Makine öğrenmesi ve yapay zekâ arasındaki fark nedir?

Üç kavram, iç içe üç halka

Bu üç kavramı iç içe geçmiş halkalar gibi düşünün. En dıştaki halka yapay zekâdır: öğrenme, akıl yürütme, problem çözme ve karar verme gibi insan zekâsıyla ilişkilendirilen işleri yapan sistemlerin tamamını kapsar ^[1]. Ortadaki halka makine öğrenmesidir: veriden öğrenen ve görmediği verilere genelleme yapabilen istatistiksel algoritmalar ^[2]. En içteki halka derin öğrenmedir: çok katmanlı sinir ağlarıyla çalışan makine öğrenmesi yöntemleri ^[3].

Yani her derin öğrenme modeli bir makine öğrenmesi modelidir, her makine öğrenmesi modeli de yapay zekânın bir parçasıdır. Tersi doğru değildir: Kurallarla çalışan eski bir uzman sistem yapay zekâ sayılır ama veriden öğrenmediği için makine öğrenmesi değildir.

Makine öğrenmesi tam olarak ne yapar?

Terimi 1959'da IBM'de çalışan Arthur Samuel ortaya attı ^[2]. En çok alıntılanan tanım ise Tom Mitchell'a aittir: Bir program, belirli bir görevdeki başarısı deneyimle birlikte artıyorsa o görevi öğreniyor demektir ^[2]. İş diliyle söylersek: Kuralları siz yazmazsınız, geçmiş örnekleri verirsiniz; model kuralı kendisi çıkarır.

Örneğin hangi müşterinin gelecek ay alışverişi bırakacağını tahmin etmek istiyorsanız, "üç aydır sipariş vermeyen müşteri risklidir" gibi kuralları tek tek yazmak yerine geçmişte ayrılan ve kalan müşterilerin verisini modele verirsiniz. Model, hangi davranışların ayrılmayı önceden haber verdiğini bu örneklerden öğrenir. Bu bir sınıflandırma problemidir ve müşteri analitiğinin temel işlerinden birini oluşturur.

Derin öğrenme ne zaman gerekir?

Derin öğrenme, üç katmandan birkaç bin katmana kadar uzanan sinir ağları kullanır ve görüntü, ses ve dil gibi yapısız verilerde çok güçlüdür ^[3]. ChatGPT gibi büyük dil modelleri de bu ailenin parçasıdır ^[4]. Ancak bir şirketin satış tablosu, stok hareketleri ya da müşteri kayıtları gibi düzenli tablolarında çoğu zaman klasik makine öğrenmesi yöntemleri daha hızlı, daha ucuz ve daha kolay açıklanabilir sonuç verir.

• Veriniz tablo halindeyse (ERP, CRM, Excel): Önce klasik makine öğrenmesini deneyin.
• Veriniz metin, belge ya da e-postaysa: Büyük dil modelleri ve yapay zekâ asistanları devreye girer.
• Veriniz görüntü ya da sesse: Derin öğrenme neredeyse kaçınılmaz hale gelir.
• Veriniz dağınık ya da eksikse: Hiçbirine başlamayın; önce veri kalitesini düzeltin.

Türk şirketleri bu teknolojileri ne kadar kullanıyor?

TÜİK'e göre 2026'da 10 ve daha fazla çalışanı olan girişimlerin %14'ü en az bir yapay zekâ teknolojisi kullanıyor; bu oran bir yıl önce %7,5'ti ^[5]. Yapay zekâyı düşünüp kullanmayan girişimlerin %72,3'ü ise uzmanlık eksikliğini en büyük engel olarak gösteriyor ^[5]. AB'de 2025'te girişimlerin %20'si yapay zekâ kullanıyordu ^[6].

Bu tablo önemli bir şeyi gösteriyor: Sorun teknolojiye erişim değil, onu doğru probleme uygulayacak bilgi. Kavramlar arasındaki farkı bilmek, yanlış problem için yanlış araç almanın önüne geçer. Bu yüzden kurumsal eğitimlerde işe teknik terimlerden değil, şirketin kendi problemlerinden başlıyorum.

Şirketinizde nereden başlamalısınız?

1. Kararı tekrar tekrar verilen bir işi seçin: sipariş miktarı, fiyat, hangi müşteriyi arayacağınız.
2. Bu kararla ilgili geçmiş verinin nerede durduğunu ve ne kadar temiz olduğunu kontrol edin.
3. Başarının nasıl ölçüleceğini baştan tanımlayın; örneğin talep tahmininde hata oranını kullanın.
4. Basit bir yöntemle başlayın; derin öğrenmeye ancak basit yöntem yetmediğinde geçin.

Şirketinizin veriyle çalışmaya ne kadar hazır olduğunu merak ediyorsanız ücretsiz Veri Olgunluk Testi'ni deneyin; test tamamen tarayıcınızda çalışır.