Selçuk DİKİCİ Endüstri Mühendisi, İstanbul Üniversitesi E-posta: selcukdikici@ogr.iu.edu.tr

---

Özet

Yapay zeka (YZ) teknolojileri, modern yazılım geliştirme süreçlerinde giderek daha fazla yer edinmektedir. Yapay zeka destekli ileri programlama, makine öğrenmesi, derin öğrenme, doğal dil işleme ve bilgisayarlı görü gibi tekniklerin yazılım mühendisliğinde etkin bir şekilde kullanılmasını kapsar. Bu çalışmada, yapay zekanın yazılım geliştirmedeki rolü, yapay zeka tabanlı geliştirme araçları ve optimizasyon süreçlerine etkileri ele alınmıştır. Yapay zeka destekli programlamanın, otomatik kod üretimi, hata ayıklama, güvenlik testleri ve karar destek sistemleri üzerindeki katkıları incelenmiştir.

Anahtar Kelimeler: Yapay Zeka, Makine Öğrenmesi, Derin Öğrenme, Doğal Dil İşleme, Bilgisayarlı Görü, Otomatik Kodlama, Güvenlik

---

1. Giriş

Yapay zeka, veri analizi ve karar verme süreçlerini otomatikleştirme yeteneğiyle yazılım mühendisliğinde devrim yaratmaktadır. Geleneksel yazılım geliştirme süreçleri, kural tabanlı yaklaşımlar üzerine kurulu iken, YZ destekli programlama, büyük veri analizleri ve öğrenme algoritmaları sayesinde daha dinamik ve adaptif hale gelmiştir (Russell & Norvig, 2021).

2. Makine Öğrenmesi ile Programlama

Makine öğrenmesi (ML), programların veriye dayalı öğrenmesini sağlayarak yazılım geliştirme süreçlerini optimize eder. En yaygın ML yöntemleri şunlardır:

• Denetimli öğrenme (Goodfellow et al., 2016)
• Denetimsiz öğrenme (Murphy, 2012)
• Pekiştirmeli öğrenme (Sutton & Barto, 2018)

Makine öğrenmesi ile programlamada TensorFlow ve Scikit-learn gibi kütüphaneler yaygın olarak kullanılmaktadır (Abadi et al., 2016).

3. Derin Öğrenme Tabanlı Uygulamalar

Sinir ağları, özellikle derin öğrenme teknikleri, büyük veri işleme süreçlerinde etkin olarak kullanılmaktadır. Derin öğrenme mimarileri arasında şunlar öne çıkmaktadır:

• Konvolüsyonel Sinir Ağları (CNN) (LeCun et al., 1998)
• Tekrarlayan Sinir Ağları (RNN) (Hochreiter & Schmidhuber, 1997)
• Transformer tabanlı modeller (GPT, BERT) (Vaswani et al., 2017)

GPU destekli derin öğrenme framework’leri (örneğin PyTorch) sayesinde karmaşık analizler yüksek hızda gerçekleştirilebilmektedir (Paszke et al., 2019).

4. Doğal Dil İşleme (NLP) ile Yazılım Geliştirme

NLP, dil tabanlı yapay zeka uygulamalarında kullanılan bir alandır. Bu teknikler, akıllı asistanlar, chatbotlar ve otomatik metin özetleme sistemlerinde yer almaktadır. NLP destekli programlama araçları şunları içerir:

• OpenAI Codex (otomatik kod üretimi) (Chen et al., 2021)
• Google BERT (metin işleme) (Devlin et al., 2019)
• Spacy (dil işleme kütüphanesi) (Honnibal & Montani, 2020)

5. Yapay Zeka Destekli Geliştirme Araçları

YZ destekli programlama araçları, yazılım mühendislerinin üretkenliğini artırmak amacıyla geliştirilmiştir. Bu araçlar arasında şunlar bulunmaktadır:

• AI tabanlı hata ayıklama (DeepCode, SonarQube) (Pradel et al., 2018)
• Akıllı kod tamamlayıcılar (GitHub Copilot, TabNine) (Tenny et al., 2021)
• Otomatik test oluşturma sistemleri (Zeller et al., 2019)

6. Bilgisayarlı Görü ile Gelişmiş Uygulamalar

Görü tabanlı yapay zeka teknikleri, nesne tanıma, yüz tanıma ve sahne analizi gibi alanlarda kullanılmaktadır. OpenCV ve YOLO gibi framework’ler, bilgisayarlı görü destekli programlamanın temel araçlarıdır (Redmon et al., 2016).

7. Yapay Zeka ile Siber Güvenlik ve Anomali Tespiti

YZ tabanlı güvenlik sistemleri, anomali tespiti ve siber tehditleri önceden belirleme konusunda büyük avantajlar sunmaktadır. Makine öğrenmesi kullanılarak ağ trafiği analiz edilmekte ve potansiyel tehditler otomatik olarak sınıflandırılmaktadır (Shone et al., 2018).

8. Sonuç ve Gelecek Perspektifleri

YZ destekli programlama, yazılım mühendisliği süreçlerini daha verimli ve hatasız hale getirme potansiyeline sahiptir. Gelecekte, kuantum bilişim ile desteklenen YZ sistemlerinin yazılım geliştirme süreçlerini daha da ileriye taşıması beklenmektedir. Ayrıca, otonom yazılım geliştirme sistemlerinin yaygınlaşmasıyla birlikte insan müdahalesi minimum seviyeye indirilecektir (Arute et al., 2019).

Kaynaklar

Zeller, A., et al. (2019). The Fuzzing Book. ACM Digital Library.

Abadi, M., et al. (2016). TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems.

Arute, F., et al. (2019). Quantum supremacy using a programmable superconducting processor. Nature.

Chen, M., et al. (2021). Evaluating Large Language Models Trained on Code. arXiv preprint.

Devlin, J., et al. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. ACL.

Goodfellow, I., et al. (2016). Deep Learning. MIT Press.

Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation.

Honnibal, M., & Montani, I. (2020). spaCy: Industrial-strength Natural Language Processing in Python.

LeCun, Y., et al. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE.

Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.

Paszke, A., et al. (2019). PyTorch: An imperative style, high-performance deep learning library. NeurIPS.

Pradel, M., et al. (2018). DeepBugs: A learning approach to name-based bug detection. ACM SIGPLAN Notices.

Redmon, J., et al. (2016). You Only Look Once: Unified, Real-Time Object Detection. CVPR.

Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson.

Shone, N., et al. (2018). A deep learning approach to network intrusion detection. IEEE Transactions on Emerging Topics in Computational Intelligence.

Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction. MIT Press.

Vaswani, A., et al. (2017). Attention is all you need. NeurIPS.