aktarmaya çalışacağım.
Bu Seride Nelerden Bahsedeceğiz?
Yapay Zekâya Giriş: YZ tanımı, YZ etkisi, YZ türleri, geleneksel sistemlerle farkları, teknolojiler, donanımlar, AIaaS ve standartlar.
YZ Tabanlı Sistemler için Kalite Özellikleri: Esneklik, otonomi, evrim, yanlılık, etik, şeffaflık, açıklanabilirlik ve güvenlik.
Makine Öğrenimi (MÖ) Genel Bakış: Denetimli, denetimsiz ve takviyeli öğrenme, MÖ iş akışı, aşırı/yetersiz uyum.
MÖ Veri Yönetimi ve Kalitesi: Veri hazırlığı, eğitim/doğrulama/test setleri, veri etiketleme ve veri kalitesi sorunları.
MÖ Fonksiyonel Performans Metrikleri: Karışıklık matrisi, sınıflandırma/regresyon metrikleri ve sınırlamaları.
Yapay Sinir Ağları ve Testi: Perseptron, derin nöral ağlar ve sinir ağları için kapsama ölçüleri.
YZ Tabanlı Sistemlerin Test Edilmesi: Test seviyeleri, test verileri, otomasyon yanlılığı, kavram kayması.
YZ'ye Özgü Kalite Özelliklerini Test Etme: Otonom sistemler, olasılıksal/deterministik olmayan yapılar ve kabul kriterleri.
YZ için Test Yöntem ve Teknikleri: Karşıt saldırılar, veri zehirlenmesi, ikili testler, sırt sırta test, A/B testi ve metamorfik test.
Test Ortamları: YZ tabanlı sistemler için sanal ve fiziksel test ortamları.
Test İçin Yoz/Yapay Zekâ Kullanımı: Test senaryosu üretimi, hata tahmini, GUI testi ve regresyon optimizasyonunda YZ.
Sınava hazırlanan adaylar, akademik seviyede bilgi edinmek isteyenler ve sahadaki testçi meslektaşlarım için hazırladığım bu seriyi keyifle okumanızı temenni ediyorum.
Yapay Zekâya Giriş: Kavramlar, Türler, Sistemler ve Teknolojiler
1.1 Yapay Zekâ (YZ) Tanımı ve YZ Etkisi (AI Effect)
Yapay Zekâ kavramı 1950'lere dayanmakta olup, insanları taklit edebilen "akıllı" makineleri inşa etme ve programlama hedefini ifade eder. Günümüzde uluslararası standartlarda kabul gören tanım ise şudur:
Yapay Zekâ (YZ): Mühendislikle oluşturulmuş bir sistemin bilgi ve becerileri edinme, işleme ve uygulama yeteneğidir (ISO/IEC TR 29119-11).
Yapay Zekâ (YZ) Etkisi Nedir?
İnsanların Yapay Zekâ'dan ne anladığı, zaman içindeki algılarına ve teknolojinin gelişimine bağlı olarak değişir. Buna "YZ Etkisi" (AI Effect) adı verilir. Toplumda YZ’nin algılanışı değiştikçe, tanımı da değişmektedir.
Tarihsel Örnek 1: 1970'lerde bir bilgisayarın insanı satrançta yenmesi fikri "gerçek YZ" olarak kabul ediliyordu. Ancak 1997'de IBM'in Deep Blue sistemi dünya satranç şampiyonu Garry Kasparov'u yendiğinde, bu sistemde kullanılan "kaba kuvvet" (brute-force) yaklaşımı, sistemin verilerden öğrenme ve kendiliğinden öğrenme kapasitesi olmaması nedeniyle zamanla YZ olarak kabul edilmemeye başlanmıştır. Çünkü brute-force , bir problemi çözmek veya bir şifreyi kırmak için tüm olası kombinasyonları tek tek deneme mantığına dayanan en basit bilgisayar bilimi yaklaşımı ve siber saldırı yöntemidir. Bu yöntem, sisteme ait herhangi bir açığı aramak yerine, doğru sonucu bulana kadar deneme-yanılma yolunu kullanır. Bu nedenle günümüzde bir YZ olarak adlandırılmamaktadır.
Bura da kendimce birkaç şeyden bahsetmek istiyorum hafif müfredat dışına kayacağım. İsteyenler bu kısmı atlayıp 2.Tarihsel Örnek’e geçebilirler.
Sorularımız şunlar:
Kasparov’un karşısında tüm olası seçenekleri değerlendiren bir makine mi vardı?
Doctor Strange'in Thanosu yenmek için baktığı tüm olasılıklar gibi mi çalıştı?
Makinenin kazanması kaçınılmaz mıydı?
Kasparov'un karşısındaki Deep Blue, tıpkı Doctor Strange’in Thanos’u yenmek için geleceğe baktığı gibi milyonlarca olasılığı saniyeler içinde hesaplayan devasa bir matematik makinesiydi. Ancak bir fark vardı: Deep Blue için kazanmak kesinlikle kaçınılmaz değildi. Kaybetme şansı da vardı.
1. Doctor Strange ile Benzerliği Ne Kadar Doğru?
Doctor Strange 14 milyon olasılığa bakmıştı. Deep Blue ise saniyede 200 milyon satranç hamlesini tarıyordu. Doctor Strange geleceği gerçekten görüyordu. Deep Blue ise sadece sayısal olarak "Eğer piyonu buraya koyarsam, o da atı buraya koyarsa ne olur?" diye matematiksel bir ağaç (olasılık ağacı) çiziyordu.
2. Kazanması Neden Kaçınılmaz Değildi?
Satrançta olasılıklar evrendeki atom sayısından bile fazladır (Shannon Sayısı). Deep Blue tüm oyunu en başından sonuna kadar göremezdi. Kazanması kaçınılmaz değildi çünkü:
Sadece Birkaç Hamle Sonrasını Görebiliyordu: Deep Blue oyunun sonunu değil, sadece 10 ila 12 hamle sonrasını hesaplayabiliyordu.
İnsan Yardımı Alıyordu: Bilgisayar mühendisleri ve satranç büyük ustaları, Deep Blue'nun "kaba kuvvet" (brute-force) yöntemine kurallar ekleyerek onun saçma hamleleri elemesini sağlıyordu.
Kasparov Psikolojik Olarak Çöktü: Deep Blue ikinci maçta, bilgisayarların normalde yapmayacağı çok "insansı" ve derin bir hamle yaptı (aslında bir yazılım hatası veya mühendislerin anlık müdahalesi olduğu da tartışılır). Kasparov makinenin arkasında bir insanın gizlice oynadığını düşünüp strese girdi ve sonraki oyunlarda çok büyük hatalar yaptı.
3. Günümüz Yapay Zekasından (AlphaZero) Farkı Ne?
Deep Blue bir şeyi hiç "anlamıyordu", sadece çok hızlı hesap yapıyordu. Günümüzün gerçek yapay zekâsı (örneğin Google'ın AlphaZero satranç YZ'si) ise tamamen farklı çalışır:
AlphaZero'ya satranç kuralları dışında hiçbir strateji öğretilmedi.
Kendi kendine milyonlarca kez oynayarak satrancı öğrendi.
Saniyede sadece 60 bin hamle hesaplar (Deep Blue'dan binlerce kat daha az).
Ancak insan gibi "sezgisel" oynar, sadece en kaliteli ve mantıklı olasılıklara odaklanır.
Özetle; Deep Blue zeki olduğu için değil, Kasparov'dan milyonlarca kat daha hızlı hesap yapabildiği ve hiç yorulmadığı için kazandı.
Konumuza devam edelim.
Tarihsel Örnek 2: 1970 ve 1980'lerde, insan uzmanlığının kurallar (if-then) halinde kopyalandığı "Uzman Sistemler" (Expert Systems) birer YZ örneğiyken, günümüzde standart kural tabanlı sistemler olarak görülmektedir. Bu sistemler, "Eğer şu durum olursa, o zaman bunu yap" (if-then) mantığıyla çalışarak tıpkı bir doktor veya mühendis gibi karar verir. Konuyu netleştirmek için tarihteki ünlü Uzman Sistem örnekleri ve bu sistemlerin yarattığı hayal kırıklığının Yapay Zekâ Kışına yol açma nedenlerine bakalım.
1. DENDRAL (1965 - 1970'ler)
Amacı: Bilinmeyen kimyasal maddelerin moleküler yapılarını haritalamak.
Nasıl Çalıştı: Kimyagerlerin uzmanlık kuralları sisteme yüklendi.
Başarısı: Dünyanın ilk başarılı uzman sistemi kabul edilir.
2. MYCIN (1970'ler)
Amacı: Kan enfeksiyonlarını teşhis etmek ve ilaç önermek.
Nasıl Çalıştı: Bünyesinde yaklaşık 600 adet "Eğer-O zaman" kuralı barındırıyordu.
Başarısı: Teşhis başarısı tıp fakültesi öğrencilerinden daha yüksek çıktı.
Yapay Zekâ Kışına Yol Açma Nedenleri
Uzman sistemler 1980'lerin sonunda büyük bir çöküş yaşadı. Bu döneme Yapay Zeka Kışı denir. Çöküşün ana nedenleri ise şöyledir.
1. Bilgi Edinme Darboğazı (Knowledge Acquisition Bottleneck)
İnsan uzmanların beynindeki bilgileri kurallara dökmek çok zordu.
Binlerce kuralı tek tek elle yazmak çok uzun zaman alıyordu.
2. Esneklik Eksikliği ve Kırılganlık
Sistemler sadece yüklü olan kuralları biliyordu.
Yeni veya bilinmeyen durumlarda tamamen saçmalıyorlardı.
3. Bakım ve Güncelleme Maliyeti
Bilim geliştikçe kuralların güncellenmesi gerekiyordu.
Kurallar arttıkça sistemler yavaşladı ve birbirleriyle çelişmeye başladı.
4. Aşırı Reklam ve Beklentiler
Şirketler bu sistemlerin her sorunu çözeceğini iddia etti.
Pratik sonuçlar vaatleri karşılamayınca yatırımlar tamamen kesildi.
Uzman sistemlerin bu eksikleri, günümüzdeki Makine Öğrenmesi ve veri odaklı yapay zekanın doğmasına zemin hazırladı.
Sınav İpucu: YZ Etkisi, bugün yapılan bir YZ tanımının gelecekte değişebileceğini ve geçmişteki tanımlarla uyuşmayabileceğini açıklar.
1.2 Dar, Genel ve Süper Yapay Zekâ (YZ)
ISTQB® müfredatında YZ, yetenek ve kapsama göre üç ana kategoriye ayrılır:
Dar Yapay Zekâ (Narrow AI / Weak AI - Zayıf YZ):
Sınırlı bir bağlamda, belirli bir görevi yerine getirmek üzere programlanmış sistemlerdir. Günümüzde mevcut ve yaygın olarak kullanılan tek YZ türüdür.
Örnekler: Oyun oynama sistemleri, spam filtreleri, test senaryosu üreteçleri ve sesli asistanlar.
Genel Yapay Zekâ (General AI / Strong AI - Güçlü YZ):
İnsanlara benzer genel ve geniş kapsamlı bilişsel yeteneklere sahip sistemlerdir. İnsanlar gibi kendi çevrelerini anlayabilir, akıl yürütebilir ve buna göre hareket edebilirler.
Durum: 2021 (ve günümüz müfredat dönemi) itibarıyla henüz gerçekleşmiş bir Genel YZ sistemi bulunmamaktadır.
Süper Yapay Zekâ (Super AI):
İnsan bilişini kopyalama kapasitesine (Genel YZ) sahip olmanın ötesinde; muazzam işlem gücünden, neredeyse sınırsız hafızadan ve tüm insan bilgisine erişimden (örneğin internet) faydalanan sistemlerdir. İnsanlardan çok daha hızlı bir şekilde bilge hale geleceği öngörülür.
Teknolojik Tekillik (Technological Singularity): YZ tabanlı sistemlerin Genel Yapay Zekâ'dan Süper Yapay Zekâ'ya geçtiği teorik nokta olarak tanımlanır.
1.3 YZ Tabanlı ve Geleneksel Sistemler Arasındaki Farklar
Yazılım test uzmanı olarak geleneksel sistemler ile YZ tabanlı (özellikle Makine Öğrenimi kullanan) sistemler arasındaki mantıksal farkı anlamak test yaklaşımımızı doğrudan etkiler:
Özellik | Geleneksel Yazılım Sistemleri | YZ Tabanlı Sistemler (Makine Öğrenimi) |
Kodlama Mantığı | İnsanlar tarafından kural tabanlı yordamsal (imperatif) dillerle yazılır (if-then-else, loops). | Verilerdeki örüntüler (patterns) kullanılarak model kendiliğinden oluşturulur. |
Mantığın Anlaşılabilirliği | Girdilerin çıktılara nasıl dönüştüğü kodu okuyan insan tarafından kolayca anlaşılır. | Doğası gereği karmaşıktır; tahmin prosedürünün insanlar tarafından anlaşılması zordur (Karmaşıklık ve Şeffaflık sorunu). |
Örnek Çalışma Mantığı | Bir kural yazılır: Eğer yaş > 18 ise ehliyet alabilir. | Sisteme binlerce veri verilir (örn. kedi görselleri), sistem kediyi tanımlayacak kalıp/özellikleri kendi çıkarır ve yeni görsellerde uygular. |
1.4 Yapay Zekâ Teknolojileri
Yapay Zekâ tek bir teknolojiden ibaret değildir. ISTQB® müfredatına göre YZ, aşağıdaki teknolojik alt gruplar kullanılarak hayata geçirilebilir:
Bulanık Mantık (Fuzzy Logic)
Arama Algoritmaları (Search Algorithms)
Akıl Yürütme Teknikleri (Reasoning Techniques):
Kural motorları (Rule engines)
Tümdengelimli sınıflandırıcılar (Deductive classifiers)
Vakaya dayalı akıl yürütme (Case-based reasoning)
Prosedürel akıl yürütme (Procedural reasoning)
Makine Öğrenimi (MÖ) Teknikleri (Machine Learning Techniques):
Sinir ağları (Neural networks)
Bayes modelleri (Bayesian models)
Karar ağaçları (Decision trees)
Rastgele orman (Random forest)
Doğrusal regresyon (Linear regression)
Lojistik regresyon (Logistic regression)
Kümeleme algoritmaları (Clustering algorithms)
Genetik algoritmalar (Genetic algorithms)
Destek Vektör Makinesi (SVM - Support Vector Machine)
Önemli Not: YZ tabanlı sistemler genellikle bu teknolojilerin tek bir tanesini veya birkaçının birleşimini uygulayarak inşa edilir.
Özet ve Sonraki Bölüm:
Bu yazımızda ISTQB® CT-AI standardına uygun olarak YZ tanımını, YZ Etkisini, Dar/Genel/Süper YZ ayrımlarını, geleneksel yazılımlarla farklarını ve kullanılan temel YZ teknolojilerini inceledik.
Bir sonraki yazımızda 1.5 YZ Geliştirme Çerçeveleri, 1.6 Donanım Seçenekleri, 1.7 AIaaS (Servis Olarak YZ), 1.8 Önceden Eğitilmiş Modeller / Transfer Öğrenme ve 1.9 Standartlar & Yönetmelikler konularını detaylandıracağız.
Testlerinizde başarılı olmanız dileğiyle.
Bu Yazı Hakkında
Bu yazı, ISTQB® Certified Tester Artificial Intelligence Testing (CT-AI) müfredatının başlangıç konularını ele alan bir Yapay Zekâ Testi ve AI Testing içerik serisinin ilk bölümüdür.
Bu bölümde Yapay Zekâ (YZ) tanımı, YZ Etkisi (AI Effect), Dar Yapay Zekâ (Narrow AI), Genel Yapay Zekâ (General AI) ve Süper Yapay Zekâ (Super AI) kavramları incelenmektedir.
Ayrıca geleneksel yazılım sistemleri ile YZ tabanlı sistemler arasındaki farklar, yapay zekâ sistemlerinin çalışma mantığı ve temel Yapay Zekâ teknolojileri ele alınmaktadır.
Yazının devamında Makine Öğrenimi (Machine Learning), sinir ağları, veri yönetimi, yapay zekâ sistemlerinin test edilmesi ve AI Testing'e özgü test teknikleri gibi konuların temelini oluşturan kavramlara giriş yapılmaktadır.
Bu Yazı Kimler İçin?
Bu içerik özellikle yazılım test mühendisleri, QA mühendisleri, yazılım kalite uzmanları, test uzmanları, yapay zekâ sistemlerini test etmek isteyen profesyoneller ve ISTQB® CT-AI sınavına hazırlanan adaylar için hazırlanmıştır.
Anahtar Konular
ISTQB CT-AI, Artificial Intelligence Testing, AI Testing, Yapay Zekâ Testi, Yapay Zekâ, AI Effect, Narrow AI, General AI, Super AI, Machine Learning, Yapay Zekâ Teknolojileri, Yazılım Testi ve Yazılım Kalitesi.
Sonraki Bölüm
Bir sonraki bölümde YZ geliştirme çerçeveleri, donanım seçenekleri, AIaaS (Artificial Intelligence as a Service), önceden eğitilmiş modeller, transfer öğrenme, standartlar ve yönetmelikler ele alınacaktır.
Not: Bu içerik, ISTQB® CT-AI müfredatını temel alarak hazırlanmış eğitim amaçlı bir çalışmadır. İçerikte kullanılan ISTQB® ve CT-AI adları ilgili hak sahiplerinin tescilli markaları olabilir.
FAQ
ISTQB CT-AI nedir?
ISTQB CT-AI, yapay zekâ tabanlı sistemlerin test edilmesi ve yazılım test süreçlerinde yapay zekâdan yararlanılması konularına odaklanan ISTQB sertifikasyon alanıdır.
CT-AI sınavında hangi konular ele alınır?
Yapay zekâya giriş, YZ tabanlı sistemlerin kalite özellikleri, makine öğrenimi, veri yönetimi ve kalitesi, performans metrikleri, sinir ağları, AI sistemlerinin test edilmesi ve AI'a özgü test teknikleri gibi konular ele alınır.
Yapay zekâ testi (AI Testing) nedir?
Yapay zekâ tabanlı sistemlerin işlevsellik, kalite, güvenlik, açıklanabilirlik, otonomi ve diğer AI'a özgü özellikler açısından test edilmesi sürecidir.
Narrow AI, General AI ve Super AI arasındaki fark nedir?
Narrow AI belirli görevlerle sınırlı sistemleri ifade ederken General AI insan benzeri genel bilişsel yetenekleri, Super AI ise insan bilişini aşan teorik yapay zekâ seviyesini ifade eder.
Geleneksel yazılım ile yapay zekâ tabanlı sistem arasındaki fark nedir?
Geleneksel yazılımda davranış çoğunlukla insanlar tarafından tanımlanan kurallarla belirlenirken makine öğrenmesi tabanlı sistemlerde davranış verilerden öğrenilen modeller aracılığıyla ortaya çıkabilir. Bu ayrım yazılım test yaklaşımını da değiştirir.
Yorumlar