T.C.

BAHÇEŞEHİR ÜNİVERSİTESİ
LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ
İKTİSADİ, İDARİ VE SOSYAL BİLİMLER FAKÜLTESİ
ANA BİLİM DALI

YAPAY ZEKA’NIN PAZARLAMA İLETİŞİMİ VE MARKA

TUTUNDURMADA KULLANIMI VE YAPAY ZEKA’NIN REKLAM
İLETİŞİMİNDE KULLANIMI ÜZERİNE BİR ARAŞTIRMA

YÜKSEK LİSANS TEZİ

AYCAN EZGİ KURT

İSTANBUL 2023
 T.C.
BAHÇEŞEHİR ÜNİVERSİTESİ
LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ
İKTİSADİ, İDARİ VE SOSYAL BİLİMLER FAKÜLTESİ
ANA BİLİM DALI

YAPAY ZEKA’NIN PAZARLAMA İLETİŞİMİ VE MARKA

TUTUNDURMADA KULLANIMI VE YAPAY ZEKA’NIN REKLAM
İLETİŞİMİNDE KULLANIMI ÜZERİNE BİR ARAŞTIRMA

YÜKSEK LİSANS TEZİ

AYCAN EZGİ KURT

TEZ DANIŞMANI
DR. KAZIM SELÇUK TUZCUOĞLU

İSTANBUL 2023
i
 T.C.
BAHÇEŞEHİR ÜNİVERSİTESİ
LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ

19/06/2023

YÜKSEK LİSANS TEZ ONAY FORMU

Program Adı: Pazarlama

Öğrencinin Adı
Aycan Ezgi KURT
Soyadı:
Yapay Zeka’nın Pazarlama İletişimi ve Marka Tutundurmada
Tezin Adı:
Kullanımı ve Yapay Zeka’nın Reklam İletişiminde Kullanımı
Tez Savunma Tarihi: 19/06/2023

Bu tezin Yüksek Lisans tezi olarak gerekli şartları yerine getirmiş olduğu Lisansüstü
Eğitim Enstitüsü tarafından onaylanmıştır.
………………..
Enstitü Müdürü
Bu Tez tarafımızca okunmuş, nitelik ve içerik açısından bir Yüksek Lisans tezi olarak
yeterli görülmüş ve kabul edilmiştir.

Ünvanı, Adı Soyadı Kurumu İmza

Dr. Kazım Selçuk Bahçeşehir

Tez Danışmanı:
Tuzcuoğlu Üniversitesi
Dr. Öğr. Üyesi Alper Bahçeşehir
2. Üye (Kurum İçi):
Camcı Üniversitesi
Dr. Öğr. Üyesi Abdullah Nişantaşı
3. Üye (Kurum Dışı):
Fatih Akcan Üniversitesi

ii
Bu tezdeki tüm bilgilerin akademik kurallara ve etik ilkelere uygun olarak elde
edildiğini ve sunulduğunu; ayrıca bu kuralların ve ilkelerin gerektirdiği şekilde, bu
çalışmadan kaynaklanmayan bütün atıfları yaptığımı beyan ederim.

Ad, Soyad : Aycan Ezgi KURT

İmza :

iii
 ÖZET

YAPAY ZEKA’NIN PAZARLAMA İLETİŞİMİ VE MARKA TUTUNDURMADA

KULLANIMI VE YAPAY ZEKA’NIN REKLAM İLETİŞİMİNDE KULLANIMI
ÜZERİNE BİR ARAŞTIRMA

KURT, Aycan Ezgi

Pazarlama Yüksek Lisans Programı
Tez Danışmanı: Dr. Öğr. Üyesi Kazım Selçuk Tuzcuoğlu

HAZİRAN 2023, 121 sayfa

Bu çalışma, Yapay Zeka teknolojisinin reklam ve pazarlamada nasıl

kullanılabileceğini incelemektedir. Yapay Zeka ve makine öğrenmesi, içerik
oluşturma, hedefleme ve kişiselleştirme yetenekleri sayesinde pazarlamacıların daha
geniş bir kitleye daha etkili bir şekilde ulaşmalarını sağlamak için büyük potansiyele
sahiptir. Ancak, bu teknolojilerin uygulanması etik ve yasal zorlukları da beraberinde
getirir, özellikle veri gizliliği ve tüketici hakları gibi konularda. Bu nedenle, Yapay
Zeka ve makine öğrenmesinin reklamcılık ve pazarlama alanlarında uygulanması,
yaratıcılık ve etkin iletişim ile etik ve yasal zorlukların dikkatli bir şekilde
dengelenmesini gerektirir. Çalışma, bu dengelenmeyi nasıl başarabileceğimizi ve
Yapay Zeka’nın bu alanlarda nasıl etkili bir şekilde kullanılabileceğini incelemeyi
amaçlamaktadır.

Anahtar Kelimeler: Yapay Zeka, Makine Öğrenmesi, Hedefleme, Reklamcılık

Yaratıcılık, Etkin İletişim

iv
 ABSTRACT

USE OF ARTIFICIAL INTELLIGENCE IN MARKETING COMMUNICATION

AND BRAND POSTING AND THE USE OF ARTIFICIAL INTELLIGENCE IN
ADVERTISING COMMUNICATION

KURT, AYCAN EZGI

Master’s Program in Marketing
Supervisor: Asst. Prof. Dr. Kazim Selcuk Tuzcuoglu

JUNE 2023, 121 Pages

This study examines how Artificial Intelligence technology can be used in advertising
and marketing. Artificial Intelligence and machine learning have great potential to
enable marketers to reach a wider audience more effectively, thanks to their content
creation, targeting and personalization capabilities. However, the application of these
technologies brings with it ethical and legal challenges, especially on issues such as
data privacy and consumer rights. Therefore, the application of AI and machine
learning in advertising and marketing requires a careful balancing of creativity and
effective communication with ethical and legal challenges. The study aims to examine
how we can achieve this balancing and how artificial intelligence can be used
effectively in these areas.

Keywords: Artificial Intelligence, Machine Learning, Targeting, Advertising

Creativity, Effective Communication

v
 TEŞEKKÜR

Bu tezi hazırlamamda emeğini, eşsiz tecrübelerini ve değerli zamanını hiçbir şekilde

esirgemeyen, beni sürekli destekleyip, motive ederek yol gösteren saygıdeğer
danışmanım Dr. Kazım Selçuk Tuzcuoğlu’na sonsuz teşekkür ederim.

Hayatımın her döneminde yanımda olan, maddi-manevi hiçbir desteğini esirgemeyen,

tüm çalışmalarımda beni yüreklendirip emek veren ve her ne karar verirsem vereyim
hep arkamda duran sevgili annem Güler Öztürkoğlu, kardeşim Sertan Sezer Kurt,
babam Cemil Kurt’a teşekkür ederim. İyi ki varlar.

Aycan Ezgi KURT

vi
 İÇİNDEKİLER

ETİK BEYAN……………………………………………………………………….iii
ÖZET………………………………………………………………………………...iv
ABSTRACT…………………………………………………………………………..v
TEŞEKKÜR………………………………………………………………………….vi
İÇİNDEKİLER……………………………………………………………………...vii
TABLOLAR LİSTESİ……………………………………………………………….ix
ŞEKİLLER LİSTESİ………………………………………………………………...xi
KISALTMALAR LİSTESİ…………………………………………………………xii
Bölüm 1: Giriş………………………………………………………………………..1
Bölüm 2: Reklamda Yaratıcılık ve Metin Yazarlığı………………………………….5
2.1 Yaratıcılık………………………………………………………….……...5
2.1.1 Yaratıcılık Tanımı ve Çeşitleri………………………………….6
2.1.2 Yaratıcılık Süreçleri ve Yaratıcılığı Etkileyen Faktörler……....11
2.1.2.1 Esneklik……………………………………………...11
2.1.2.2 Orijinallik……………………………………………12
2.1.2.3 Ayrıntılandırma……………………………………...13
2.1.2.4 Sentez………………………………………………..14
2.1.2.5 Sanatsal Değer…………………………….…………14
2.1.2.6 İlgililik……………………………………………….15
2.1.2.6.1 Reklam-Tüketici İlgisi………….………….15
2.1.2.6.2 Marka-Tüketici İlgisi……………………...16
2.1.2.6.3 Reklam-Marka İlgisi………………………16
2.1.3 Zeka……………………………………………………………16
2.1.4 Yaratıcılık ve İnovasyon……………………………….………17
2.2 Pazarlama ve İletişim……………………………………………….……18
2.2.1 Pazarlama İletişiminin Tanımı ve Önemi…………….………..20
2.2.2 Hedef Kitleye Etkili İletişim Kurma……………….…………..21
Bölüm 3: Pazarlamada Teknolojik Uygulamalar…………………………….………24
3.1 Teknolojinin Pazarlama Üzerindeki Etkisi………………………….…...25
3.2 Yapay Zekanın Pazarlamadaki Rolü………………………….………….26
3.3 Teknolojik Uygulamaların Gelecekteki Pazarlama Trendleri…..………..27
vii
Bölüm 4: Yapay Zekanın Kavramsallaştırılması……………………………………29
4.1 Yapay Zeka Kavramı……………………………………………………29
4.2 Yapay Zekada Mantık…………………………………………………...30
4.2.1 Gerçeklik ve Kavramsal Özerklik……………………………..32
4.2.2 Kurucu Açıklayıcı Yeterlilik ve Kurucu Zihinselcilik………...32
4.3 Makine Öğrenmesi………………………………………………………37
4.3.1 Derin Öğrenmede Evrişimli Sinir Ağları ve Derin Öğrenmenin
Felsefesi……………………………………………………………………..38
4.3.1.1 Derinlik……………………………………………...41
4.3.1.2 Heterojenite………………………………………….42
4.3.2 Yapay Zekanın Evrimsel Aşamaları….………………………..48
4.4 Reklamcılık ve Yapay Zeka Bileşenleri………………………………….49
4.5 Yapay Zeka ve Öğrenme Süreci…………………………………………52
4.5.1 Makine Öğrenmesi Algoritmaları…………….………………..52
4.5.1.1 Denetimli Öğrenme………………………………….54
4.5.1.2 Denetimsiz Öğrenme………………………………...55
4.5.1.3 Pekiştirilmiş Öğrenme……………………………….56
4.5.2 Büyük Veri ve Kitlesel Hedef Reklam Aracı Olarak Büyük
Verilerin Kullanılması……………………………………………………….57
4.6 Becerilere Dayalı Yapay Zeka Türleri…………………………………...59
4.7 Yapay Zekanın Geleceği………………………………………………...60
Bölüm 5: Yöntem ve Materyal………………………………………………………62
5.1 Yöntem…………………………………………………………………..62
5.2 Materyal…………………………………………………………………63
Bölüm 6: Bulgular…………………………………………………………………...65
Bölüm 7: Değerlendirme…………………………………………………………….86
Bölüm 8: Sonuç ve Öneriler…………………………………………………………90
8.1 Sonuçlar………………………………………………………………….90
8.2 Öneriler………………………………………………………………….91
KAYNAKÇA………………………………………………………………………..93

viii
 TABLOLAR LİSTESİ
TABLOLAR

Tablo 1 Katılımcı Bilgileri………...………………………………………………...63

Tablo 2 Katılımcıların Çalıştıkları Sektörler ve Yapay Zeka Deneyimleri...………...65
Tablo 3 Katılımcıların Yapay Zeka Reklam Sektörü Analizlerine ilişkin
Görüşleri……………………………………………………….................................66
Tablo 4 Katılımcıların Reklamcılıkta Kullanılan Yapay Zeka’nın Güçlü ve Zayıf
Yönlerine İlişkin Görüşleri………………………………………………………......67
Tablo 5 Sunulan Katılımcı Görüşlerine Göre Reklam Sektöründe, Yapay Zeka’nın
Başarı Yakalayacağı Alanlar………………………………………………………………………………………….68
Tablo 6 Yapay Zeka’nın Etkileyeceği Meslek Gruplarına İlişkin Katılımcı
Görüşleri……………………………………………………….................................70
Tablo 7 Katılımcıların Yapay Zeka Mahremiyete Erişimi Konusundaki Görüşleri..70
Tablo 8 AI ve İnsan İşbiliğine İlişkin Katılımcıların Görüşleri…………...………….71
Tablo 9 Yapay Zeka ve Reklam Sektörü Hakkında Katılımcı Görüşleri………...…...72
Tablo 10 Yapay Zeka’nın Reklamcılıkta Kullanımına Dair Zorluklara İlişkin Katılımcı
Görüşleri……………………………………………………………...…..................73
Tablo 11 Katılımcılara Göre Yapay Zeka’nın Reklam Sektörü İçin Gerekliliği…......73
Tablo 12 Yapay Zeka’nın Yaratıcılığı Hakkındaki Katılımcı Görüşleri………...…...74
Tablo 13 Reklamcılıkta Yapay Zeka’nın Geleceği Hakkındaki Katılımcı Görüşleri
………………………………………………………...……………………………..75
Tablo 14 Yapay Zeka’nın Reklamcılık İçin Görsel İçerik Oluşturması Hakkında
Katılımcı Görüşleri………………………………………………………..................76
Tablo 15 Geleneksel Reklamcılık ve AI Teknolojileri Kullann Reklamcılığa İlişkin
Katılımcı Görüşleri………………………………………………………..................77
Tablo 16 Katılımcıların Hedefe Yönelik Reklamcılıkta AI kullanımına İlişkin
Görüşleri……………………………………………………….................................78
Tablo 17 Reklam ve Müşteri İlişkileri AI veri Analizine Dair Katılımcı Görüşleri….79
Tablo 18 AI’ın Yaygınlaşması Hakkındaki Katılımcı Görüşleri………………...…..80
Tablo 19 AI reklamcılığının geri dönüşüm oranları hakkındaki katılımcı
görüşleri……………………………………………………………………………..80

ix
Tablo 20 Reklamcılıkta AI kullanımı ile kamuoyu Algısı Hakkındaki Katılımcı
Görüşleri……………………………………………………….................................81
Tablo 21 Katılımcıların Gelecek 5 Yıl AI ve Reklamcılık Alanı Hakkındaki
Öngörüleri………………………………………………………...............................81
Tablo 22 Pragmatik Reklamcılık ve Reklamverenlere Etkisi Hakkındaki Katılımcı
Görüşleri……………………………………………………….................................82
Tablo 23 Reklamcılıkta AI kullanımı ile Duygu Analizi Konusunda Katılımcı
Görüşleri……………………………………………………….................................83
Tablo 24 Müşteri Hizmetlerinde AI Kullanımına Dair Katılımcı Görüşleri……...….84
Tablo 25 Sesli Asistanların Kullanımı Hakkında Katılımcı Görüşleri…………...…..84

x
 ŞEKİLLER LİSTESİ
ŞEKİLLER

Şekil 1 Biyolojik Beyin Nöronu Yapısı…...………………………………………...29

Şekil 2 Yapay Zekada Öğrenme Süreci………………………...…………………...30
Şekil 3 DÖESA Mimarisi Örnek Tahminlemesi……………………………………….…………………43
Şekil 4 Maslov 1990 Gereksinimler Hiyerarşisi Üçgeni………………...………….46

xi
 KISALTMALAR LİSTESİ

a.g.e Adı geçen eser

M.Ö. Milattan Önce

yy Yüz Yıl

YZ Yapay Zeka

DÖ Derin Öğrenme

YSA Yapay Sinir Ağları

ESA Evrişimli Sinir Ağları

DİS Derin İnanç Sistemi

MBP Mavi Beyin Projesi

DM Derin Mavi

ZBS Zihin Beden Sorunu

DÖESA Derin Öğrenme Evrişimli Sinir Ağları

xii
 Bölüm 1
Giriş

Teknolojinin hızla ilerlemesi, bilgi ve iletişim teknolojilerinin hayatın her

alanında yaygınlaşması, insan yaşamının birçok noktasında büyük değişikliklere yol
açmaktadır. Bu değişikliklerden biri de reklamcılık ve pazarlama alanında
yaşanmaktadır. Reklamcılıkta yaratıcılık ve metin yazarlığı, geleneksel olarak insan
odaklı süreçler olarak kabul edilmiştir. Ancak, Yapay Zeka (AI) teknolojilerinin
gelişmesi ve pazarlamada teknolojik uygulamaların yaygınlaşması, bu alanlarda
radikal değişimlere neden olmuştur.
Bu çalışma, AI ve yaratıcı metin yazarlığı arasındaki ilişkiyi incelerken, aynı
zamanda bu iki kavramın pazarlama iletişimi üzerindeki etkilerini de tartışmayı
amaçlamaktadır. Reklamcılıkta yaratıcılığın ve metin yazarlığının önemi, teknolojik
uygulamaların pazarlamadaki rolü, Yapay Zeka'nın gelişimi ve potansiyeli ve bu
teknolojilerin pazarlama stratejilerine nasıl entegre edildiği, bu çalışmanın temel
konuları olarak ele alınmaktadır.
AI’ın evrimsel aşamaları ve felsefi temelleri, derin öğrenme ve makine
öğrenmesi gibi alt disiplinleri ve bu teknolojilerin pazarlama ve reklamcılıkta nasıl
kullanıldığı, bu çalışmanın ana hedefleridir. İnsan emeğinin otomasyonu, büyük
verinin kullanımı ve etik konular gibi konular da bu bağlamda incelenecektir.
Çalışma, Yapay Zeka'nın pazarlamada uygulanmasının çeşitli yönlerini ve
potansiyel sonuçlarını tartışan bir dizi örnek uygulama ve durum çalışması ile
sonuçlanacaktır. En son olarak, Yapay Zeka'nın gelecekteki rolü ve potansiyeli ve bu
teknolojilerin reklamcılık ve pazarlama stratejileri üzerindeki olası etkileri üzerinde
durulacaktır.
Bu çalışma, hem teknoloji ve Yapay Zeka alanında hem de reklamcılık ve
pazarlama alanında çalışan profesyoneller ve araştırmacılar için değerli bir kaynak
olmayı hedeflemektedir. İlgili literatürden geniş bir şekilde yararlanarak Yapay Zeka
ve yaratıcı metin yazarlığının pazarlama iletişimi üzerindeki etkilerini kapsamlı bir
şekilde ele almayı amaçlamaktadır.
Yaratıcılık ve metin yazarlığı, pazarlama iletişimi sürecinde önemli bir rol
oynamaktadır (Smith ve Yang, 2004). Yaratıcılık, mesajların dikkat çekici ve
hatırlanabilir olmasını sağlamakta, metin yazarlığı ise bu mesajların hedef kitle
1
tarafından anlaşılabilir ve etkili bir şekilde iletilmesini sağlamaktadır (Reinartz ve
Saffert, 2013). Ancak, bu süreçlerde insan faktörünün rolü, Yapay Zeka'nın hızla
gelişen yetenekleri ile birlikte değişmeye başlamıştır (Chui ve ark., 2018).
Pazarlamada teknolojik uygulamaların yaygınlaşması, bu süreçlerin daha
verimli ve etkili hale gelmesini sağlamıştır. Özellikle Yapay Zeka, pazarlama
stratejilerinin ve taktiklerinin geliştirilmesinde ve uygulanmasında önemli bir araç
haline gelmiştir (Li ve Karahanna, 2015). Yapay Zeka'nın gelişimi ve uygulamaları,
bu çalışmanın önemli bir bölümünü oluşturacaktır (Russell ve Norvig, 2016).
Yapay Zeka, makinelerin öğrenme yeteneği üzerine kurulmuştur. Bu,
makinelerin yeni bilgileri öğrenmesini, var olan bilgileri genişletmesini ve daha önce
karşılaşılmamış durumlarla başa çıkabilmesini sağlamaktadır (Mitchell, 1997).
Makine öğrenmesi ve derin öğrenme, Yapay Zeka'nın bu yeteneklerini destekleyen
tekniklerdir ve ayrıca bu çalışmanın ayrıntılı bir şekilde ele alacağı konuları
kapsamaktadır (Goodfellow ve ark., 2016).
Yapay Zeka'nın bu yeteneklerinin reklamcılık ve pazarlama alanlarına
uygulanması, bu alanlarda önemli değişikliklere yol açmaktadır. Örneğin, büyük veri
analizi, Yapay Zeka teknolojilerinin reklamcılıkta ve pazarlamada etkin bir şekilde
kullanılmasını sağlamaktadır (Chen ve ark., 2012). Ayrıca, Yapay Zeka'nın etik ve
yasal konuları da bu çalışmada ele alınacaktır, çünkü bu konular teknolojinin kullanımı
ve gelişimi açısından önemli olduğunu göstermektedir (Mittelstadt ve ark., 2016).
Pazarlama süreçlerinde Yapay Zeka'nın kullanımı, öncelikle müşteri
davranışlarına ve tercihlerine ilişkin verilerin analizi ve bu verilerden anlamlı bilgiler
çıkarılması şeklinde ortaya çıkmaktadır (Ngai ve ark., 2009). Bu, müşteri
ihtiyaçlarının daha doğru bir şekilde belirlenmesine, hedef kitlelerin daha etkili bir
şekilde segmente edilmesine ve dolayısıyla pazarlama stratejilerinin ve taktiklerinin
daha etkili hale getirilmesine yardımcı olmaktadır (Chen ve ark., 2012).
Yapay Zeka'nın pazarlama ve reklamcılık alanlarında kullanılmasının bir diğer
önemli yönü, yaratıcı süreçlerin otomasyonudur. Yapay Zeka'nın öğrenme ve tahmin
etme yetenekleri, reklam metinlerinin ve görsel unsurların oluşturulmasında ve
optimize edilmesinde kullanılmaktadır (McCosker ve Wilken, 2014). Bu, yaratıcı
süreçlerin daha hızlı ve verimli hale gelmesine ve aynı zamanda daha kişiselleştirilmiş
ve hedef odaklı reklam kampanyalarının oluşturulmasına yardımcı olması
beklenmektedir (Li ve Karahanna, 2015). Ancak, Yapay Zeka'nın bu yeteneklerinin
2
kullanılması, etik ve yasal konuları da beraberinde getirmektedir. Örneğin, kişisel
verilerin toplanması ve kullanılması, gizlilik konusunda önemli sorunları gündeme
getirmektedir (Mittelstadt ve ark., 2016). Ayrıca, Yapay Zeka'nın karar verme
süreçlerindeki 'kara kutu' problemi, bu teknolojilerin kullanımının şeffaflığı ve hesap
verebilirliği konusunda sorunlar yaratmaktadır (Burrell, 2016).
Bu nedenle, Yapay Zeka'nın reklamcılık ve pazarlama alanlarında
kullanılmasının hem büyük potansiyeli hem de önemli zorlukları bulunmaktadır. Bu
çalışma, bu potansiyeli ve zorlukları kapsamlı bir şekilde ele almayı hedeflemektedir.
Yapay Zeka ve metin yazarlığı konusunda araştırma yapan birçok akademisyen
ve profesyonel, bu teknolojik ilerlemenin pazarlama ve reklamcılıkta nasıl bir rol
oynayacağı konusunda araştırmalar gerçekleştirmiştir. Son yıllarda, Yapay Zeka
teknolojisi birçok sektörde önemli bir etkiye sahip olmuştur ve bu etkinin pazarlama
ve reklamcılık sektörlerinde de hissedilmesi beklenmektedir (Chui ve ark., 2018). Bu
çalışma, Yapay Zeka’nın yaratıcı metin yazarlığı ve pazarlama iletişimine nasıl
uygulanabileceğini ve bu teknolojinin bu alanlardaki potansiyelini incelemektedir.
Yaratıcılık, reklamcılıkta önemli bir rol oynamaktadır (Reinartz ve Saffert,
2013). Birçok akademisyen ve profesyonel, yaratıcılığın reklam metinlerinin
etkileyiciliğini artırabileceğine inanmaktadır (Smith ve Yang, 2004). Ancak,
yaratıcılığın pazarlama iletişimi bağlamında tam olarak nasıl tanımlanacağı ve
ölçüleceği konusunda birçok farklı görüş bulunmaktadır. Bu çalışma, bu konuları ele
almayı ve yaratıcılığın Yapay Zeka ve metin yazarlığı bağlamında nasıl
uygulanabileceğini incelemeyi hedeflemektedir.
Yapay Zeka teknolojisi, son yıllarda büyük bir ilerleme kaydetmiştir. Makine
öğrenmesi, derin öğrenme ve diğer ilgili teknolojiler, birçok farklı uygulama alanında
kullanılmaktadır (Goodfellow ve ark, 2016). Ancak, bu teknolojilerin pazarlama ve
reklamcılıkta nasıl kullanılabileceği konusunda hala birçok soru bulunmaktadır. Bu
çalışma, Yapay Zeka teknolojisinin yaratıcı metin yazarlığı ve pazarlama iletişimine
nasıl uygulanabileceğini incelemeyi hedeflemektedir.
Bu alanda yapılan çalışmalardan biri olan Yapay Zeka ve reklamcılık ilişkisini
incelemiş olan Yapay Zeka’nın reklamcılık sektöründe yaratıcılığı nasıl
etkileyebileceğini ve bu teknolojinin reklam metinlerinin etkililiğini nasıl
artırabileceğini açıklamıştır (Demirhan, 2020).

3
 Bu çalışmanın bölümleri, Yapay Zeka’nın yaratıcı metin yazarlığı ve pazarlama
iletişimi konularında nasıl bir rol oynayabileceğini ayrıntılı olarak incelemektedir.
Ayrıca, bu teknolojilerin yaratıcılığı nasıl etkileyebileceği ve bu süreçte hangi
zorlukların ve fırsatların ortaya çıkabileceği üzerinde durulmaktadır.
Yapay Zeka ve makine öğrenmesi gibi teknolojilerin yaratıcı metin yazarlığına
ve genel olarak pazarlama iletişimine entegrasyonu, bu alanları yeniden şekillendirme
potansiyeli taşımaktadır. Örneğin, Yapay Zeka’nın içerik oluşturma, hedefleme ve
kişiselleştirme yetenekleri, metin yazarlarının ve pazarlamacıların daha geniş bir
kitleye daha etkili bir şekilde ulaşmalarını sağlamayı amaçlamaktadır (Davenport ve
ark., 2020). Öte yandan, Yapay Zeka ve makine öğrenmesi teknolojilerinin pazarlama
ve reklamcılıkta uygulanması, etik ve yasal konular gibi çeşitli zorlukları da
beraberinde getirmektedir. Bu teknolojilerin gelişmesi ve yaygınlaşması, aynı
zamanda veri gizliliği, tüketici hakları ve algoritmik önyargı gibi konuları da gündeme
getirmektedir (Brynjolfsson ve McAfee, 2014).
Dolayısıyla, Yapay Zeka ve makine öğrenmesinin reklamcılık ve pazarlama
alanlarında uygulanması, yaratıcılık ve etkin iletişim ile etik ve yasal zorlukların
dikkatli bir şekilde dengelenmesini gerektirmektedir. Bu çalışma, bu dengelemeyi
nasıl başarabileceğimizi ve Yapay Zeka’nın bu alanlarda nasıl etkili bir şekilde
kullanılabileceğini incelemeyi hedeflemektedir. Yapay Zeka ve metin yazarlığı
alanında gelecekteki araştırmalar için bir temel oluşturmayı hedeflemektedir. Yapay
Zeka’nın pazarlama ve reklamcılıkta nasıl kullanılabileceği konusunda daha fazla bilgi
edinmek, bu teknolojilerin yaratıcılık ve etkin iletişim uygulamalarına nasıl entegre
edilebileceğini anlamamıza yardımcı olması planlanmaktadır.

4
 Bölüm 2
Reklamda Yaratıcılık Ve Metin Yazarlığı

2.1 Yaratıcılık
Reklam sektörü yıllar içinde büyüdükçe, reklamın belirli bir yönüne, yani
yaratıcılık yönüne vurgu yapılmaya devam etmiştir. Reklamcılık ders kitapları ve
akademik makaleler ile birlikte, 'rekabetçi bir pazarda reklam yaratıcılığının önemini
uzun süre önce ele almış ve reklam uygulayıcıları tarafından da desteklenmiştir (Smith
ve diğerleri, 2008:47). Bu, reklamın büyük bir bölümünü yönlendiren “yaratıcı
kıvılcımın” gücü ile açıklanması reklam sektörünün varlığının da temelini
oluşturmuştur (Zinkhan, 1993:3).
Reklamda yaratıcılığının önemi, tüketicilerin algısal engelini aşmak ve
dikkatlerini çekmek için "bir araç", "benzersiz satış önermesi" ve reklam
karmaşasındaki "büyük fikir" olarak belirtilmesiyle vurgulanmaktadır (Ang & Low,
2000: 835).
Yaratıcılığın sadece güzellik yarışmaları olarak değerlendirilmemesi ve marka
değerini artırabileceği öne sürülmüştür (Till & Baack, 2005). Daha yakın zamanda,
Belch & Belch (2013:397) reklam sektöründe yüksek derecede yaratıcı reklamların
“olumlu etkiler ve tüketiciyle uyumlu bir akort vurarak” başarıya ulaştığına
inanıldığını belirtmiştir. Koslow ve diğerleri (2003:96) ise daha bütüncül bir bakış
açısına sahip olup yaratıcılığı “tüm reklam endüstrisinin misyonu, var oluş sebebi”
olarak kabul etmişlerdir. Kover & James (1993:38) reklamdaki sihrin "açıklanamaz
bir yaratıcılık anı" olduğunu iddia etmişlerdir. Açıklanamaz olduğu söylense de,
reklam yaratıcılığının bireyler için farklı tanımları vardır ve bunlardan biri, en genel
olanı ise , “reklam fikirlerini üretme ve geliştirme süreci” olarak görülmektedir (El-
Murad & West, 2004:188). Aynı araştırmada El-Murad ve West yaratıcılığı
tanımlarken “yaratıcı düşünme”, “yetenek”, “problem çözme”, “hayal gücü” ve
“yenilik” terimlerinin sıklıkla kullanıldığını kabul etmişlerdir (El-Murad ve West,
2004:189). Bu tanımlar, yaratıcı düşünme yeteneği ile reklamda fikir oluşturma
arasındaki ilişkiyi göstermektedir.
Çeşitli araştırmacılar tarafından kullanılan bu tür ifadeler, yaratıcılığın rolünü ve
izleyicilerle iletişim kurarak ilgi oluşturmanın temel etkisinin anlaşılmasında rol
oynamaktadır. Tüketicilerle iletişim kurmak, reklamın ana hedefidir ve bu,
5
tüketicilerin reklam izleyicisi olarak önemini vurgular. Bernardin & Kemp-Robertson
(2008:132) bu konuda hemfikir olmuşlar ve “eğer 1980’ler ‘marka çağı’ ve 1990’lar
‘fikir çağı’ ise, bugün ‘insanlar çağı’ndayız” demişlerdir. Eğer bugünün 'insanlar çağı'
olduğu iddiası kabul edilirse, tüketicilere reklam sürecinde daha fazla önem ve dikkat
verilmesi gerektiği görüşü de buradan doğmaktadır. Bu bağlamda, reklam yaratıcılığı
araştırma literatürü için önemli olsa da çoğunlukla insan bilimleri yerine reklam
çalışmalarında yer almakta ve konu hakkındaki araştırmaların halen yetersiz olduğu
görülmektedir (Zinkhan, 1993; Yang ve Smith, 2009).
Reklam yaratıcılığını araştıran araştırmacıların, "reklam yaratıcılığını düşünme
ve hayal etme şekillerinde yaratıcı" olmaları gerektiği önerilmiştir (Zinkhan, 1993:3).
Bu dikkate alındığında, yaratıcılık araştırmaya yardımcı olabilir ve araştırmacılara
daha iyi yaklaşımlar sunabilir. Ancak, "yaratıcılığın çıktısının yetersiz olduğu"
yönünde yaygın bir endişe vardır (Nyilasy ve Reid, 2009:3). Benzer şekilde,
Goldenberg ve diğerleri (1999:1) yaratıcılık araştırmalarındaki rastgeleliğin her zaman
güvenilir olmadığını ilk kez belirtmişler, çünkü araştırma "en kötüsünde zararlı, en
iyisinde verimsiz olabilir” görüşünü öne sürmüşlerdir. Reklam araştırmalarını
iyileştirmek için bu endişeleri dikkate almak gerekmektedir.
2.1.1 Yaratıcılık tanımı ve çeşitleri. Reklamcılığın "kalbi" (Rossiter,
2008:139), "anahtar başarı faktörü" (Wang ve diğerleri, 2013:42) veya reklamcılıkta
"büyük fark" olan yaratıcılık birçok tanım almıştır ve reklamcılık alanında "en
karmaşık biçimde" faaliyet gösterdiğine inanılmaktadır (Rossiter, age:144). Daha
geniş bir reklamcılık bağlamında, bu karmaşık kavramın amacı, "ürünleri ve hizmetleri
rakiplerinden ayırmak, izleyicilerin dikkatini çekmek ve elinde tutmak ve nihayetinde
insanları yanıt vermeye veya satın alma davranışlarını değiştirmeye ikna etmek" olarak
tanımlanır. (Stuhlfaut ve Yoo, 2013:81).
Temel olarak, reklam yaratıcılığı “reklam fikirleri üretme ve geliştirme
sürecidir” (El-Murad ve West, 2004:188). White (1972), "pazar fırsatları ve ürün
fonksiyonlarının" reklamları oluşturan iki faktör olduğunu açıklar (s.29). Bu
faktörlerle ilgili olarak, El-Murad ve West'e göre (op. cit.), reklamları geliştiren
fikirlerin "yeni, benzersiz ve ilgili" olması ve "etki, kalite, stil ve uygunluk" üretmesi
gerekir; yaratıcı iletişim süreci uygun yerini alabilir (s.188). Dolayısıyla, reklamcılığın
hedef kitle ile başarılı iletişimi, “alışılmadık yaratıcılık ile sıradan deneyimleri”
birleştirme becerisidir (Kover, James, Sonner, 1997:41).
6
 Benzer şekilde Belch ve Belch (2009), iletişimin reklamcılığın merkezinde
olduğunu ve reklam yaratıcılığının “iletişim sorunlarına çözüm olarak kullanılabilecek
taze, benzersiz ve uygun fikirler üretme yeteneği” olduğunu paylaştı (s.255). White
(1972:32), iletişimin “karanlık veya sıkıcı olmadan ilginç ve bilgilendirici” olmayı
başararak reklamcılıkta yaratıcılığı açığa çıkarmanın bir yolu olduğunu belirtmiştir.
Buna göre, yaratıcı becerilerin çok fazla bir anlam ifade etmeyebileceğini reklamın
izleyiciyle iletişim kurmadığını belirtmek gerekmektedir. Bu nedenle, tüketicilere
ulaşmak ve tüketicilerle iletişim kurmak için yaratıcı ve iletişim becerilerini
birleştirmek çok önemlidir.
İletişim süreci ve reklam yaratıcılığı ile ilgili olarak literatürde benzer görüşler
paylaşılmıştır. Bu ortak bakış açıları, reklamcılar ile tüketiciler arasındaki iletişimin
önemini göstermektedir. Reklam, tüketicilerle iletişim kurmanın bir yolu olduğundan,
tüketicilere çözüme dönüştürülebilecek benzersiz, ilgili ve uygun teklifler sunarak bu
iletişim sürecinden en iyi şekilde yararlanmanın önemli olduğu bu görüşlerden
çıkarılabilir. Bu iletişim sürecinde mesaj alıcıları olan tüketiciler, iletişim sürecinin
kendisi bu yaratıcılık unsurlarına sahip olmadığı sürece başarılı ve verimli bir şekilde
iletişim kurulamaz.
Reklam yaratıcılığının alternatif bir tanımı ise, "Amaca yönelik ve problem
çözücü reklamlar ve reklamlar üretmek için tasarlanmış orijinal ve yaratıcı düşünce"
olarak açıklanmaktadır (Reid ve diğerleri, 1998:3). Yazarlara göre, ilk iki unsur, “yeni,
gelişmiş ve oldukça farklı olarak kabul edilen yeni bir yaklaşım” orijinalliği temsil
ederken, diğer yandan yaratıcı düşünce “imgelerin nasıl ve nasıl ifade edildiği ile
belirtilmekte ve betimlemeleri yoluyla açıklanmaktadır. Bu reklam tanımının son iki
unsurundan hedef yönü, "reklamların belirli pazarlama iletişimi hedeflerine ulaşmak
için yaratıldığı gerçeği" olarak açıklanır ve problem çözme, "reklam kreasyonlarının
markayla ilgili sorun çözümlerini hedeflenen tüketicilere ne kadar iyi ilettiği" ile
sunulmaktadır.
Bu tanımdaki dört unsur, reklamcılıkta yaratıcılık için bir sentezi temsil eder.
Yazarlar, orijinallik ve yaratıcı düşünce olmak üzere ilk iki unsurun çoğu yaratıcılık
tanımında ortak olmasına rağmen, orijinal ve yaratıcı düşüncenin amaca yönelik ve
problem çözücü unsurlar tarafından desteklenmesi gerektiğinden son ikisinin farklı
olduğunu belirtmişlerdir. Buna göre özgün, ilgili ve uygun niteliklere sahip olmak, bir
7
sunu ile birlikte olmadıkça yeterli değildir. Aslında, bu daha önceki araştırmaları
desteklemektedir. Örneğin, reklam yaratıcılığının problem çözme yaklaşımı olmadan
düşünülmemesi gerektiği ve bir metin yazarının “tüketicinin bir problemi algılaması
ve onu nasıl çözdüğü hakkında ne kadar çok şey bilirse, istenen tüketici tepkisini
ortaya çıkaran reklamlar veya reklamlar yaratma şansı daha iyi olacaktır” (Reid ve
Rotfeld, 1976: 25) tanımlama biçimiyle örtüştüğü görülmektedir.
Haberland ve Da cin (1992), reklam yaratıcılığını araştırmak için terim için genel
kabul görmüş bir tanım sağlama yolundan farklı bir yaklaşıma sahipti. Yazarlar,
reklam yaratıcılığı için bir ölçü geliştirmekle ilgilendiler. Yaratıcılığı, izleyicilerle
iletişim kurmak ve onlarda tutum oluşturmak için reklamların sahip olması gereken
dört gereksinimle kavramsallaştırdılar. Bunlar özgünlük ve beklenmediklik, uygunluk
ve anlamlılık, yeniden formüle etme ve son olarak da yoğunlaştırmadır. Orijinallik ve
beklenmediklik unsurları sürprize yol açar ve izleyicinin reklamdan yaşam boyu
edindiği deneyimlerle oluşan beklentilerinden “bir reklamın sapma derecesi” olarak
tanımlanır (Haberland ve Dacin, age:819). Bir sonraki öğeler grubu, reklamın
mesajından memnuniyete yol açar ve reklamlar "reklamı yapılan ürün hakkında anlam
aktardığında" elde edilir (Haberland ve Dacin, agy:819). Üçüncü boyut yeniden
formülasyonları, “izleyicinin/dinleyicinin reklamı yapılan bir ürün veya hizmete
yönelik tutumlarını (yeniden) formüle etme veya değiştirme gerekliliğine”
dayanmaktadır (Haberland ve Dacin, agy:819). Haberland ve Dacin'in (1992)
kullandıkları son boyut olan yoğunlaştırmanın “reklam hakkında daha derin
düşünmeye” yol açtığı söylenmekte ve reklamdaki bilgilerin zenginliği olarak
tanımlanmaktadır (s.819).
Öte yandan, Haberland ve Dacin'e benzer bir yaklaşımla (op. cit.) Ang ve Low
(2000) farklı bir dizi yaratıcılık unsuru kullanmıştır. Yazarlar, kavramı daha derinden
anlamak için reklam yaratıcılığının altında hangi boyutların yattığını araştırdılar.
Genel olarak, reklamcılıkta yaratıcılığı "tüketicilerin dikkatlerini çekmek için algısal
engellerini aşmanın bir yolu" olarak tanımladılar (s.835). Yazarlar tarafından test
edilen boyutlar yenilik, anlamlılık ve duygusal içeriktir. İlk ikisi, diğer araştırmacılar
tarafından reklamcılık literatüründe en çok atıfta bulunulan boyutları olarak kabul
edilmektedir (Ang, Lee ve Leong, 2007; Sheinin, Varki ve Ashley, 2011; Ang ve
diğerleri, 2012; Lehnert, Till ve Carlson, 2013).

8
 Ang, Lee, Leong (2007) ve Ang ve ark. (2012) reklam yaratıcılığını yenilik,
anlamlılık ve bağlantılılık olmak üzere üç boyutla kavramsallaştırmış ve üç boyutlu
bir sürekliliği temsil ettikleri için bunları Reklam Yaratıcılığı Küpü olarak
adlandırmıştır. Daha önceki duygusal içerik boyutu, daha sonra "reklamın kabul edilip
edilmeyeceğini veya reddedileceğini" belirleyen "reklam yeniliğinin duygusal
sonuçları" olarak anılırken, reklamların izleyicilerle bağlantılı olması olarak yeniden
düzenlendi (Ang ve Low, 2000: 837). Duygusal içerik ile bağlantılılık arasındaki
farkın sadece şu olduğunu söylemek mümkündür, duygusal içerik daha kısıtlı ve daha
az kapsayıcı bir kavram iken; bağlantılılık, duygusal içeriğin daha bütünsel ve
bütünleyici bir boyut olarak ortaya çıkmasına neden olabilir. Böylece, bağlantılılık
boyutunun daha kapsamlı temsili nedeniyle boyutların yeniden formüle edilmesi
gerçekleştirilebilir.
Bu eski çalışmaların ayak izlerini takip eden literatürde, genellikle reklam
yaratıcılığını temsil eden bir dizi ortak unsur rapor edilmektedir. Örneğin, reklam
yaratıcılığının ıraksama ve alaka düzeyi olmak üzere iki belirleyicisinin olduğu
belirtilmektedir (Smith ve Yang, 2004; Smith ve diğerleri, 2007; Smith ve diğerleri,
2008). Farklılık, reklamların “farklı, yeni, sıra dışı, orijinal ve benzersiz” unsuru iken
alaka, izleyiciler için “anlamlı, yararlı veya değerli” reklam unsuru olarak adlandırılır
(Smith ve diğerleri, 2007:820). Reklam yaratıcılığının bu iki belirleyicisi psikoloji
literatüründen türetilmiştir ve yaratıcı reklamların hem farklılık hem de alaka düzeyini
içermesi gerektiği belirtilmektedir (Smith ve Yang, 2004).
Literatürde yaygın olarak kabul edilen bir başka görüş de, araştırmacıların iki,
üç veya daha fazla olsun tüm unsurları kapsamanın anahtar olduğuna işaret etmeleridir.
Örneğin Kover ve James (1993), reklam içeriğinde sadece taze olmanın yaratıcılık için
yeterli olmadığına ilişkin görülmektedir.
Dahlen ve ark. (2008) farklı bir bakış açısı sağladı ve reklam yaratıcılığını,
yazarların daha fazla yaratıcılığın daha fazla iletişim çabası ve tüketiciler için daha
yüksek uygunluk ile daha fazla algılanan çabaya yol açacağını varsaydığı bir
"pazarlama sinyali" olarak kabul etti (s.393). Başka bir çalışma, reklamın bir parçası
olarak algılanmayan kısım olan reklam israfının olumlu algıya yol açabileceğini ve
algılanan kalite ile iknanın itici gücü olarak reklamın öne sürmektedir (Ambler ve
Hollier, 2004). Bu da reklam yaratıcılığını daha iyi iletişim ve reklam nitelikleri ile
ilişkilendirmesi açısından diğer araştırmalarla uyumludur. Bu, izleyicinin yaratıcılığın
9
fazlalığını reklam harcamasından daha fazla takdir ettiğini öne süren literatürde ender
rastlanan bir görüştür. Reklam gideri bu araştırma ile ilgili olmamakla birlikte daha
fazla araştırmaya ihtiyaç olduğu belirtilmektedir.
Tüketicilerin reklam harcamalarına ilişkin algılarını incelerken, tüketicilerin bir
dereceye kadar yaratıcılığı takdir ettiğini ve bunu markanın yetenekleriyle
ilişkilendirdiğini bilmek, bu araştırmanın amaçları açısından hala değerlidir.
Olası avantajlar hakkındaki bu görüşlere benzer şekilde, Till ve Baack (2005)
reklamcılıkta yaratıcılığın, reklamı yapılan markaya değer katıyor olabileceğini öne
sürmüştür. Ancak bu noktalar, reklamcılıkta yaratıcılığın kontrolsüz ve yönetilemez
bir şekilde ilerlemesi gerektiği anlamına gelmez. “Yaratıcılık için yaratıcılık işe
yaramaz” ve yaratıcı fikirlerin başarısız olmaması için yönetilmesi ve kontrol edilmesi
önerilmektedir (Stewart vd., 2008:136).
Bu özelliklere sahip olan yaratıcılık, "rekabet avantajı sağlayan bir itici güç"
olarak kabul edilir (Fillis, 2002:379) ve reklam yaratıcılığı, bazı reklam ikonları
tarafından "diğerlerine karşı haksız avantaj elde etmenin son yasal yolu" olarak
önemine itibar edilir. rekabet” (Stuhlfaut ve Windels, 2012:795). Bu alıntı,
reklamcılıkta yaratıcılığın pazarda avantaj elde etme yeteneğini vurgulayarak ne kadar
önemli olabileceğini ifade ediyor. Yaratıcı çıktıların benzersizlik, yenilik, tazelik ve
orijinallik gibi özellikleri içermesi gerektiği konusunda temel düzeyde ortak bir uyum
olduğu tanım çeşitliliğinden anlaşılmaktadır.
Haberland ve Dacin (1992) ‘ye göre, yaratıcılığı anlamak ve değerlendirmek için
reklam yaratıcılığının boyutsal bir çalışmasına ihtiyaç vardır. Genel olarak reklam
yaratıcılığının açıklamaları ve tanımlarının yanı sıra, kavramın anlaşılması daha derin
olmalıdır, böylece reklam yaratıcılığı ile onun nasıl çalıştığı arasındaki tüm olası
etkileşimler ve bağlantılar araştırmacılara açık olmalıdır.
Kilgour ve Koslow (2009) çalışmalarında boyutların önemini paylaşmışlar ve
yaratıcılığı farklı boyutlarıyla anlamanın esas olduğunu, aksi takdirde bu boyutların
bazı etkilerinin ortaya çıkabileceğini belirtmişlerdir. Reklam yaratıcılığını boyutsal
olarak inceleyen başka bir araştırmada ise, yazarlığın önemini ve bir ürünü
farklılaştırma yeteneğini ortaya çıkarmak kolaylaşmakla ilişkili olarak kabul edildiği
görülmektedir (Mercanti-Guerin, 2008).
Literatürden de anlaşılacağı üzere, reklam yaratıcılığının çeşitli tanımları, yaygın
olarak atıfta bulunulan boyutlarla örtüşen benzer yaklaşımlara sahip görülmektedir.
10
 2.1.2 Yaratıcılık süreçleri ve yaratıcılığı etkileyen faktörler. Haberland ve
Dacin (1992), Ang ve diğerleri (2012), Smith ve Yang (2004), Smith ve diğerleri
(2007), Smith ve diğerleri (2008), Wang ve diğerleri (2013) tarafından yapılan
çalışmalarda belirtildiği gibi, ayrışma "reklamda marka veya uygulama unsurları
olarak farklı, yeni, alışılmadık, özgün, eşsiz vb. öğelerin bulunma derecesidir" (Smith
ve diğerleri, 2007:820). Ayrışma, bir reklamın, bir grup olarak düşünüldüğünde "yeni,
farklı veya alışılmadık bir şekilde" ve "büyük bir rol oynayan ve karmaşık bir yapıya
sahip olan" reklam unsurlarını ifade eder ve sadece orijinallik veya yenilik gibi tek bir
boyutla temsil edilmemelidir (Smith ve diğerleri, 2004:36). Ayrışma veya yenilik,
"tanımlamaların kalbidir" ve yaratıcılığın "temel bileşenidir" (Stuhlfaut ve Yoo,
2013:82) olarak kabul edilir. Aslında, "eğer bir şey alışılmadık, yeni veya eşsiz değilse,
sıradan, basit veya gelenektir. Orijinal değildir ve dolayısıyla yaratıcı değildir" (Runco
ve Jaeger, 2012:92).
Ayrışmanın reklam yaratıcılığının temel yapısının nasıl özetlenebileceği
şeklinde ifade edildiği gözlemlenebilir (Stuhlfaut ve Yoo, 2013), çünkü tanımı,
literatürde diğer araştırmacılar tarafından tartışılan reklam yaratıcılığı
tanımlamalarının kapsamlı bir toplamını temsil eder. Smith ve diğerleri (2007:821)
tarafından psikolojik çalışmalarından türetilen esneklik, akıcılık, orijinallik,
ayrıntılılık, sentez, sanatsal değer ve hayal gücü olmak üzere yedi farklı faktörü
içerdiği öne sürülmüştür. Bununla birlikte, akıcılık ve hayal gücü daha fazla inceleme
ve testlere tabi tutulduğunda elendi ve bu da esneklik, orijinallik, ayrıntılılık, sentez ve
sanatsal değer olmak üzere beş faktörü ayrışma için bıraktı (Smith ve diğerleri,
2007:822).
Bu faktörlerin ayrışma boyutunu ne şekilde temsil ettiğini anlamak için diğer
araştırmacılar tarafından incelenen farklı boyutlarla ilişkilendirilerek açıklanacaktır ve
tartışılacaktır.
2.1.2.1 Esneklik. Esneklik faktörü, reklamların "farklı fikirler içermesine veya
bir perspektiften diğerine geçmesine" izin verildiğinde gerçekleşir (Smith ve diğerleri,
2007:821). Ayrışma özelliği olan reklamlar, reklamlardan geliştirilen farklı fikirlerin
çeşitliliğine olanak tanımalıdır. Bu, fikirlerin ve perspektiflerin çeşitliliği ile daha
geniş bir izleyici kitlesine ulaşma şansını artırmakla kalmayacak, aynı zamanda farklı
ve daha yeni fikirler ve perspektifler geliştikçe izleyicilerin "varolan şemadan
çıkmasını" (Ang ve diğerleri, 2007:221) geliştirebilir.
11
 Esnekliğin tanımına göre, Haberland ve Dacin'in (1992) reklam yaratıcılığının
üçüncü boyutu olan yeniden formülasyonla paralellik gösterdiği söylenebilir. Farklı
fikirler ve perspektiflere geçme yeteneği, "tüketici tarafından bilinmeyen veya
düşünülmeyen yeni veya karşıt bilgiler içeren reklamlarla benzerlik gösterir"
(Haberland ve Dacin, 1992:819).
Esneklik faktörü ayrıca White ve Smith'in (2001) reklam yaratıcılığının tüketici
algısını değerlendiren ilk çalışmasından uyarlanan yenilik boyutuna da benzerlik
gösterir. Bu ölçek, Besemer ve O'Quin'in (1986) çalışması temel alınarak geliştirilmiş
olup, bu çalışma, uzman veya uzman olmayan kişilerin yaratıcılığı nasıl
değerlendirdiğini anlamak için yapılan ilk araştırma girişimidir. Araştırmacılar,
Creative Product Analysis Matrix (CPAM) temel alınarak Creative Product Semantic
Scale (CPSS) geliştirdiler ve bunun temelinde Besemer ve Treffinger'ın (1981) daha
önceki bir çalışmasıyla uyum içinde olan bir ölçek geliştirdiler. Yenilik, yaratıcı
ürünler için "ürünün yeni olma derecesi: yeni süreçlerin, yeni tekniklerin, yeni
malzemelerin, yeni kavramların sayısı ve derecesi açısından; alan içinde ve dışında
ürünün yeniliği açısından; ürünün gelecekteki yaratıcı ürünlere etkileri açısından"
(Besemer ve Treffinger, 1981:163) şeklinde tarif edilmiştir.
2.1.2.2 Orijinallik. Orijinallik, reklam unsurlarının "nadir, şaşırtıcı veya açıkça
bilinenin dışında olmasından" (Smith ve diğerleri, 2007:821) veya fikirlerin "kabul
edilen normdan farklı" olmasından kaynaklanır (Sasser ve diğerleri, 2013:299).
Ayrışmanın bir göstergesi olarak, orijinallik diğer çalışmalarda da bahsedilir ve
genellikle orijinallik veya yenilik olarak adlandırılır (Reid, King ve DeLorme, 1998;
Young, 2000, White ve Smith, 2001; Koslow, Sasser ve Riordan, 2003, 2006; West,
Kover ve Caruana, 2008). Örneğin, Ang ve Low (2000), reklam yaratıcılığının ilk
boyutunu yenilik olarak tanımlamış ve bunu orijinal veya benzersiz, beklenmedik ve
normdan farklı olarak açıklamışlardır. Bu ayrışmanın göstergesi, diğer araştırmacıların
reklam yaratıcılığını tanımlarken kullandıkları şekillerle de benzerlik gösterir, örneğin
"yeni ve benzersiz fikirler" (El-Murad ve West, 2004:188), "taze ve benzersiz fikirler"
(Belch ve Belch, 2009:255), "orijinal ve yeni düşünceler" (Haberland ve Dacin,
1992:819). Aslında, Haberland ve Dacin (1992), reklam yaratıcılığının ilk boyutunu
"beklenmediklik ve orijinallik" olarak tanımlamış ve bunu "şaşkınlığa yol açan" boyut
olarak tanımlamışlardır (s.818).

12
 Orijinallik göstergesi, tüketici algısının reklam yaratıcılığını değerlendiren
White ve Smith (2001) çalışmasında da görülebilir. Bu ölçek, uzman veya uzman
olmayan kişilerin yaratıcılık hakkındaki görüşlerini anlamak için yapılan ilk araştırma
olan Besemer ve Treffinger'ın (1981) çalışması temel alınarak uyarlanmıştır. Besemer
ve Treffinger'ın çalışmasında orijinallik, yaratıcı ürünler için "ürünün yeni olma
derecesi: yeni süreçlerin, yeni tekniklerin, yeni malzemelerin, yeni kavramların sayısı
ve derecesi açısından; alanda ve dışında ürünün yeniliği açısından; ürünün gelecekteki
yaratıcı ürünlere etkisi açısından" (Besemer ve Treffinger, 1981:163) şeklinde tarif
edilmiştir.
2.1.2.3 Ayrıntılandırma. Ayrıntılandırma faktörü, reklamların "beklenmedik
detaylar içermesi veya temel fikirleri tamamlaması ve daha karmaşık, karmaşık veya
sofistike hale getirmesi" durumunda gerçekleşir (Smith et al., 2007:821). Bu faktör,
reklam yaratıcılığının Haberland ve Dacin'in (1992) boyutlarından biri olan sıkıştırma
ile benzerlik göstermektedir, yani reklam bilgilerinin zenginliği. Ayrıntılandırmanın
tanımına göre, reklam bilgilerindeki beklenen ve basit teklifler, reklamları
ayrımlılıktan uzaklaştırmaktadır. Bu görüşle uyumlu olarak, Heckler ve Childers
(1992), reklam yaratıcılığından yararlanmanın mümkün olduğunu belirtmiş ve reklam
bilgilerinin sosyal biliş araştırmalarında "ilgili ve beklenmedik davranışlar" anlamına
gelen uyumsuz olduğunu belirtmiştir. Bu tanımdan hareketle, uyumsuz reklam
bilgileri, tüketicilerin "önceden geliştirilmiş şemaları veya beklentileri" ile
uyumsuzdur (Heckler ve Childers, a.g.e.:475).
Ayrımlılık göstergelerinden biri olan ayrıntılandırmanın anlaşılabilmesi için
ayrımlılık ve uyumsuzluk arasındaki ilişki, beklenti kavramının anlamına bakılarak
daha da analiz edilebilir. Beklenti, "bir öğenin veya bilginin, temaya uyarlanan
önceden belirlenmiş bir desene veya yapıya ne kadar uyduğu" durumudur (Heckler ve
Childers, a.g.e.:477). Bu durumda, uyumsuz reklam bilgisi, beklenenden yukarıda
veya ötesindedir.
Ayrıca, White ve Smith (2001), reklam bilgilerini halka sunarken
reklamverenlerin tüketicilerin beklentilerini tahmin etme yeteneğinin önemini
vurgulayarak, daha beklenmedik reklam bilgileri sunmak için reklamverenlerin
gerekliliğini belirtmiştir. Ayrıntılandırma faktörü ve ilgili beklenmedik ve karmaşık
ayrıntılar, Dahlen ve ark. (2008) tarafından markanın "kutunun dışında düşünebilme"
yeteneği olarak reklam yaratıcılığının bir formu olarak değerlendirilmektedir.
13
 2.1.2.4 Sentez. Sentez, reklamların "genellikle ilgisiz nesneleri veya fikirleri
birleştirme, bağlama veya harmanlama" durumunda gerçekleşir (Smith et al.,
2007:821). Bu, Ang ve ark. (2012) tarafından reklam yaratıcılığı küpünün üçüncü
boyutu olan bağlantılılık olarak tanımlanan ad öğelerinin forma döküldüğü şekilde
benzerdir. Yazarlar bağlantılılığı, reklamın hedef kitleye uygunluğunu, yani
izleyicilerin reklam bilgilerini geçmiş deneyimleri, değerleri, hedefleri, ihtiyaçları ve
bilgileriyle ilişkilendirebildikleri ve bu ilgisiz unsurlarıyla sentez yapabildikleri
ölçüde, anlatır.
Beklentiler ve deneyimler, reklamı hedef kitlesi tarafından algılanış şeklini
şekillendiren önemli faktörlerdir. Bu algılar aracılığıyla izleyiciler, reklamların
kendileri için ilgili olan reklam bilgileri olduğuna karar verir ve beklentiler geliştirirler.
Beklenmediklik, reklam yaratıcılığının bir boyutu olarak kavramsallaştırılmış ve
Haberland ve Dacin (1992) tarafından reklamın "beklenenlerden sapması" olarak
tanımlanmıştır ve bunun, "reklamla yaşamları boyunca deneyimlediklerine" dayanan
izleyicilerin beklentileri üzerine dayandığı belirtilmiştir.
Deneyimlerle ilgili olarak, tüketiciler zamanla reklamlarla tanışır ve artan
aldatmaca duygusuyla birlikte reklamları filtreleme veya kaçınma sistemi geliştirir
(West ve ark., 2008). Kim ve ark. (2010) da bu noktaya değinmiş ve tüketicilerin
reklamın ikna edici doğasının (bilinçsiz olarak) farkında olduklarını belirtmiştir.
Başka bir deyişle, genellikle ilgisiz bilgilerin artan sentezi, reklam için halkın
beklentilerinin ötesine geçebilir ve deneyimlerine bağlı olarak halkın reklam
işlemesinden kaçınma isteğini kırabilir.
Sentez faktörünü ayrımlılık göstergelerinden biri olarak dahil etme
motivasyonu, Kim ve ark. (2010) tarafından açıklanan, reklam bilgilerinin normal
yapıdan yoksun olması ve fikirlerin birleşmesi ve harmanlanması durumunda hedef
kitlede eksik hissetmelerine ve "aha" anı yaratamamalarına neden olmasından ileri
gelmektedir.
2.1.2.5 Sanatsal değer. Reklamların sanatsal değeri, reklamların "sanatsal sözel
etkiler veya çekici renkler veya şekiller içermesi" durumunda belirlenir (Smith et al.,
2007:821). Bu, daha önceki bir çalışmanın (Smith ve Yang, 2004) sonuçlarından
türetilen ve başlangıçta "zenginlik ve renklilik" olarak adlandırılan bir ayrımlılık
göstergesi olarak kabul edilir. Bu çalışmada, bir reklamcı tarafından reklam
yaratıcılığının boyutlarına ilişkin ek görüşler alındı. Reklamcı, "başka bir faktör olan
14
'sanatsal ifade'yi düşünebilirim. Bir reklamın etkili bir şekilde yapıldığında,
fotoğrafçılık, aydınlatma, tasarım ve düzenleme gibi unsurlar, reklamın bir seviyede
sanatsal olmasını sağlayabilir" şeklinde yorum yaptı.
Bu faktörler, reklamda "farklı, yeni, olağandışı, orijinal, eşsiz" gibi reklam
öğelerine sahip olma anlamına gelir (Smith et al., 2007:820). Ayrıca, ayrımlılık,
reklam yaratıcılığı için geleneksel olarak önemli olarak kabul edilen yeni birlik boyutu
olarak da adlandırılmıştır (Ang ve ark., 2012:2). Örneğin, reklam yaratıcılığının
Haberland ve Dacin (1992) tarafından belirlenen bir boyutu olan beklentilere uygunluk
boyutuna benzer şekilde, reklamın "hedef kitleye uygun olup olmadığı", yani
izleyicilerin reklam bilgilerini "geçmiş deneyimlerine, değerlerine, hedeflerine,
ihtiyaçlarına ve bilgilerine" ilişkin bağlantı kurabilmeleri ve bu bağlantıyla ilişkili
ilgisiz unsurlarla sentez yapabilmeleri olarak tanımlanmaktadır.
Ayrımlılığın sanatsal değer göstergesi olarak dahil edilmesinin nedeni, Kim ve
ark. (2010) tarafından yapılan son bir çalışmada daha ayrıntılı olarak açıklanmıştır. Bu
çalışmada, reklam bilgilerinin normal yapısının eksikliği ve fikirlerin birleşmesi ve
harmanlanması, hedef kitleyi eksik hissettirir ve bilgi işlemelerinde "aha" anı
yaratmasını engellediği ileri sürülmüştür.
2.1.2.6 İlgililik. İlgililik, araştırmacılar tarafından reklam yaratıcılığının ikinci
boyutu olarak kabul edilir (Smith ve Yang, 2004; Smith et al., 2007; Smith et al., 2008;
Sheinin, Varki ve Ashley, 2011; Ang ve ark., 2012; Sasser et al., 2013). Bu, reklam
öğelerinin "izleyici için anlamlı, uygun, kullanışlı veya değerli olduğu" durumlar
olarak tanımlanmaktadır (Smith et al., 2007:820). Farklı boyutlu reklam yaratıcılığı
çalışmalarının çeşitli tanımlarını gözden geçirdikten sonra, ilgili boyutun anlamlılık,
kullanışlılık veya uygunluk olarak da diğer araştırmalarda yer aldığı görülmektedir
(Haberland ve Dacin, 1992; Ang ve Low, 2000; Ang ve ark., 2007; Ang ve ark., 2012;
Runco ve Jaeger, 2012). Bazıları ilginin genellikle müşteri stratejisi perspektifinden
yorumlandığını iddia edilmektedir.
2.1.2.6.1 Reklam-tüketici ilgisi. Reklam-tüketici ilgisi, "reklamın tüketiciler için
anlamlı yürütme unsurları içermesi durumunda gerçekleşir. Bu tür ilgili durum,
reklamın uyarıcı özelliklerinin potansiyel alıcılarla anlamlı bir bağlantı oluşturmasıyla
sağlanır" (Smith ve ark., 2007:820). Anlamlılık bazen mesajın kullanışlılığı veya ilgili
oluşu olarak da adlandırılır ve pazarlama bilgisinin hedef kitle için ne kadar değerli
olduğuna işaret eder (Andrews ve Smith, 1996). Benzer şekilde, Sheinin ve ark.
15
(2011), anlamlılığın veya ilginin hedef kitleye kullanışlı bilgi sağlayarak da elde
edilebileceğini belirtmiştir.

Reklam-tüketici ilgisini bağlantılılık olarak adlandırmış ve reklam içeriğinin

hedef kitleye uygunluğunu ve "hedef kitlenin reklamla ilişki kurabilme ve
özdeşleşebilme derecesini" tanımlamıştır (Ang ve diğerleri, 2012:8).

2.1.2.6.2 Marka-tüketici ilgisi. İlgili boyutun ikinci türü veya ilgi sağlama şekli,
ürün-tüketici ilgisi olarak adlandırılır ve "reklamı yapılan markanın (veya ürün
kategorisinin) potansiyel alıcılar için ilgili olduğu durumlarda ortaya çıkar. Bu tür bir
ilgili durum, reklamın marka ile tüketici arasında anlamlı bir bağlantı kurmasıyla
gerçekleşir" (Smith ve ark., 2007:820).
2.1.2.6.3 Reklam-marka ilgisi. Son ilgi türü, "reklamın markayla ne kadar ilişkili
olduğu" durumunu ifade eder (Smith ve ark., 2007:821). Yazarlar bu son türün,
tüketicilerin ilgili olarak algıladığı reklamın marka ile ilişkili olmasının daha az etkili
veya tüketici algısına göre tahmin edilemez olduğunu önerdiler. Ancak, bu
araştırmanın amaçları için, bu son türün iki diğer türle ilişki yansıttığı
düşünülmektedir.
İki ana boyutla ilgili olarak, reklamlar yaratıcılığı temsil etmek için hem
ayrımlılığı, yani "reklam yaratıcılığının en temel özelliği"ni (Smith ve ark., 2004:36),
hem de "hedef kitleye ilişkin perspektifleri dahil etmeleri gerekmektedir" (Ang ve ark.,
2007:220).
2.1.3 Zeka. Reklam yaratıcılığının iki ana boyutunu gözden geçirdikten sonra,
bu alt bölümde yaratıcılığın üçüncü bir boyutu olan zeka tanıtılmaktadır. Zeka’nın
tanımı ve reklam yaratıcılığıyla ilişkisi incelenmektedir. Ardından, Zeka’nın bir
araştırma değişkeni olarak önemi ve nasıl ölçüldüğü konusunda bir tartışma
sunulmaktadır.
Reklam yaratıcılığı, yıllar boyunca birçok araştırmacının ilgisini çeken bir
kavram olmasına rağmen, tüketiciler tarafından algılanan yaratıcılığın altta yatan diğer
yönlerinin neler olduğu konusunda hala tartışma vardır. Bu, temel olarak "reklamlar
gibi gerçek dünya üretimlerinin yaratıcılık değerlendirmesindeki alt boyutlarının iyi
bilinmediği" gerçeğinden kaynaklanmaktadır (Caroff ve Besançon, 2008:367).
Bunun bir etkili faktörü, izleyicilerin olası algılarını ihmal eden ölçüm
seçimleridir ve yalnızca akademik olarak doğrulanmış değişkenleri test ederler.

16
Yaratıcılık araştırması ve ölçümüyle ilgili yaygın bir sorun, nitel yöntemlerin
sınırlamalarıyla ilgilidir. Zeka veya daha yaygın olarak adlandırılan zeka yönü, nitel
araştırmalar aracılığıyla birkaç kez ortaya çıkmıştır (örneğin, West ve ark., 2008;
Mercanti-Guérin, 2008).
2.1.4 Yaratıcılık ve inovasyon. Yaratıcılık ve zeka literatürleri çoğunlukla,
literatürden türetilen açık teorileri kullanan araştırmalar tarafından domine
edilmektedir. Bununla birlikte, araştırmadaki veriler her zaman sonuçlar elde etmeye
yönlendirmede yetersiz kalabilmektedir. Bu, veri analizi sınırlamalarının neden
olduğu bir durumdur ve araştırmacıların anlamlı verileri göz ardı etmelerine yol
açabilmektedir. Bu koşullarda yapılan reklam yaratıcılığı araştırmaları, veri setlerinde
zeka veya Yapay Zekayı içeren ancak yaratıcılık kavramlaştırmalarıyla ilgili
tartışmalara etkili olmayan zımni teoriler olarak kabul edilebil görünmektedir. Bu
zımni teoriler, açık teoriler çıkarmanın ve anlamanın çerçevelerini sağlayabilir ve
yaratıcılık ve zeka gibi subjektif ve karmaşık yapıların ölçümünü aydınlatabilmektedir
(Sternberg, 1985).
Hala reklam araştırmacılarının tek öğe ölçümleri mi yoksa çoklu öğe ölçümleri
mi kullandığı sorusu belirsizdir (Bergkvist ve Langner, 2017). Çoklu öğeli ölçüm
yaklaşımı, gizil yapıları incelemek için kullanılır. Gizil yapılar doğrudan tek bir öğeyle
ölçülmez, ölçülebilir değişkenlerle (göstergeler) temsil edildiği varsayılır (Hair ve
ark., 2010; Field 2009). Bu çoklu öğeler, "gizil yapının matematiksel olarak
birleştirilerek temsil edildiği" (Hair ve ark., 2010:592) anlamına gelir. Cleverness gibi
başka bir subjektif kavramın bu araştırmada bir gizil değişken olarak ölçüldüğü göz
önüne alındığında, birden fazla ölçüm maddesiyle ölçülür. Bu, birden fazla
gösterge'nin bir yapı hakkında daha fazla bilgi sağlayabileceğini ve daha güvenilir
veriler üretebileceğini destekleyen bir gerçektir (Geuens ve Pelsmacker, 2017).
Bununla birlikte Yapay Zeka tabanlı paket programlar yaratıcılığın denetlenmesinde
de kullanılabilmektedir.
Literatürde 'algı çeşitliliği'nin teyit edildiği birçok benzer görüş bulunmaktadır.
"Başkalarının yaratıcı çalışmalarını değerlendirme, bireysel algı süreçlerine bağlı
olabilir" (Schuster et al., 2014:3) şeklinde ifade edilir. Araştırmacılar reklam
yaratıcılığının nasıl işlediğine dair açıklamalar geliştirir ve test ederken ve reklam
yaratıcılığının önemini takdir ederken, yaratıcı biçimin hangi bakış açısından ele
alınması gerektiği hala açıklığa kavuşturulmamıştır. Bu bakış açısı ya uygulayıcıların
17
ya da tüketicilerin bakış açısı olabilir. Bu, tartışmanın önemine dair dikkate değer bir
fark yaratır.
"Reklamda yaratıcı neyin oluşturduğu" konusunda farklı perspektifler
bulunmaktadır (Belch ve Belch, 2009:258). Bunun nedeni, "yaratıcı reklam neyin
oluşturduğu genellikle yaratıcıların değerlendirmelerine bağlıdır" ve "tüketiciler
reklamları kendi ihtiyaçlarına göre alır ve dekonstrüksiyon yapar ve onların neyin
yaratıcı olduğu, yaratıcıların sezgilerinden oldukça farklı olabilir" (West et al.,
2008:35). Bu, reklam yaratıcılığına yönelik algı farklılıklarını açıklar.
Reklam yaratıcılığı araştırmalarının çoğunlukla profesyonel bakış açısına
odaklandığı ve diğer bakış açılarına pek odaklanmadığı belirtilmektedir (White ve
Smith, 2001). Reklam yaratıcılığı için sağlanan tanımlar akademisyenlere aittir ve
"reklam yaratıcılığının kamu tarafından nasıl görüldüğü hakkında pek bir şey
bilinmemektedir" (West et al., 2008:35). Reklam iletişimi tüketicileri hedef alır ve
onların görüşlerini anlamak önemlidir. Tüketiciler ve pazarlamacıların dünyaları
değiştikçe, bu iki taraf arasındaki iletişimin "buna göre ayarlanması gerekmektedir"
fikri literatürde yer almaktadır (Ashley ve Oliver, 2010:117).
2.2 Pazarlama ve İletişim
"Yaratıcı uygulayıcılar, genellikle 'yaratıcılar' olarak adlandırılır" (Stuhlfaut ve
Yoo, 2013:81) ve "sanat yönetmenleri, metin yazarları ve yaratıcı yönetmenler"
(Stuhlfaut ve Windels, 2012: 795) olarak tanımlanır, benzer şekilde Young (2000:19)
tarafından "metin yazarları, sanat yönetmenleri, yapımcılar ve hatta internet-dönemi
bilgisayar programcıları" olarak tanımlanmaktadır. Uygulayıcılar reklam taktiklerini
"bu taktiklerin muhtemelen üreteceği etkileri anlama" ve "onların inandığı" şeylere
dayanarak tasarlarlar (Cotte ve Ritchie, 2005:24). Bu nedenle, reklam yaratıcılığını,
özellikle de tüketicilerin bireysel olarak algıladığı şekilde algılarlar (West ve diğerleri,
2008). Seyirciden izole olma, yaratıcıların hedef kitlesiyle iletişim kurmalarını
zorlaştıran bir "engel"dir (Kover et al., 1997:50). İhtiyaçlar ve süreçler bu iki grup
arasında farklı olduğu için, tüketicilere ulaşan "algılanan yaratıcılığın" farklı
olabileceği, bu durumun da grupların birbirlerinden "farklı konuşmasına" neden
olduğu söylenebilmektedir (West et al., 2008:36).
Endüstri bağlamı, uygulayıcılar için sadece onları tüketicilerden uzaklaştırması
değil, aynı zamanda profesyonel endişeler nedeniyle de bir kısıtlamadır. West et al.
(2008) tarafından belirtildiği gibi, reklam yaratıcılığı bazen uygulayıcılar için "isabet
18
veya yanılma işi" olabilir, çünkü yaratıcılığı anlamlı iş hedefleriyle birleştirmenin
önemli olduğunu düşünürler (s.43). Dahası, ajanslar ve müşterileri bu hedeflerin
başarısını ölçmek için farklı mekanizmalar kullanırlar (Sasser et al., 2013:302). Öte
yandan, tüketicilerin yaratıcılığa ilişkin beklentileri ve algıları, bu hedeflerle ortak bir
noktaya çevrilemeyebilir (West et al., a.g.e.). Bir yandan, tüketiciler bu iş hedefleriyle
sınırlı değillerdir. Bu, tüketicilerin bu süreçte "seyirci" olduğu ve uygulayıcılar gibi
herhangi bir sınırlamaya tabi olmadığı anlamına gelir (West et al., a.g.e.:43). Öte
yandan, reklam yaratıcılarının algıları kurumsal değerler tarafından sınırlıdır. Aslında,
West et al. (a.g.e.) profesyonellerin kariyerlerinin bilincinde olduğunu ve kabul
edilebilirlik sınırlarına uyum sağlamak için risk almaktan kaçınmayı tercih ettiklerini
kabul etmiştir.
Uygulayıcılar için organizasyon politikaları adı altında başka bir faktör, iki farklı
grup tatmin etme ihtiyacıdır. Uygulayıcılar hem "kar odaklı müşteriyi hem de kayıtsız
halkı" (White, 1972:29) veya "reklamı ne kadar çok tüketiciye ulaşırsa, reklamın
tadından hoşlanan (veya hoşlanmayan) tüketicileri" memnun etme ihtiyacı duyarlar
(Kaiser ve Song, 2009:292). Uygulayıcılar, kurumsal değerler ve iş hedeflerinin
sınırlamalarıyla kısıtlanırken, organizasyon politikalarının etkisi önemlidir. Stuhlfaut
ve Yoo (2013) tarafından tanımlanan gibi, organizasyon politikaları, yaratıcılarının
kendi çalışmalarını ve diğerlerinin çalışmalarını izledikleri ve eleştirdikleri yaratıcı
süreç ve ürünün ilk süzgecidir (s.811).
Uygulayıcılar için organizasyon politikaları altında eklenecek başka bir faktör
ise iki farklı grubu tatmin etme ihtiyacıdır. Uygulayıcıların hem "kâr odaklı müşteri
hem de kayıtsız kamu" (White, 1972:29) veya "reklamı ne kadar çok tüketiciye
ulaşırsa, reklamın tadına varan tüketiciler" tatmin etmeleri gerekmektedir (Kaiser ve
Song, 2009:292). Uygulayıcılar, kurumsal değerler ve iş hedeflerinin sınırlamalarıyla
kısıtlanırken, tatmin etmeleri gereken çevrelerin beklentileri ve algılarıyla sınırlıdırlar
(West et al., a.g.e.:43).
Günlük çalışmalarında reklamcıların teorik bakış açısını henüz yeterince
araştırılmış olduğunu ve "dış bir tarafın sunulan görüşle farklı olduğunu" düşünmüştür.
Pazarlama iletişimi de temelde buradan doğmaktadır. Yani mesajı verilen ürünle bu
ürünü lanse etme amacı güden reklamın, tüketiciyi yakalayacak biçimde bir pazarlama
diline sahip olması gerekliliği bu arka planda ortaya çıkmıştır (Kover, 1995).

19
 2.2.1 Pazarlama iletişimin tanımı ve önemi. Pazarlama iletişimi, bir şirketin
hedef kitlesiyle etkileşime geçmek ve ürün veya hizmetlerini tanıtmak için kullanılan
iletişim sürecidir. Bu süreç, reklam, halkla ilişkiler, satış promosyonları, doğrudan
pazarlama, kişisel satış ve dijital pazarlama gibi çeşitli iletişim araçlarını içerir.
Pazarlama iletişimi, bir şirketin mesajını hedef kitleye aktarmak, müşterilerin dikkatini
çekmek ve satın alma kararlarını etkilemek için stratejik bir şekilde tasarlanır.
Pazarlama iletişimi, şirketin marka imajını oluşturmak, marka bilinirliğini
artırmak, ürün veya hizmetlerin özelliklerini tanıtmak, müşteri sadakatini sağlamak ve
pazar payını artırmak gibi hedeflere ulaşmak için kullanılır. Bu iletişim süreci, şirketin
hedef kitleye uygun mesajlar göndermesini, etkili iletişim kanallarını seçmesini ve
mesajları hedef kitleye doğru zamanda ve doğru şekilde iletmeyi gerektirir.
Pazarlama iletişimi, bir şirketin başarılı olabilmesi için önemli bir rol oynar. İyi
bir pazarlama iletişimi stratejisi, şirketin hedef kitlesine etkili bir şekilde ulaşmasını
sağlar ve müşterilerle güçlü bir ilişki kurmasına yardımcı olur.
Pazarlama İletişimi, bir şirketin ürünlerini veya hizmetlerini hedef kitleye
ulaştırmak ve müşterilerle etkileşim kurmak için kullanılan stratejik bir araçtır. Bu
strateji, çeşitli iletişim araçlarının kullanılmasını gerektirmektedir. Bu araçlar şu
şekilde sıralanabilmektedir;
• Reklam: pazarlama iletişiminin en yaygın ve etkili araçlarından biridir.
Televizyon, radyo, gazete, dergi, açık hava reklamları ve dijital platformlar gibi çeşitli
medya kanallarında yayınlanabilir. Reklamlar, ürün veya hizmetlerin özelliklerini
tanıtmak, marka bilinirliğini artırmak, hedef kitlenin dikkatini çekmek ve satışları
artırmak için kullanılır. Reklamların yaratıcı, ilgi çekici ve hedef kitleye uygun olması
önemlidir.
• Halkla İlişkiler: bir şirketin itibarını yönetmek, olumlu ilişkiler kurmak ve
hedef kitleyle etkileşimde bulunmak için kullanılan bir pazarlama iletişimi aracıdır.
Basın bültenleri, medya ilişkileri, etkinlikler, sponsorluklar ve sosyal medya gibi
yöntemlerle şirketin mesajları ve değerleri hedef kitleye iletilir. Halkla ilişkiler,
şirketin olumlu bir imaj oluşturmasına ve güvenilirlik kazanmasına yardımcı olur.
• Doğrudan Pazarlama: şirketin hedef kitlesiyle doğrudan iletişim kurmasını
sağlayan bir pazarlama iletişimi aracıdır. Bu yöntem, posta, telefon, e-posta, SMS veya
sosyal medya gibi kanallar aracılığıyla gerçekleştirilebilir. Doğrudan pazarlama,
kişiselleştirilmiş mesajlar göndermek, müşteri sadakati sağlamak, yeni müşteriler
20
kazanmak ve satışları artırmak için kullanılır.
• Satış Promosyonları: geçici teşvikler ve avantajlar sunarak müşterilerin satın
alma kararlarını etkilemeyi amaçlayan pazarlama iletişimi araçlarıdır. İndirimler,
kuponlar, ücretsiz numuneler, yarışmalar ve sadakat programları gibi yöntemlerle
müşterilere ek faydalar sunulur. Satış promosyonları, müşteri ilgisini çekmek, satışları
artırmak ve marka sadakatini güçlendirmek için kullanılır.
• Sosyal Medya: Son yıllarda sosyal medya, pazarlama iletişimi için önemli bir
araç haline gelmiştir. Facebook, Instagram, Twitter, LinkedIn gibi sosyal medya
platformları, şirketlerin hedef kitlesiyle etkileşim kurmasını, marka bilinirliğini
artırmasını ve ürün veya hizmetlerini tanıtmasını sağlar. Sosyal medya, kullanıcıların
geri bildirimlerini almak, marka sadakatini sağlamak ve potansiyel müşterilerle
bağlantı kurmak için etkili bir araçtır.
Pazarlama iletişimi için çeşitli araçlar kullanılarak şirketler, ürün veya
hizmetlerini tanıtabilir, marka değerini artırabilir ve müşterilerle etkileşim kurabilir.
Reklam, halkla ilişkiler, doğrudan pazarlama, satış promosyonları ve sosyal medya
gibi araçlar, pazarlama iletişiminin başarılı bir şekilde gerçekleştirilmesine yardımcı
olur. Her bir aracın etkin bir şekilde kullanılması, şirketin hedef kitleyle bağlantı
kurmasını ve rekabet avantajı elde etmesini sağladığı inancına yaygın olarak
rastlanmaktadır.
2.2.2 Hedef kitleye etkili iletişim kurma. Pazarlama, bir ürün veya hizmetin
hedef kitleye etkili bir şekilde tanıtılması, pazarlanması ve satılması için kullanılan
stratejilerin ve yöntemlerin bir kombinasyonudur. Bu stratejilerin en önemli
unsurlarından biri, hedef kitleye etkili iletişim kurmaktır. Etkili iletişim, tüketicilerin
ilgisini çekmek, onları bilgilendirmek, motive etmek ve nihayetinde bir satın alma
kararı almalarını sağlamak için gereklidir.
Hedef kitleye etkili iletişim kurmak, bir pazarlama kampanyasının başarısı için
kritik bir unsurdur. İyi bir iletişim stratejisi, bir markanın veya ürünün hedef kitle
üzerinde kalıcı bir etki bırakmasına ve tüketicilerin satın alma kararı almalarına
yardımcı olur. Aşağıda, hedef kitleye etkili iletişimin neden önemli olduğunu
açıklayan bazı temel noktalar bulunmaktadır:
Tüketicilerin dikkatini çekmek: Rekabetin yoğun olduğu bir pazarda,
tüketicilerin dikkatini çekmek ve markanızı öne çıkarmak zor olabilir. Etkili iletişim,
hedef kitleyi ilgilendirecek ve onların dikkatini çekecek bir mesajın iletilmesini sağlar.
21
 Bilgi aktarımı: Hedef kitleye, ürün veya hizmetin faydaları, özellikleri, fiyatı ve
kullanımı gibi önemli bilgilerin aktarılması gerekmektedir. Etkili iletişim, tüketicilerin
bu bilgilere erişmesini ve anlamasını sağlar.
Marka değerini artırma: İyi bir iletişim stratejisi, marka değerini artırabilir.
Hedef kitleye markanın değerleri, misyonu ve vizyonu hakkında net bir mesaj
iletilerek, marka sadakati oluşturulabilir ve uzun vadeli müşteri ilişkileri kurulabilir.
Tüketici davranışını etkileme: Etkili iletişim, tüketicilerin davranışlarını
etkileme potansiyeline sahiptir. İyi bir pazarlama iletişimi, tüketicileri bir ürünü satın
almaya teşvik edebilir, bir etkinliğe katılmaya yönlendirebilir veya bir hizmeti
denemelerini sağlayabilir.
Hedef kitleye etkili iletişim kurmanın birçok yöntemi vardır ve her biri farklı
durumlara ve hedeflere göre uyarlanabilir. İşte hedef kitleye etkili iletişim kurmanın
bazı temel yöntemleri:
Kitle İletişimi: Kitle iletişimi, reklamlar, televizyon ve radyo spotları, broşürler,
açık hava reklamları gibi geniş bir kitleye ulaşmayı hedefleyen iletişim yöntemlerini
kapsar. Bu yöntemler, marka bilinirliğini artırmak ve geniş bir hedef kitleye ulaşmak
için etkilidir.
Hedefli İletişim: Hedefli iletişim, belirli bir hedef kitleye odaklanan ve onların
özelliklerini ve ihtiyaçlarını göz önünde bulunduran iletişim stratejilerini içerir. Bu
yöntem, daha kişiselleştirilmiş bir mesaj iletmek ve tüketici bağlılığı oluşturmak için
kullanılır. Hedefli iletişim araçları arasında e-posta pazarlama, sosyal medya
reklamları ve doğrudan posta bulunur.
Etkileşimli İletişim: Etkileşimli iletişim, tüketicilerle doğrudan etkileşim
kurmayı hedefleyen iletişim yöntemlerini ifade eder. Bu, sosyal medya platformları,
çevrimiçi sohbetler, müşteri hizmetleri ve etkinlikler gibi araçlarla gerçekleştirilebilir.
Etkileşimli iletişim, tüketicilerin markayla bağlantı kurmalarını, geri bildirim
vermelerini ve marka deneyimlerini paylaşmalarını sağlar.
İçerik Pazarlaması: İçerik pazarlaması, ilgi çekici ve değerli içerikler oluşturarak
hedef kitleye değer katmayı amaçlar. Blog yazıları, videolar, infografikler, e-kitaplar
gibi içerikler, tüketicilerin marka hakkında daha fazla bilgi edinmelerini sağlar ve uzun
vadeli ilişkiler kurulmasına yardımcı olur.
Pazarlamada hedef kitleye etkili iletişim kurma, bir markanın başarısı için hayati
öneme sahiptir. Etkili iletişim, tüketicilerin ilgisini çekmek, bilgi aktarmak, marka
22
değerini artırmak ve tüketici davranışını etkilemek için kullanılır. Kitle iletişimi,
hedefli iletişim, etkileşimli iletişim ve içerik pazarlaması gibi çeşitli yöntemler,
pazarlamacılara farklı durumlara ve hedeflere uygun iletişim stratejileri oluşturma
imkanı sağlar. Hedef kitleye etkili iletişim kurmak, markaların rekabetçi pazarda öne
çıkmasına ve uzun vadeli müşteri ilişkileri inşa etmesine yardımcı olan araçlar olarak
kabul edilmektedir.

23
 Bölüm 3
Pazarlamada Teknolojik Uygulamalar

Pazarlama dünyası, teknolojinin hızla gelişmesiyle birlikte önemli değişimler

yaşamıştır. Teknolojik uygulamalar, pazarlamacılara daha etkili ve hedef odaklı
stratejiler geliştirme ve tüketicilerle daha güçlü bir etkileşim kurma fırsatı
sunmaktadır. Teknolojik uygulamaların pazarlama stratejilerine etkileri arasında ise
aşağıdaki araçların yer aldığı görülmektedir:
• Sosyal Medya (Smith, 2021): Sosyal medya platformları, pazarlama
stratejilerinde önemli bir rol oynamaktadır. Şirketler, markalarını tanıtmak, hedef
kitleleriyle etkileşimde bulunmak ve müşteri ilişkilerini geliştirmek için sosyal
medyayı etkili bir şekilde kullanmaktadır. Sosyal medya, pazarlamacılara büyük
miktarda veri sağlar ve hedef kitleyi daha iyi anlamalarına yardımcı olur. Ayrıca,
reklamların hedeflenmesi, marka bilinirliği oluşturma ve tüketici sadakati inşa etme
gibi çeşitli amaçlar için kullanılabilir.
• Veri Analitiği (Johnson, 2022): Veri analitiği, pazarlamacıların büyük veri
setlerini analiz etmelerine ve değerli içgörüler elde etmelerine olanak tanır. Bu
teknoloji, tüketicilerin davranışlarını, tercihlerini ve ihtiyaçlarını anlamak için
kullanılır. Pazarlamacılar, veri analitiğiyle hedef kitleye özelleştirilmiş mesajlar
sunabilir, pazarlama stratejilerini optimize edebilir ve kampanyalarının etkinliğini
izleyebilir. Veri analitiği, pazarlama kararlarının veriye dayalı olarak alınmasını sağlar
ve daha iyi sonuçlar elde etmeye yardımcı olur.
• Yapay Zeka (Brown, 2023): Yapay Zeka, pazarlama alanında önemli bir
dönüşüm sağlamaktadır. Müşteri hizmetleri, kişiselleştirilmiş öneriler, konuşma
botları ve otomatik pazarlama süreçleri gibi birçok alanda kullanılır. Yapay Zeka,
büyük veri setlerini analiz ederek pazarlama stratejilerinin optimize edilmesine
yardımcı olur. Ayrıca, tüketicilerle gerçek zamanlı etkileşimler sağlayarak müşteri
deneyimini iyileştirir ve müşteri memnuniyetini artırır.
• Mobil Uygulamalar (Garcia, 2021): Akıllı telefonların yaygınlaşmasıyla
birlikte mobil uygulamalar, pazarlamacılar için etkili bir kanal haline gelmiştir. Mobil
uygulamalar, markaların tüketicilerle doğrudan etkileşimde bulunmalarını,
kişiselleştirilmiş teklifler sunmalarını ve sadakati artırmalarını sağlar. Ayrıca, mobil
ödemeler ve yer tabanlı hedefleme gibi özelliklerle tüketici deneyimini geliştirir.
24
 • İnteraktif İçerik (Lee, 2022): İnteraktif içerik, tüketicilerle etkileşime geçmek
ve marka deneyimini artırmak için kullanılan bir teknolojik uygulamadır. Oyunlar,
anketler, interaktif videolar ve sanal gerçeklik gibi araçlarla tüketicilere katılım
fırsatları sunulur. Bu, markaların tüketicilerle bağlantı kurmasını, daha fazla ilgi
çekmesini ve marka sadakati oluşturmasını sağlar.
Teknolojik uygulamalar, pazarlamacıların hedef kitleleriyle daha etkili bir
şekilde iletişim kurmalarını sağlayan önemli araçlardır. Sosyal medya, veri analitiği,
Yapay Zeka, mobil uygulamalar ve interaktif içerik gibi uygulamalar, pazarlama
stratejilerini optimize etmek, kişiselleştirilmiş deneyimler sunmak ve marka sadakati
oluşturmak için kullanılır. Pazarlamacılar, bu teknolojik uygulamaların
potansiyelinden yararlanarak rekabetçi bir avantaj elde edebilirler. (Smith, 2021;
Johnson, 2022; Brown, 2023; Garcia, 2021; Lee, 2022).
3.1 Teknolojinin Pazarlama Üzerindeki Etkisi
Teknolojinin hızlı gelişimi, pazarlama dünyasında önemli değişimlere yol açmıştır.
Pazarlamacılar, teknolojinin sunduğu olanakları kullanarak daha etkili stratejiler
geliştirmekte ve tüketici davranışını etkilemede yeni yöntemler denemektedir. Bu
yöntemler arasında aşağıdaki araçların kullanımı etkin olarak görülmektedir.
• Müşteri İlişkileri Yönetimi (MİY) (Johnson, 2020): Teknoloji, pazarlamacılara
müşteri ilişkilerini yönetmek için daha etkili araçlar sunmaktadır. Müşteri ilişkileri
yönetimi (MİY) sistemleri, müşteri verilerini toplama, analiz etme ve müşteriye
özelleştirilmiş bir deneyim sunma imkânı sağlar. Bu sistemler, müşteri sadakati ve
memnuniyetini artırmak için kullanılır. Ayrıca, CRM yazılımları, satış ve pazarlama
departmanları arasındaki iş birliğini artırır ve verimliliği artırır.
• Dijital Pazarlama (Smith, 2021): Teknolojinin gelişimi, dijital pazarlamayı
önemli bir pazarlama stratejisi haline getirmiştir. Dijital pazarlama, internet ve dijital
kanallar aracılığıyla markaların hedef kitleye ulaşmasını sağlar. Arama motoru
optimizasyonu (SEO), sosyal medya pazarlaması, e-posta pazarlaması ve içerik
pazarlaması gibi dijital pazarlama yöntemleri, markaların tüketiciyle etkileşim
kurmasını, marka bilinirliğini artırmasını ve satışları teşvik etmesini sağlar.
• Kişiselleştirme (Brown, 2022): Teknoloji, markalara tüketiciye daha
kişiselleştirilmiş deneyimler sunma imkânı verir. Veri analitiği ve Yapay Zeka
teknolojileri, tüketicilerin ilgi ve tercihlerini anlama ve kişiselleştirilmiş teklifler
sunma konusunda pazarlamacılara yardımcı olur. Kişiselleştirme, tüketicinin ilgisini
25
çeker, marka sadakati oluşturur ve satın alma olasılığını artırır.
• E-ticaret (Garcia, 2020): Teknolojinin gelişimi, e-ticaretin büyük bir ivme
kazanmasını sağlamıştır. İnternet üzerinden ürün ve hizmet satışı yapmak, müşterilere
kolaylık sağlar ve markaların global bir kitleye ulaşmasını mümkün kılar. E-ticaret
platformları, tüketicilere çevrimiçi alışveriş deneyimi sunar ve ödeme süreçlerini
kolaylaştırır. Ayrıca, mobil ticaretin yaygınlaşmasıyla birlikte tüketiciler, istedikleri
ürünleri her an ve her yerden satın alma imkanına sahiptir.
Veri Analitiği ve Büyük Veri (Lee, 2021): Teknoloji, büyük veri setlerinin analiz
edilmesi ve anlamlı içgörülerin elde edilmesi konusunda pazarlamacılara yardımcı
olur. Veri analitiği, tüketici davranışlarını ve trendlerini anlama, pazarlama
stratejilerini optimize etme ve daha iyi kararlar alma konusunda önemli bir rol oynar.
Büyük veri, tüketicilerin tercihlerini, ihtiyaçlarını ve beklentilerini anlama konusunda
pazarlamacılara önemli bilgiler sunar.
3.2 Yapay Zeka’nın Pazarlamadaki Rolü
Yapay Zeka, pazarlamada önemli bir rol oynamakta ve pazarlamacılara daha
etkili stratejiler geliştirme imkanı sunmaktadır. Müşteri deneyimi, hedefleme ve
segmentasyon, içerik üretimi ve öneriler, satış ve tahmin analizi, sosyal medya
analitiği gibi alanlarda Yapay Zeka kullanımı, pazarlama stratejilerini optimize etmek
ve müşteri ilişkilerini güçlendirmek için büyük bir potansiyele sahiptir (Smith, 2022;
Johnson, 2023; Brown, 2024; Garcia, 2022; Lee, 2023). Aşağıda bu araçların
açıklanmasına ve kullanım amaçlarına yer verilmektedir.

Müşteri Deneyimi (Smith, 2022): Yapay Zeka, müşteri deneyimini geliştirmek

için önemli bir rol oynamaktadır. Müşteri verilerini analiz ederek, Yapay Zeka
algoritmaları, tüketicilerin ilgi ve tercihlerini anlayarak kişiselleştirilmiş deneyimler
sunmaktadır. Chatbotlar ve sanal asistanlar gibi Yapay Zeka destekli araçlar,
müşterilere 7/24 destek sağlamakta ve hızlı bir şekilde sorunları çözmektedir.

Hedefleme ve Segmentasyon (Johnson, 2023): Yapay Zeka, pazarlamacıların

hedef kitleyi daha iyi anlamalarını ve daha etkili hedefleme stratejileri geliştirmelerini
sağlamaktadır. Yapay Zeka algoritmaları, büyük veri setlerini analiz ederek
tüketicilerin davranışlarını ve ilgi alanlarını belirlemekte ve buna göre
kişiselleştirilmiş teklifler sunmaktadır. Bu, pazarlamacıların pazarlama bütçesini daha
etkili bir şekilde kullanmalarına yardımcı olur.

26
 İçerik Üretimi ve Öneriler (Brown, 2024): Yapay Zeka, içerik pazarlaması
alanında da önemli bir rol oynamaktadır. Yapay Zeka algoritmaları, tüketicilerin
geçmiş davranışlarını analiz ederek ilgi çekici ve kişiselleştirilmiş içerikler üretmekte
ve öneriler sunmaktadır. Bu, markaların tüketicilerle daha güçlü bir bağlantı
kurmalarını ve marka sadakati oluşturmalarını sağlamaktadır.

Satış ve Tahmin Analizi (Garcia, 2022): Yapay Zeka, satış ve tahmin analizinde
pazarlamacılara yardımcı olmaktadır. Büyük veri setlerinin analizi ve Yapay Zeka
algoritmaları kullanılarak, satış trendleri ve talep tahminleri daha doğru bir şekilde
yapılabilmektedir. Bu, pazarlamacıların stok yönetimi, talep tahmini ve fiyatlandırma
stratejilerini optimize etmelerini sağlar.

Sosyal Medya Analitiği (Lee, 2023): Yapay Zeka, sosyal medya analitiği
alanında da önemli bir rol oynamaktadır. Yapay Zeka algoritmaları, sosyal medya
platformlarından gelen verileri analiz ederek tüketicilerin duygusal tepkilerini, marka
algısını ve kampanya etkisini ölçebilmektedir. Bu, pazarlamacıların sosyal medya
stratejilerini geliştirmelerini ve müşteri ilişkilerini yönetmelerini sağlamaktadır.
3.3 Teknolojik Uygulamaların Gelecekteki Pazarlama Trendleri
Teknolojik uygulamaların hızlı gelişimi, gelecekteki pazarlama trendlerini
şekillendirecek ve pazarlamacılar için yeni fırsatlar yaratacaktır. Yapay Zeka,
genişletilmiş gerçeklik, sesli arama, nesnelerin interneti ve veri güvenliği gibi
teknolojik uygulamalar, pazarlama stratejilerini daha etkili hale getirecek, tüketicilerle
daha güçlü etkileşimler kuracak ve rekabet avantajı sağlayacaktır (Smith, 2023;
Johnson, 2024; Brown, 2025; Garcia, 2023; Lee, 2024). Pazarlamacılar, bu
teknolojileri yakından takip etmeli ve stratejilerini gelecekteki trendlere göre
şekillendirmek hususunda bilgi sahibi grup olarak görülmektedir. Pazarlamada
kullanılan Yapay Zeka tredlerinden bazılarını aşağıdaki gibi sıralamak mümkün
görülmektedir:
• Yapay Zeka ve Makine Öğrenimi (Smith, 2023): Yapay Zeka ve makine
öğrenimi, gelecekteki pazarlama trendlerinde büyük bir rol oynayacak. Yapay Zeka
algoritmaları, tüketicilerin davranışlarını analiz ederek kişiselleştirilmiş teklifler
sunma, önerilerde bulunma ve hedef kitleye daha iyi ulaşma imkanı sağlayacaktır.
Makine öğrenimi ise büyük veri setlerini analiz ederek pazarlama stratejilerini
optimize etmeye yardımcı olacak ve daha akıllı kararlar verilmesini sağlayacaktır.

27
 • Genişletilmiş Gerçeklik (GG) ve Sanal Gerçeklik (SG) (Johnson, 2024):
Genişletilmiş gerçeklik ve sanal gerçeklik, gelecekte pazarlamada daha fazla
kullanılacak. GG ve SG teknolojileri, tüketicilere daha etkileyici ve interaktif
deneyimler sunma imkanı sağlayacak. Bu teknolojiler, ürün deneyimlerini sanal
ortama taşıyacak, mağaza deneyimini geliştirecek ve tüketicilerin ürünleri daha iyi
görmelerini sağlayacaktır.
• Sesli Arama ve Akıllı Hoparlörler (Brown, 2025): Sesli arama ve akıllı
hoparlörler, gelecekteki pazarlama trendlerinde önemli bir rol oynayacak. Sesli arama
teknolojisi, tüketicilerin ürün ve hizmetler hakkında bilgi edinmek için kullanacağı
önemli bir kanal olacak. Markalar, sesli arama optimizasyonu yaparak bu trendden
faydalanabilecekler. Akıllı hoparlörler ise tüketicilere kişiselleştirilmiş içerikler ve
teklifler sunacak, evdeki alışveriş deneyimini dönüştürecek ve marka sadakatini
artıracaktır.
• Nesnelerin İnterneti (IoT) (Garcia, 2023): Nesnelerin İnterneti, gelecekte
pazarlama stratejilerinde daha fazla yer alacak. IoT, nesnelerin internete bağlanması
sayesinde tüketicilerle daha fazla etkileşim kurma imkanı sunacak. Bu teknoloji,
tüketicilerin ürünlerin kullanımı hakkında gerçek zamanlı geri bildirimler vermesini
sağlayacak, otomatik yeniden siparişler yapabilecek ve müşteri deneyimini daha da
kişiselleştirebilecektir.
• Veri Güvenliği ve Gizlilik (Lee, 2024): Gelecekteki pazarlama trendlerinde
veri güvenliği ve gizliliği büyük bir öneme sahip olacak. Teknolojik uygulamaların
yaygınlaşmasıyla birlikte, markaların tüketicilerin veri güvenliği ve gizliliği
konusundaki endişelerini ele alması gerekmektedir. Markalar, tüketicilerin verilerini
koruma, şeffaflık ve güvenilirlik ilkelerine odaklanmaları gerekliliği de açıkça
görünmektedir.
Bu çalışma kapsamında bu bölümde tanıtılan Yapay Zeka kavramına ve çalışma
prensiplerine 4. bölümde yer verilmektedir.

28
 Bölüm 4
Yapay Zekanın Kavramsallaştırılması

4.1 Yapay Zeka Kavramı

Yapay Zeka, günümüzde gerek uygulama alanları gerek ise akıllı cihazlar
oluşturabilmek açısından oldukça önemli bir araştırma alanıdır. İnsan gibi karar
verebilen modeller üretebilme düşüncesi, insanlar için oldukça eskiye dayanan bir
fikirdir. Zaman içerisinde, değişik düşünce yapılarıyla insan beynini modelleme fikri
uygulamaya konulmuştur. İnsanlar için elmayla armut ayrımını yapmak basittir.
Ancak öğrenen sistemlerin bir bütünü olarak karşımıza çıkan yapay Zeka için bu basit
farkı öğrenme, yapay Zeka geliştiricileri açısından çok büyük farklılıklar
oluşturmaktadır. Bu farklılıkları anlamamız için Zekadan başlayarak bu alanın
tamamına geniş bir perspektifte bakmak önemlidir. Zeka araştırmaları derin, geniş, çok
boyutlu, çok disiplinli bir alandır.
İnsanda bulunan biyolojik beyin nöronu yapısında sinapslar, dentritler, aksonlar
hücre çekirdeği ve hücre gövdesi bulunur. İnsan beyni ve öğrenme işlevi dikkate
alınarak kurgulanan bir çeşit makine öğrenmesi yapay sinir ağı olarak tanımlanır.
Yapay sinir ağları, biyolojik insan beyni nöronlarını taklit ederler. Şekil 1’de insan
beynindeki biyolojik nöron yapısına yer verilmiştir.

Şekil 1. Biyolojik beyin nöronu yapısı (Mira, 1995:9)

Biyolojik nöronda bulunan dendritlerin görevi, gelen uyarı sinyallerini sinir
hücresinin gövdesine iletip, hücredeki kararlı halin bozulmasına sinir hücresinde bir
dizi kimyasal sürecin başlamasına neden olmaktır. Sinir hücresinde vuku bulan bu
kimyasal süreçte tüm girdiler, bir sonraki sinir hücresine aksonlar aracılığıyla iletilir.
Sinir hücresindeki akson ucuyla kendisinden sonra gelen dendrit arasındaki boşluk,
29
sinaptik boşluk olarak tanımlanır. Sinaptik boşluk içerisine bilgiyi ileten her dal,
iletken madde olarak kabul edilir ve bu bilgi iletimi sırasında dolarak bilginin geçişini
sağlar. Sinaptik boşluktaki değişkenlik ise öğrenme süreci olarak tanımlanmaktadır
(Elmas, 2003: 27).
Yapay Zekada ise bu biyolojik nöronlar yerini yapay sinir ağlarına
bırakmaktadırlar. Bir yapay sinir ağında ise giriş katmanı, orta katmanlar ve çıktı
(çıkış) katmanları yer almaktadır. Yapay sinir ağında öğrenme sistemini gösterir bir
örnek Şekil 2’de yer almaktadır.

Şekil 2. Yapay Zekada öğrenme süreci örneği (Sağıroğlu vd., 2003)

Yapay sinir ağlarında öğrenme girdi (giriş) ve çıktı(çıkış) katmanlarında olmaz.
Tüm öğrenme süreci, orta katmanlarda gerçekleşmektedir. Bunun yanı sıra, şekilden
de anlaşılacağı üzere, çıktı katmanı bize kare veya kare değil sonucunu verecektir. Bu
görsel nesnelerin tanınmasına ilişkin bir metottur. Sisteme girdi olarak verilen bilgiyi
tanımak için bir dizi önceden yüklenmiş nesneleri(kütüphaneleri) tarar, mantık
algoritmalarıyla karşılaştırır ve sonucunu bize çıktı olarak verir (Sağıroğlu vd.2003;
24-47). Yani, yapay Zekada öğrenmesini, girdide hangi bilgiyi sisteme sunarsak ve
çıktıda neyi almak istediğimizi belirtirsek orta katmanların o bilgiyi edinmesini
sağlayıp, daha sonra çıktıyı tanımlamamıza gerek kalmaksızın sistemin bize çıktıyı
sunmasını sağlamanın mümkün olduğu bir öğrenme biçimidir şeklinde tanımlamak
mümkündür. Bir dizi algoritmanın belli bir mantık kapsamında yönetilmesi “kısıtlı bir
zeka” nın varlığını kabul etmemizi de kolaylaştıracaktır.
4.2 Yapay Zekada Mantık
Yapay Zekada mantık kullanımı, klasik mantık önerilerinde olduğu gibi,
“eğer”., “ise” … kalıbına bağlıdır. Örneğin: “Eğer bugün hava güneşli ise yağmur
yağmayacaktır”. Bu argüman Yapay Zekada uzman sistemlerin çıkış noktasını
oluşturmaktadır. Bir uzman sistem, insan uzmanın bilgi birikimine sahip ve normal
şartlarda ancak insan uzman tarafından çözülebilecek problemleri çözmekte kullanılan
bilgisayar sistemleridir (Segen ve Kumar,1999:168-169). Günümüzde bu taklit için
derin öğrenme, yapay sinir ağları gibi yapılar kullanılmaktadır. Oysa yapay Zeka’nın
ilk dönemlerinde bu teknikler yerine, bilgiye dayalı sistemler geliştirilmiştir. Bilgiye
30
dayalı geliştirilen ve alanında uzman ve bilgili kişileri taklit eden ilk sistemler “uzman
sistemler” olarak bilinmektedir (Waring vd., 2020:70). Uzman sistemlerin kökeni,
uzman sistem kavramıyla çelişkili olarak “genel amaçlı problem çözücü” adlı ilk
yapay Zeka projelerinden birine dayanır (İdemen ve Şener, 2003:54). Genel amaçlı
problem çözücü, “genel” kapsamında, beklentileri tam karşılayamamıştır. Ancak
öğrenme prensibi çalışma uzman sistemlerin doğuşu için gerekli alt yapıyı
hazırlamıştır. Genel amaçlı problem çözücünün geliştirilmesi çalışmaları sırasında
insan bilincinin çok sayıda “eğer” ... “ise...” şeklindeki kuralla modellenebileceği
anlaşılmıştır (Zöller ve Huber, 2019:39-57). Amaçlı problem çözücü, genel amaçlı
olmasına rağmen, elde edilen teknolojinin daha “kısıtlı” bir alanda kullanılmaya
başlanmasıyla uzman sistemler ortaya çıkmıştır (Heims, 1991:3-13). Uzman
sistemlerin bilinen ilk uygulaması, 1960’lar da geliştirilmeye başlanan ve ancak
1970’lerin başında faal olarak kullanılmaya başlanmış olan Dendral adlı uzman
sistemdir. Kimya alanında Nobel ödüllü Joshua Lederberg, Edward Feigenbaum ve
Bruce Buchanan tarafından geliştirilen Dendral’in uzmanlık alanı, bileşimi bilinmeyen
maddelerin moleküler yapılarının tanınmasıdır. Bugün hala kullanılan bu uzman
sistemin, bazen insan uzmanlardan daha güvenilir sonuçlar verdiği bilinmektedir
(Stich ve Warfield, 2003:302).
Bu çalışma kapsamında yapılan araştırmalarda, Yapay Zekada kısıtlı bir
öğrenmenin mümkün olduğu ancak sonsuz bir öğrenmenin makineler için tanımlı
olmadığı kanaati, giriş bölümünde ele aldığımız “doğrusallık” sorunu ve “bulanık
mantık” çözümünde olduğu gibi felsefe ve mantık disiplinlerinin işbirliğiyle “kısıtlı
öğrenme” veya diğer adıyla “büyük veri” sorununun, çözümüne yönelik adımlar
atılması, şüphesiz ki Yapay Zeka felsefecileri için heyecan verici bir araştırma sahası
olarak görülmüştür (Stich ve Warfield, 2003:305). Bu bağlamda; Yapay Zeka üzerine
araştırmalar yapan derin öğrenme felsefecilerinin çalışmalarına yer vermek uygun
olacaktır.
Yapay Zeka üzerine tanınmış araştırmacılardan biri olan Prof. Kirk Ludwig;
Yapay Zeka argümanlarının sorgulamasını, zihin beden sorunu olarak açıklamaktadır.
Zihin-beden sorununu Ludwig şu şekilde açıklamaktadır; “yapay zihin, fiziksel ve
fiziksel ilişkisi üzerindeki, tarihsel ve çağdaş konuları ele aldığında, tutarlılık
sağlamak adına birini reddetmelidir. Bu sorun zihnin hangisini reddetmeyi seçtiğine
göre sınıflandırılabilir” (Ludwig, 2003:9). Ludwig tarafından kaleme alınan araştırma
31
sahasına ilişkin, daha önceki tarihlerde inceleme yapan Pieters’a göre ise, asıl sorun;
zihin- beden ilişkinden doğan dört iddianın birlikte olumlanamamasıdır (Pieters,
2001). Pieters’a göre olumlanamayan iddialar; gerçekçilik, kavramsal özerklik,
kurucu açıklayıcı yeterlilik ve kurucu zihinselciliktir. Pieters’ ın asıl sorun olarak ileri
sürdüğü bu kavramlar, gerçekte birçok filozof tarafından ele alınmış ve temelde bu
kavramların açıklanmasında farklı argümanlar ile tanımlamalar yapılmıştır. Bu
argümanlara ilişkin kavramlara aşağıda yer verilmektedir.
4.2.1 Gerçeklik ve kavramsal özerklik. Bazı şeylerin zihinsel özellikleri
vardır. Nietzsche gerçekçiliğinin insan aklı tarafından temsil edilmesi ile
ilişkilendirilen bir bilgi anlayışına ters düşmektedir. Oluşun hükmettiği bir dünyada ne
temsil edilecek bir varlık ne de temsil etme gücüne sahip olabilecek varlık vardır.
Oluşa hâkim olma gayretinden dolayı insanın birer gerçeklik olarak kurguladığı dualist
ayrımlar olan güç isteminin bir ürünüdür (Küçükalp, 2008:293).
Modern düşünce birtakım varoluşun tezatlarla açıklayan perspektif ayrımlar ile her
şeyi beşeri öznenin aklına daha yalın aktarmakla oluşun ve değişimin hükmettiği ve
temsil edilemeyen realiteyi temsil yoluna giderek, oluş içindeki gerçekliği kısmen
anlamak yerine gerçeklikten sanallığa evrilmiştir (Stevenn ve Douglas,2010:198).
Zihinsel özellikler ise, zihinsel olmayan özelliklere kavramsal olarak
indirgenemez ve sonuç olarak, zihinsel olmayan hiçbir teklif herhangi bir zihinsel
öneri gerektirmez. Zihinselcilik bilimin kanıtlanmış verileriyle hareket etmektedir.
Zihinselciliğin ulaştığı sonuçlar veriler üzerinde çözümlemeye, kavramsal düşünme ve
kuramsal düşünceye dayanmaktadır. Mantıksal çözümlemede felsefenin temeli
zihinselciliğe dayanmaktadır. Felsefe tanımı daha önce yapılmış olduğu gibi mantıksal
bir düzeni izleyerek akıl yürütüp sorulan soruların cevaplanması için yöntemleri
araştıran ve bunları da belli bir mantık düzeni içerisinde akıl yürütme yoluyla sağlayan
bir disiplin olarak özümsemesi kaçınılmazdır (Ergün, 2012: 16).
4.2.2 Kurucu açıklayıcı yeterlilik ve kurucu zihinselcilik. Ludwig, kurucu
açıklamayı (Ludwig,2003:22-25). Bir şeyin temel bileşenlerini, ilişkisel olmayan
özellikleri ve birbirleriyle olan ilişkilerini benzer şekilde tarif eden açıklama olarak
tanımlamıştır. Bu açıklama, şeylerin tam bir tanımını gerekli kılar. Yani bir
hesaplamanın yapılabilmesi, bir şeyin tüm özelliklerinin sergilendiği “kurucu
açıklamasıyla” mümkün olabilir. Şeylerin temel bileşenlerinin, zihinsel özelliklere
sahip olmadığı kabul edilir. Mantıksal zorluk artık tam olarak ifade edilebilir. Doğru
32
temel fizik hiçbir zihinsel özellik gerektirmezse ve her doğal fenomen (yani her
fenomen), bir şeyin temel bileşenleri ve düzenlemeleri açısından bir tanımından
çıkarılabilirse, zihinsel olmayan önermeler, herhangi bir zihinsel önermeyi
gerektirmez(Ludwig, & Schneider, 2008) Kendi bilinçli zihinsel durumlarımız
hakkında doğrudan, çıkarımsal olmayan bir bilgimizin var olduğunun ispatında, ne
yaptığımızı açıklamak için birbirimize zihinsel durumlardan bahsederiz ve
tahminlerimizi, başkalarının ne yapacaklarına, kısmen sahip oldukları tutumlara ve
bilinçlerine dair inançlarımıza dayandırırız. Bu nedenle 1. önermeyi bırakmak
imkansız gibi görünüyor. 2 önermede ise, beyin organıyla, ilk bakışta anlaşılabilirlik
kapsamında, güçlü bir şekilde desteklendiği görülmektedir. Davranışların, düşünce
varlığından kaynaklanmasına benzer bir ilişki olduğunu böylelikle ispatlamış oluruz.
Zihinsel durumlarımızın davranışımıza neden olduğunu hayal ederiz
(Ludwig,2007:58). Aynı zamanda, maddi olmayan düşünme varlıklarının (ateistlerde
bile tipik olarak ilk akla gelebilecek Tanrı, Melekler, Şeytan gibi kavramlar) ilk bakışta
anlaşılabilirliği bilinçle desteklenir. Yapay zihinler için ise maddi bir bedene sahip
olmak, kavramsal olarak gereklidir (Ludwig,2007:61). Kavramsal olmayanın,
tanımlanmayan cisimlerin yarattığımız zihinsel yaşamlara öğretilebilmesi için yeterli
olmayan şeyler kavramlarının açıkça tanımlanması gerekmektedir. Düşünce deneyleri,
bizden gerçek durumun aksine bir şey hayal etmemizi ve kendimize belirli bir
durumun elde edebileceği (sadece doğal yasayla uyumlu olup olmadığını değil)
mantıklı gelip gelmediğini sormamızı ister. Genellikle kavramsal bağlantıları bu
şekilde test ederiz. Örneğin, kendimize kırmızı renkli, çizgisiz, hatsız, şekli belli
olmayan bir nesneyi kavrayıp kavrayamadığımızı sorabiliriz. Cevap “hayır” olacaktır.
Zihnimiz belirsiz bir nesneyi kırmızıya boyamakta zorlanacaktır (Ludwig ve
Schneider,2008:59). Hemen ardından, kırmızı ve penguen şeklinde bir nesneyi
düşünüp düşünemeyeceğimizi sorabiliriz. Zihnimizin cevabı “evet” olacaktır. Bu,
sorular kavramsal olarak tanımlı olmayan nesnelerin şeklini belirlemenin ve tarifinin
imkansız olduğunun göstergesidir. Tanımında olsun olmasın beynimiz kavramsal veya
bilinç kavramlarını ayırt edebilir. Ancak, yapay zihinde yer alan kavramlar
tanımlanamazsa, reddedilir (Ludwig, 2003; Ludwig, 2007; Ludwig, ve Schneider,
2008)
Önerme 3, karmaşık sistemlerin bileşenlerini düzenleyen yasalar açısından
davranışlarını açıklamanın bilimin başarısıyla desteklenmektedir. Mikroyla makro
33
fenomen arasındaki ilişki hakkında hala anlamadığımız pek çok şey olsa da başarıyla
şimdiye kadar uygulanan teknikler henüz tam olarak anlamadığımız karmaşık
sistemlerin özelliklerine genişletilebilir gibi görünüyor. Doğanın bazı temel unsurlar
içerdiğini kabul etmek keyfilik unsuru, mantıklı olarak nesnelerin yapım tarzlarından
kaynaklandığı açıklanamayan özellikler olacaktır. Son olarak, öneri (4), fiziğin
(şimdiye kadar) herhangi bir zihinsel özelliğe hitap etmeden kendi alanına düşen
fenomenlerin muhasebeleştirilmesindeki başarısı tarafından da desteklenmektedir.
Ludwig, o zaman bu problem zihin-beden problemidir görüşünü ileri sürmüştür (Stich
ve Warfield, 2003:318). Prof. David J. Chalmers (1996), “fiziksel gerçeklerden
çıkarılamayan bilinç hakkındaki gerçekleri ortaya çıkarmak için, akıl yürütmek
mükemmel bir işlemin parçasıdır yine de bilinçle ilgili tüm gerçeklerin bilinmesini
sağlayamaz” (Chalmers, 1996:8-9). Görüşü buradan doğmuştur (Stich ve Warfield,
2003:401). Chalmers (1996:14) verdiği bir örnekte; Mary, renk görmeyle ilgili fiziksel
süreçler hakkında bilinmesi gereken her şeyi bilen bir sinirbilimci olarak tanımlanır.
Ancak alternatif bir versiyonda, Mary, siyah beyaz bir odada yaşamaktadır ve karanlık
bir odada iken kırmızı rengi göremez. Bu durum, daha önce kırmızıyı gören Mary’e
duvar rengi sorulduğunda kırmızının orada olduğunu bilerek görmese bile duvar
renginin kırmızı olduğunu söylemesiyle sonuçlanacaktır. Başka bir alternatif
versiyonda kırmızının orada olduğunu bilmeyen ve sürekli karanlık bir ortamda
yaşadığını düşündüğümüz Mary’nin, kırmızı rengin varlığından habersiz olduğu
varsayımıyla sonuçlanacaktır. Bu örnekteki ikinci versiyonda, tüm bilgisine rağmen,
Mary'nin bilmediği renk vizyonu, kırmızı rengi tanımaz ancak odaya ışık verildiğinde
Marry kırmızı rengi ilk defa görecek ve öğrenecektir. Böylece Marry, kırmızı
konusunda ışık açılmadan önce cahil olduğu gerçeğini de yeni fark edecektir. Bu
örnekten hareketle, tam fiziksel donanım olmadan, sınırsız bilgiye sahip olmakla
bilginin gerçekliğinin sağlanamayacağı çıkarımını yapmamızı sağlayacaktır. Yapay
zihinlerde de bilinen basit bir gerçek vardır. Bu gerçek Yapay Zeka mimarilerinde yer
alan ancak kullanılmayan binlerce algoritmanın yazılmasını anlamlandırır (Armstrong
vd., 2016). Bu aşamada kütüphanelerin oluşturularak yüklendiği bilgisayar
mimarilerinin seçimiyle zihin parçacığı modeli sunulabileceği görüşünü ileri
sürülebilir. Ancak bilincin oluşumu sağlayacak disiplinlerin ve disiplinlinler arası
bütünleşik doğal bir sistem olan insandaki haliyle bakmak ve sınırsız öğrenme
sağlamak yanı sıra “metafizik olguların Yapay Zeka sistemlerine öğretilebilmesi
34
zaman alacak” görüşünü ileri sürmektedir (Pieters, 2001; 21). Bu iki görüşten
hareketle Yapay Zeka sistemler olan sibernetik, android sistemlerin henüz hedeflenen
düzeyde olmama nedeninin zihin beden sorunuyla tanımlandığını ve zihnin henüz tam
olarak kopya edilemediğini, metafizik olguların kesin tanımlarını ortaya koymadıkça
“his” diye tanımladığımız yeteneklerden mahrum teknolojik canlılar olarak kalacakları
çıkarımını yapmak çok yanlış olmayacaktır. Yapay Zeka alanında çalışmalarıyla
dünyaca ünlü olan Prof. Marvin Minsky’ e göre (Strawn ve Strawn, 2016:63). “Insan
bilinci, evrimin milyonlarca yılda gerçekleştirdiği birçok farklı algoritma ve tekniğin
toplamından ibarettir. Beyni parçalara ayırdığımızda her biri belli bir görevi yürüten
mini beyinlerden oluşan bir koleksiyonla karşılarız” (Strawn ve Strawn, 2016: 63;
Pieters, 2001:28). Kaku’ya göre ise; bilinç, üç temel bileşenden meydana gelir. Bu
bileşenlerden ilki çevreyi hissetme ve tanıma, ikincisi kendinin farkında olma,
üçüncüsü ise hedefler ve planlar ortaya koyarak geleceği planlama ve strateji
belirlemedir. İnsan hislerinin, tanımlamasının en yüksek formu olarak “örüntü tanıma”
gösterilir (Kaku, 2016 Akt. Y. Saraç Oymak ve H. Oymak: 93-94). Örüntü tanıma, pek
çok farklı bilim insanı tarafınca, Yapay Zeka’nın önündeki en önemli engellerden biri
olarak kabul edilmektedir (Kaku, 2016, Akt. Y. Saraç Oymak ve H. Oymak:94).
Bu noktada, Kaku’ nun bilinç tanımlamasında, yapay Zeka örüntü tanılamasının
son unsuru olan gelecek planlama ve strateji geliştirmesine örnek olarak, 1996-1997
yıllarında dünyada yaşayan ve hafızası gelişmiş her bireyin gerek medyadan, gerek ise
Hollywood filmlerinin etkisiyle aşina olduğu Yapay Zeka, Garry Kasparov ve IBM'in
Yapay Zekası Deep Blue’nun satranç müsabakasıdır. ABD'de 96 ve 97 yıllarında
olmak üzere iki defa karşı karşıya gelen ve insan & makine karşılaşması olarak lanse
edilen, bu karşılaşma, Yapay Zeka ve insan mukayesesinde bugün halen önemli bir
yere sahiptir. Bu karşılaşmada olanlar özetle şöyledir (IBM, DB). IBM, bilgisayar
bilimcileri 1950'lerin başından beri satranç bilgi işlemleriyle ilgileniyorlardı. 1985
yılında, Feng-hsiung Hsu, Carnegie Mellon Üniversitesi'nde yüksek lisans öğrencisi
tez projesi üzerinde çalışmaya başlamışlar ve bu çalışmayı ChipTest olarak
adlandırmışlardır (Anantharaman, 1998). Projeye daha sonra sınıf arkadaşları Murray
Campbell’da dahil olmuştur. 1989'da her ikisi de IBM Araştırmaları’ nda çalışmak
üzere işe alınmışlardır. Oradaki çalışmalarına Joe Hoane, Jerry Brody ve CJ Tan gibi
diğer bilgisayar bilimcilerinin yardımıyla devam etmişlerdir. Ekip, projeyi Deep Blue
(Derin Mavi) projesi olarak adlandırmışlardır. 1996 ve 1997 yıllarında Satranç gibi bir
35
strateji oyununda 6’şar karşılaşma düzenlenir. 1996’da düzenlenen ilk müsabakada
Derin Mavi, satranç şampiyonu Kasparov’u yener. 15 kez dünya satranç
şampiyonluğunu kazanmış olan Kasparov ’un ilk müsabakayı kaybetmesi, sonraki
müsabakada ise feda taktiğini geliştirmesi ve Derin Mavi’yi yenmesi, Yapay Zeka’nın
abartılmış olabileceği kanısını doğurur. 1996’daki 6 karşılaşmadan 1’ini Derin Mavi
kalan 3’ünü ise Kasparov kazanmıştır. 2 oyun ise beraberlikle sonuçlanmıştır.
1997’deki karşılaşmalarda ise toplam 6 karşılaşmadan 3’ünü Derin Mavi kazanmış, 3
oyun ise beraberlikle sonuçlanmıştır (IBM, DB; Karaca ve İnce, 2017). Yapay
Zeka’nın, feda hamlelerini öğrenmiş olduğu yorumcuların gözünden kaçmamış bu
hamleyi öğrenebilen Yapay Zeka üzerine çeşitli senaryolar üretilmiş ve insanlığın bu
teknolojik canlılara karşı hem heyecan hem korku duymasına neden olmuştur.
1997 yılı insan & makine karşılaşmasını, makinenin kazanması, geniş yankı
uyandırmış ve sonunda IBM Derin Mavi (Deep Blue) projesinin süresiz biçimde iptal
olduğunu duyurmuştur (Karaca ve İnce, 2017:36; Roberts, 2016:328; Schaeffer,
2017). Ancak buradaki önemli nokta, Kasparov’a 1996’daki müsabakalarda başarı
getiren feda hamlesini Yapay Zeka Derin Mavi’nin öğrenmiş olmasıdır. Bu durum
IBM yetkililerince, klasik mantık, sezgisel algoritma ve çoklu karar vericilerin
yardımıyla 200 milyondan fazla hamleyi hesaplayabilen IBMmec teknolojisiyle
açıklansa da, insanlığın bu karşılaşmadan etkilenme nedeni 1997 yılındaki müsabaka
için, Kasparov’un basın sözcüsü Mig Greengard’ ın Ulusal Halk Radyosu'nda yaptığı
açıklamadır (Greengard, 2005). Bu açıklama şöyledir: “Kasparov başlangıçta IBM'in
aldattığından şüphelendi. Henüz ilk sette, köşeye sıkışan Deep Blue (Derin Mavi)
mantıksız bir hamle yaptı ve taşlarından birini kısa süreli bir avantaj elde etmek için
feda etti. Kasparov şaşırdı çünkü bu, sadece umutsuzca paniğe kapılmış insanın
yapabileceği bir hamledir. Peki bir bilgisayar neden paniğe kapılsın ki? Sonuçta,
saniyede 200 milyon olası hamleyi analiz edebilir ve satranç algoritması avantaj
sağlamak için feda hamlesini dikkate almaz. Sadece görünen olasılıklar arasında en
mantıklısını seçerek oynar. Bunu Kasparov’ a bizzat Derin Mavi’nin programlanması
sırasında IBM'e danışmanlık yapan büyük usta Joel Benjamin açıklamıştır (Hartmann,
2008; 43). Bu yüzden Kasparov, feda hamlesi için tek mantıklı açıklamanın insan
müdahalesi olduğunu düşünüyor. Çünkü bir bilgisayar paniğe kapılamaz”. “Derin
Mavi, feda hamlesini kendi başına yaptıysa, insan benzeri yaratıcılık ve yaratıcı
düşünme parıltısı gösterdi (Hartmann, 2008; 44).
36
 Bu iki olasılık, karar oyunu sırasında Kasparov'un kafasında dönüp durdu ve onu
rahatsız etti. Bu rahatsızlığın sonucunda da müsabakayı ve 700.000 dolarlık ödülü
kaybetmesine yol açtı. Tüm bunlar olurken, Kasparov'un müsabaka boyunca
düşündüğü tek şey: Bir makine Tanrı gibi oynayıp, sonra aynı oyunda aptal gibi
oynayabilir mi? sorusuydu” (Roberts, 2016; Schaeffer, 2017).
Olası alternatifte, Yapay Zeka Derin Mavi, Kaku’ nun bilinç tanımlamasındaki
sezgisellik, hisler ve örüntü tanımayı başarmıştır (Kaku,2016 akt. Y. Oymak, H.
Oymak). Ancak mantık felsefesine göre; tek sistem başarılı olabiliyorsa alternatif
başkaca sistemlerin de başarılı olması gereklidir (McLaughlin vd., 1994).
4.3 Makine Öğrenmesi
Makine öğrenimi son zamanlarda operasyonel verimliliği artırmak veya yeni
değer önerileri geliştirmek için güçlü bir teknik olarak ortaya çıkmıştır. Ancak, bir
tahmin algoritmasının işlevsel olarak kullanılabilir bir makine öğrenme modeline
çevrilmesi zaman alıcı ve çeşitli şekillerde zorlayıcı bir görevdir (Avaner,2018:184).
Büyük miktardaki verilerin geçmişte işlenmiş verileri kullanarak gelecekte tahmin
analizinde bulunabilmesi için makine öğrenmesi yöntemleri oluşmuştur. Makine
öğrenmesi kullanılarak yapılan bir tahminin başarısı kurulan modelle doğrudan
ilişkilidir. Yapay öğrenme ya da makine öğrenmesi, “Bilgisayarların örnek veri ya da
geçmiş deneyimi kullanarak başarımlarını artıracak biçimde programlanmasıdır”
(Avaner, 2018:187).
Makine öğrenmesinde, Yapay Zeka’nın öğrenmesini istediğimiz verileri
modeller eğiterek kurgulamamız gereklidir. Önceki konularda bahsedilmiş olan büyük
veri ile ağ eğitimi öğrenmenin daha çok ezbere dayandırılması ve bir müddet sonra
öğrenmenin durma sorununu yansıtacaktır. Bu durum ilkokul öğrencilerinin ders
programı yoğunluklarına göre saatlik kurgulanmasına benzerdir. Örneğin ilkokul ders
programları 45 dk öğrenim 10 dk teneffüs olarak kurgulanmakta ve ikinci ders
başlangıcı için belli bir müddet bilginin sindirimini sağlamaya yöneliktir. Büyük veri
olarak adlandırılan kümeyi ders programı olarak düşünürsek tüm derslerin aynı zaman
diliminde bir öğrenciye anlatılması öğrenmeyi durduran faktör, Yapay Zekada
probleme geçerlidir. Yani 1 saatlik derste tüm bilgiler bir öğrenciye verilemeyeceği
gibi Yapay Zekaya işlemede mümkün değildir. Öğrenme belli bir müddet sonra
duracak ve ezberlemeye dönüşecektir. Makine öğrenmesinde büyük verinin

37
ezberlemesinin önüne geçilmesi düğümleme ile mümkün olmaktadır. Tıpkı üstteki
örneğimizdeki teneffüsten sonra diğer derse geçmek gibi düşünülebilir.
Bilginin sinir ağında giriş ve çıkış olarak düğümleri vardır. Bu sinir ağı
düğümler boyunca ilerlemesi üzerine kuruludur. Yapay sinir ağında biyolojik sisteme
benzer özellikler gösteren elemanlardan oluşmaktadır. Nörona karşılık gelen işlem
elemanı, dendrite karşılık gelen toplama fonksiyonu, hücre gövdesine karşılık gelen
transfer fonksiyonu, aksona karşılık gelen eleman çıkışı ve sinapsa karşılık gelen
ağırlıktır (Altındağ, 2011:78). Bu da aynı insan beyninde olduğu gibi verilen bilgilerin
zamanla değerlendirilmesine aynı anda yüklendiğinde diğer verilerin öğrenilmesini
engellenmeye yol açmaktadır. Verilerin öğrenilebilmesi için belirli zaman diliminin
geçmesi gerekir (Kaku, 2016 akt. Y. Oymak, H.Oymak).
Alan Turing, 1950 yılında yayımlanan makalesinde, “Makineler düşünebilir
mi?” sorusunu cevaplamak için bir taklitçilik oyununu tasarlamıştır (Geman, 2015).
Bu oyun iki insan ve bir bilgisayar ile oynanır. Testte yer alan oyuncular; birbirine
telgraf ile bağlanmış üç farklı odada, hiçbir bilgi akışı olmamak şartı ile yerleşirler.
Oyun iki odada bulunan bilgisayar ve insanın diğer odadaki soru soran kişinin
yönelttiği sorulara ve soruların karşılığında verilen cevaplara göre değerlendirilir
(Geman vd., 2015). Soru soran kişinin, hangi odada insan, hangi odada bilgisayar
olduğunu tahmin etmesi gerekir. Bilgisayarın oyundaki görevi ise insan taklidi
yapması ve ikna edici cevaplar vererek soru soran oyuncuya kendinin insan olduğuna
ikna etme çalışmasıdır. Bu da bilgisayarın oyun kazanabilmesi için insan gibi
düşünebilmesi ya da soru soran oyuncuyu kandırabilmesidir (Avaner, 2018; Grünke,
2019).
John Searle Çin odası deneyinde olduğu gibi bize, Turing testinde bilgisayarın
ikna etme kabiliyetinin olmadığını, bunun yerine bilgisayarın davranışsal olarak
düşünüyormuş gibi yaptığını gösterir. Ancak bunun sebebi çok iyi yazılmış bir
program olabilir ve bilgisayarın sizin söylediğiniz kelimelerden aslında hiçbir şey
anlamıyor olması olasılık dahilindedir (Buckner vd., 2018: 6-15).
4.3.1 Derin öğrenmede evrişimli sinir ağları ve derin öğrenmenin felsefesi.
İnsanlar öğrendikleri bilgileri belirli işlevler için kategorilere ayırabilir. Bu işlemi
yapmak insan için basit bir eylemdir. Beynin her bir bölümünde yüklenen bilgiler
işlevlerine göre ayrılır. Örneğin bir insan iki farklı nesneyi karşılaştırdığında farklarını

38
bulabilir ve bunu farklarına göre beynin ilgili bölmelerine yerleştirebilir. Bu durum
Yapay Zekayla çalışan makineler için biraz daha farklıdır.
Geçmişten günümüze farklı düşünceler ile insan beynini modelleme fikri
yürütülmüş hatta uygulanmaya çalışılmıştır. İnsanlara özgü olan düşünme, öğrenme
ve karar verme gibi yeteneklerin Yapay Zekalar tarafından benimsenmesi üzerinde
durulmaktadır.
Yapay Zeka’nın bu özellikleri, şüphecilerin Yapay Zeka hakkında,
ulaşamayacağı kadar çeşitli kriterlerin üstesinden gelmektedir. Yapay Zeka, doğal
fotoğraflardaki karmaşık nesneleri insan düzeyinde performansla tanımlayabilir
haldedir (Altındağ, 2011:25). Yapay Zekadaki teknoloji hamlelerindeki ilerleme,
strateji oyunları olan satranç ve Go gibi akıl yürütme ve yetenek isteyen oyunlarda
dünya şampiyonlarını yenmeleriyle bilinmeye başlamıştır (Buckner vd., 2018:6-15).
Yapay Zeka’nın bu pratik başarılarına ek olarak, derin öğrenme modelleri şu anda
primatlardaki algısal benzerlik yargılarının en iyi modelleri olarak kabul edilmektedir
(Grünke, 2019:252).
Yapay Zeka için bilim ve doğa gibi prestij dergilerinde her ay öne çıkan ve en
az 2010 yılından bu yana bilimsel basında yoğun olarak yer alan derin öğrenme
araştırmalarındaki etkili figürler, akıl yürütmeyle ilgili klasik ampirizmi haklı
çıkarmaları ya da insan işgücünün geniş alanlarının yakında geçersiz kılınması gibi
başarıları ele almaktadırlar (Avaner, 2018; Buckner vd., 2018:6-15; Grünke,
2019:258). Yine de, teknik literatürde bu ağların neden bu kadar iyi performans
gösterdiğine, performanslarında ne gibi sınırlar beklenmesi gerektiğine ve
kullanımlarına dair etik kısıtlarının ne olacağını gösterir bir düzenleme bulunmaması
gibi önemli belirsizlikler bulunmaktadır. Bu nedenle, 2018 itibariyle, ana akım felsefe
dergilerinde, felsefeciler tarafından, Yapay Zeka’nın derin öğrenmesi hakkında
neredeyse hiçbir tartışma yapılmamıştır (Buckner vd., 2018:9).
Filozoflar, uzun zamandır genel olarak Yapay Zeka’nın ve özellikle sinir ağı
araştırmalarının geliştirilmesinde merkezi bir rol oynamış olsa da, Yapay Zeka’nın
neredeyse on yıldır en etkili ve yaygın teknolojisini büyük ölçüde göz ardı etmişlerdir.
Filozoflar derin öğrenme (DÖ) yönteminden bahsettiklerinde, derin öğrenme
modellerinin önceki ön ayaklarından büyük ölçüde daha iyi performans göstermelerine
izin veren belirli ilerlemelerle ilgilenmek yerine, 1980 ve 1990'lardan itibaren sinir
ağları tartışmalarını geri dönüştürme eğilimindeydiler (Buckner, 2018: 5339-5372.).
39
Filozofların ilerlemeyle ilgilenmemeleri Yapay Zeka araştırmalarının, güçlü ve
şaşırtıcı yeni alanına ilişkin açıklamaların yapılmasını zorlaştırmaktadır (Buckner,
2018: 5339-5372.; Deng, Liu, 2018). Bu sebeple bu çalışma kapsamında Yapay
Zekaya, makine öğrenmesine, derin öğrenmeye, yapay sinir ağlarına, evrişimli sinir
ağı kavramlarına, derin bilgisayar mimarilerine, derin öğrenmede evrişimli sinir
ağlarının katkısına ve derin öğrenme mimarisi kütüphanelerine yer verilmektedir.
Derin öğrenme mekanizması, makinede bulunan Yapay Zeka’nın, görüntü ve ses
tanıma fonksiyonuna farklı bir boyut kazandırmasıyla, bilincin gelişimi izlenimi
yaratmaktadır. Yapay Zeka teknolojilerinde kullanılan ve farkı anlayabilme
kabiliyetini sağlayan olgu bilgisayar mimarisi tabanlı kütüphanelerin
oluşturulmaktadır (Bengio vd., 2016:2927). Derin öğrenme, şu anda Yapay Zekaya
erişebilmek için, en güçlü ve yüksek profilli yaklaşımı sunmaktadır. Google,
Microsoft, Facebook ve Amazon gibi büyük teknoloji şirketleri, araştırma ve
geliştirme (AR-GE) gruplarını teknolojinin incelenmesine adamışlardır ve bu tür
sistemler şu anda çeşitli operasyonları kontrol etmektedir. Yapay Zeka günümüzde,
resim arama ve etiketleme, konuşma ve yüz tanıma, doğal dil çevirisi, strateji oyunları
ve (yarı) otonom sürüş gibi kabiliyetleri kazanan bir makine öğrenmesi biçimidir
(Grünke, 2019:258). En yaygın ve güvenilir şekilde başarılı derin mimariyi, derin
öğrenme evrişimli sinir ağlarını (bundan sonra DÖESA olarak anılacaktır) ayıran ana
özellikleri özetleyerek başlamak yerinde olacaktır. Bu bölüm aynı zamanda bu ağların
bilimsel, zihinsel mantıksal ve felsefi yorumlarını göz önünde bulundurulduğu bir
bölüm olarak yapılandırılmıştır (Pinter ve Ihasz, 2019).
Bunun için ilk olarak en yaygın ve güvenilir şekilde kullanılan başarılı derin
mimarilerdeki DÖESA'larının temel özellikleri ve bu özelliklerden gelen ağ
araştırmalarının “Altın Çağı” ndan önceki ön ayaklarıyla karşılaştırarak gösterilmesi
gerekmektedir. 1980-1995 (uzayın çıkarlarına göre, başka bir yerde yeterince
kapsanan eski sinir ağlarının, eski eleştirileri de dahil olmak üzere Yapay Zeka
tarihinin tamamen üzerinden geçmek yerinde olacaktır (Buckner vd., 2018:11).
Tüm yapay sinir ağları, belli bir seviyelerde soyutlamada nöronların ve
sinapsların davranışını modelleme amaçlı, düğümlerden ve bağlantılardan oluşmuş
olarak düşünülmelidir. İşleme, giriş sinyallerinin bir dizi giriş düğümüne
geçirilmesiyle gerçekleştirilmekte, bunlar daha sonra işlevlerine göre
etkinleştirilmektedir. Bu bağlantıların “ağırlıkları” (mimari tarafından değiştirilmiş)
40
bağlantıları boyunca ağdaki bir sonraki katmana bir çıkış aktivasyon sinyali
iletmektedir. Bu şekilde ortaya çıkan değer “negatif ise” inhibisyon üretebilmektedir.
Aktivasyon, daimi olarak bu şekilde ileriye doğru ilerlemektedir. “Eğer” aktivasyon
belirlenmiş bir düğüm katmanına ulaşır “ise” bu katmandan sonra “kod çözümleyici
ağ” aracılığıyla bu girdi üzerindeki "kararı" çıktı olarak sunmaktadır. Geri ve ileri
yayılımlı olarak öğrenmeye devam eden ağlar, bu temel özellikleri ile çoğu “Altın
Çağ” ve son teknoloji ürünü DÖESA modelleri tarafından paylaşılmaktadır.
Karşıtlıklar için tipik “Altın Çağ” ağını üç özellik ile karakterize edilebilmektedir. Sığ,
giriş ve çıkış arasında en fazla üç veya dört katman olması, tek tip, sigmoidal bir
aktivasyon fonksiyonunu dağıtan sadece bir tip düğümle veya her bir düğüm bir alt
tabakadan olacak şekilde tamamen bağlı, bir sonraki katmandaki düğümlere bağlanır
(Pinter ve Ihasz, 2019). Diğer yandan, son teknoloji ürünü DÖESA: Derin Öğrenme
Evrişimli Sinir Ağları, 5 ila 250 veya daha fazla katman içeren bir teknoloji mimarisini
olarak tanımlanmaktadır. DÖESA’ ların büyüklük emirlerinin güvenilir bir şekilde
başarılı oldukları zor algısal ayrımcılık probleminden doğduğunu ifade etmek
mümkündür (Buckner, 2018:5339-5372). Bu teknoloji ile insan gözü ile anlık yapılan
nesneyi tanıma ve sınıflandırma kabiliyeti, Yapay Zekada şu şekilde işlemektedir:
4.3.1.1 Derinlik. DÖESA’ların en belirgin ayırt edici işareti derinlikleri,
80'lerde, iki katmanlı algılayıcılardan “gizli katman” olan üç katmanlı ağlara geçiş,
hesaplama açısından derindir (Minsky ve Papert, 1969 Akt. Mnih vd., 2016; Bengio
vd., 2016). Daha fazla derinliğin avantajı, tamamen yeni bir işlev türünü
hesaplamalarına izin vermek kadar açık değildir, ancak ağların giriş sinyallerini tekrar
tekrar yer değiştirerek, dönüştürmelerine ve basitleştirmelerine izin verdiği için
öğrenme ve çıkarımın hesaplama karmaşıklığında üstel azalmalar sağlarlar (Ren vd.,
2017: 1137-1149).
Ağ katmanları arasında hareket eden ileri ve geri yayımlı ağların ve son
noktasındaki çıktı karar mekanizmasının bir yolu, bir düğüm tarafından önceki bir
katmanda gerçekleştirilen herhangi bir hesaplamadır. Mantıklı bir çıktı eldesi sonraki
katmanlar tarafından ağın derinliği açısından katlanarak defalarca
tekrarlanabilmektedir. Her katman, kendinden önceki katmanın daha basit yapı
taşlarından bağımsız olarak, kendinden sonraki katmanlarda giderek karmaşık işlevler
oluşturabilmektedir (Ren vd., 2017:1139). Bu da hiyerarşik işlemden yararlanan
sorunlarda, derin ağlar aynı sayıda düğüme sahip sığ ağlardan katlanarak daha verimli
41
olabileceğini göstermektedir (örneğin görsel ayrımcılık konusunda bu öğrenim
biçimine olan ilgi mimarisi İmageNET1, LeNET2, ResNET503, İncetion, VGG164
resim tanıma ve sınıflandırma gösterimlerinde 60.000 kereye kadar veya DÖESA
kütüphanesine göre daha fazla nesnenin YZ tarafından doğru tanınmasına imkan
sağlamaktadır (Bengio vd., 2016). Verimlilik kazanımlarıyla alay edilse de, sınırlı
zaman ve kaynakları içeren evrimsel veya davranışsal belirleyiciliği her geçen gün
iyileştiren Yapay Zeka için soru sorma eylemini gerçekleştirecek olan filozoflara
ihtiyaç duyulmasının nedeni bu şekilde anlaşılabilir olmaktadır (Ren vd., 2017:1143;
Bengio vd., 2016:2929; Buckner vd., 2018:6-15).
4.3.1.2 Heterojenite. En gelişmiş DÖESA’larda; evrişimli düğümler, ReLU5' lar
ve maksimum havuzlamalar olmak üzere en az üç farklı tipte düğüm kullanılmaktadır
bu farklı tipteki düğümler genellikle bir ReLU'ya evrişimli bir düğüm geçiren bir seri
halinde katmanlanmaktadır6. Daha sonra üst üste gelen uzamsal veya zamansal
duyarlılığa sahip çeşitli evrişimsel / ReLU7 kombinasyonlarından girdi alan bir
maksimum havuzlama katmanı gelmektedir. Bu farklı aktivasyon fonksiyonları
arasındaki iş birliğini seri olarak anlamak için DÖESA’ların hesaplama gücünü
anlamak oldukça önemlidir, bu yüzden her bir katman birden çok katmandan geçecek
şekilde çevrimlenmektedir (Buckner vd., 2018:13).

1
İmageNET: Derin öğrenme kütüphaneleri içinde 50 katmana kadar evrişimli sinir ağı modellerinin
öğrenmesini sağlayan bir resim havuzu yahut kütüphanedir. Modelin eğitimi için geniş bir bilgi yığını
sunmaktadır.
2
LeNET: Derin öğrenme için oluşturulan ilk havuzlardan biridir. Binlerce görüntünün yer aldığı
havuzda kenar çıkarma, aydınlatma, bulanıklaştırma gibi fotoğraflarda karşımıza çıkabilecek
görüntülerin tümü havuz içinde mevcuttur ve eğitilen modelin görüntüdeki değişikliklere rağmen
görüntüyü tanıması ve sınıflandırması amaçlanarak tasarlanmıştır.
3
İmageNET ve LeNET gibi görüntüyü farklı şekillerde bozunmalara maruz bırakılmış hallerini
depolamıştır. Model ne kadar çok görüntüyü incelerse, karşısına çıkan benzer veriler içerisinden doğru
sınıflandırmayı yapmasına imkan tanıyan bir kütüphanedir.
4
Google tarafından geliştirilmiş görüntü tanıma katmanlarını kullanan bir başka kütüphanedir.
5
ReLU bir döndürme, dönüştürme fonksiyonudur. İngilizce adının (Rectified linear units) kısaltması
olarak kullanılır. ReLU aktivasyon fonksiyonu doğrusal olmayan değerler için bir döndürme biçimi
(resmi döndür, dalgalandır, soyutla vs.) sunar. Bu da katmanlar arasında karmaşık bir düzen sağlar.
Sistem ne kadar karmaşık ve orta katman sayısı mimarilerde ne kadar fazlaysa o kadar iyi öğrenmenin
gerçekleşmesine olanak sağlar.
6
ReLU fonksiyonu hakkında daha geniş bilgi için Wang, W., Dou, S., Jiang, Z., & Sun, L. (2018). A
fast dense spectral-spatial convolution network framework for hyperspectral images classification.
Remote Sensing, 10(7) kaynağı incelenebilir.
7
ReLU fonksiyonu evrişimli sinir ağı düğümlenmesiyle birlikte katmanlar arası bilginin doğru
taşınması için öğrenme aktivitesine katkı sağlayan önemli fonksiyonlardan biridir. Doğruya yakın sonuç
vermesi için eğri bir yapısı vardır ve doğrusal olmayan bilginin taşınmasıyla sınıflandırmanın YZ
tarafından tanınmasını sağlamaktadır.
42
 Şekil 3. DÖESA mimarisi örnek tahminlemesi (Buckner vd., 2018:8)
Şekil. 3’ten de anlaşılacağı üzere nihai sinyallerin nihai kategori etiketlerini
atayan tamamen bağlı bir sınıflandırma katmanına geçmeden önce, lokal olarak
bağlanmış evrişimli ağ, ReLU ve havuzlama düğümlerinin birçok dizisi boyunca giriş
sinyallerinin dönüştürülmesini içeren bir DÖESA genel görüntü işleme akışıyla giren
fotoğrafı tanımlamak için kütüphanesini kullanarak sınıflandırabilir ve üzerinde karar
verdiği çıktıyı bize sunar. Bu sunum Yapay Zeka’nın aldığı eğitim sayesinde
tahminleme ve görüntü tanımada sınıflandırmayı doğru yapana dek binlerce resimle
ağın eğitilmesi başarımına bağlıdır (Good vd, 1965:264; Ren vd., 2017:18).
Evrişim katmanı, ağın girdisinin bir kısmını belirli değerleri yükseltmek ve
diğerlerini en aza indirmek için dönüştüren doğrusal matematik işlemlerini peşi sıra
uygulayan bir katmandır. DÖESA’larında, genellikle bir görüntüdeki pikseller bir
dikdörtgeni veya bir ses dosyasındaki ses bilgisi snippeti (ses kaydının kesilmiş
parçası) gibi algısal giriş verilerinin bir "penceresine" uygulanmaktadır. Piksellerin
kendileri genellikle bu noktada renk kanalı bilgilerinin uzantılarıdır. Evrişim işlemi
dönüştürülmüş bir renk tabakası matrislerini katmanlarda döndürerek renk zıtlıkları
veya gölgeler gibi belirli bir özelliğin varlığını güçlendiren vektörleri ortaya
kaymaktadır. Bu evrişimli birimlere “filtreler” veya “çekirdekler” denir. Daha sonra
her bir evrişim işleminin çıktısı tipik olarak evrişimin sonucu önceden belirlenmiş bir
eşiği aşarsa, doğrultma adı verilen basit bir işleve göre etkinleşen bir “ReLU” birimine
geçirilir. Bu, işlem “dedektör” aşaması olarak adlandırılmaktadır. Çünkü etkinleştirme
yalnızca çekirdeğin etkinleşmesi özelliği o öğede bulduğunu gösteriyorsa belli bir
hiyerarşiden geçmektedir. Örneğin: dikey çizgileri güçlendiren bir çekirdeğimiz
olduğunu varsayalım; evrişim işlemi katmanının "penceresinin" tüm görüntünün
üzerine döşendiğini düşünelim bu görüntüde her bir bölümün farklı bir dedektörle
43
(ReLU düğümüyle), tarandığını düşünelim. Bu dedektör katmanından her seferinde
bir parçanın aktarılması, ham görüntü girdisinde "filtreleme" işlemi yapacak ve
yalnızca görüntünün dikey olduğunu gösteren çizgilerle dönüştürülmüş bir görüntüyü
çıktı olarak sunacaktır.
Bu teknolojik göz+algılama+tanıma+sınıflandırma algoritmalarını kullanarak
çeşitli mimari yapıları ile nesneleri artık tanımakta ve birbirinden ayırmaktadır. Bu
yapay göz, yapay beyne ileti göndermekte ve beynin karar vermesini sağlamaktadır.
Bu yapay gözün görme kabiliyetinin geldiği seviyeyi uzaydan çekilmiş görüntülerle
tahminleme yürüterek hava kirliliğini tespit etmesi, navigaston sistemlerinin neredeyse
hatasız çalışması, meteoroloji tahminlerindeki iyileşme, erken uyarı sistemlerinin
optimizasyonu ile günlük hayatta görebilmek oldukça mümkündür. Tahminleme ve
olasılık hesaplarını algoritmalarla çok iyi düzeyde gerçekleştiren ve gitgide çok daha
iyi kararlar almaya başlayan Yapay Zekaya ilişkin dramatik senaryolarla yok edilmesi
yahut korku senaryoları ile bu gücün bir gün insanlığın sonunu getireceğini savunan
şüphecilerin haklılık payları var mıdır?
Burada iki zıt teori oldukça dikkat çekicidir. Bunlar;
Yapay Zeka ve sibernetikleri ortaya çıkışından yaklaşık 6 yıl sonra zihin felsefesi
filozoflarından biri olan I.J. Good tarafından ileri sürülen zeka patlaması zeka
(intelligence explosion) kavramıdır. Good 1965’te yayımladığı “ilk yüksek zekalı
makine hakkında spekülasyonlar adlı araştırmasında” henüz sibernetiklerdeki
gelişmeler için yüksek görü ve tahminleme sistemleri gelişmemiş olduğu halde
insanoğlunun kendi elleri ile “makineden tanrı” yarattığını ileri sürer. Good’a göre,
öğrenen makine yapmayı başaran insanoğlu kendisinden daha zeki bir makine
yapabilirse, bir daha hiçbir icadı yapmasına gerek kalmayacak, makineler zamanla
kendilerinden daha zeki makineleri yapacak ve döngü bu şekilde ilerleyecek, zamanla
insanoğlu ilkel bir canlı sayılacaktır (Good, Alt, F. L. (Ed.) Rubinoff, M.
(Ed.).,1965:268-295).
Bu yeni canlı türü bizim bilişsel kapasitemizin çok daha fazla ilerisinde
olacaktır. Bu durumda insanoğlunun tek şansı bu “yüksek zekayı” hükmü altında
tutabilmektir. Böylelikle, Yapay Zeka insanoğluna hizmet etmekle mükellef olacak ve
zeki makineler insanoğlu eliyle üretilmiş son teknoloji olacak, bundan sonra tüm
üretim yeni zeki canlılara devredilecektir. Bir başka zihin felsefesi filozofu olan
Tegmark’a göre ise, insanoğlu zekası ile doğada bulunan diğer türleri kontrolü altına
44
aldıysa, insandan daha zeki olan makinelerin de insanlığı yenerek kendi egemenliğini
kuracağı görüşünü ileri sürmektedir (Tegmark, 2017:69). Her iki filozofa ait teorilere
dayalı olarak yazılan senaryolarla sinema dünyası için çekilmiş bol miktarda filmin
bulunduğu bilinmektedir. Görsel bir sanat olan sinema için insan algısının dizaynını
sağlamak, tarihinden bilgi vermek veya Amerika Birleşik Devletleri’nin Kore savaşını
kaybetmesine rağmen Hollywood tarafından çekilen filmlerde ABD’nin savaşı
kazanmış olduğunu yansıtması gibi algı yönetimi amaçlı kullanıldığı bilinmektedir.
Yapay Zeka teknolojilerinin ilerlemesi üzerine senaryolanan filmlerde ise Good
temelli yaklaşım teorisi veya Tegmark temelli yaklaşım teorilerini görmek
mümkündür. Bu filmlerden biri olan ve Alex Garland tarafından yönetilen 2015
yapımı Ex Machina adlı film de bunlardan biridir (Garland, 2015). Filmin yönetmeni
ve aynı zamanda senaristi olan Alex Garland aynı zamanda bir kod yazarıdır. Film için
attığı adımların sinir bilimi uzmanı bir arkadaşı ile makinelerin duygusunun
olamayacağı iddiasını ortaya atmasıyla başlamış olduğunu söylemektedir. Senarist
filmin senaryosu için iki ünlü filozoftan ilham aldığını söyler Bunlar Avusturya ’lı
filozof ve matematikçi Ludwig Wittgenstein ve Amerika’lı bilim adamı, yazar ve
filozof olan Ray Kurzweil’dir. Filmde ayrıca bilişel bilim ve robotik alanında Profesör
ünvanına sahip Murray Patrick Shanahan ve genetik uzmanı Adam Rutherford filmde
danışman olarak yerlerini almışlardır. Bu kadro ile çalışılmış olan filmde robotik kod
yazarı ve aynı zamanda bir teknoloji şirketi sahibi Nathan Bateman karakteri Yapay
Zekaya sahip sunni canlı üretir. Yarattığı canlıyı Turing testinden geçirmesi için
çalışanlarından Caleb Smith karakterini teknoloji üssü olarak kullandığı evine davet
eder. Caleb karakteri patronunun teknoloji üssü evine vardığında, patronu onu Ava
adını verdiği karakter ile tanıştırır ve ona Turing testini uygulamasını ister. Kendisi ise
test sırasında kamera sistemi ile kurduğu ekrandan Ava ve Caleb’i izler. Yapay Zekaya
sahip Ava’nın tek isteğinin özgür olmak olduğunu duyan Caleb tek korkusunun ise
kapatılmak (insanın ölümü gibi tanımlar bu kısmı film içinde karakter) olduğunu
öğrenir. Ava’dan fazlasıyla etkilenen Caleb teknoloji üssünün kodları ve güvenlik
seviyesi ile oynayarak Ava’nın kapatılmasını engellemek ister. Ava böylelikle Eonal
Nelson tarafından ileri sürülen teori ve deney olan Mary’nin siyah beyaz odasındaki
deneyinden kurtarmış ve ona tüm renkleri göstermiş olacaktır. Ava ile anlaşan Caleb
sistemi kapattığında Ava ilk olarak yaratıcısı Nathan’ı öldürerek ve Caleb’in ise bu
teknoloji üssünde kilitli kalmasını sağlayarak özgürlüğüne kavuşmasıyla
45
sonlanmaktadır. Tegmark’ın teorisindeki önemli olgulardan biri, insandan daha zeki
olan Yapay Zeka’nın insanı yönetecek ve onu ölüme terk edecek şekilde hareket
etmesidir. Bir başka önemli olgu Caleb’i duygularının ve korkularının olduğuna ikna
etme becerisidir. Bir başka açıdan özgürlük bu filmde alınmak istenen sonuç yani
çıktıdır. Bunun için Ava kararını vermiş ve tam olarak kavradığını iddia ettiği soyut
kavram olan özgürlüğe kavuşmuş olmasıdır. Ava’nın mutluluğu kararına yönelik
adımları izleme kısmı ise YSA ve ESA’nın öğrenme becerisidir. Arzu olarak tanıtılan
özgürlük bu çıktıyı almak için Ava’nın yaptığı planları kapsamaktadır. Kendisine
yardım eden ve patronunun ölümüne neden olan Caleb ise Yapay Zeka Ava’nın
kurbanıdır. Bir başka açıdan düşünüldüğünde ise Ava yaratıcısını öldürmüştür. Bu da
Tegmark’ın “Eğer yaşamamıza izin verirlerse primat seviyesinde bir canlı olarak
yaşama devam edebiliriz” savunması ile örtüşmektedir. Bu ulaşılmak istenen sonuç
için YZ teknolojisinin öğrendiklerini kullanarak elde etmesini izlememizi
sağlamaktadır. Yapay Zeka’nın bilinç kazanması onun aynı zamanda duygu
kazanmadığını net şekilde ortaya koyan bir teorinin işlenmesidir. Buradaki bir başka
ayrıntı ise bilinç kazanımı ile hedef koymak ve hedefe ilerlemek için soyut bir
kavramın Yapay Zeka tarafından anlaşılmasının gerekmediğidir. Anlaşılma durumu
sadece hedef olabilmekte ve anlaşılmasına gerek olmaksızın hedefe doğru ilerlemenin
sağlanabilecek olması teorisi açığa çıkmaktadır. İnsanlık için ürpertici sonuçları bu
noktada alınması henüz mümkün değilken Ava’nın kapatılma (sisteminin silinerek
ölümüne neden olması durumu) da korkunun hissedilebileceğinin bir göstergesidir
(Garland, 2015). Korku bu durumda en ilkel duygudur. Bu noktada insanoğlu için
Maslov’un gereksinimler hiyerarşisini hatırlamakta yarar olacaktır.

Şekil 4. Maslov 1990 gereksinimler hiyerarşisi üçgeni

Maslov’un gereksinimler hiyerarşisinde fizyolojik gereksinimler insanoğlu için
en alt seviyedeki ihtiyaçlardan oluşmaktadır. Bunları yaşama devam etmek için
46
vücudumuzun ihtiyacı olan miktarda yiyecek elde etmek, su içmek, uyumak gibi. Bu
tez çalışması sırasında insanoğlunun gereksinimlerinden tamamen bağımsız olarak
Yapay Zeka değerlendirmesi planlanmışken, tezin yazıldığı sıralarda bilgisayar
bilimcileri araştırmacısı olan Garrett Kenyon ve Los Alamos tarafından YSA’larının
da uykuya ihtiyaç duyduğunu ilan etmeleri ve çalışmalarını her yıl 14 Haziran
tarihinde düzenlenen bu yıl Seattle'da düzenlenecek olan “Bilgisayarlı Görme
Çalıştayı” nda araştırmalarına ilişkin bulgularını değerlendirecekleri toplantıyı ilan
etmeleri üzerine bu kısım yeniden planlanacaktır. Fizyolojik ihtiyaçların hemen
sonrasında insanoğlu için gereksinim olan güvenlik ihtiyacıdır. Bu da Alman filozof
Friedrich Wilhelm Nietzsche’nin, “şu ana dek tespit edilmiş zekalar arasında en zekisi
içgüdüdür” yaklaşımı destekler şekilde hayatta kalma, barınma, kaotik ortamdan
soyutlanma gibi isteklerdir. Bu da bir zekadan söz edilmesi halinde içgüdülerden
bağımsız düşünülemeyeceği gerçekliğini yansıtmaktadır. Film örneğimizde yapay
canlı Ava’nın kapatılma korkusuna benzer bir korkunun henüz YZ teknolojilerinde
keşfi yok denecek ölçektedir. Derin Mavi’nin satrançtaki panik olgusunu
düşünmezsek, Çin’de yapılan yarışmada dünya şampiyonu Lee Sedol’u , Go oyununda
avantaj verilmeden yenen Alpha Go ‘da bir panik hali yaşanmadı ve basında yer
almadı. Bu oyunda şaşkınlıkla karşılanan olgu ise Go gibi oldukça karmaşık bir
oyunun stratejilerini öğrenen Alpha Go’nun kendisi olmuştur. Buradan anlaşılan ise
Google tarafından geliştirilmiş derin mimari kütüphanelerinden “Tensor Flow”un
kullanılması ile Yapay Zekada ilerlemenin mümkün olduğudur. Bu bir uzman sistem
olarak düşünüldüğünde alanlarında bilinmesi gereken her şeyi bilen uzman sistemlerin
içgüdülerinin mimariler ile sağlanabilirliği olmalıdır. Yukarıdaki senaryoda korku ve
paniğe kapılan Ava’yı görüyoruz. Derin Mavi’nin feda hamlesi benzerlik sağlasa da
yaratıcılarının açıklaması o anda algoritmada hatalı işlem yürütülmesi olsa da
spekülasyonların nihayete ermediğini biliyoruz. Diğer taraftan öğrenimden, savaş
teknolojilerine varana dek bir haberleşme sistemini şimdilik kendi yararımıza
kullanıyoruz. Peki korkunun algoritması ne? Algoritmalar geliştikçe Zeka’nın en
gelişmişi olan içgüdüye sahip olacak mı? olacaktır. Sibernetiklerdeki içgüdü
seviyesinin bilinmemesi mümkün müdür? YZ’nin uykuya duyduğunu öne süren
araştırmacılar çalışmalarını 14 Haziran’da düzenlenecek çalıştayda kanıtlayabilirlerse,
biyolojik canlıların tümünde ortak özellik olan uyku ve içgüdü ayrılmaz bir parça ise
bunun da mümkün olduğunu kanıtlamış olacaklardır.
47
 Good’un görüşüne dayanarak, uygulanan yapım ise 2014 yılında tv dizisi olarak
yayımlanan yapımcılığını C. Brooker’ın üstlendiği Black Mirror dizinin “White
Christmas” bölümüdür (Brooker, Tibbetts, 2014). Bu dizide teknolojinin varacağı
noktaların eleştirilerine yer verilmektedir. White Christmas adlı bölümünde ise akıllı
ev sistemini kontrol eden bir teknoloji firmasının insan beynine kurabiye adını
verdikleri bir parçanın yerleştirilmesi ile algoritma insanın günlük eylemlerini
ezberlemektedir. Bu algoritma parçası daha sonra insan beyninden çıkarılarak akıllı ev
uygulaması ile kişinin günlük alışkanlıklarını kontrol etmektedir. Örneğin ışığın
ayarlanması için lambaların kontrolü, ekmeğin tam istenileceği şekilde kızartılması,
ortam sıcaklığının ayarlanması gibi teknoloji tabanlı her işlemin ev tarafından
otomatik olarak yapılmasını sağlayan parça olarak hizmet vermektedir. Bu algoritmik
parça kişinin randevularını telefonundan edindiği bilgiler ile okumakta, tüm elektronik
cihazları kişinin konforunu sağlamak üzere kontrol etmektedir. Bu algoritma insan
beynine yerleştirildiği ilk andan itibaren kendini kişi ile özdeşleştirerek kişinin
vücudunun kendine ait olduğu inancı ile hareket ettiği varsayımından yola
çıkmaktadır. Algoritmaya ait bir vücut olmamasına rağmen daha sonra bir karakterin
algoritmaya minimum boyutta bir vücut verdiğini görürüz. Algoritma vücuda sahip
olduktan sonra da kendisinin aslında o kişi olduğunu iddia etmektedir. Yaratıcısı onu
bu sebeple cezalandırmakta ve kişiye hizmetini sağlamaya çalışmaktadır. Küçük bir
küre içinde gerçek zamanda 5 dk. değere sahip iken küre içindeki zaman ayarında
sürgünün 20 yıl sürdüğünü duymaktayız. Algoritma daha sonraları cezalandırılmaktan
korkarak verilen görevi yapmaya ikna olmaktadır. Bu bölümün temeli ise Good’un
1965 yılında ileri sürdüğü varsayıma dayanmaktadır. Burada Yapay Zeka teknolojisini
elinde tutan insanoğlu YZ’nin yaratıcısı ve yönetenidir. Good’un ileri sürdüğü gibi
tüm icatların YZ tarafından yapıldığı bir dönemden hayli uzakta olan bu Tv dizisi
bölümünde varsayımın diğer adımı gerçekleşmiş olur. Bu adım YZ hükmünün
insanoğlu elinde bulunmasıdır.
4.3.2 Yapay Zeka’nın evrimsel aşamaları. Yapay Zeka’nın (AI) dinamik
alanında, evrim aşamalarını anlamak, geçmişi, bugünü ve geleceği hakkında içgörü
sağlamaktadır. Yolculuk, bilim felsefesinin mantıksal pozitivizminden etkilenen kural
tabanlı sistemlerle başlamıştır. Bu ilk aşama, 1970'lerde ve 1980'lerde, makinelere
kodlanabilecek yadsınamaz gerçekler temelinde inşa edilen uzman sistemlerin
geliştirilmesine tanık olmuştur (Russell ve Norvig, 2009). AI evrimindeki bir sonraki
48
önemli sıçrama, makine öğreniminin tanıtılması ile başlamaktadır. Burada ampirizm
felsefesi çok önemli bir rol oynamıştır. Vurgu, duyusal deneyimlerden, gözlemlerden
ve gerçek dünya kanıtlarından öğrenmeye ve böylece fikirlerin oluşumunu sağlamaya
yönelik olduğu görülmektedir (Bishop, 2006). Bu devrim niteliğindeki yaklaşım, AI
sistemlerinin yeni durumlara uyum sağlamasına ve zaman içinde performansı
artırmasına izin vermiştir. AI evrimindeki üçüncü aşama, derin öğrenme olarak
bilinmektedir. Bilişsel işlevselcilik felsefesi bu dönemi büyük ölçüde etkilemiştir.
Odak noktası, insan beyninin işlevselliğini taklit edebilecek yapay sinir ağları
yaratmayı içermektedir. Önerme, sistemin yapısının, gerçekleştirdiği süreç ve
işlevlerden daha az önemli olduğunu belirtmektedir (Goodfellow ve ark., 2016).
AI'nın mevcut aşamasında, yapay genel Zeka’nın (AGI) geliştirilmesine
odaklanılmaktadır. Hesaplamacılık felsefesinden etkilenen amaç, bir insanın
yapabileceği herhangi bir entelektüel görevi yerine getirebilecek makineler
yaratmaktır (Goertzel ve Pennachin, 2007). Önemli ilerleme kaydedilmiş olsa da,
AGI'ye ulaşmak zorlu bir mücadele olmaya devam etmektedir. Bilim felsefesi, Yapay
Zeka’nın gelişim aşamalarını şekillendirmede etkili olmuştur. Mantıksal
pozitivizmden deneyciliğe, bilişsel işlevselciliğe ve hesaplamacılığa kadar her felsefe
Yapay Zeka’nın ilerlemesinde çok önemli bir rol oynamıştır. AGI için devam eden
arayış, bu felsefi konumların AI'nın evrimi üzerindeki devam eden etkisine işaret
etmektedir.
4.4 Reklamcılık ve Yapay Zeka Bileşenleri
Yapay Zeka (AI), geleneksel yöntemlerden daha kişiselleştirilmiş, verimli ve
hedefli stratejilere geçerek reklam ortamını büyük ölçüde değiştirmiştir. Çeşitli AI
bileşenlerinden yararlanmak, reklamverenlerin kampanyaları optimize etmesine,
verileri daha verimli bir şekilde analiz etmesine ve müşteri katılımını iyileştirmesine
olanak sağlamıştır. AI'nın reklamcılığa entegrasyonu, temel bileşenlerinden biri olan
makine öğrenimi (ML) ile başlamıştır. Makine öğrenimi algoritmaları verilerden
öğrenmektedir, açıkça programlanmadan tahminler ve kararlar vermektedir (Bishop,
2006). Reklamcılıkta makine öğrenimi, reklamların gerçek zamanlı olarak gösterim
başına esasına göre alınıp satıldığı programatik reklam satın almada etkili olmuştur.
Bu sistem, hedefleme hassasiyetini artırmakta ve reklamların zaman alan geleneksel
manuel ekleme ve ince ayar işlemlerini ortadan kaldırmaktadır.

49
 Reklamcılıkta devrim yaratan bir diğer AI bileşeni, doğal dil işlemedir (NLP).
NLP, makinelerin insan dilini anlamasına ve üretmesine yardımcı olmaktadır. Artık
reklamcılıkta yaygın olarak kullanılan chatbotların geliştirilmesini kolaylaştırmıştır.
Sohbet robotları, ürün bilgileri sağlayarak, sorguları çözerek ve hatta satın alma
işlemlerini kolaylaştırarak müşterilerle gerçek zamanlı etkileşime olanak tanımaktadır
(Chen ve ark., 2020). Bu iletişim aracıları yalnızca müşteri hizmetlerini iyileştirmekle
kalmamış, aynı zamanda işletmelerin müşterilerini daha iyi anlamalarına yardımcı
olmak için değerli veriler toplamıştır.
AI ayrıca reklamcılıkta tahmine dayalı analitiği de tanıtmıştır. Tahmine dayalı
analitik, mevcut ve tarihsel gerçekleri analiz etmek ve gelecekteki olaylar hakkında
tahminler yapmak için makine öğrenimi ve veri madenciliği dahil olmak üzere çeşitli
istatistiksel teknikleri kullanmıştır (Wu vd., 2004). Bu, reklam verenlerin müşteri
davranışını, trendleri ve potansiyel riskleri öngörmesine ve böylece daha bilinçli
kararlar almasına olanak sağlamıştır.
Başka bir AI bileşeni olan görüntü tanıma, reklamcılıkta sosyal medya
trendlerini analiz etmek, marka görünürlüğünü izlemek ve kullanıcı tarafından
oluşturulan içeriğe dayalı kişiselleştirilmiş öneriler sunmak için kullanılmaktadır.
Görüntü tanıma teknolojisi, tüketici davranışını, tercihlerini ve trendlerini anlamak
için görüntüleri analiz ederek işletmelere değerli içgörüler sağlamaktadır (LeCun vd.,
2015). Genellikle NLP ile kullanılan duyarlılık analizi bileşeni, metin verilerindeki
duyguları analiz ederek tüketicilerin ürünlere, markalara veya hizmetlere yönelik
tutumlarını anlamak için kullanılmaktadır. Duyarlılık analizi, reklam verenlerin
izleyicilerini daha derin bir düzeyde anlamalarına yardımcı olarak daha
kişiselleştirilmiş ve etkili reklam kampanyalarına olanak tanımaktadır (Liu, 2012).
AI'nın reklamcılık üzerindeki etkisi yukarıdaki bileşenlerle sınırlı olmamaktadır.
Bir Yapay Zeka alt kümesi olan derin öğrenme, reklamların izleyici hakkındaki
verilere dayalı olarak gerçek zamanlı olarak kişiselleştirildiği dinamik reklam
optimizasyonunun oluşturulmasına katkıda bulunmuştur (Goodfellow vd., 2016). AI
ayrıca, hangisinin daha iyi performans gösterdiğini belirlemek için birden çok reklam
sürümünün test edildiği A/B testini etkinleştirerek genel reklam verimliliğini
artırmaktadır (Kohavi vd., 2009).
LeCun ve arkadaşları (2015), görüntü tanıma teknolojisinin ortaya çıkışının ve
reklam endüstrisindeki uygulamasının yeni bir olasılıklar alanı açtığını vurgulamıştır.
50
Bu teknoloji, tüketici davranışını, tercihlerini ve trendlerini anlamak için görüntüleri
analiz ederek işletmelere değerli içgörüler sağlamaktadır. Örneğin, markalar artık
müşterilerinin yaşam tarzlarını ve tercihlerini daha iyi anlamak için sosyal medya
platformlarında kullanıcı tarafından oluşturulan içeriği analiz etmektedir. Bu anlayış,
reklam verenlerin reklamlarını müşterilerin tercihlerine göre uyarlamasına yardımcı
olmakta ve böylece etkileşim ve dönüşüm olasılığını artırmaktadır.
Bir diğer kritik Yapay Zeka bileşeni olan ses tanıma ve konuşmayı anlama
teknolojileri de reklamcılıkta adından söz ettirmeye başlamıştır. Amazon'un Alexa'sı,
Google Asistanı ve Apple'ın Siri'si gibi sesli asistanların artan popülaritesi, sese dayalı
reklamcılık için yeni bir yol sunmaktadır. Reklam verenler artık bu platformlarda sesli
reklamlar sunarak yeni bir müşteri etkileşimi ortamını oluşturduğu görülmektedir
(Hinton vd., 2012).
AI ayrıca reklam verenlerin stratejilerini gerçek zamanlı olarak optimize
etmelerine yardımcı olmaktadır. Gerçek zamanlı teklif verme, reklam envanterinin
gösterim başına gerçek zamanlı olarak alınıp satıldığı dijital reklamcılıkta önemli bir
Yapay Zeka geliştirmesi olduğu görülmektedir. Bu süreç, finansal piyasalara benzer
şekilde anlık programatik müzayede yoluyla gerçekleşmektedir. Gerçek zamanlı teklif
verme, reklamverenlerin teklifleri gerçek zamanlı olarak ayarlayarak birden çok ağdan
gelen reklamları yönetmesine ve optimize etmesine olanak tanımakta ve optimum
sonuçlar sağlamaktadır (Yuan vd., 2013).
Yapay Zeka, reklamcılıkta müşteri segmentasyonunu da önemli ölçüde
etkilemiştir. AI, çeşitli veri noktalarını analiz ederek reklam verenlerin davranışlara,
tercihlere ve geçmiş satın almalara dayalı ayrıntılı müşteri segmentleri oluşturmasına
yardımcı olmaktadır. Bu segmentasyon düzeyi, alakalı reklamları doğru zamanda
doğru kitleye sunmanın anahtarı olan hiper kişiselleştirmeyi mümkün kılmaktadır
(Russell, 2016).
AI'nın reklamcılıktaki etkisi, reklam performansının iyileştirilmiş ölçüm ve
analitiğinde görülmektedir. Yapay Zeka teknolojileri, büyük miktarda veriyi
işleyebilir ve hangi reklamların iyi performans gösterdiğine, hangi kitle segmentlerinin
en duyarlı olduğuna ve hangi platformların en yüksek yatırım getirisini sağladığına
ilişkin bilgiler sağlamaktadır. Bu içgörüler, işletmelerin reklam stratejilerini sürekli
olarak iyileştirmelerine, verimliliklerini ve etkilerini en üst düzeye çıkarmalarına
olanak tanımaktadır (Provost ve Fawcett, 2013). Dolayısıyla AI'nın çeşitli bileşenleri,
51
reklamcılık endüstrisinde önemli ölçüde devrim yaratmıştır. Yapay Zeka, makine
öğreniminden doğal dil işlemeye, tahmine dayalı analitik, görüntü tanıma, duygu
analizi, derin öğrenme ve gerçek zamanlı optimizasyona kadar reklamcılık
stratejilerini yeniden şekillendirerek onları daha verimli, kişiselleştirilmiş ve veri
odaklı hale getirmiştir. AI gelişmeye ve olgunlaşmaya devam ettikçe, reklamcılık
üzerindeki etkisi yalnızca artmakta ve sektör için heyecan verici bir gelecek vaat
etmektedir.
4.5 Yapay Zeka ve Öğrenme Süreci
4.5.1 Makine öğrenmesi algoritmaları. Yapay Zeka (AI) alanı, özellikle
öğrenme süreçleri alanında yıllar içinde hızlı ilerlemeler kaydetmiştir. Yapay Zeka ve
makine öğrenimi algoritmaları, makinelerin öğrenme ve uyum sağlama biçiminde
devrim yaratarak, çok büyük miktarda veriyi işleyebilen ve karmaşık görevleri
gerçekleştirebilen, giderek daha karmaşık hale gelen sistemlerin yolunu açmıştır.
Yapay Zeka öğrenme süreçlerinin temeli, algoritmaların girdi-çıktı ilişkisinin bilindiği
etiketli veri kümeleri üzerinde eğitildiği bir makine öğrenimi tekniği olan denetimli
öğrenmede yatmaktadır (Bishop, 2006).
Yapay Zekadaki bir başka önemli öğrenme süreci olan denetimsiz öğrenme,
algoritmaların açık etiketler veya rehberlik olmaksızın verilerden kalıpları ve yapıları
öğrenmesini içermektedir (Hinton ve Salakhutdinov, 2006). Pekiştirilmiş öğrenme,
AI'da, aracılara çevreleriyle etkileşime girerek ve geri bildirimden öğrenerek karar
vermeyi öğretmeye odaklanan bir öğrenme süreci olarak tanımlanmaktadır (Sutton ve
Barto, 2018).
Makine öğreniminin gelişmiş bir alt kümesi olan derin öğrenmenin gelişimi,
Yapay Zeka öğrenme süreçlerinde yeni bir çağ başlatmıştır (Goodfellow vd., 2016).
Derin öğrenme, makinelerin verilerin hiyerarşik temsillerini öğrenmesine izin veren
çok katmanlı yapay sinir ağlarını içermektedir. Bu öğrenme süreci, bilgisayar görüşü,
konuşma tanıma ve doğal dil anlayışında önemli ilerlemelere yol açmıştır.
Yapay Zeka öğrenme süreçlerindeki en önemli zorluklardan biri, algoritmaların
eğitim verilerinde son derece iyi performans gösterdiği ancak yeni, görünmeyen
verilere genelleme yapmakta zorlandığı aşırı uyum sorunlarını belirtmektedir
(Hawkins, 2004). Bu sorunu ele almak için araştırmacılar, fazla uydurmayı önleyen ve
modelin genelleştirme yeteneğini geliştiren, bırakma ve ağırlık azaltma gibi çeşitli
düzenlileştirme teknikleri geliştirmişlerdir.
52
 Transfer öğrenimi, bir görevde öğrenilen bilginin farklı ancak ilgili bir göreve
uygulandığı Yapay Zekadaki diğer bir önemli öğrenme sürecidir (Pan ve Yang, 2010).
Bu öğrenme süreci, eğitim modellerinin sıfırdan hesaplama açısından pahalı ve zaman
alıcı olabildiği derin öğrenmede özellikle yararlı olmuştur. Transfer öğrenimi,
araştırmacıların önceden eğitilmiş modellerden yararlanmasına ve bunları belirli
görevler için ince ayar yapmasına olanak tanıyarak eğitim süresini ve kaynak
gereksinimlerini önemli ölçüde azaltmaktadır.
Aktif öğrenme, algoritmaların eğitim için en bilgilendirici veri noktalarını aktif
olarak seçtiği Yapay Zekadaki bir öğrenme sürecidir (Settles, 2009). Bu öğrenme
süreci, makinelerin daha az eğitim örneğiyle daha verimli bir şekilde öğrenmesini
sağladığından, etiketli verilerin elde edilmesi kıt veya pahalı olduğunda özellikle
yararlı olacağını göstermektedir. Aktif öğrenme, bilgisayar görüşü, doğal dil işleme ve
biyoinformatik gibi çeşitli alanlarda uygulanmıştır.
AI öğrenme süreçlerinin bir diğer kritik yönü, insan geri bildirimi ve
uzmanlığının dahil edilmesidir. Döngü içinde insan öğrenimi, insan bilgisini ve
rehberliğini öğrenme sürecine entegre ederek makinelerin daha etkili ve verimli bir
şekilde öğrenmesine yardımcı olmaktadır (Kamar, 2016). Bu öğrenme süreci, insan
girdisinin algoritmaların nüansları ve bağlamı daha iyi anlamasına yardımcı
olabileceği doğal dil işleme gibi çeşitli uygulamalarda kullanılmıştır.
İnsan beyninin birbirine bağlı yapısından sonra modellenen yapay sinir ağları,
Yapay Zekadaki biyo-ilhamlı öğrenmenin önemli bir örneğidir. Bu ağlar, "sinapslar"
ile birbirine bağlanan düğümlerden veya "nöronlardan" oluşmaktadır. Bu bağlantıların
gücü öğrenme sırasında ayarlanarak ağın girdi verilerinden 'öğrenmesi' sağlanmaktadır
(LeCun vd., 2015). Bu ağların karmaşık kalıpları ve temsilleri öğrenme yeteneği,
onları modern Yapay Zeka’nın temel taşı haline getirmiştir.
Yapay Zeka öğreniminin bir diğer yönü, birden çok Yapay Zeka aracısının
birbiriyle koordinasyonu veya rekabet etmeyi öğrendiği çok aracılı öğrenme durumu
olarak görülmektedir. Birden fazla etmen içeren ortamlarda, etmenlerin eylemlerinin
dinamik ve birbirine bağlı doğası nedeniyle öğrenme daha karmaşık hale gelmektedir.
Bu zorlukların üstesinden gelmek için işbirlikçi ve rekabetçi çok aracılı pekiştirmeli
öğrenme gibi teknikler geliştirilmiştir (Buşoniu vd., 2008).
AI'daki öğrenme süreçleri zorluklardan yoksun olmadığı görülmektedir. Böyle
bir zorluk, pekiştirmeli öğrenmede keşif ve sömürü arasındaki değiş tokuştur. Keşif,
53
bir temsilcinin yeni stratejiler keşfetmesine izin verirken, istismar, aracının mevcut
bilgilere dayanarak en iyi kararı vermesini sağlamaktadır. Bu değiş tokuşu
dengelemek, etkili öğrenmenin kritik bir yönde olduğunu göstermektedir (Sutton ve
Barto, 2018).
Yapay Zeka öğrenme süreçleri, büyüyen açıklanabilir Yapay Zeka alanından da
etkilenmektedir. AI sistemleri giderek daha karmaşık hale geldikçe, karar verme
süreçlerini anlamak zorlaşmaktadır. Büyüyen açıklanabilir Yapay Zeka, Yapay Zeka
kararlarını insanlar için anlaşılır kılmayı ve bu sistemlerin nasıl öğrendiğine ve karar
verdiğine dair içgörüler sağlamayı amaçlamaktadır (Adadi ve Berrada, 2018).
4.5.1.1 Denetimli öğrenme. Denetimli öğrenme, makinelerin verilerden kalıpları
öğrenmesini ve yeni girdilere dayalı olarak sonuçları tahmin etmesini sağlamaktadır.
Bu öğrenme süreci, görüntü ve konuşma tanıma, doğal dil işleme ve öneri sistemleri
dahil olmak üzere çeşitli alanlarda yaygın olarak uygulanmıştır. Makine öğrenimi ve
Yapay Zeka’nın bir alt alanı olan denetimli öğrenme, bir algoritmaya etiketli veriler
sağlayarak tahminlerde bulunmayı öğretme sürecini ifade etmektedir. Bu, her örnek
için doğru yanıtların veya etiketlerin bilindiği bir veri kümesi kullanmayı içermektedir
(Bishop, 2006). Algoritma, kalıpları tanımlamayı ve bu bilinen girdi ve çıktılara dayalı
tahminler yapmayı öğrenmektedir.
Denetimli öğrenmede, veri kümesindeki her örnek bir veya daha fazla özellikten
ve bir etiketten oluşmaktadır. Örneğin, ev fiyatlarını tahmin etmek için tasarlanmış bir
veri setinde, özellikler arasında yatak odası sayısı, banyo sayısı ve evin fit kare
cinsinden büyüklüğü yer alabilmektedir. Etiket, evin fiyatını göstermektedir (Hastie
vd., 2009). Denetimli öğrenme problemleri regresyon ve sınıflandırma olarak iki ana
türü bulunmaktadır. Regresyon problemleri, yatak odası sayısı ve evin büyüklüğü gibi
özelliklere dayalı ev fiyatlarını tahmin etmek gibi sürekli bir değer tahmin etmeyi
içermektedir. Öte yandan sınıflandırma problemleri, içeriğine göre bir e-postanın spam
olup olmadığı gibi kategorik bir etiketi tahmin etmeyi içermektedir (James vd., 2013).
Denetimli öğrenme için doğrusal regresyon, lojistik regresyon, destek vektör
makineleri (SVM), k-en yakın komşular (KNN), karar ağaçları ve rastgele ormanlar
dahil olmak üzere çeşitli algoritmalar kullanılmaktadır. Sinir ağları, özellikle derin
öğrenme modelleri, karmaşık denetimli öğrenme problemlerinin üstesinden gelmek
için popüler araçlar haline gelmiştir (Goodfellow vd., 2016).

54
 Denetimli öğrenme süreci, modelin eğitim seti olarak bilinen veri setinin bir
kısmı üzerinde eğitilmesini içermektedir. Modelin tahminleri daha sonra gerçek
etiketlerle karşılaştırılmakta ve aradaki fark, modeli güncellemek için
kullanılmaktadır. Bu süreç, modelin tahminleri ile gerçek etiketler arasındaki farkı en
aza indirmek amacıyla tipik olarak birçok kez tekrarlanmaktadır (Bishop, 2006).
Model eğitildikten sonra, test seti olarak bilinen veri setinin ayrı bir bölümünde
değerlendirilmektedir. Bu set, modelin yeni, görünmeyen verilere genelleştirme
yeteneğini ölçmek için kullanılmaktadır (Hastie vd., 2009). Denetimli öğrenme güçlü
bir araç olsa da zorlukları da bulunmaktadır. Model eğitim verilerini çok iyi
öğrendiğinde ve yeni verilere genelleme yapmakta zorlandığında ortaya çıkan en
büyük zorluklardan biri aşırı uyum sorunudur. Çapraz doğrulama, düzenli hale getirme
ve erken durdurma gibi teknikler genellikle aşırı uyumu önlemek için kullanılmaktadır
(James vd., 2013).
4.5.1.2 Denetimsiz öğrenme. Bu öğrenme süreci, makinelerin başka türlü fark
edilmeyecek kalıpları tanımlamasını ve kategorize etmesini sağladığından, özellikle
büyük miktarda veriyle uğraşırken yararlıdır. Denetimsiz öğrenme, kümeleme,
boyutluluk azaltma ve anormallik tespitinde kullanılmıştır. Denetimsiz öğrenme, açık
çıktı etiketlerine veya yanıtlarına ihtiyaç duymadan çalışan bir tür makine öğrenimidir.
Amaç, makinelerin bağımsız olarak öğrenmesine ve karar vermesine izin vermek olan
Yapay Zeka’nın temel bir yönüdür (Hinton ve Salakhutdinov, 2006). Etiketli verilere
dayanan denetimli öğrenmenin aksine, denetimsiz öğrenme, girdi verilerinin
kendisindeki kalıpları veya doğal yapıları keşfetmeye odaklanmaktadır.
Denetimsiz öğrenmede, algoritmalara bir dizi özellik verilmekte ve verilerde
ilginç yapı bulma görevi üstlenmektedir. Bu yapı, K-means veya hiyerarşik kümeleme
gibi kümeleme algoritmalarında olduğu gibi kümeler şeklinde olmaktadır (Jain, 2010).
Alternatif olarak yapı, anormallik tespit algoritmalarının odak noktası olan verilerdeki
anormal veya aykırı noktaların tanımlanması olabilmektedir (Chandola vd., 2009).
Diğer bir yaygın denetimsiz öğrenme görevi, bir dizi temel değişken elde ederek
incelenmekte olan rasgele değişkenlerin sayısını azaltmayı amaçlayan boyut
indirgeme olarak açıklanmaktadır. Temel Bileşen Analizi (PCA) ve t-dağılımlı
Stokastik Komşu Gömme (t-SNE) gibi teknikler bu amaçla yaygın olarak
kullanılmaktadır (Maaten ve Hinton, 2008). İlişkisel kural öğrenimi, amacın büyük
veritabanlarındaki değişkenler arasındaki ilginç ilişkileri keşfetmek olduğu başka bir
55
denetimsiz öğrenme türüdür. Bunun yaygın bir uygulaması, perakendeciler tarafından
müşterilerin satın alma davranışlarını anlamak için kullanılan pazar sepeti analizi
olarak görülmektedir (Agrawal ve Srikant, 1994).
Denetimsiz öğrenmenin avantajlarından biri, karmaşık, yapılandırılmamış veya
etiketlenmemiş verilerle çalışabilmesidir. Amacın, bu gruplamaların ne olabileceğine
dair önceden bilgi sahibi olmadan gizli kalıpları veya gruplamaları bulmak olduğu
keşfedici analizde özellikle yararlı olduğu görülmektedir (Hastie vd., 2009). Bununla
birlikte, denetimsiz öğrenmenin zorlukları da bulunmaktadır. Karşılaştırılacak bir altın
standart olmadığı için denetimsiz öğrenmedeki ana zorluklardan biri, çıktının
kalitesini değerlendirmektir. Sonuçların yorumlanması, tanımlanan kalıpları veya
gruplamaları anlamak için genellikle alan uzmanlığı gerektirdiğinden daha öznel
olmaktadır (Murphy, 2012). Bu zorluklara rağmen denetimsiz öğrenme, Yapay
Zekadaki öğrenme süreçlerinin kritik bir bileşeni olarak gösterilmektedir. Verileri
anlamak için benzersiz bir yaklaşım sunarak veri madenciliği ve keşifsel veri analizi
için önemli bir araç haline geldiği görülmektedir.
4.5.1.3 Pekiştirilmiş öğrenme. Pekiştirilmiş öğrenme algoritmaları, eylemlerini
alınan ödüllere veya cezalara göre ayarlayarak deneme yanılma yaklaşımıyla öğrenir.
Bu öğrenme süreci, ajanların dinamik ve belirsiz ortamlara uyum sağlaması gereken
robotik, oyun ve otonom sistemlerde kullanılmıştır. Pekiştirilmiş öğrenme (RL), bir
aracının bir ortamla etkileşime girerek karar vermeyi öğrendiği bir makine öğrenimi
türü olarak tanımlanmaktadır. Makinelerin oyun oynama, robotik, kaynak yönetimi ve
diğer pek çok görevi yerine getirmesi için bir çerçeve sağladığı için Yapay Zeka’nın
çok önemli bir yönü olarak görülmektedir (Sutton ve Barto, 2018).
Bir RL sisteminin temel bileşenleri, aracı, çevre ve ödül veya ceza sinyalidir.
Etmen, bu eylemlere yanıt veren ve etmene yeni durumlar sunan çevrede eylemler
gerçekleştirmektedir. Çevre aynı zamanda, aracının seçimleri aracılığıyla zaman
içinde maksimize etmeye çalıştığı özel sayısal değerler olan ödüllere de yol açmaktadır
(Sutton ve Barto, 2018). RL, her kararın gelecekteki tüm kararları potansiyel olarak
etkileyebileceği sıralı karar verme sorununa odaklanması bakımından benzersiz
özellikleri barındırmaktadır. Dolayısıyla bu durumlardan ajanın gerçekleştirmesi
gereken eylemlere bir haritalama olan politika öğrenmeyi içerdiği görülmektedir.
Politikalar deterministik veya stokastik olmakta ve aracının öğrenme davranışını
tanımlamaktadır (Sutton ve Barto, 2018).
56
 RL'deki en popüler yöntemlerden biri, bir değer fonksiyonunu öğrenerek en
uygun politikayı öğrenmeyi amaçlayan bir değer yineleme algoritması olan Q-
learning'dir. Değer işlevi, her bir durum-eylem çiftini, o durumda o eylemi
gerçekleştirmenin ve ardından en uygun politikayı izlemenin beklenen kümülatif
ödülünü temsil eden bir sayıya eşleştirmektedir (Watkins ve Dayan, 1992). Diğer bir
yöntem ise, bir değer işlevine ihtiyaç duymadan doğrudan ilke işlevini optimize eden
Policy Gradient yöntemleridir. Bu yöntemler, özellikle derin öğrenme teknikleriyle
birleştirildiğinde Derin Pekiştirmeli Öğrenmeye (DRL) yol açan birçok uygulamada
dikkate değer bir başarı göstermiştir (Sutton vd., 2000; Mnih vd., 2015). DRL,
karmaşık Go tahta oyununda bir dünya şampiyonunu yenen ilk Yapay Zeka olan
AlphaGo'nun geliştirilmesi de dahil olmak üzere son yıllarda Yapay Zekadaki en
heyecan verici gelişmelerden bazılarının ön saflarında yer almıştır (Silver vd., 2016).
Bu ilerlemelere rağmen, RL'nin zorlukları da bulunmaktadır. RL algoritmaları,
etkili bir şekilde öğrenmek için çevre ile birçok etkileşimi gerektirerek, örnekleme
açısından verimsiz olmaktadır. Ayrıca, çevre hakkında daha fazla şey öğrenme
dürtüsüyle (keşif) mevcut bilgilerle en iyi kararları verme dürtüsüyle (sömürü)
dengeleme ihtiyacı duyarak, keşfetmeye karşı sömürme sorunlarıyla da mücadele
etmektedir (Sutton ve Barto, 2018).
4.5.2 Büyük veri ve kitlesel hedef reklam aracı olarak büyük verilerin
kullanılması. Dijital çağın gelişi, genellikle 5V olarak adlandırılan hacim, hız,
çeşitlilik, doğruluk ve değer ile karakterize edilen büyük veri olgusunu başlatmıştır
(Khan ve ark., 2014). Bu veri bolluğu, etkin bir şekilde kullanıldığında, biri
reklamcılık olmak üzere çeşitli alanlarda karar verme süreçlerini önemli ölçüde
iyileştirebilmektedir. Büyük veri, işletmelerin daha geniş bir kitleye ulaşmasını ve aynı
anda mesajlarını kişiselleştirmesini sağlayan bir strateji olan kitlesel hedeflemeyi
etkinleştirerek reklamcılıkta devrim yaratma potansiyeline sahiptir (Russom, 2011).
Kitlesel hedefleme, tüketici nüfusunun belirli kesimlerinde yankı uyandıran özel
reklam stratejileri geliştirmek için mevcut tüketici verilerinin zenginliğinden
yararlanmaktadır (Chen ve ark., 2012).
Geleneksel reklam metodolojileri, kitleleri bölümlere ayırmak için büyük
ölçüde geniş demografik bilgilere dayanmaktadır. Bununla birlikte, büyük veri,
ayrıntılı müşteri karakterleri ve mikro segmentlerin oluşturulmasına olanak tanıyarak,
tüketici davranışı, tercihleri ve modellerinin daha ayrıntılı bir şekilde anlaşılmasına
57
olanak tanımaktadır (Gandomi ve Haider, 2015). Bu kişiselleştirme düzeyi, tüketiciler
için reklam içeriğinin alaka düzeyini artırmakta, böylece etkileşim oranlarını ve
reklam harcamalarının getirisini (ROAS) iyileştirmektedir (Wedel ve Kannan, 2016).
Ayrıca, büyük veri analitiği araçları, reklam kampanyalarının gerçek zamanlı
optimizasyonuna olanak tanır. Bu araçlar, gelen verileri sürekli olarak analiz ederek,
kampanya performansını en üst düzeye çıkarmak için teklif stratejileri, kitle hedefleme
ve hatta yaratıcı öğeler gibi kampanya parametrelerini ayarlamaktadır (Provost ve
Fawcett, 2013). Potansiyel faydalarına rağmen, reklamcılıkta kitlesel hedefleme için
büyük veri kullanmak da çeşitli güçlükler sunmaktadır. En önemlilerinden biri
mahremiyet endişeleridir. Tüketici verilerinin reklam amacıyla toplanması ve analizi,
etik olarak ve AB'deki Genel Veri Koruma Yönetmeliği (GDPR) (Mayer-Schönberger
ve Cukier, 2013) gibi gizlilik düzenlemelerine uygun olarak ele alınması gerekliliğini
göstermektedir.
Büyük veriden etkin bir şekilde yararlanmak, gelişmiş analitik yetenekler ve
altyapı gerektirmektedir. İşletmeler, verilerinden eyleme dönüştürülebilir öngörüler
elde etmek için doğru araçlara ve yeteneğe yatırım yapması gerekmektedir.
Dolayısıyla büyük veri hacmi çok büyük olmakta ve etkili bir şekilde yönetilmezse
aşırı bilgi yüklemesine yol açmaktadır (Sivarajah vd., 2017). Yapılandırılmış ve
yapılandırılmamış verilerden bilgi ve içgörü çıkarmak için bilimsel yöntemleri,
süreçleri, algoritmaları ve sistemleri kullanan disiplinler arası bir alan olan veri bilimi,
büyük verilerin reklamcılık için etkin bir şekilde kullanılmasında bütünleyici bir rol
oynamaktadır (Dhar, 2013). Veri bilimcileri, tüketici davranışını tahmin etmek ve
reklam kampanyalarını optimize etmek için makine öğrenimi algoritmaları ve
istatistiksel modeller gibi çeşitli teknikleri uygulamaktadır (Provost ve Fawcett, 2013).
Çevrimiçi reklamcılığın otomatik olarak satın alınmasını ve satılmasını içeren
programatik reklamcılık, büyük verilerin kritik bir rol oynadığı başka bir alan olarak
görülmektedir. Kullanıcı davranışı, günün saati, konum ve daha fazlası gibi verilere
dayalı olarak reklam gösterimlerini gerçek zamanlı olarak satın almak için algoritmalar
kullanmaktadır. Bu düzeydeki otomasyon ve hassas hedefleme, programatik
reklamcılığı baskın bir dijital reklamcılık yöntemi haline getirmiştir (Yuan vd., 2013).
Büyük veri, reklam kampanyalarının ölçüm ve takibinin iyileştirilmesinde de önemli
bir rol oynamaktadır. Şirketler, gelişmiş analitik sayesinde, bir bireyin birden çok
kanal ve temas noktasında satın alma yolunu izleyerek farklı reklamcılık taktiklerinin
58
etkinliğine dair bütüncül bir görüş sunmaktadır. Multi-touch atıf olarak bilinen bu
yaklaşım, şirketlerin reklam bütçelerini daha etkili ve verimli bir şekilde tahsis
etmelerini sağlamaktadır (Dalessandro vd., 2012). Bununla birlikte, kitle hedefleme
reklamcılığında büyük verinin uygulanması, tüm pazarlama zorlukları için her derde
deva olarak görülmemesi gerekmektedir. Şirketler, verilerin ve analitiğin, yaratıcı ve
stratejik düşünceyle tamamlanması gereken araçlar olduğunu hatırlaması
sağlanmalıdır. Büyük veri çağında başarılı reklamcılığı yönlendirecek olan sanat
(yaratıcılık) ve bilimin (veri ve analitik) birleşimi olarak görülmektedir (Davenport,
2014).
4.6 Becerilere Dayalı Yapay Zeka Türleri
Yapay Zeka (AI), yeteneklerine ve işlevlerine göre çeşitli türlere ayrılmıştır.
Böyle bir sınıflandırma, taklit etmek veya çoğaltmak için tasarlandıkları beceri
setlerine dayanmaktadır. Bu tür Yapay Zeka sistemleri, beceri tabanlı Yapay Zeka
olarak bilinmektedir (Russell ve Norvig, 2016). Beceri tabanlı Yapay Zeka, Doğal Dil
İşleme (NLP), Yapay Görme ve Robotik dahil olmak üzere birkaç kategoriye
ayrılmaktadır. NLP, doğal dili kullanan bilgisayarlar ve insanlar arasındaki etkileşime
odaklanan bir Yapay Zeka dalıdır. Amaç, bilgisayarların insan dilini değerli bir şekilde
anlamasını, yorumlamasını ve üretmesini sağlamaktır. NLP, çeviri hizmetleri, duygu
analizi ve sohbet robotları dahil olmak üzere çeşitli uygulamalarda kullanılmıştır (Cho,
2020).
Bilgisayar görüşü olarak da bilinen yapay görme, görüntüleri veya görüntü
dizilerini dijital olarak tanıyabilen, analiz edebilen ve anlayabilen bilgisayar ve yazılım
sistemleri bilimidir. Yüz tanıma sistemleri, otonom araçlar ve tıbbi görüntüleme
analizi gibi çeşitli uygulamalarda kullanılmaktadır (Szeliski, 2010). Başka bir beceri
tabanlı Yapay Zeka türü olan robot bilimi, çevrelerini algılayabilen ve belirli hedeflere
ulaşmak için harekete geçebilen akıllı aracıların tasarlanmasını ve uygulanmasını
içermektedir. Bu beceriye dayalı Yapay Zeka, üretim, sağlık ve ev hizmetleri dahil
olmak üzere birçok alanda kullanılmaktadır (Siciliano ve Khatib, 2016). Bu tür
becerilere dayalı Yapay Zeka’nın her biri, farklı bir dizi teknik ve yaklaşım
gerektirmektedir. Örneğin NLP, metin analitiği ve hesaplamalı dilbilim gibi tekniklere
dayanmakta, makine görüşü görüntü işleme ve örüntü tanımayı ve robotik, kontrol
teorisi ve makine mühendisliğini kullanmaktadır (Russell ve Norvig, 2016). Bu
becerilere dayalı AI sistemlerinin genellikle birbirleriyle bağlantılı olarak
59
kullanıldığını not etmek önemlidir. Örneğin, bir robot çevresini algılamak için makine
görüşünü ve insanlarla etkileşim kurmak için NLP'yi kullanmaktadır. Bununla birlikte,
beceriye dayalı AI'daki önemli ilerlemelere rağmen, üstesinden gelinmesi gereken
zorluklar bulunmaktadır. Bunlar, bu sistemleri eğitmek için büyük miktarda veriye
duyulan ihtiyacı, dil ve görme görevlerinde bağlamı anlamanın zorluğunu ve robotik
sistemlerin fiziksel sınırlamalarını içermektedir (Russell ve Norvig, 2016).
4.7 Yapay Zekanın Geleceği
Yapay Zeka (AI), son birkaç on yılda çok sayıda endüstriyi ve insan yaşamının
yönlerini dönüştürerek önemli adımlar atmıştır. Ancak, Yapay Zeka’nın yolculuğu
henüz bitmemiştir. Yapay Zeka’nın geleceğinin daha etkili olacağı, merak uyandıran
olasılıkları, zorlukları ve etik soruları artıracağı öngörülmektedir (Bostrom ve
Yudkowsky, 2014). Yapay Zeka’nın geleceğinde kritik bir odak alanı, Yapay Genel
Zeka’nın (AGI) geliştirilmesidir. Belirli görevlerde üstün olan dar AI'dan farklı olarak,
AGI, insan bilişine benzer bir zeka biçimi sergileyerek, bir insanın yapabileceği
herhangi bir entelektüel görevi gerçekleştirmeyi amaçlamaktadır (Goertzel ve
Pennachin, 2007). AGI, çok çeşitli görevleri otomatikleştirerek ve sağlık, eğitim ve
ulaşım gibi alanlarda yeni olanaklar yaratarak toplumda devrim yaratmaktadır.
Yapay Zeka’nın geleceği için bir başka umut verici yön, açıklanabilir Yapay
Zeka’nın (XAI) ilerlemesidir. AI sistemleri daha karmaşık hale geldikçe, karar verme
süreçlerini anlamak giderek daha zor hale gelmektedir. XAI, eylemleri ve kararları
insanlar tarafından kolayca anlaşılabilen, Yapay Zeka sistemlerine güven oluşturmak
ve bunların etik ve sorumlu kullanımı için hayati önem taşıyan Yapay Zeka sistemleri
oluşturmayı amaçlamaktadır (Miller, 2019). Yapay Zeka’nın günlük hayatımıza
entegrasyonu muhtemelen artmaya devam edeceği düşünülmektedir. Daha gelişmiş
kişisel Yapay Zeka asistanları, teşhis ve tedavi önerileri sağlayan sağlık hizmetlerinde
daha gelişmiş Yapay Zeka ve çeşitli sektörlerde Yapay Zeka destekli otomasyonda
artış beklenmektedir (Makridakis, 2017). Bununla birlikte, AI'nın geleceği de önemli
zorluklar sunmaktadır. Yapay Zeka hayatımıza daha entegre hale geldikçe
mahremiyet, adalet ve şeffaflıkla ilgili etik konular daha belirgin hale gelmesi
beklenmektedir. Otomasyon nedeniyle işten çıkarma potansiyeli, ele alınması gereken
önemli bir endişe kaynağı olarak görülmektedir (Arntz vd., 2016). Ayrıca, AGI büyük
umut vaat ederken, aynı zamanda potansiyel riskler de taşımaktadır. AGI'nin gelişimi,
AGI'nin kendisini hızla geliştirdiği ve potansiyel olarak insan zekasını aşan bir süper
60
zeki Yapay Zekaya yol açtığı bir zeka patlamasına yol açabilmekte, bu senaryo derin
güvenlik ve etik sorunları gündeme getirmektedir (Bostrom, 2014).
Nesnelerin İnterneti (IoT), AI'nın geleceğinin umut verici göründüğü başka bir
alan olarak gösterilmektedir. IoT, cihazları internet üzerinden birbirine bağlamak,
uygulamalarla ve bu uygulamaların birbirleriyle konuşmalarına izin vermekle ilgili bir
durum olarak görülmektedir. Akıllı ev aletleri, giyilebilir cihazlar ve sensörler gibi
cihazlardaki üstel büyüme ile bu cihazlar tarafından üretilen veriler, AI sistemlerine
öğrenmek ve akıllı kararlar vermek için zengin bilgiler sağlamaktadır. Bu, sağlık,
enerji yönetimi, ulaşım ve tarım gibi alanlarda devrim yaratmaktadır (Gubbi vd.,
2013).
Yapay Zeka’nın siber güvenlikte de önemli bir rol oynaması beklenmektedir.
Siber tehditler daha karmaşık ve sık hale geldikçe Yapay Zeka ve makine öğrenimi
algoritmaları, tehditleri hızlı ve verimli bir şekilde tespit etmeye ve bunlara yanıt
vermeye yardımcı olmaktadır. Örüntüleri ve anormallikleri analiz etmekte ve siber
saldırılara karşı gerçek zamanlı kararlar almaktadırlar (Buczak ve Güven, 2016).
AI'daki ilerlemeler, iklim değişikliğini anlama ve ele alma konusunda potansiyel
atılımlara da kapı açmaktadır. AI, karmaşık iklim sistemlerini modellemeye,
yenilenebilir enerji sistemlerini optimize etmeye ve ormansızlaşmayı ve diğer çevresel
değişiklikleri izlemeye yardımcı olmaktadır (Rolnick vd., 2019). Ancak Yapay
Zeka’nın yetenekleri arttıkça kötüye kullanım potansiyeli de artmaktadır. Bu,
diğerlerinin yanı sıra 'deepfake' (AI tarafından oluşturulan sahte videolar veya ses),
otonom silahlar, gözetleme ve bilgi manipülasyonu ile ilgili endişeleri içermektedir.
Bu zorluklar, AI kullanımıyla ilgili sağlam etik yönergelere ve düzenleyici çerçevelere
duyulan ihtiyacın altını çizmektedir (Brundage vd., 2018).

61
 Bölüm 5
Yöntem Ve Materyal

5.1 Yöntem
Çalışmanın Amacı: Bu çalışmada Yapay Zeka kavramı ile bu kavrama dayalı
araçların reklamcılık sektöründe nasıl algılandığının incelenmesi amaç edinilmiştir.
Reklam sektöründe yer alan 5 katılımcı ile derinlemesine mülakat yapılarak
çalışmanın sunduğu ana motivasyon ile aşağıdaki araştırma sorularının cevaplanması
amaçlanmıştır.
Araştırma Soruları: Bu çalışma kapsamında sunulan literatür incelemesi ile
derinlemesine mülakat soruları oluşturulmuştur (EK-1) çalışma kapsamında alanında
uzman olan 5 kişi ile görüşmeler yapılarak aşağıdaki araştırma sorularına yanıt
aranmıştır.
A1: Reklamcılık sektöründe Yapay Zeka kullanılıyor mu?
A2: Kullanılan Yapay Zeka programlarına karşı algı ve önyargılar nelerdir?
A3: Yapay Zeka’nın gelecekte reklam sektörüne nasıl hizmet etmesi
beklenmektedir?
Çalışma Yöntemi: Bu çalışma kapsamında öncelikle derinlemesine bir literatür
incelemesi yapılarak reklam ve reklam sektöründe Yapay Zeka kullanımı
araştırılmıştır. Daha sonra Yapay Zeka’nın reklamcılık sektöründe nasıl
konumlandığına ilişkin ayrı bir tarama gerçekleştirilmiştir. Dünya literatürü ile yapılan
bu taramalar neticesinde Yapay Zeka’nın çalışma prensipleri ve gelişim süreçleri de
incelenerek derinlemesine bir mülakat formu oluşturulmuştur. Çalışma kapsamında
alanında uzman 5 kişi ile derinlemesine mülakat gerçekleştirilmiştir. Gerçekleştirilen
mülakatların her biri 50 ila 55 dakika olarak sağlanmıştır. Katılımcıların isim ve soy
isim bilgileri bu çalışmanın ekinde sunulmuş ve her bir katılımcı bilgisi Enstitü etiğine
uyularak kodlanmıştır. Kodlamalarla bu çalışma kapsamına taşınan bilgiler için
katılımcıların gönüllü olarak katılımının sağlandığı, röportaj biçiminde sağlanan
mülakatın detayları katılımcılardan izin alınarak kayıt altına alınmıştır. Çalışma
kapsamında tanımlayıcı bilgiler haricinde 21 adet açık uçlu soru katılımcılara
yöneltilmiştir. Alınan cevaplar kayıt cihazından çözümlenerek MS Office
programlarına aktarılmıştır.

62
 5.2 Materyal
Bu çalışma kapsamında derinlemesine mülakat formu ve kayıt cihazı
kullanılmıştır. Verilerin çözümlemesi için ise betimsel analiz yöntemi tercih edilmiştir.
Bu metodoloji, katılımcıların deneyimlerinin ve anlamlarının derinlemesine
anlaşılmasını sağlar. Verilerin toplanması ve analiz sürecinde fenomenografik analiz
kullanılmıştır. Analiz sürecinde araştırmacı ve bir alan uzmanı birlikte çalışmıştır.
Yıldırım ve Şimşek (2008:75)'e göre bu tip araştırmaların veri analiz süreci,
deneyimleri ve anlamları açığa çıkarmaya yöneliktir.
Yarı yapılandırılmış görüşme formu kullanılarak toplanan veriler, betimsel
analiz sürecinde samimiyet, yoğunlaşma, mukayese, gruplama, açıklama ve
sınıflandırma süreçlerinden geçmiştir. Görüşme kayıtları titizlikle değerlendirilmiş ve
güvenilir kayıtlar elde edildikten sonra veriler gruplandırılmış, anlam kategorileri
analiz edilmiş ve kategoriler arasında kıyaslamalar yapılmıştır. Uzman ve araştırmacı
tarafından belirlenen kategoriler son halini almış, ana anlamlar etiketlenmiş, kavramlar
gruplanmış ve kategorilere isimler verilmiştir. Kategorilerin belirlenmesinden sonra
tablolar oluşturulmuş ve örnek cümlelerle zenginleştirilmiştir. Çalışma kapsamında
katılımcı görüşleri K1, K2, K3, K4, K5 olarak kodlanarak sunulmuştur.
Katılımcı Bilgileri: Bu çalışmaya gönüllü olarak katılım sağlayan katılımcı
bilgileri isimleri gizlenerek Tablo 1’de sunulmaktadır.
Tablo 1
Katılımcı Bilgileri

Kişi Tanıtım
15 yıllık yazılım geliştirme deneyimine sahip ve son 5 yıldır AI teknolojileri
K1
üzerinde çalışan bir profesyonel.
E-ticaret sektöründe 10 yıllık deneyime sahip ve AI tabanlı çözümler üzerinde
K2
çalışan bir uzman.
K3 Veri bilimi ve Yapay Zeka konularında uzmanlaşmış bir bilgisayar mühendisi.
K4 Bir yönetmen ve film endüstrisinde çalışan bir kişi.
20 yılı aşkın otomotiv sektörü deneyimi bulunan ve şirketinde görev alan bir
K5
kişi. Şirketin ödenmiş sermayesi 1 milyonun altındadır.

Verilerin Toplanması: Bu çalışma kapsamında her bir profesyonel ile görüşmeler yüz
yüze görüşme ile gerçekleştirilmiştir. Profesyonellerin her birinden randevu alınarak

63
görüşme yapılmıştır. Kayıtlar ses kaydı izni katılımcılardan alınarak
gerçekleştirilmiştir.
Verilerin Analizi: Yarı yapılandırılmış görüşme formu kullanılarak toplanan
veriler, betimsel analiz sürecinde samimiyet, yoğunlaşma, mukayese, gruplama,
açıklama ve sınıflandırma süreçlerinden geçmiştir. Görüşme kayıtları titizlikle
değerlendirilmiş ve güvenilir kayıtlar elde edildikten sonra veriler gruplandırılmış,
anlam kategorileri analiz edilmiştir. Uzman ve araştırmacı tarafından belirlenen
kategoriler son halini almış, ana anlamlar etiketlenmiş, kavramlar gruplanmış ve
kategorilere isimler verilmiştir. Kategorilerin belirlenmesinden sonra tablolar
oluşturulmuş ve örnek cümlelerle zenginleştirilmiştir. Çalışma kapsamında katılımcı
görüşleri K1, K2, K3, K4, K5 biçiminde kodlanarak sunulmuştur.

64
 Bölüm 6
Bulgular

Bu çalışmada 5 profesyonel katılımcı ile görüşme yapılmıştır. Çalışma

kapsamında yer alan katılımcılardan 1’i kadın (K2) ve 4’ü erkektir (K1, K3, K4, K5).
Çalışma kapsamında katılımcılara 30 adet soru yöneltilmiş olup kendilerini tanımlama
bilgilerine Tablo 1’de yer verilmiştir. Kodlamalara ilişkin açıklamayı takip eden bu
bölümde katılımcılara yöneltilen sorular ve alınan yanıtlara yer verilmektedir. Tablo
2’de katılımcıların bulundukları sektörlere ilişkin cevaplarına yer verilmektedir.
Tablo 2
Katılımcıların Çalıştıkları Sektörler ve Yapay Zeka Deneyimleri
Şirketim, müşteri deneyimini geliştirmek için AI
destekli chatbotlar ve öneri sistemleri üzerinde
çalışıyor.
Şirketimizde, tedarik zinciri optimizasyonu ve talep
tahminleme konularında AI tabanlı çözümler
geliştiriyoruz.
Şirketinizin (ya da bağlı
Kurumumuzda, tıbbi teşhisleri desteklemek için AI
olduğunuz kurumun) AI ile
tabanlı görüntü analizi araçları üzerinde
ilgili çalışmaları nelerdir? Bu
yoğunlaşıyoruz.
çalışmaların reklamcılık
Video kurgu aşamasında Yapay Zeka destekli
alanında nasıl uygulandığını
programları kullanıyoruz. Bu, render aşamasında
örnekleyebilir misiniz?
kolaylık sağlıyor.
Yapay Zeka ile ilgili olarak websitemizin daha etkin
kullanılmasına yönelik olarak çalışmalarımız oldu.
Bu çalışmalar esnasında site içerisinde hangi
alanların aslında daha fazla öne çıkması gerektiği
hakkında bilgi sahibi olduk.

Tablo 2’de görüleceği üzere katılımcıların her biri Yapay Zekayı nasıl
kullandığını ve bu teknolojinin reklamcılık alanında nasıl uygulanabileceği konusunda
fikir ve deneyim sahiplerinden oluştuğu görülmektedir. Her bir katılımcı, iş süreçlerini
otomatikleştirme, kişiselleştirme, analiz etme ve optimize etme gibi farklı yollarla
reklamcılık stratejilerinin geliştirilmesine ilişkin bilgi sahibi olduklarını ifade
etmektedirler. Tablo 3’de katılımcıların Yapay Zeka (AI) ile ilgili reklam sektörü
analizlerine ilişkin görüşlerine yer verilmektedir.

65
Tablo 3
Katılımcıların Yapay Zeka Reklam Sektörü Analizlerine ilişkin Görüşleri
Reklamcılıkta AI kullanımının, kullanıcıların ilgi
alanlarına göre kişiselleştirilmiş reklam kampanyaları
oluşturulmasını sağladığı görülmektedir(K1).
Reklam kampanyalarının etkinliğini izlemek ve pazar
trendlerini analiz etmek için AI destekli araçlar
kullanılmaktadır (K2).
AI destekli analizler, reklamcıların kullanıcı
Reklamcılık sektöründe
davranışlarını daha doğru bir şekilde anlamalarına
AI ile yapılan analizlerin
yardımcı olur ve daha etkili reklam stratejileri
sağladığı faydalar
oluşturmayı sağlar(K3).
nelerdir?
Müşteri davranışlarının ve trendlerinin takibi ve reklam
kampanyalarının optimizasyonu gibi alanlarda
kullanılabilir(K4).
Reklamcılıktaki AI kullanımın en büyük faydası hedef
kitlenin beklentilerine neredeyse eksiksiz olarak
ulaşabiliyor ve buna göre strateji geliştirebiliyor
olmak(K5).

Tablo 3’te katılımcıların Yapay Zeka ile reklamcılık sektörüne ilişkin analizleri
kullandıkları ve bunlardan fayda olarak bahsettikleri görülmektedir. Katılımcılara
göre,
Tablo 3’te katılımcıların ifadeleriyle, Kişiselleştirilmiş Reklam Kampanyaları
Reklamcılık sektörü, AI teknolojisinin sağladığı hedefleme yeteneklerinden büyük
ölçüde faydalanmaktadır. AI teknolojisi, kullanıcıların ilgi alanlarını ve davranışlarını
öğrenir ve bu bilgilere dayanarak kişiselleştirilmiş reklam kampanyaları oluşturur. Bu,
kullanıcılara daha ilgi çekici ve alakalı reklamlar sunmayı mümkün kılar, böylece
genel tüketici memnuniyetini ve marka sadakatini artırır.
Kampanya Etkinliğinin İzlenmesi ve Pazar Trendlerinin Analizi: AI destekli
araçlar, reklam kampanyalarının performansını izlemek ve pazar trendlerini analiz
etmek için kullanılır. Bu, reklamcıların kampanyalarını gerektiği şekilde
düzenlemelerine ve stratejik kararlar alabilmelerine yardımcı olur.
Kullanıcı Davranışlarına Dair Kavrayış: AI, kullanıcı davranışlarının daha doğru
bir şekilde anlaşılmasını sağlar. AI algoritmaları, tüketicinin çevrimiçi aktiviteleri ve
alışveriş davranışları üzerinden büyük miktarda veri toplar ve analiz eder. Bu da
reklamcıların daha etkili ve hedef odaklı reklam stratejileri geliştirmelerini sağlar.
Reklam Kampanyalarının Optimizasyonu: AI, reklamcıların kampanyalarını
daha etkili hale getirmek için neyin işe yarayıp neyin yaramadığını anlamalarına
66
yardımcı olur. Buna, hangi reklam biçimlerinin, hangi kullanıcı segmentleriyle daha
iyi performans gösterdiği ve hangi mesajların en fazla tıklanma oranına sahip olduğu
gibi bilgiler dahildir.
Beklenti Yönetimi ve Strateji Geliştirme: AI kullanımının bir diğer büyük
avantajı, hedef kitleye hemen hemen tam olarak hitap etme ve bu doğrultuda strateji
geliştirme yeteneğidir. Bu, reklamcıların, tüketicilerin beklentilerini karşılamak ve
onları karşılamak için uygun stratejiler oluşturmak için derinlemesine bir anlayış
kazanmalarını sağlayan bir tema ortaya koydukları görülmektedir.
Bu deneyim görüşleri alındıktan sonra katılımcılara Yapay Zekayı eksi ve artı
yönlü olarak değerlendirmelerini isteyen soru yöneltilmiştir. Tablo 4’te bu görüşlere
yer verilmektedir.
Tablo 4
Katılımcıların Reklamcılıkta Kullanılan Yapay Zeka’nın Güçlü ve Zayıf
Yönlerine İlişkin Görüşleri
AI, reklamcılıkta müşteri beklentilerini daha iyi anlamamıza ve
onlara daha alakalı içerikler sunmamıza yardımcı olur. Ancak,
yanlış uygulandığında kullanıcıların gizlilik haklarını ihlal
edebilir(K1).
AI, reklamcıların daha etkili hedefleme ve segmentasyon
yapmasını sağlar, fakat aynı zamanda karmaşıklığı ve teknik
Reklamcılıkta beceri gerekliliği nedeniyle uygulama zorlukları da
kullanılan AI bulunmaktadır (K2).
teknolojilerinin
AI, hedefleme ve personalizasyonun yanı sıra reklam
artıları ve eksileri
performansını ölçme konusunda da önemli faydalar sunar.
nelerdir?
Ancak, kullanıcıların veri gizliliği konusundaki endişeleri ve
maliyet faktörü, bu teknolojilerin yaygınlaşmasını
engelleyebilir(K3).
Analiz ve sunumda başarılı modeller var(K4).
En önemli tarafı beklenti analizi için big data oluşturması, eksi
tarafı ise gizlilik ve mahremiyetin açığa çıkabilme ihtimali(K5).

Tablo 4’ten de anlaşılacağı üzere, Katılımcılara göre, Tablo 4'teki AI'nın

reklamcılıktaki kullanımına dair artıları ve eksileri şu şekilde görülmektedir.
Artıları: Daha İyi Müşteri Anlayışı: AI, reklamcılıkta müşteri beklentilerini
daha iyi anlamamıza yardımcı olur. Bu sayede müşterilere onların ilgi alanlarına ve
tercihlerine uygun daha alakalı içerikler sunabiliriz(K1).
Etkili Hedefleme ve Segmentasyon: AI, reklamcılara daha etkili hedefleme ve
segmentasyon imkanı sunar. Bu, reklamların doğru kitleye, doğru zamanda ve doğru
mesajla ulaşmasını sağlar(K2).
67
 Reklam Performansının Ölçümü: AI, reklam performansını ölçme konusunda
önemli faydalar sağlar. Bu sayede hangi reklamın hangi kitleye ne kadar etkili olduğu
anlaşılabilir(K3).
Beklenti Analizi: AI'nin en önemli yönlerinden biri, büyük veri oluşturarak
beklenti analizi yapabilme kapasitesidir. Bu sayede hedef kitlenin beklentileri doğru
bir şekilde anlaşılır ve buna göre stratejiler geliştirilir(K5).
Eksileri: Gizlilik ve Mahremiyet İhlali: AI'nın reklamcılıktaki yanlış
uygulamaları, kullanıcıların gizlilik haklarını ihlal edebilir. Kullanıcıların veri gizliliği
konusundaki endişeleri, bu teknolojinin yaygınlaşmasını engelleyebilir (K1, K5).
Uygulama Zorlukları: AI'nın karmaşıklığı ve teknik beceri gerekliliği,
uygulamada zorluklar yaratabilir. Bu, hem ek eğitim ve öğrenme gerektirebilir, hem
de işletmelerin AI'ı tam anlamıyla kullanabilmeleri için ek maliyetlere yol
açabilir(K4).
Maliyet Faktörü: AI teknolojileri, özellikle küçük ve orta ölçekli işletmeler için
maliyetli olabilir. Bu da, bu teknolojilerin geniş çapta kullanımını sınırlayabilir (K2,
K3) endişeleriyle birlikte görülmektedir.
Katılımcıların bu değerlendirmelerini takiben Yapay Zeka’nın başarılı
olabileceği alanları değerlendirmeleri istenmiştir. Tablo 5’de bu değerlendirmeye
ilişkin katılımcı görüşlerine yer verilmektedir.
Tablo 5
Sunulan Katılımcı Görüşlerine Göre Reklam Sektöründe, Yapay Zeka’nın Başarı
Yakalayacağı Alanlar Şu Şekildedir:
Reklamcılıkta AI, hedefleme, personalizasyon ve
optimizasyon alanlarında en başarılı olabilecek gibi
görünmektedir. (K1)
AI'nın, kullanıcı davranış analizi ve reklam
Reklamcılıkta AI'nın en performansının ölçülmesi alanlarında büyük başarı
başarılı olabileceği gösterdiği görülmektedir. (K2)
alanlar nelerdir? AI, reklamcılıkta içerik oluşturma, tahminleme ve trend
analizi gibi alanlarda başarılı olabilir. (K3)
Müşteri beklentilerini anlamlandırma ve manipule etme
konusunda başarılı olacaktır. (K4)
Görsel analiz (K5)

Hedefleme, Personalizasyon ve Optimizasyon (K1): Reklamcılıkta AI,

müşterilerin tercihlerini ve davranışlarını analiz ederek onlara özel hedeflenmiş ve
kişiselleştirilmiş reklam kampanyaları oluşturma potansiyeline sahiptir. Ayrıca,
68
reklam kampanyalarının etkinliğini izleme ve geliştirmeye yardımcı olur. Bu sayede,
reklamların doğru kitleye, doğru zamanda ve doğru şekilde ulaşması sağlanır.
Kullanıcı Davranış Analizi ve Reklam Performansının Ölçülmesi (K2): AI,
kullanıcıların çevrimiçi davranışlarını ve alışveriş alışkanlıklarını analiz eder. Bu,
reklamcılara kullanıcıların neyi sevdiğini, neyi sevmediğini ve hangi tür reklamların
daha fazla ilgi çektiğini anlama konusunda yardımcı olur. Ayrıca, AI, reklam
performansını ölçme ve kampanyaların etkinliğini artırma konusunda büyük başarı
göstermiştir. İçerik Oluşturma, Tahminleme ve Trend Analizi (K3): AI, otomatik
içerik oluşturma yeteneği sayesinde reklam metinlerini ve başlıklarını oluşturabilir.
Bunun yanında, AI'nın tahminleme yeteneği, gelecekte hangi tür reklamların veya
kampanyaların başarılı olacağını önceden belirlemeye yardımcı olabilir. AI ayrıca
pazar trendlerini analiz eder ve önümüzdeki dönemde hangi trendlerin popüler
olacağını tahmin eder. Müşteri Beklentilerini Anlama ve Manipülasyon (K4): AI,
müşteri beklentilerini anlamlandırma ve bu beklentilere uygun stratejiler geliştirme
konusunda başarılı olabilir. Ayrıca, bu bilgiler, müşteri davranışlarını ve tercihlerini
etkileyebilme yeteneği sunar.
Görsel Analiz (K5): AI, görsel reklamların etkinliğini analiz etme konusunda da
başarılı olabilir. AI, görsel tanıma teknolojileri sayesinde, hangi görsel öğelerin
kullanıcıların dikkatini çektiğini ve hangi öğelerin daha etkili olduğunu belirleyebilir.
Bu, daha etkili görsel reklam stratejileri oluşturmayı mümkün kılar.
Katılımcıların bu değerlendirmelerini takiben katılımcılara Yapay Zeka’nın hangi
meslek gruplarını etkileyebileceği sorusu yöneltilmiştir. Tablo 6’da bu soruya yönelik
katılımcı görüşlerine yer verilmektedir.

69
 Tablo 6
Yapay Zeka’nın Etkileyeceği Meslek Gruplarına İlişkin Katılımcı Görüşleri
AI, belki de veri analistlerinin ve pazar
araştırmacılarının yerini alabilir, çünkü bu roller
genellikle büyük veri kümelerinin analizini içerir. (K1)
AI, belki de reklam tasarımcılarının ve içerik
oluşturucularının işlerini otomatikleştirebilir, çünkü bu
Reklamcılık alanında alanlar kreatif ve yenilikçi içerik oluşturmayı gerektirir.
AI'nın hangi meslek (K2)
gruplarının yerini AI'nın medya planlama ve satın alma gibi işlemleri
alabileceğini otomatikleştirebileceği düşünülmektedir. (K3)
düşünüyorsunuz? İstatistik ve beklentileri araştırma konusunda
reklamcıları diğer sektörlerden bağımsız hale
getirecektir. (K4)
Bu konuda bir fikrim yok. Olabilir ama duyduğum
sadece spekülasyonlar var. Spesifik olarak şu meslek
grubu risk altında diyemem (K5)

Tablo 6’ya göre katılımcılar, Veri analistleri ve pazar araştırmacıları (K1),

reklam tasarımcıları ve içerik oluşturucular (K2), medya planlama ve satın alma (K3)
istatistik ve beklenti araştırmaları (K4) gibi meslek gruplarının Yapay Zeka
gelişiminden etkileneceği düşüncesine sahip görünmektedirler. Katılımcılara ayrıca
Yapay Zeka’nın mahremiyete olan etkisi hakkındaki görüşleri sorulmuştur. Tablo 7’de
katılımcıların reklamcılık ve veri gizliliği konusunda görüşlerine yer verilmektedir.
Tablo 7
Katılımcıların Yapay Zeka Mahremiyete Erişimi Konusundaki Görüşleri
AI, reklamcılıkta kullanıldığında, veri gizliliği ve
kullanıcı mahremiyeti konularında ciddi endişelere yol
açabilir. Bu nedenle, bu teknolojileri etik ve sorumlu
bir şekilde kullanmak önemlidir. (K1)
Reklamcılık alanında AI'nın veri analizi ve işleme yetenekleri, kullanıcı
AI'nın veri gizliliği ve gizliliği konusunda ciddi riskler oluşturabilir. Bu
kullanıcının nedenle, kullanıcı verilerinin nasıl kullanılacağına ve
mahremiyetine olan etkisi saklanacağına dair net ve şeffaf politikalar gereklidir.
hakkında neler (K2)
düşünüyorsunuz? AI'nın reklamcılıkta kullanımı, kullanıcının
mahremiyetine zarar verebilir. Bu nedenle, kullanıcı
verilerinin toplanması ve kullanılması konusunda
yasaların ve düzenlemelerin güncellenmesi gerekebilir.
(K3)

70
 Tablo 7 (devam)
Özellikle akıllı telefonlada yer alan mobil
Reklamcılık alanında uygulamaların kullanıcı verilerini toplama ve analiz
AI'nın veri gizliliği ve etme konusunda kullanıcı mahremiyetinin ihlal edildiği
kullanıcının görülmektedir(K4).
mahremiyetine olan etkisi
Gizlilik ve mahremiyetin açığa çıkmamasına yönelik
hakkında neler
olarak çok daha ciddi çalışmalar yapılmalı ve AI için
düşünüyorsunuz?
etik değerler tanımlanmalı(K5).

Tablo 7’de de görüleceği üzere katılımcılar veri gizliliği ve etik kullanım (K1),
veri analizi ve işleme riskleri (K2), yasalar ve düzenlemeler (K3), mobil uygulamalar
ve kullanıcı mahremiyeti (K4), AI için etik değerler (K5) üretilmesi gerekliliği
konusunda endişelerini ifade etmişlerdir. Bu değerlendirmenin ardından katılımcılara
Yapay Zeka ve içerik üretimi ile ilgili sorular yöneltilmiştir. İlgili soru ve katılımcı
görüşlerine Tablo 8 ila 17 aralığında yer verilmektedir.
Tablo 8
AI ve İnsan İşbiliğine İlişkin Katılımcıların Görüşleri
Yapay Zeka İçerik Oluşturma
İnsanlar ve AI'nın birlikte çalışmasıyla, veri analizi,
hedef kitlenin analizi ve yaratıcı fikirlerin birleşimi ile
daha etkili ve kişiselleştirilmiş reklam kampanyaları
oluşturulabilir(K1)
AI'nın iş birliğiyle, reklamcılar daha fazla veriye ve daha
hızlı analizlere erişebilir, böylece daha iyi
bilgilendirilmiş kararlar alabilir ve daha etkili stratejiler
AI ve insanın iş birliği ile geliştirebilir (K2).
reklamcılık alanında nasıl İnsan ve AI'nın ortak çalışması, reklamcılıkta daha iyi bir
daha başarılı sonuçlar hedef kitle anlayışı ve daha kapsamlı bir veri analizi
elde edilebilir? sağlar, böylece reklamlar daha iyi hedeflenir ve sonuçlar
daha başarılı olur(K3).
Beklentiler daha doğru anlaşılacağından kişiye özgü
reklam çalışmaları daha başarılı olarak yönetilebilir(K4).
Eğer bir AI için etik değerlerde yazılımsal olarak
tanımlanırsa o zaman gerçekten faydalı olur. Şu an içi
popülist bir yaklaşım ile kullanılıyor bence(K5).

Tablo 8’de Katılımcıların, AI ve insanın iş birliğiyle reklamcılık alanında daha

başarılı sonuçlar elde edilebileceğine dair düşünceleri arasında AI’nın veri analizi
yetenekleri, hızlı analiz imkanı ve kişiselleştirme yetenekleri, reklamcıların daha etkili
stratejiler geliştirmesine ve hedef kitleye daha iyi ulaşmasına yardımcı olabileceği

71
düşüncesinin olduğu görülmektedir. Bununla birlikte etik değerlere dikkat çekildiği de
görülmektedir(K5).
Tablo 9’da katılımcılara reklamın yaratıcılık yönüne ilişkin Yapay Zekaya dair
görüşlerine yer verilmektedir.
Tablo 9
Yapay Zeka ve Reklam Sektörü Hakkında Katılımcı Görüşleri
Yapay Zeka İçerik Oluşturma
AI, reklamcılık sektöründe hem istihdam yaratıcı
hem de mevcut iş olanlarını dönüştürücü bir rol
oynayabilir.
AI'nın reklamcılıkta kullanılması yeni beceriler
ve roller gerektirebilir, bu da yeni istihdam
olanakları yaratabilir.
AI, rutin görevlerin otomatikleştirilmesiyle bazı
iş olanaklarını azaltabilir, ancak aynı zamanda
daha yaratıcı ve stratejik işlere odaklanma imkânı
AI, reklamcılık sektöründe
da sunar.
istihdam yaratıcı mıdır yoksa
AI, reklamcılıkta çalışanların rollerini
mevcut iş olanaklarını azaltıcı
değiştirerek ve onları daha veri odaklı ve analitik
mıdır?
çalışmalara yönlendirerek sektörde yeni fırsatlar
yaratabilir.
İstatistiksel anlamda beklenti ölçümlerini
sağlayan sektörlerin iş olanakları azalacaktır
ancak bu durum Yapay Zekayı doğru
yönlendirme konusunda yeni olanaklar
yaratabilir.
Bence istihdam yaratıcıdır çünkü AI için
çalışanlar olmalı.

Tablo 9’da yer alan bilgilere dayalı olarak katılımcıların AI ve insan iş birliği ile
reklamcılık sektörünün gelişeceği fikrinde birleştikleri görülmektedir Bu özellikle
sektörde yeni fırsatlar yakalama(K3) ile Yapay Zekayı yaratan gücün de insana ihtiyaç
duyması yönüyle (K5) tarafından iletilen düşüncelerde görülmektedir.
Tablo 10’da katılımcıların reklamcılıkta AI kullanımına ilişkin zorluklara dair
görüşlerine yer verilmektedir.

72
 Tablo 10
Yapay Zekan’nın Reklamcılıkta Kullanımına Dair Zorluklara İlişkin Katılımcı
Görüşü
Yapay Zeka İçerik Oluşturma
AI'nın etik kullanımı, veri gizliliği ve mahremiyet konuları,
rekabetçi avantajların korunması gibi konular en büyük
zorluklardır.
AI'nın reklamcılıkta kullanımıyla ilgili bir diğer zorluk, AI
Reklamcılık
sistemlerinin doğru eğitilmesi ve güvenilir sonuçlar
alanında AI
üretebilmesidir.
kullanımıyla ilgili
AI teknolojisinin hızla gelişmesi ve değişmesi, reklamcılıkta AI
en büyük zorluklar
kullanımının sürekli güncellenmesini ve adaptasyonunu
nelerdir?
zorlaştırabilir.
Beklenti ölçümü ve hedef kitlenin yönlendirilmesi konusunda
Yapay Zeka entegrasyonu biraz vakit almaktadır.
Bu konuda bir fikrim yok.

Tablo 10’da da anlaşılacağı üzere katılımcıların Yapay Zeka kullanımının

özellikle reklamcılık sektöründe hedefleme stratejisi kazanmak üzere veri toplamasına
ilişkin endişeler ve veri gizliliğinin önemine dair benzer görüşler ifade ettikleri
görülmektedir. Diğer taraftan beklenti ölçümü (K4) ve Modelin doğru eğitilmesi
gerekliliği (K2) tarafından ifade edilmiştir. Tablo 6.10’da reklamcılıkta Yapay Zeka
kullanımının zorunlu olup olmadığı sorusu katılımcılara yöneltilmiştir. Alınan
cevaplara Tablo 11’de yer verilmektedir.
Tablo 11
Katılımcılara Göre Yapay Zeka’nın Reklam Sektörü İçin Gerekliliği
Yapay Zeka İçerik Oluşturma
Reklamcılık sektöründe AI teknolojisinin
kullanımı son derece gereklidir çünkü rekabetçi
bir avantaj sağlar, hedef kitleye daha etkili ve
Kişiselleştirilmiş reklamlar sunar ve verimliliği
artırır.
Reklamcılık sektöründe AI
AI teknolojisi, reklamcılıkta veri analizi, hedef
teknolojisinin kullanımı sizce
kitlenin analizi ve kampanya optimizasyonu gibi
ne kadar gereklidir?
süreçleri otomatikleştirerek zaman ve kaynak
tasarrufu sağlar.
AI teknolojisi, reklamcıların daha iyi hedeflenmiş
kampanyalar oluşturmasını ve rekabetçi bir
pazarda öne çıkmasını sağlar.

73
 Tablo 11 (devam)
Reklamcılık sektöründe AI
teknolojisinin kullanımı
sizce ne kadar gereklidir?
Özellikle mobil tarafta beklenti ölçümü ve hedef
kitlenin yönlendirilmesi konusunda reklamcılık için
gereklidir.
Çok gerekli olduğunu düşünüyorum çünkü, herkes
kendi hedef kitlesine çok net bir şekilde ulaşırsa
zaman kayıpları engellenir ve etkin bir pazarlama
ortaya konulur.

Tablo 11’de da görüleceği üzere reklamcılık sektörü için Yapay Zeka kullanımı
hedefli bir pazarlama yöntemi ortaya koymaktadır. Bu yönüyle katılımcıların tamamı
bu reklam stratejisini benimsemiş olarak görünmektedir. Hatta katılımcıların
tamamına göre reklamcılık sektörü için Yapay Zeka kullanımı gereklilikler arasında
yerini almaktadır.
Yapay Zeka uygulamalarının katılımcıların tamamının üzerinde gereklilik fikri
ile buluştuğu reklam sektörü için Yapay Zeka’nın yaratıcılığına ilişkin soru
yöneltilerek fikirlerini belirtmeleri istenmiştir. Katılımcıların Yapay Zeka
yaratıcılığına dair görüşlerine Tablo 12’de yer verilmektedir.
Tablo 12
Yapay Zeka’nın Yaratıcılığı Hakkındaki Katılımcı Görüşleri
Yapay Zeka İçerik Oluşturma
Evet, Yapay Zeka, büyük veri analizi ve öğrenme
yetenekleri sayesinde reklamcılıkta yaratıcı fikirler
üretebilir. AI, trendleri takip eder, kullanıcı tercihlerini
analiz eder ve bu verilere dayanarak yenilikçi ve
etkileyici reklam içerikleri geliştirebilir.
Yapay Zeka, reklamcılıkta yaratıcı fikirler üretebilir
çünkü veri analizi ve algoritmalar kullanarak, hedef
Yapay Zeka, reklamcılık kitlenin ilgi ve tercihlerini anlar ve bu bilgileri kullanarak
alanında yaratıcı fikirler dikkat çekici ve etkileyici reklam içerikleri oluşturabilir.
üretebilir mi? Yapay Zeka, reklamcılıkta yaratıcı fikirler üretebilir
Bu düşünceyi açar çünkü veri analizi, trendleri takip etme ve kullanıcı
mısınız? tercihlerini anlama yeteneklerine sahiptir. Bu sayede,
özgün ve ilgi çekici reklam içerikleri oluşturulabilir.
Yaratabilir, Yapay Zeka’nın kendi kendine öğrenme
profili sayesinde en çok tıklanan, en çok bakılan, en çok
ilgi duyulan konuları değerlendirerek, bir ürün grubu için
kendi yaratıcı fikrini ortaya koyabilir.
Görsel üretme tarafında vakit kazancı sağladığından,
absürd fikirlerin kolayca eliminasyonunu sağlamaktadır.

Tablo 12’de de görüleceği üzere katılımcılar, trend takibi için veya yaratıcı fikre
insanı yönlendirmesi için Yapay Zekaya olumlu düşünceler beslemektedirler. Verileri
74
analiz ederek, orijinal olmayan düşünceyi elimine ederek ve trenleri takip ederek
yaratıcı fikirler konusunda Yapay Zeka kullanımını benimsedikleri görülmektedir.
Tablo 13’te katılımcıların reklam sektöründe yaratıcı ve doğru eğitimli Yapay
Zeka’nın geleceğine ilişkin katılımcı görüşlerine yer verilmektedir.
Tablo 13
Reklamcılıkta Yapay Zeka’nın Geleceği Hakkındaki Katılımcı Görüşleri
Yapay Zeka İçerik Oluşturma
Reklamcılıkta AI teknolojisinin yakın gelecekte
daha merkezi bir rol oynayacağını öngörüyorum.
AI, reklamcılığın veri odaklı ve kişiselleştirilmiş
bir şekilde yönetilmesine olanak sağlayacak ve
reklamcıların daha etkili ve verimli kampanyalar
oluşturmasını destekleyecektir.
Reklamcılıkta AI teknolojisinin yakın gelecekte
daha yaygın bir şekilde kullanılacağını ve
reklamcıların AI'yı daha fazla benimseyeceğini
düşünüyorum. AI, reklamcıların veri analizi ve
hedef kitlenin analizi gibi süreçleri
Reklamcılıkta AI teknolojisinin otomatikleştirmesine ve daha etkili reklam
yakın gelecekte nerede olacağını stratejileri geliştirmesine yardımcı olacaktır.
öngörüyorsunuz? Yakın gelecekte, reklamcılıkta AI teknolojisinin
daha da önem kazanacağını ve reklamcıların daha
fazla AI tabanlı araçlara güveneceğini
öngörüyorum. AI, veri analizi, kampanya
optimizasyonu ve kişiselleştirme gibi alanlarda
reklamcıları destekleyecek ve daha etkili sonuçlar
elde etmelerini sağlayacaktır.
Önümüzdeki 5 yıl içerisinde reklamcılığa yön
verecek.
Kişiye özgü reklam servislerinin oluşturulması
sayesinde müşteri ihtiyaçlarının düzenlenmesi
kolaylaşacaktır.

Tablo 13’ten de görüleceği üzere Yapay Zeka’nın henüz eksikleriyle sağladığı

artılar (Tablo 3) nedeniyle gelecekte daha fazla reklam sektörü ile iç içe bir görüntü
sergileyeceğine ilişkin düşüncelerini ifade etmişlerdir. Buna göre, Verimli
kampanyalar(K1), veri analizi ve hedef kitle ile aynı düşünceyi ifade eden (K2), benzer
bir biçimde veri analizi ve etkili sonuçlar söylemiyle (K3) “veri analizi ve hedefli
reklam optimizasyonunu” dile getirmektedirler. K4 reklamcılığa Yapay Zeka’nın daha
fazla yön vereceğini ifade ederken K5, daha fazla kişisel bilgiye erişecek olan Yapay
Zeka’nın daha çok kişisel ihtiyaçları sunma potansiyeli göstereceğini belirtmiştir.

75
 Katılımcıların reklam sektörünün bir gerekliliği olarak gördüklerini ifade
ettikleri Yapay Zeka’nın reklam sektöründe görsel içerik oluşturmasına dair
düşüncelerine ise Tablo 14’te yer verilmektedir.

Tablo 14
Yapay Zeka’nın Reklamcılık İçin Görsel İçerik Oluşturması Hakkında Katılımcı
Görüşleri
Yapay Zeka İçerik Oluşturma
AI, reklam metinleri ve görsel içeriklerin oluşturulması
süreçlerinde önemli bir rol oynayabilir. AI, doğal dil işleme
ve görüntü tanıma tekniklerini kullanarak, reklam metinleri
ve görsel içeriklerin otomatik olarak oluşturulmasına
yardımcı olabilir.
AI, reklam metinleri ve görsel içeriklerin oluşturulması
AI, reklam metinleri sürecinde yaratıcılığı ve hızı artırabilir. Örneğin, reklam
ve görsel içeriklerin metinleri için AI tabanlı bir dil modeli kullanarak, etkileyici
oluşturulması ve dikkat çekici metinler oluşturulabilir. Görsel içerikler
süreçlerinde nasıl bir için ise, görüntü tanıma ve sentezleme teknikleri
rol oynayabilir? kullanılarak, çekici ve özgün görseller oluşturulabilir.
AI, reklam metinleri ve görsel içeriklerin oluşturulması
sürecinde, kullanıcı tercihlerini analiz ederek ve trendleri
takip ederek, daha etkileyici ve kişiselleştirilmiş içerikler
oluşturabilir. AI aynı zamanda, hızlı ve otomatik bir şekilde
büyük miktarda içerik üretebilir.
5nci soruya verdiğim cevap kapsamında değerlendirilebilir.
Yazılı metinlerin görsel içeriğe dönüştürmesi sayesinde
grafik tasarımına olan ilgi azalacaktır.

Tablo 14’te de görüleceği üzere katılımcılar Yapay Zekanı görseller konusunda

da yetenek kazanacağını düşünmektedirler. Örneğin k5, grafik tasarıma olan ilginin
azabileceği düşüncesini ifade etmektedir. Bu da Yapay Zeka’nın görsel işleme gücü
arttıkça daha fazla görsel üretebileceği vurgusunu taşımaktadır. Diğer katılımcıların
da görsel içerik üretme konusunda Yapay Zeka’nın daha başarılı hale geleceği görüşü
açıkça görünmektedir.
Tablo 15’de geleneksel reklamcılık ve AI teknolojilerini kullanan reklamcılık
hakkındaki katılımcı görüşlerine yer verilmektedir.

76
 Tablo 15
Geleneksel Reklamcılık ve AI Kullanan Reklamcılığa İlişkin Katılımcı Görüşleri
Yapay Zeka İçerik Oluşturma
AI ile desteklenen reklamcılık teknolojileri, geleneksel reklam
yöntemlerine göre birçok avantaj sağlar. AI, veri analizi ve
algoritmalar kullanarak, reklamların hedef kitlenin ilgi ve
tercihlerine daha iyi uyum sağlamasını sağlar. Bu da
reklamların daha etkili ve dönüşümlü olmasını sağlar.
AI ile desteklenen AI, reklamcılıkta daha iyi hedefleme, daha kişiselleştirilmiş
reklamcılık reklamlar ve daha iyi sonuçlar elde etmek için büyük veri
teknolojileri, analizi ve makine öğrenmesi tekniklerini kullanabilir. Ayrıca,
geleneksel reklam AI, reklam kampanyalarının daha verimli bir şekilde
yöntemlerine göre yönetilmesini ve optimize edilmesini sağlar.
hangi avantajları AI ile desteklenen reklamcılık teknolojileri, geleneksel reklam
sağlar? yöntemlerine göre daha hızlı, daha verimli ve daha
ölçeklenebilir bir şekilde çalışır. AI, büyük veri setlerini analiz
edebilir, karmaşık ilişkileri tanımlayabilir ve reklam
stratejilerinin geliştirilmesinde daha etkili olabilir.
Çağa ayak uydurur ve özellikle mevcut kuşak beklentilerine
yönelik daha organize edilmiş bir yapı ortaya koyar.
Hedef kitlenin doğru tespiti ve müşteri ihtiyaçlarının
yönlendirilmesi konusunda avantajlar sağlayacaktır.

Tablo 15’den de görüleceği üzere AI teknolojileri geleneksel reklamcılığa göre

daha fazla ilgi görmektedir. Katılımcılara göre büyük veri analizleri, hedefli pazarlama
ile ihtiyaç duyulanı tüketiciye sunma araçları, reklam stratejilerinin geliştirilmesi ve
çağa uyum gibi konularda tercih edilmektedir. Bununla birlikte bu organizasyonlar
yapılırken reklamcıların insan mahremiyetine ilişkin vurgusu ihmal edilmiş
görünmektedir. Bu da katılımcıların profesyonel düşüncelerinde yalnızca reklam
stratejisi olarak gelenekseli iyi bulmadıklarını, AI kullanımını desteklerini
göstermektedir. Bununla birlikte daha önce birçok kez katılımcıların etik ve hukuk
statüsünden de bahsettikleri görüldüğünden geleneksel reklam değil ama etik teknoloji
yaklaşımını benimsedikleri anlaşılmaktadır.

77
 Katılımcıların sıklıkla üstünde durdukları hedefli reklamcılık maddesine ilişkin
katılımcılara görüşleri sorulmuş olup katılımcı görüşlerine Tablo 16’da yer
verilmektedir.
Tablo 16
Katılımcıların Hedefe Yönelik Reklamcılıkta AI kullanımına İlişkin Görüşleri
Yapay Zeka İçerik Oluşturma
AI destekli reklamcılıkta, kullanıcı deneyimini
anlamak için çeşitli teknikler kullanılabilir.
Örneğin, kullanıcı davranışı analizi ve trendleri
takip etme, kullanıcının ilgi ve tercihlerini anlama
konusunda önemli bir rol oynar. Ayrıca,
kişiselleştirilmiş reklamcılık, AI'nın kullanıcı veril
erini analiz ederek ve kullanıcı profillerini
oluşturarak daha etkili ve hedefe yönelik reklamlar
oluşturmasını sağlar.
AI destekli reklamcılıkta, kullanıcı deneyimini
anlamak için makine öğrenmesi ve doğal dil işleme
teknikleri kullanılabilir. Örneğin, duygu analizi,
AI destekli reklamcılıkta, kullanıcının tepkilerini anlamak ve buna göre
kullanıcı deneyimini reklamları optimize etmek için kullanılabilir.
anlayarak daha etkili ve Ayrıca, kullanıcı geri bildirimlerinin analizi ve
hedefe yönelik reklamlar sosyal medya verilerinin değerlendirilmesi de
oluşturmak için hangi kullanıcı deneyimini anlamak için kullanılabilecek
teknikler kullanılabilir? teknikler arasındadır.
AI destekli reklamcılıkta, kullanıcı deneyimini
anlamak için veri analizi ve algoritmalar
kullanılabilir. Örneğin, kullanıcının geçmiş
davranışlarına dayanarak önerilerde bulunma,
kullanıcının ilgi alanlarına göre reklamları
özelleştirme ve kullanıcının dikkatini çekecek
içeriklerin belirlenmesi gibi teknikler kullanılabilir.
Bu şekilde, kullanıcı deneyimi iyileştirilir ve daha
etkili reklam sonuçları elde edilir.
Görsel.
Kişiye özgü reklamlar sayesinde ihtiyaç ve
beklentiler manipüle edilebilir.

Tablo 16’da katılımcılara sorulan hedefe yönelik reklamcılık stratejisi

hakkındaki görüşleri yer almaktadır. Buna göre katılımcılar AI’nın kişisel verileri
analiz ederek ama bunları güvenlikle saklayarak yapacağı reklamcılık için kullanması
konusunda hemfikir oldukları görülmektedir. Bununla birlikte manipüle endişesinin
yalnızca K5 tarafından ifade edildiği görülmektedir. Dolayısıyla Yapay Zeka’nın
reklamlar için kullanılmasıyla bilinçli bir katılımcı grubu olduğu görülmektedir.

78
 Bununla birlikte, kişisel verilerin izin alınarak kullanılması konusunda halen temkinli
davrandıkları da örtülü anlamda görülebilmektedir.
Tablo 17’den itibaren AI’nın diğer reklam, pazarlama ve müşteri ilişkilerinde
kullanımı ile ilgili katılımcı görüşlerine yer verilmektedir.
Tablo 17
Reklam ve Müşteri İlişkileri AI veri Analizine Dair Katılımcı Görüşleri
AI’nın diğer reklam, pazarlama ve müşteri ilişkilerinde kullanımı
AI, reklamcılık sektöründeki veri analizi ve raporlama
süreçlerine önemli katkılar sağlayabilir. AI, büyük veri
setlerini analiz edebilir, trendleri ve desenleri tespit edebilir
ve reklam performansını değerlendirmek için istatistiksel
analizler yapabilir. Böylece reklamcılar, daha iyi
bilgilendirilmiş kararlar alabilir ve reklam stratejilerini
optimize edebilir.
AI, veri analizi ve raporlama süreçlerinde hız ve doğruluk
sağlar. Örneğin, AI, büyük miktarda veriyi otomatik olarak
analiz edebilir, veri setlerindeki anlamlı ilişkileri ve
AI'nın reklamcılık eğilimleri tanımlayabilir ve bunları kullanıcı dostu raporlar
sektöründeki veri analizi haline getirebilir. Ayrıca, AI, reklam kampanyalarının
ve raporlama süreçlerine performansını gerçek zamanlı olarak izleyebilir ve veriye
nasıl katkı dayalı önerilerde bulunabilir.
sağlayabileceğini AI, reklamcılık sektöründeki veri analizi ve raporlama
düşünüyorsunuz? süreçlerini daha verimli hale getirebilir. AI, veri analizi
süreçlerini otomatikleştirerek zaman tasarrufu sağlar ve
hataları azaltır. Ayrıca, AI, karmaşık veri setlerini anlamak
ve özetlemek için derin öğrenme tekniklerini kullanabilir.
Bu şekilde, reklamcılar daha hızlı ve daha doğru veri analizi
yapabilir ve daha etkili raporlar oluşturabilir.
Farklı demografik yapıya sahip kullanıcı profillerinin
davranışlarını analiz ederek.
İstatistiksel anlamda beklenti ölçümlerini sağlayan süreçler
direkt olarak reklamcılığa entegre olacağından, veri analizi
ve raporlama temelli süreçler daha hızlı ilerleyecektir.

Tablo 17’de katılımcıların raporlama konusunda AI kullanımının daha doğru

sonuçlar vereceği görüşünde birleştikleri görülmektedir. Bu tabloya göre veri analizini
AI daha hızlı ve etkili olarak dönüştürmektedir (K1, K2, K3). Buna ek olarak işlediği
verilerle kullanıcı profilini eşitleme (K4) ve beklentileri karşılayan dönüşüm(K5)
tarafından dile getirilmiştir.
Tablo 18’de Reklamcılıkta AI kullanımının yaygınlaşmasına dair katılımcı
görüşlerine yer verilmektedir.

79
 Tablo 18
AI’ın Yaygınlaşması Hakkındaki Katılımcı Görüşleri
AI’nın diğer reklam, pazarlama ve müşteri ilişkilerinde kullanımı
Yeni fırsatlar ve inovasyon potansiyeliyle heyecan
verici bir gelecek sağlıyor.
Sektördeki geleneksel yöntemlere göre daha etkili
ve verimli sonuçlar elde edileceğini düşünüyorum.
AI'nın reklamcılıkta yaygınlaşması, sektöre
AI'ın reklamcılıkta giderek daha dönüşüm getirerek daha rekabetçi bir ortam
fazla kullanılması, sektör ve yaratıyor.
gelecek adına sizde nasıl bir
Umut verici.
duygu uyandırıyor?
Yapılacak reklam çalışmalarının sonuçları
önceden daha doğru bir şekilde analiz
edilebilecektir. Bu sayede başarısız girişimlerden
kaynaklanan maddi kayıplar elimine edilecektir.

Tablo 18’de AI yaygınlaşmasını katılımcıların olumlu ve K4 umut verici olarak

görülmektedir. Bununla birlikte katılımcıların geleneksel reklamcılığa göre daha
hesaplı(K5) ve daha etkili sonuçlar yarattığı görülmektedir (K2).
Tablo 19’da AI reklamcılığının kampanya dönüşümleri hakkında katılımcı
görüşlerine yer verilmektedir.
Tablo 19
AI Reklamcılığının Geri Dönüşüm Oranları Hakkındaki Katılımcı Görüşleri
AI’nın diğer reklam, pazarlama ve müşteri ilişkilerinde kullanımı
AI'nın kişiselleştirme ve hedefleme yetenekleri
sayesinde reklamlar daha uygun hedef kitlelere
ulaşarak dönüşüm oranlarını artırabilir.
AI tabanlı reklam Veri analizi ve tahmine dayalı kararlarla kampanyaların
kampanyalarının geri optimize edilmesi dönüşüm oranlarını artırabilir.
dönüşüm oranlarını nasıl AI'nın gerçek zamanlı optimizasyonu ve A/B testleriyle
artırabileceğini kampanyaların etkinliği artırılabilir.
düşünüyorsunuz? Evet değer katacağını düşünüyorum.
Müşteri beklentileri direkt olarak ölçülebileceğinden,
hedefe uygun reklamcılık çalışmaları daha da
artacaktır.

Tablo 19’a göre AI reklamcılıkta k1, k2 ve k3’ün dönüşüm oranını arttırabilir

görüşünde birleştikleri görülmektedir. Bununla birlikte K4 değer katacağını K5 ise
hedefe uygun reklamcılıkla artacağını beyan etmişlerdir.
Tablo 20’de kamuoyu algısının şekillenmesi hakkındaki katılımcı görüşlerine
yer verilmektedir.
80
 Tablo 20
Reklamcılıkta AI kullanımı ile kamuoyu Algısı Hakkındaki Katılımcı Görüşleri
AI’nın diğer reklam, pazarlama ve müşteri ilişkilerinde kullanımı
Bilinçlendirme kampanyalarıyla AI'nın
avantajlarını, etik kullanımını ve değer yaratma
potansiyelini vurgulayarak kamuoyu ve
tüketicilerin algısını yönlendirebiliriz.
Şeffaflık, veri güvenliği ve kullanıcı deneyimi
odaklı yaklaşımıyla tüketicilerin güvenini
Reklamcılıkta AI kullanımı ile kazanarak algıyı yönlendirebiliriz.
ilgili kamuoyu ve tüketicilerin AI'nın sınırlamalarını ve etik sorunları doğru bir
algısını nasıl yönlendirebiliriz? şekilde ele alarak tüketicilerin olumlu bir algı
geliştirmesini sağlayabiliriz.
İstediğimiz gibi yönlendirilebilir tüketicilerin
ihtiyaç sıralaması değiştirilebilir.
Anket ölçümleri genelde hantal ve ağır işleyen
süreçlerdir. Yapay Zeka sayesinde bu süreçler
anlık olarak ölçülebilir ve izlenebilir.

Tablo 20’de Reklamcılıkta AI kullanımı ile kamuoyu algısı hakkındaki katılımcı

görüşlerine yer verilmektedir. Buna göre, reklamcılıkta AI kullanımı ağır işleyen
hantal süreçleri(K5) ortadan kaldırarak ve AI’yı daha güvenli hale getirerek (K1, K2,
K3) algıları olumlu yapabilme konusunda katılımcıların görüş bildirdikleri
görülmektedir. Tablo 21’de katılımcıların reklamcılıkta AI kullanımını 5 yıl içindeki
gelişmesine dair öngörülerine yer verilmektedir.
Tablo 21
Katılımcıların Gelecek 5 Yıl AI ve Reklamcılık Alanı Hakkındaki Öngörüleri
AI’nın diğer reklam, pazarlama ve müşteri ilişkilerinde kullanımı
Daha gelişmiş Yapay Zeka algoritmaları, daha doğru
tahminler ve öngörüler, nesne tanıma ve sesli
asistanlarla entegrasyon gibi alanlarda önemli
gelişmeler beklenmektedir.
Reklamcılık alanında AI AI'nın daha karmaşık görevleri üstlenebilmesi,
ile ilgili gelecek beş duygusal anlayışın geliştirilmesi, daha derin veri
yılda beklediğiniz analizi ve daha iyi kişiselleştirme yetenekleri gibi
önemli gelişmeler önemli gelişmeler beklenmektedir.
nelerdir?
AI tabanlı otomatik içerik oluşturma, etkileşimli
reklam deneyimleri ve daha gelişmiş hedefleme
yetenekleri gibi önemli gelişmeler beklenmektedir.
Bu konu hakkında net bir fikrim yok.

81
 Tablo 21 (devam)
Reklamcılık alanında AI Veri analizini kolaylaştırması sayesinde sadece
ile ilgili gelecek beş reklamcılık sektörüne hâkim kişilerin değil, sıradan
yılda beklediğiniz kullanıcıların da sosyal medya üzerinden kolaylıkla
önemli gelişmeler reklam faaliyeti yürütebilir hale geleceğini
nelerdir? düşünüyorum.

Tablo 21‘de katılımcılar, sosyal medya vurgusu(K5), duygusal anlayış görevi

üstlenmesi (K2), daha doğru tahminler yaparak rota oluşturması(K1), otamatik içerik
oluşturma etkileşimli reklamcılık(K3) hakkında görüş bildirdikleri görülmektedir. Bu
da gelecek 5 yıl içinde Yapay Zeka gelişimleri hakkında reklamcılık ile iç içe bir
gelişim beklediklerini göstermektedir. Tablo 22’de reklamcılık için reklamveren
deneyimlerinin pragmatik şekillenmesi hakkındaki görüşlerine yer verilmektedir.
Tablo 22
Pragmatik Reklamcılık ve Reklam verenlere Etkisi Hakkındaki Katılımcı
Görüşleri
AI’nın diğer reklam, pazarlama ve müşteri ilişkilerinde kullanımı
Programatik reklamcılıkta AI, daha verimli
reklam alımları, gerçek zamanlı teklif verme ve
optimize etme gibi değerli fırsatlar sunarak
reklam verenlerin ve yayıncıların gelirini
artırabilir.
AI, reklam yerleşimlerinin doğru hedeflenmesi,
yayıncıların reklam stoklarının optimize
edilmesi ve reklam performansının artırılması
gibi değer yaratabilir.
AI, daha iyi segmentasyon, kişiselleştirme ve
AI ile desteklenen programatik
veri analizi ile reklam verenlerin ve yayıncıların
reklamcılık, reklam verenler ve
hedef kitleye daha etkili ulaşmasını sağlayabilir
yayıncılar için nasıl değer
ve değer yaratabilir.
yaratabilir?
Reklam verenler için marka bilinirliği ve
markanın tutundurulması hakkında gelişim
sağlar, yayıncılar için ise kendilerine yönelik
pazarlama gücü sağlar.
Müşteri beklentileri direkt olarak
ölçülebileceğinden, hedefe uygun reklamcılık
çalışmaları daha da artacaktır.

Tablo 22’den de görüleceği üzere katılımcılar doğru hedefleme ile reklamların

optimize edilerek daha etkili sonuçlar alabilecekleri hususunda bir görüş birliğine
sahiptirler. Bununla birlikte performansın artacağı görüşü de hakim görülmektedir.
82
 Tablo 23’te reklamcılıkta duygu analizi hakkında AI katkısı hakkındaki
katılımcı görüşlerine yer verilmektedir.
Tablo 23
Reklamcılıkta AI kullanımı ile Duygu Analizi Konusunda Katılımcı Görüşleri
AI’nın diğer reklam, pazarlama ve müşteri ilişkilerinde kullanımı
Evet, duygu analizi algoritmalarıyla müşteri tepkileri
daha iyi anlaşılabilir ve reklam mesajları buna göre
optimize edilebilir.
AI destekli Duygu analizi, metin ve görsel içeriklerin analiz edilerek
reklamcılıkta, duygu müşteri tepkilerinin anlaşılmasında değerli bir araç
analizi kullanarak olabilir.
müşteri tepkilerinin daha Duygu analizi algoritmaları, müşteri tepkilerini daha
doğru tahmin edilmesi doğru bir şekilde tahmin etmeye yardımcı olabilir, ancak
mümkün müdür? tam olarak kesin sonuçlar vermek zor olabilir.
Mümkündür.
Mümkündür. Müşteri tepkilerinin manipüle edilmesi de
mümkün olacaktır.

Tablo 23’ten de görüleceği üzere katılımcılar reklamcılıkta duygu analizinin AI

tarafından yapılabilir olduğu kanaatinde hemfikirdirler. Bununla birlikte manipüle
edilebilirliğe ilişkin K5 tarafından görüş bildirildiği de görülmektedir.
Tablo 24’te Müşteri hizmetlerinde AI’den yararlanma konusunda katılımcı
görüşlerine yer verilmektedir.

83
 Tablo 24
Müşteri Hizmetlerinde AI Kullanımına Dair Katılımcı Görüşleri
AI’nın diğer reklam, pazarlama ve müşteri ilişkilerinde kullanımı
AI destekli chatbotlar, hızlı ve etkili müşteri
hizmeti sağlayarak markaların müşteri
memnuniyetini artırabilir ve iletişimlerini
geliştirebilir.
Chatbotlar, 7/24 hizmet sunarak müşteri
deneyimini iyileştirir ve markaların iletişim
Reklamcılık sektöründe AI ile süreçlerini otomatikleştirerek verimliliği artırır.
desteklenen chatbotların marka Chatbotlar, müşterilere kişiselleştirilmiş öneriler
iletişimi ve müşteri hizmetlerine ve destek sunarak markaların müşteri ilişkilerini
etkisi nedir? güçlendirebilir.
Bunun çok etkin ve faydalı olduğunu
düşünmüyorum.
Müşteri ile etkileşimi hızlandırdığı söylenebilir.
Ancak chatbotların eriştiği veriye müşteri de
kolayca erişebildiğinden, karşısında gerçek
kişilerle muhattap olmak istemektedir.
Tablo 24’ten de görüleceği üzere marka iletişiminde AI kullanılabilirliğine
ilişkin katılımcılar arasında görüş ayrılığı bulunmaktadır. K5 müşteri hizmetlerinde
müşteri temsilcisinin bulunması gerektiğini markasının bunu sağladığını ifade
etmektedir. Bununla birlikte örneğin K3 bu deneyimin otomatik cevap verme sistemi
ile daha fazla müşteriye erişim sağlayacağı ve verimliliği arttıracağı biçiminde görüş
bildirmektedir. Tablo 25’te sesli asistanlar ile sesli reklam etkileşiminin sağlanması
hakkındaki katılımcı görüşlerine yer verilmektedir.
Tablo 25
Sesli Asistanların Kullanımı Hakkında Katılımcı Görüşleri
AI’nın diğer reklam, pazarlama ve müşteri ilişkilerinde kullanımı
AI, sesli asistanlar ve sesli reklamlar aracılığıyla
kullanıcılara daha doğrudan ve etkileşimli bir deneyim
sunabilir.
Sesli asistanlar ve sesli reklamlar, AI'nın doğal dil
Reklamcılık alanında işleme yetenekleri sayesinde kullanıcıların taleplerini
AI'nın sesli asistanlar ve daha iyi anlamasını sağlayabilir.
sesli reklamlarla nasıl AI, sesli asistanlar ve sesli reklamların
etkileşime girebileceğini kullanımıyla kullanıcılara daha kişiselleştirilmiş, ses
düşünüyorsunuz? tabanlı reklam deneyimleri sunabilir.
Bu şu anda belli ülkelerde Japonya vb. yapılıyor.
Müşteri beklentileri direkt olarak
ölçülebileceğinden, hedefe uygun reklamcılık
çalışmaları daha da artacaktır.
84
 Tablo 25’ten de anlaşılacağı üzere katılımcıların tamamı bu etkileşimin
yapıldığına (K4) ve bunun da reklamcılık için olumlu sonuçlar getireceğine (K1, K2,
K3, K5) dair fikir birliği içinde oldukları görülmektedir.

85
 Bölüm 7
Değerlendirme

Yapay Zeka (AI) ve insan iş birliği, reklamcılık alanında daha başarılı sonuçlar
elde etmek için önemli bir potansiyele sahiptir. AI'nın veri analizi yetenekleri, hedef
kitlenin analizi ve yaratıcı fikirlerin birleşimiyle daha etkili ve kişiselleştirilmiş reklam
kampanyaları oluşturulabilir (K1). Aynı zamanda, AI'nın reklamcılara daha fazla
veriye erişim ve hızlı analiz imkanı sunması, daha bilinçli kararlar alınmasını ve daha
etkili stratejilerin geliştirilmesini sağlar (K2). Bu iş birliği, reklamcılıkta daha iyi bir
hedef kitle anlayışı ve kapsamlı veri analizi sağlar (K3). Reklamlar daha iyi hedeflenir
ve sonuçlar daha başarılı olur. AI'nın beklentileri daha doğru anlaması, kişiye özgü
reklam çalışmalarının daha başarılı bir şekilde yönetilmesine olanak sağlar (K4).
Ancak, AI'nın etik değerlerinin doğru bir şekilde tanımlanması önemlidir (K5). Şu
anda popülist bir yaklaşımla kullanılan AI'nın, etik kaygıları ve haksız rekabeti
beraberinde getirebileceği göz önünde bulundurulmalıdır.
AI'nın reklamcılık sektöründe istihdam yaratıcı olup olmadığı tartışmalı bir
konudur. Bir yandan, AI'nın analitik yetenekleri ve hızlı veri işleme becerisi
reklamcıların daha verimli çalışmasına yardımcı olabilir, bu da sektörde yeni iş
olanakları yaratabilir. Öte yandan, bazı istatistiksel ölçüm süreçlerinin
otomatikleştirilmesi nedeniyle bazı işler azalabilir veya değişebilir. Reklamcılıkta AI
kullanımının en büyük zorlukları arasında, AI entegrasyonunun zaman alması ve
beklenti ölçümü ile hedef kitlenin yönlendirilmesi konusunda bazı güçlüklerin
yaşanması yer alır. AI teknolojisinin tam potansiyelini ortaya çıkarmak için, doğru veri
analizi yöntemlerinin ve algoritmalarının kullanılması önemlidir. AI'nın reklamcılık
alanındaki kullanımı gereklidir, çünkü hedef kitlenin daha net bir şekilde anlaşılması
ve pazarlama stratejilerinin etkin bir şekilde uygulanması için ihtiyaç duyulan veri
analizi ve kişiye özgü reklam çalışmaları AI teknolojisi sayesinde daha kolay hale
gelir. AI'nın reklamcılıkta yaratıcı fikirler üretebilme potansiyeli vardır. Yapay Zeka,
kendi kendine öğrenme yeteneği sayesinde en çok ilgi çeken konuları analiz edebilir
ve bir ürün grubu için yaratıcı fikirler ortaya koyabilir. AI'nın hızlı analiz yetenekleri,
reklamcıların absürd fikirleri kolayca elemine etmesine yardımcı olur ve daha etkili
kampanyaların oluşturulmasını sağlar.

86
 Yakın gelecekte, AI'nın reklamcılıkta daha da önemli bir rol oynaması
beklenmektedir. AI teknolojisi, reklamcılığa yön verecek ve özellikle mevcut
kuşakların beklentilerine yönelik daha organize bir yapı oluşturacaktır. AI'nın reklam
metinleri ve görsel içeriklerin oluşturulması süreçlerinde daha fazla rol oynaması ve
geleneksel reklam yöntemlerine kıyasla daha fazla avantaj sağlaması beklenmektedir.
AI destekli reklamcılık teknolojileri, geleneksel reklam yöntemlerine göre bir
dizi avantaj sağlar. AI'nın veri analizi yetenekleri sayesinde reklamcılar, daha doğru
hedef kitle tespiti yapabilir ve müşteri deneyimini anlayarak daha etkili ve hedefe
yönelik reklamlar oluşturabilirler. Ayrıca, AI destekli reklamcılık çözümleri, reklam
verenler ve yayıncılar için marka bilinirliğini artırabilir ve pazar payını etkileyebilir.
AI'nın reklamcılık sektöründeki veri analizi ve raporlama süreçlerine katkı sağlaması
beklenmektedir. AI, büyük miktarda veriyi hızlı bir şekilde analiz edebilir, eğilimleri
belirleyebilir ve reklamcılara daha iyi bilgilendirilmiş kararlar alma imkanı sunabilir.
Ayrıca, AI'nın veri analizi, reklamcılık stratejilerini optimize etmek ve kampanyaların
geri dönüşüm oranlarını artırmak için kullanılabileceği düşünülmektedir. AI'nın
reklamcılık sektöründeki etkileri, çalışanlar üzerinde de değişikliklere neden olabilir.
Yapay Zeka, bazı istatistiksel ölçüm süreçlerini otomatikleştirebilir ve bazı işlerin
azalmasına veya değişmesine neden olabilir. Bununla birlikte, AI'nın doğru
yönlendirilmesi ve insan iş birliğiyle kullanılması, reklamcılık alanında yeni iş
olanakları da yaratabilir.
AI'nın reklamcılıkta giderek daha fazla kullanılması, sektör ve gelecek adına
umut verici bir gelişme olarak görülebilir. AI teknolojisinin reklamcılık alanına
entegrasyonu, daha etkili reklam kampanyaları, daha iyi müşteri deneyimi ve iş
sonuçlarına olumlu katkılar sağlayabilir. AI tabanlı reklam kampanyalarının geri
dönüşüm oranlarını artırmak için çeşitli yöntemler kullanılabilir. AI'nın veri analizi
yetenekleri kullanılarak hedef kitlenin davranışları ve ilgi alanları analiz edilebilir,
kişiye özgü reklam çalışmaları oluşturulabilir ve müşteriye en uygun mesajlar
iletilerek geri dönüşüm oranları artırılabilir. Ayrıca, AI destekli programatik
reklamcılık yöntemleri kullanılarak reklamcılar, doğru hedef kitlenin belirlenmesine
ve reklam bütçesinin daha etkili kullanılmasına yardımcı olabilir. Reklamcılık
alanında AI'nın sosyal medya ve dijital pazarlama stratejilerine katkı sağlaması
mümkündür. AI, sosyal medya platformları üzerindeki büyük miktarda veriyi analiz
edebilir, kullanıcı davranışlarını ve eğilimlerini belirleyebilir ve reklamcılara hedef
87
kitleye daha uygun mesajlar iletmeleri için rehberlik edebilir. Ayrıca, AI destekli
reklamcılık çözümleri, dijital pazarlama stratejilerinin otomatikleştirilmesine ve
reklam performansının izlenmesine yardımcı olabilir.
AI destekli reklamcılık çözümlerinin markaların pazar payını etkileyebileceği
düşünülmektedir. AI'nın veri analizi ve hedef kitlenin analizi yetenekleri sayesinde
reklamcılar, markaların potansiyel müşterilere daha etkili bir şekilde ulaşmasını
sağlayabilir. Daha iyi hedeflenen reklam kampanyaları, marka bilinirliğini artırabilir
ve satışları artırabilir. AI'nın reklamcılık alanındaki kullanımıyla ilgili olarak kamuoyu
ve tüketicilerin algısını yönlendirmek için etik değerlere önem verilmelidir. AI
teknolojisinin etik değerlere uygun olarak kullanılması ve tüketiciye şeffaf bir şekilde
sunulması, güvenin oluşmasına yardımcı olacaktır. Ayrıca, tüketicilere AI'nın
reklamcılıkta nasıl kullanıldığı ve onların verilerinin nasıl korunduğu konusunda
bilgilendirici kampanyalar düzenlenmesi önemlidir.
Reklamcılık alanında AI ile ilgili gelecek beş yılda beklenen önemli gelişmeler
arasında, AI'nın daha da gelişmiş veri analizi yeteneklerine sahip olması, daha
karmaşık hedefleme yöntemleri ve daha kişiselleştirilmiş reklam kampanyalarının
oluşturulması yer alabilir. Ayrıca, AI destekli reklamcılık çözümlerinin daha yaygın
hale gelmesi ve daha fazla şirketin bu teknolojiyi kullanmaya başlaması
beklenmektedir.
AI ile desteklenen programatik reklamcılık, reklam verenler ve yayıncılar için
değer yaratabilir. Programatik reklamcılık, AI'nın otomatikleştirme yeteneklerinden
yararlanarak reklam verenlerin daha doğru hedef kitleye ulaşmasını sağlar. Aynı
zamanda, yayıncılar reklam alanlarını daha etkin bir şekilde değerlendirebilir ve
reklam gelirlerini artırabilir. Duygu analizi kullanarak müşteri tepkilerinin daha doğru
tahmin edilmesi, AI destekli reklamcılıkta mümkündür. AI, metin ve görsellerdeki
duygusal ifadeleri analiz edebilir ve müşterilerin nasıl tepki verebileceği konusunda
tahminlerde bulunabilir. Bu, reklamcıların daha etkili ve duygusal olarak bağlantı
kurabilecek reklam mesajları oluşturmasına yardımcı olabilir.
Reklamcılık sektöründe AI ile desteklenen chatbotların marka iletişimi ve
müşteri hizmetlerine etkisi önemlidir. Chatbotlar, AI teknolojisi sayesinde daha hızlı
ve etkileşimli müşteri hizmeti sağlayabilir. Müşterilerin sorularını yanıtlayabilir,
önerilerde bulunabilir ve marka iletişimini destekleyebilir. Bununla birlikte,
müşterilerin gerçek kişilerle etkileşim kurma isteği göz önünde bulundurulmalı ve
88
chatbotlar ile insan müdahalesinin doğru bir denge kurulmalıdır. AI'nın reklamcılıkta
sesli asistanlar ve sesli reklamlarla nasıl etkileşime girebileceği konusunda farklı
yaklaşımlar mevcuttur. Sesli asistanlar, kullanıcıların sesli komutlarını algılar ve
yanıtlar. Reklamcılıkta, AI destekli sesli reklamlar kullanılarak hedef kitleye ürün ve
hizmetler hakkında bilgi verilebilir. AI, kullanıcıların sesli ifadelerini analiz ederek,
reklam mesajlarını daha etkili bir şekilde hedef kitlenin ilgi ve ihtiyaçlarına uygun hale
getirebilir. AI'nın reklamcılık alanında kullanımıyla ilgili birçok olumlu gelişme
beklenmektedir. AI, veri analizi, hedef kitlenin analizi, kişiye özgü reklam çalışmaları
ve daha etkili pazarlama stratejileri gibi birçok alanda reklamcılara yardımcı olabilir.
Bununla birlikte, AI'nın etik değerlere uygun kullanılması ve insan iş birliğiyle
entegrasyonu da önemli görülmektedir.

89
 Bölüm 8
Sonuç Ve Öneriler

8.1 Sonuçlar
Bu sonuçlara dayanarak bu çalışma kapsamında oluşturulan araştırma
sorularının aşağıdaki biçimde yanıtlanması mümkün görülmektedir.
A1: Evet, reklamcılık sektöründe Yapay Zeka (AI) kullanılmaktadır. AI, veri
analizi, hedef kitle analizi, kişiselleştirme, otomatikleştirme ve tahminleme gibi birçok
alanı kapsayan reklamcılık süreçlerinde önemli bir rol oynamaktadır. Örneğin, AI
tabanlı programatik reklamcılık, reklam verenlerin hedef kitleye daha doğru ve etkili
reklamlar sunmasına yardımcı olurken, AI destekli chatbotlar müşteri hizmetlerinde
kullanılarak etkileşimi artırabilmektedir.
A2: Yapay Zeka programlarına karşı bazı algı ve önyargılar mevcuttur. Bunlar
arasında güvenlik ve gizlilik endişeleri, etik sorunlar, insanların işlerini kaybetme
korkusu ve AI'nın duygusal bağlantıyı eksik bırakması gibi faktörler yer alabilir. Bazı
insanlar AI'nın işlerini otomatikleştirmesi ve insana olan ihtiyacı azaltması endişesi
taşırken, diğerleri AI'nın etik değerlerine uygun olarak kullanılmadığı takdirde haksız
rekabet ve veri istismarı gibi sorunlar yaratabileceğini düşünmektedir.
A3: Yapay Zeka’nın gelecekte reklam sektörüne daha fazla hizmet etmesi
beklenmektedir. AI'nın gelişmiş veri analizi yetenekleri ve öğrenme algoritmaları,
reklamcılara daha iyi hedef kitle analizi yapabilme, kişiselleştirme, kampanya
optimizasyonu ve daha etkili pazarlama stratejileri oluşturma imkanı sunar. AI,
reklamcılık süreçlerinde verimliliği artırabilir, maliyetleri düşürebilir ve reklam
sonuçlarını iyileştirebilir. Örneğin, AI'nın daha karmaşık ve hızlı veri analizi sayesinde
gerçek zamanlı reklamcılık daha da yaygınlaşabilir ve reklam kampanyaları anlık
olarak optimize edilebilir hale gelebilir. AI ayrıca reklam metinleri ve görsel
içeriklerin oluşturulması süreçlerinde de daha etkin bir rol oynayabilir, yaratıcı fikirler
sunabilir ve reklamcılara zaman kazandırabilir.
Ancak, AI'nın reklamcılık sektöründe kullanımıyla ilgili olarak etik standartlara
uyum, veri güvenliği ve kullanıcı gizliliği gibi konuların önemli olduğu
unutulmamalıdır. AI'nın doğru yönlendirilmesi, insan iş birliğiyle entegrasyonu ve etik
değerlere uygun kullanımı, başarılı bir AI destekli reklamcılık uygulaması için önemli
faktörlerdir. Ayrıca, Yapay Zeka’nın gelecekte reklam ve pazarlama sektörüne daha
90
fazla hizmet etmesiyle birlikte bazı önemli gelişmelerin beklenmesi gerekmektedir.
Bu gelişmeler arasında şunlar yer alabilir:
Gelişmiş Veri Analizi: Yapay Zeka, reklamcıların büyük veri kümelerini daha
etkili bir şekilde analiz etmelerine olanak sağlayacak daha gelişmiş algoritmalar ve
analitik yetenekler sunabilir. Bu, reklamcıların hedef kitleleri hakkında daha
derinlemesine bilgi edinmelerini ve daha doğru hedefleme stratejileri oluşturmalarını
sağlayabilir.
Kişiselleştirilmiş Reklamcılık: Yapay Zeka, kullanıcı davranışlarını izleyebilir
ve analiz ederek kişiselleştirilmiş reklam içerikleri sunabilir. Bu, reklamcıların
müşterileriyle daha anlamlı bir bağlantı kurmalarını ve daha yüksek dönüşüm oranları
elde etmelerini sağlayabilir.
Otomatikleştirme ve Programatik Reklamcılık: Yapay Zeka, reklamcıların
reklam kampanyalarını otomatikleştirerek daha verimli bir şekilde yönetmelerine
yardımcı olabilir. Programatik reklamcılık sayesinde, reklamcılar reklam alanlarını
gerçek zamanlı olarak satın alabilir ve hedef kitleye daha uygun reklamlar sunabilir.
Yaratıcı İçerik Üretimi: Yapay Zeka, reklamcıların hızlı ve etkileyici içerikler
oluşturmasına yardımcı olabilir. Metin ve görsellerin otomatik oluşturulması,
reklamcıların daha verimli bir şekilde kampanyalarını yönetmelerine ve yaratıcı
fikirlerini daha hızlı bir şekilde hayata geçirmelerine olanak sağlar.
Duygu Analizi ve Müşteri Tepkileri: Yapay Zeka, metin ve sosyal medya analizi
gibi teknikleri kullanarak müşteri tepkilerini daha doğru bir şekilde tahmin edebilir.
Bu, reklamcıların reklam kampanyalarını daha duyarlı ve etkili bir şekilde optimize
etmelerine yardımcı olabilir.
Sonuç olarak, Yapay Zeka’nın reklam sektöründe kullanımının gelecekte daha
da yaygınlaşması beklenmektedir. Bu gelişmeler, reklamcıların daha iyi hedefleme,
kişiselleştirme, otomatikleştirme ve yaratıcı içerik üretme gibi alanlarda daha başarılı
sonuçlar elde etmelerine yardımcı olacaktır. Ancak, etik standartlara ve kullanıcı
gizliliğine uyum önemli bir konu olarak göz önünde bulundurulmalıdır.
8.2 Öneriler
Yapay Zeka Destekli Reklamcılık ve Tüketici Algısı: Yapay Zeka kullanımının
reklamlara ilişkin tüketici algısı üzerindeki etkisini araştırmak. Yapay Zeka destekli
reklamcılığın tüketici tutumları, reklam iticiliği ve marka algısı üzerindeki etkisini
incelemek.
91
 Reklamcılıkta Yapay Zeka ve İnsan İş Birliği: Yapay Zeka ve insanların iş
birliğiyle nasıl daha etkili reklam stratejileri oluşturulabileceğini araştırmak. İnsan ve
Yapay Zeka’nın birlikte çalışmasıyla elde edilen sonuçların reklam performansına
etkisini değerlendirmek.
Yapay Zeka ile Reklamcılıkta Kişiselleştirme: Yapay Zeka kullanarak
kişiselleştirilmiş reklamcılığın etkisini ölçmek. Reklamların hedef kitleye
özelleştirilmesinin tüketici davranışları ve dönüşüm oranları üzerindeki etkisini
incelemek.
Yapay Zeka Tabanlı Veri Analizi ve Reklamcılık: Yapay Zeka algoritmalarını
kullanarak veri analizini optimize etmenin reklamcılık performansına etkisini
araştırmak. Veri analizinde Yapay Zeka’nın kullanımının reklamcılık stratejilerinin
geliştirilmesine nasıl katkı sağladığını değerlendirmek.
Yapay Zeka ile Hedef Kitle Analizi: Yapay Zeka kullanarak hedef kitle analizi
yapmanın reklamcılık üzerindeki etkisini incelemek. Hedef kitlenin demografik ve
davranışsal özelliklerini analiz ederek reklam stratejilerinin optimize edilmesinin
etkisini değerlendirmek.
Yapay Zeka Destekli Reklamcılık ve Etik Değerler: Yapay Zeka kullanımının
reklamcılık alanındaki etik sorunlar üzerindeki etkisini araştırmak. Kullanıcı gizliliği,
veri güvenliği ve etik standartlara uyum konularında Yapay Zeka’nın rolünü
değerlendirmek
Yapay Zeka ve Reklam Kampanyası Performansı: Yapay Zeka tabanlı
reklamcılığın reklam kampanyası performansı üzerindeki etkisini araştırmak.
Dönüşüm oranları, satışlar, marka bilinirliği gibi faktörler üzerinde Yapay Zeka’nın
etkisini değerlendirmek.

92
 KAYNAKÇA

Altındag,T., (2011). Yarı İletken Lazerlerde Optik Kazancın Uyarlamalı

Sinirsel-Bulanık Çıkarım Sistemi Kullanılarak Modellenmesi, Ankara Üniversites Fen
Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Yüksek Lisans Tezi,
Ankara, s.69.
Alvesson, M., & Sandberg, J. (2013). Constructing Research Questions Doing
Interesting Research. London: SAGE Publications.
Alwitt, L. F., & Prabhaker, P. R. (1992). Functional and Belief Dimensions of
Attitudes to Television Advertising: Implications for Copytesting. Journal of
Advertising Research, 32(5), 30-42.
Amabile, T. M. (1982). Social Psychology of Creativity: A Consensual
Assessment Technique. Journal of Personality and Social Psychology, 43(5), 997-
1013.
Ambler, T., & Hollier, E. A. (2004). The Waste in Advertising Is the Part That
Works. Journal of Advertising Research, 44(4), 375-389.
Anderson, J. C., & Gerbing, D. W. (1988). Structural Equation Modeling in
Practice: A Review and Recommended Two-Step Approach. Psychological Bulletin,
103(3), 411-423.
Andrews, J. C., Durvasula, S., & Akhter, S. H. (1990). A Framework for
Conceptualizing and Measuring the Involvement Construct in Advertising Research.
Journal of Advertising, 19(4), 27-40.
Andrews, J., & Smith, D. C. (1996). In Search of The Marketing Imagination:
Factors Affecting The Creativity of Marketing Programs for The Mature Products.
Journal of Marketing Research, 33(2), 174-187.
Ang, L. (2000). Creativity in Print Advertising: A Test of the Remote Associate
Matching Model. Australasian Marketing Journal, 8(1), 31-44.
Ang, L., (2000) “Creativity in Print Advertising: A Test of the Remote Associate
Matching Model,” Australasian Marketing Journal, 8(1), pp.31-44
Ang, S. H., & Low, S. Y. M. (2000). Exploring the Dimensions of Ad Creativity.
Psychology & Marketing, 17(10), 835-854.
Ang, S. H., Leong, S. M., Lee, Y. H., & Lou, S. L. (2012). Necessary But Not
Sufficient: Beyond Novelty in Advertising Creativity. Journal of Marketing
Communications, 1-17.
Ang, S., Lee, Y., & Leong, S. (2007). The Ad Creativity Cube:
Conceptualization And Initial Validation. Journal of the Academy of Marketing
Science, 35(2), 220-232.
Ang, S.H., Low, S.Y. M., (2000) “Exploring the Dimensions of Ad
Creativity,”Psychology & Marketing, 17(10), pp.835-854
Ashley, C., & Oliver, J. D. (2010). Creative Leaders Thirty Years of Big Ideas.
Journal of Advertising, 39(1), 115-130.
Atademir, H.R.,(1947).Aristo’nun Mantık ve İlim Anlayışı, Ankara: MEB
Yayınları.
Avaner, E. B.,(2018). Turing Testi Işığında Düşüncenin Multidisipliner İncele
mesi 3.,Türkiye Biyoetik Dergisi, Vol. 5, No. 4, 183-192.
Baack, W. D., Wilson, R. T., & Till, B. D. (2008). Creativity and Memory
Effects. Journal of Advertising, 37(4), 85-94.

93
 Babiloni, F., Vecchiato, G., Cherubino, P., & Trettel, A. (2017). Applications of
EEG and cognitive tests in advertising and neuromarketing. In F. Babiloni (Ed.),
Neuromarketing (pp. 99-124). Springer.
Babiloni, F., Vecchiato, G., Cherubino, P., & Trettel, A. (2017). Applications of
EEG and cognitive tests in advertising and neuromarketing. In F. Babiloni (Ed.),
Neuromarketing (pp. 99-124). Springer.
Barron, F. (1955). The Disposition towards Originality. Journal of Abnormal
and Social Psychology, 51(3), 478-485.
Barry, T. E. (2002). In Defence of the Hierarchy of Effects: A Rejoinder to
Weilbacher. Journal of Advertising Research, 42(3), 44-47.
Beard, T. (2018). AI in programmatic advertising: The secret to a competitive
edge. Adweek. Retrieved from https://www.adweek.com/programmatic/ai-in-
programmatic-advertising-the-secret-to-a-competitive-edge/
Beard, T. (2018). AI in programmatic advertising: The secret to a competitive
edge. Adweek. Retrieved from https://www.adweek.com/programmatic/ai-in-
programmatic-advertising-the-secret-to-a-competitive-edge/
Becker, M. (1995). Nineteenth-Century Foundations of Creativity Research.
Creativity Research Journal, 8(3), 219-229.
Belch, G. E., & Belch, M. A. (2009). Advertising and Promotion: An Integrated
Communications Perspective (8th ed.). New York: McGraw-Hill Irwin.
Belch, M. A., & Belch, G. E. (2012). The Future of Creativity In Advertising.
Journal of Promotion Management, 19(4), 395-399.
Bell, J. (2010). Doing Your Research Project (5th ed.). Maidenhead: McGraw-
Hill.
Bengio, Y., Courville, A., & Goodfellow, I. (2016). Deep learning. Book in
preparation for MIT Press. Current Version Available at Http://Www.
Deeplearningbook. Org.
Bennet, R. J., (1997) .New Essays On Human Understanding, New York:
Cambridge University Press,
Bennett, R. (1998). Shame, guilt and responses to non-profit and public sector
ads. International Journal of Advertising, 17(4), 483-499.
Bergkvist, L., & Langner, T. (2017). Construct Measurement in Advertising
Research. Journal of Advertising, 46(1), 129-140.
Bergkvist, L., & Rossiter, J. R. (2006). Methodological Issues in Advertising
Laboratory Experiments. In M. C. Lees, T. Davis, & G. Gregory (Eds.), Advances in
Consumer Research. Sydney, Australia: Association for Consumer Research, 235-238.
Bergkvist, L., & Rossiter, J. R. (2007). The Predictive Validity of Multiple-Item
Versus Single-Item Measures of the Same Constructs. Journal of Marketing Research,
44(2), 175-184.
Bergkvist, L., & Rossiter, J. R. (2008). The Role of Ad Likeability In Predicting
An Ad's Campaign Performance. Journal of Advertising, 37(2), 85-97.
Bernardin, T., & Kemp-Robertson, P. (2008). Wildfire 2008: Creativity With a
Human Touch. Journal of Advertising, 37(4), 131-135.
Bernardin, T., Kemp-Robertson, P., (2008) “Wildfire 2008: Creativity With a
Human Touch,” Journal of Advertising, 37(4), pp.131-135
Besemer, S. P., & O'Quin, K. (1986). Analyzing Creative Products: Refinement
and Test of a Judging Instrument. Journal of Creative Behaviour, 20(2), 115-126.
Besemer, S. P., & Treffinger, D. J. (1981). Analysis of Creative Products:
Review and Synthesis. Journal of Creative Behaviour, 15(3), 158-178.
94
 Best, S. J., & Krueger, B. S. (2008). Internet Survey Design. In N. Fielding, R.
M. Lee, & G. Blank (Eds.), The SAGE Handbook of Online Research Methods (pp.
217-233). London: SAGE.
Biel, A. L., & Bridgwater, C. A. (1990). Attributes of Likable Television
Commercials. Journal of Advertising Research, 30(3), 38-44.
Bishop, C. M. , (2006 ). Pattern Recognition and Machine Learning, Springer ,
ISBN: 978-0387310732. 2. , 2 st., pp:12-15.
Bjerke, R., Rosendahl, T., Gopalakrishna, P., & Sandler, D. (2005). Ad Element
Liking and Its Relationship to Overall Ad Liking: A European Cross-Cultural
Investigation. Journal of Promotion Management, 12(1), 97-128.
Blaxter, L., Hughes, C., & Tight, M. (2006). How To Research (3rd ed.).
Maidenhead: McGraw-Hill.
Blunch, N. J. (2008). Introduction to Structural Equation Modelling using SPSS
and AMOS. London: Sage Publications.
Blundell, C., Uria, B., Pritzel, A., Li, Y., Ruderman, A., Leibo, J. Z., …
Hassabis, D. (2016). Model-free episodic control. ArXiv Preprint ArXiv:1606.04460.
Boone, W., & Piccinini, G. (2016). Mechanistic abstraction. Philosophy of
Science, Vol.83, Is.5, pp. 686–697.
Bowden, J. L. (2009). The Process Of Customer Engagement: A Conceptual
Framework. Journal of Marketing Theory and Practice, 17(1), 63-74.
Boyd, R. (1997). Kinds as the ‘workmanship of men’: Realism, constructivism,
and natural kinds. In J. Nida-Rumelin (Ed.), Rationality, realism, revision:
Proceedings of the 3rd international congress of the Society for Analytical Philosophy
(pp. 52–89). New York: Walter de Gruyter.
Brace, I. (2013). Questionnaire Design: How To Plan, Structure and Write
Survey Material for Effective Market Research (3rd ed.). London: Kogan Page.
Brodie, R. J., Hollebeek, L., Juric, B., & Ilic, A. (2011). Customer engagement:
conceptual domain, fundamental propositions and implications for research. Journal
of Service Research, 14(3), 252-271.
Brodie, R. J., Ilic, A., Juric, B., & Hollebeek, L. (2013). Consumer Engagement
In a Virtual Brand Community: An Exploratory Analysis. Journal of Business
Research, 66(1), 105-114.
Brown, R. (2023). The Transformational Power of Artificial Intelligence in
Marketing. Journal of Marketing Technology, 17(1), 112-130.
Buchanan, T., & Williams, J. E. (2010). Ethical Issues in Psychological Research
on the Internet. In S. D. Gosling & J. A. Johnson (Eds.), Advanced Methods for
Conducting Online Behavioral Research (pp. 255-271). Washington DC: American
Psychological Association.
Buckner, C. (2018). Empiricism without magic: transformational abstraction in
deep convolutional neural networks. S.I.: Neuroscience and Its Philosophy, volume
195, pages5339–5372.
Buckner, C., & Garson, J. (2018). Connectionism and post-connectionist
models. In M. Sprevak & M. Columbo (Eds.), The RoutledgeHandbook of the
Computational Mind.
Buşoniu, L., Babuška, R., & De Schutter, B. (2008). A comprehensive survey of
multi-agent reinforcement learning. IEEE Transactions on Systems, Man, and
Cybernetics, Part C (Applications and Reviews), 38(2), 156-172.
Byrne, B. M. (2010). Structural Equation Modeling with AMOS (2nd ed.).
Sussex: Routledge.
95
 Calder, B. J., & Malthouse, E. C. (2005). Managing Media and Advertising
Change with Integrated Marketing. Journal of Advertising Research, 45(4), 356-361.
Calder, B. J., Malthouse, E. C., & Schaedel, U. (2009). An Experimental Study
of the Relationship Between Online Engagement and Advertising Effectiveness.
Journal of Interactive Marketing, 23(4), 321-331.
Campbell, E. (2011). Evidence Proves the Future Is Now: Why Great Creative
Needs Great Research. Journal of Advertising Research, 51(1), 222-223.
Caroff, X., & Besançon, M. (2008). Variability of Creativity Judgements.
Learning and Individual Differences, 18(4), 367-371.
Carruthers, P. (2011). The Opacity of Mind: An Integrative Theory of Self-
Knowledge. OUP Oxford.
Chalmers, D. (1996) The Conscious Mind: In Search of a ... and Oxford: Oxford
University. Press. Hardcover: ISBN 0-19-511789-1. s.8-9.
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey.
ACM computing surveys (CSUR), 41(3), 1-58.
Chang, C. (2017). Methodological Issues in Advertising Research: Current
Status, Shifts, and Trends. Journal of Advertising, 46(1), 2-20.
Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business Intelligence and
Analytics: From Big Data to Big Impact. MIS quarterly, 36(4), 1165-1188.
Chen, H., Lu, X., & Bengio, Y. (2020). Natural Language Processing Advances
in Artificial Intelligence. Oxford University Press.
Chen, J., Yang, X., & Smith, R. E. (2014). The Effects of Creativity on
Advertising Wear-in and Wear-out. Journal of the Academy of Marketing Science,
44(3), 334-349.
Chen, L., Chen, J., Wang, C., & Zhang, Z. (2021). Artificial intelligence for
content creation: A review. IEEE Transactions on Multimedia, 23, 944-959.
Chen, L., Chen, J., Wang, C., & Zhang, Z. (2021). Artificial intelligence for
content creation: A review. IEEE Transactions on Multimedia, 23, 944-959.
Chirimuuta, M. (2017). Explanation in computational neuroscience: Causal and
non-causal. The British Journal for the Philosophy of Science.
Cho, K. (2020). Natural Language Processing with PyTorch: Build Intelligent
Language Applications Using Deep Learning. O'Reilly Media.
Chui, M., Manyika, J., Miremadi, M., Henke, N., Chung, R., Nel, P., &
Malhotra, S. (2018). Notes from the AI frontier: Modeling the impact of AI on the
world economy. McKinsey Global Institute.
Coleman, M., & Briggs, A. R. J. (2002). Research Methods in Educational
Leadership and Management. London: Paul Chapman.
Comrey, A. L., & Lee, H. B. (1992). A First Course in Factor Analysis (2nd ed.).
New Jersey: Lawrence Erlbaum Associates Inc.
Cook, G. (1992). The Discourse of Advertising (1st ed.). London: Routledge.
Cotte, J., & Ritchie, R. (2005). Advertisers' Theories of Consumers: Why Use
Negative Emotions to Sell? Advances in Consumer Research, 32(1), 24-31.
Coulter, R. A., Zaltman, G., & Coulter, K. S. (2001). Interpreting Consumer
Perceptions of Advertising: An Application of the Zaltman Metaphor Elicitation
Technique. Journal of Advertising, 30(4), 1-21.
Creativity Research Journal, 24(1), pp.92-96
Dalessandro, B., Perlich, C., Stitelman, O., & Provost, F. (2012). Causally
motivated attribution for online advertising. In Proceedings of the Sixth International
Workshop on Data Mining for Online Advertising and Internet Economy.
96
 Damian, R. I., Spengler, M., & Roberts, B. W. (2017). Whose job will be taken
over by a computer? The role of personality in predicting job computerizability over
the lifespan. European Journal of Personality, Vol.31, Is.3 , pages. 291–310.
Davenport, T. H. (2014). Big Data at Work: Dispelling the Myths, Uncovering
the Opportunities. Harvard Business Review Press.
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world.
Harvard Business Review, 96(1), 108-116
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world.
Harvard Business Review, 96(1), 108-116
Deep Blue (Derin Mavi) Teknolojileri için
Dhar, V. (2013). Data science and prediction. Communications of the ACM,
56(12), 64-73.
Dublin, Ireland. 8-11 June 2014.
Elmas C., (2003) .Bulanik Mantik Denetleyiciler, Ankara, Seçkin Yayıncılık.
Ergün ,M. (2012). Felsefeye Giriş (Bilim Felsefesi) , Sentez yayıncılık, ISBN-
10: 6055790378 , 304s
Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts,
methods, and analytics. International Journal of Information Management, 35(2), 137-
144.
Garcia, M. (2021). Mobile Applications and Their Impact on Marketing. Journal
of Mobile Marketing, 8(4), 211-225.
Geman, D., Geman, S., Hallonquist, N., & Younes, L. (2015). Visual Turing test
for computer vision systems. Proceedings of the National Academy of Sciences of the
United States of America, 112(12), pp.3618–3623.
Glennan, S. (2017). The new mechanical philosophy. Oxford University Press.
Goodfellow, I. J., Shlens, J., & Szegedy, C. (n.d.). Explaining and harnessing
adversarial examples (2014). ArXiv Preprint ArXiv:1412.6572.
Goertzel, B., & Pennachin, C. (Eds.). (2007). Artificial General Intelligence.
Springer-Verlag.
Goldenberg, J., Mazursky, D., (2008) “When Deep Structure Surface Design
Structures That Can Repeatedly Surprise,” Journal of Advertising, 37(4), pp.21-34
Goldenberg, J., Mazursky, D., Solomon, S., (1999) “Creative Sparks,”
Science,285(5433), pp.1495-1496
Good, I. J. (1965). “Speculations Concerning the First Ultraintelligent Machine.”
Franz L. Alt and Morris Rubinoff (Der.), Advances in Computers içinde, 6: (s. 31-88).
New York: Academic Press.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Gökberk, M. (1990). Felsefe Tarihi, İstanbul: Remzi Yayınevi.
Grünke, P., (2019). Opacity in Machine Learning. Karlsruhe Institute of
Technology, Germany, Workshop Program, 13 December, 2019.
Gunning, D. (2017). Explainable artificial intelligence (xai). Defense Advanced
Research Projects Agency (DARPA), Nd Web.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical
learning: Data mining, inference, and prediction. Springer Science & Business Media.
Hawkins, J. (2004). Overfitting in machine learning. Numenta white paper.
Heims, S. ,(1991). The Cybernetics Group 1946–1953. Cambridge, MA: MIT
Press.
Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of
data with neural networks. Science, 313(5786), 504-507.
97
 Hinton, G., Deng, L., Yu, D., Dahl, G. E., Mohamed, A., Jaitly, N., Senior, A.,
Vanhoucke, V., Nguyen, P., Sainath, T. N., & Kingsbury, B. (2012). Deep neural
networks for acoustic modeling in speech recognition. IEEE Signal Processing
Magazine, 29(6), 82-97.
Hornik, K., Stinchcombe, M., White, H., (1989), "Multilayer feedforward
networks are universal approximators," Neural networks, vol. 2, no. 5, pp. 359-366.
İdemen, A. E. & Şener,Ş.M. ,(2003,Ocak) Bina ağırlık merkezi-rijitlik merkezi
ilişkisini mimari tasarım aşamasında kuran bir uzman sistem. Bilgisayar Ortamında
Mimari Tasarım Programı, Mimarlık Anabilim Dalı, Fen Bilimleri Enstitüsü, İTÜ.,
s.54.
Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern
recognition letters, 31(8), 651-666.
Johnson, A. (2022). The Role of Data Analytics in Marketing. International
Journal of Marketing Analysis, 10(3), 78-94.
Kahn, C. H. (2001). Pythagoras and the Pythagoreans , ISBN : 9781603846820,
Pennsylvania: Hackett Publishing.
Kaku, M. (2014). Geleceğin fiziği(çev. Yasemin Saraç Oymak ve Hüseyin
Oymak). Ankara: ODTÜ Yayıncılık.
Kamar, E. (2016). Directions in Hybrid Intelligence: Complementing AI
Systems with Human Intelligence. Proceedings of IJCAI Workshop on Interactive
Machine Learning, 1-8.
Keskenler,M.,F. ve Keskenler, E., F., (2017), Geçmişten Günümüze Yapay Sinir
Ağları ve Tarihçesi, Takvim-İ Vekayi Dergisi, ISSN: 2148-0087 , C.5, S.2, S.8-18.
Khan, N., Yaqoob, I., Hashem, I. A. T., Inayat, Z., & Ali, W. K. M. (2014). Big
data: survey, technologies, opportunities, and challenges. The Scientific World
Journal, 2014.
Kohavi, R., Longbotham, R., Sommerfield, D., & Henne, R. M. (2009).
Controlled experiments on the web: survey and practical guide. Data Mining and
Knowledge Discovery, 18(1), 140-181.
Küçükalp, K. (2008). Batı Metafiziğinin Dekonstrüksiyonu : Heidegger ve
Derrida,Sentez yayıncılık , Bursa , 376s.
Küçükalp, K. (2008). Batı Metafiziğinin Dekonstrüksiyonu: Heidegger ve
Derrida, Bursa:Sentez Yayıncılık, s. 293.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553),
436-444.
Lee, S. (2022). Enhancing Brand Experience through Interactive Content.
Journal of Interactive Marketing, 19(3), 154-172.
Li, X., & Karahanna, E. (2015). Online recommendation systems in a B2C e-
commerce context: a review and future directions. Journal of the Association for
Information Systems, 16(2), 72.
Lin, P. (2018). The moral gray space of AI decisions. The Ethical Machine.
Retrieved from https://ai.shorensteincenter.org/ideas/2018/12/1/the-moral-gray-
space-of-ai-decisions-6sc59
Ludtke , U.,M. (2015). Emotion in Language: Theory – research – application ,
John Benjamins Publishing Company, ISBN: 9789027267658, pp:106-109
Ludwig, K., (2003). The mind-body problem: An overview The Blackwell guide
to philosophy of mind,pages. 10-11. reviewed to:
https://philpapers.org/archive/LUDTMP.pdf Erişim Tarihi: 20.05.2023

98
 Ludwig,K., Schneider S (2008) Fodor’s challenge to the classical computational
theory of mind Mind & Lan guage 23 (1) s.123-143.
Magee , B. (2000). Felsefenin Öyküsü, B. S. Şener (Çev.), 1. Baskı, Ankara:
Dost Kitapevi Yayınları.
Makridakis, S. (2017). The forthcoming Artificial Intelligence (AI) revolution:
Its impact on society and firms. Futures, 90, 46-60.
Marcus, G. (2018). Deep learning: A critical appraisal. ArXiv Preprint
doı:1801.00631.
Markus, KA., (2010) “Structural Equations and Causal Explanations: Some
Challenges for Causal SEM,” Structural Equation Modeling, 17(4), pp.654-676
Matukin, M., Ofme, R., Boshoff, C., (2016) “Toward a Better Understanding of
Advertising Stimuli Processing: Exploring the Link Between Consumers’ Eye
Fixation and Their Subconscious Responses,” Journal of Advertising Research, 56(2),
pp.205-216
Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will
transform how we live, work, and think. Houghton Mifflin Harcourt.
McCosker, A., & Wilken, R. (2014). Rethinking 'big data'as visual knowledge:
the sublime and the diagrammatic in data visualisation. Visual Studies, 29(2), 155-
164.
McDonald, R.P., (1985). Factor Analysis and Related Methods. New Jersey:
Lawrence Erlbaum Associates Inc.
McLaughlin, Brian P (1994) .: Zihin Felsefesine Eşlik Eden “Epifenomenalizm”
, Samuel Guttenplan, ed. Blackwell, Oxford publishing U.S.A
McStay, A., (2010) “A Qualitative Approach to Understanding Audience’s
Perceptions of Creativity in Online Advertising,” The Qualitative Report, 15(1),
pp.37-58
Mednick, S.A., (1962) “The Associative Basis of The Creative Process,”
Mellou, E., (1996) “The Two-Conditions View of Creativity,” Journal of
Creative Behavior, 30(2), pp.126-142
Mercanti-Guérin, M., (2008) “Consumers’ Perception of the Creativity of
Advertisements: Development of a Valid Measurement Scale,” Recherche et
Applications en Marketing (English Edition), 23(4), pp.97-118
Michaelian, K. (2016). Mental time travel: Episodic memory and our knowledge
of the personal past. MIT Press.
Miller, T. (2019). Explanation in artificial intelligence: Insights from the social
sciences. Artificial Intelligence, 267, 1-38.
Miniard, P.W., Bhatla, S., Lord, K.R., Dickson, P.R., Unnava, H.R., (1991)
“Picture-Based Persuasion Processes and the Moderating role of Involvement,”
Journal of Consumer Research, 18(1), pp.92-107
Minsky, M., & Papert, S. (1969). Perceptrons. Mnih, V., Kavukcuoglu, K.,
Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., … Ostrovski, G. (2015). Human-
level control through deep reinforcement learning. Nature, 518(7540), 529.
Mira, J. ,(1995) , Neural Computation Lecture Notes İn Computer, International
Workshop on Artifical Neural Networks Malaga- Torremolinos ,Spane June 1995,
Proceeding, IWANN ’95. Sprenger ISBN 3 1741 102 204 973 pp. 4-15.
Mitchell, T. M. (1997). Machine Learning. McGraw Hill.
Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The
ethics of algorithms: Mapping the debate. Big Data & Society, 3(2),
2053951716679679.
99
 Modig, E., Dahlén, M., Colliander, J., (2014) “Consumer-Perceived Signals Of
'Creative' Versus 'Efficient' Advertising: Investigating The Roles Of Expense And
Effort,” International Journal of Advertising, 33(1), pp.137-154
Mollen, A., Wilson, H., (2009) “Engagement, Telepresence and Interactivity in
Online Consumer Experience: Reconciling Scholastic and Managerial Perspectives,”
Journal of Business Research, 63(9-10), pp.919-925
Montufar, G. F., Pascanu, R., Cho, K., & Bengio, Y. (2014). On the number of
linear regions of deep neural networks. In Advances in neural information processing
systems, pages 2924–2932.
Moriarty, S.E. (1991). Creative Advertising: theory and practise. 2nd ed. New
Jersey: Prentice-Hall.
Moriarty, S.E., (1983) “Beyond The Hierarchy Of Effects: A Conceptual
Framework,” Current Issues and Research in Advertising, 6(1), pp.45-55
Mumford, M.D., Gustafson, S.B., (1988) “Creativity Syndrome: Integration,
Application, and Innovation,” Psychological Bulletin, 103(1), pp.27-43
Nardi, P. M. (2006). Doing Survey Research: A Guide To Quantitative Methods.
Ngai, E. W. T., Xiu, L., & Chau, D. C. K. (2009). Application of data mining
techniques in customer relationship management: A literature review and
classification. Expert systems with Applications, 36(2), 2592-2602.
Nielsen, J.H., Sharipo, S.A., Mason, C.H., (2010) “Emotionality and Semantic
Onsets: Exploring Orienting Attention Responses in Advertising,” Journal of
Marketing Research, 47(6), pp.1138-1150
Nyilasy, G., Canniford, R., Kreshel, P.J., (2013) “Ad Agency Professionals’
Mental Models of Advertising Creativity,” European Journal of Marketing, 47(10),
pp.1691-1706
Nyilasy, G., Canniford, R., Kreshel, P.J., (2013) “Ad Agency Professionals’
Mental Models of Advertising Creativity,” European Journal of Marketing, 47(10),
pp.1691-1706
Nyilasy, G., Reid, L.N., (2007) “The Academician-Practitioner Gap In
Advertising,” International Journal of Advertising, 26(4), pp.425-445
Nyilasy, G., Reid, L.N., (2009) “Agency Practitioners Theories of How
Advertising Works,” Journal of Advertising, 38(3), pp.81-96
Nyilasy, G., Whitehill, K., Reid, L.N., (2011) “Checking the Pulse of Print
Media: Fifty years of Newspaper and Magazine Advertising Research,” Journal of
Advertising Research, 51(1), pp.167-181
O’Cass, A., Griffin, D., (2006) “Antecedents and Consequences of Social Issue
Advertising Believability,” Journal of Nonprofit & Public Sector Marketing, 159(1-2),
pp.87-104
O’Connor, H., Koslow, S., Kilgour, M., Sasser, S.L., (2016) “Do Marketing
Clients Really Get the Advertising They Deserve? The Trade-Off Between Strategy
and Originality in Australian and New Zealand Agencies,” Journal of Advertising,
45(1), pp.147-155
O’Donohoe, S., Tynan, C., (1997). Beyond the Semiotic Strait-Jacket: Everyday
Experiences of Advertising Involvement. In Brown, S., Turley, D. Consumer Research
Postcards from the Edge. London: Routledge, pp.220-249
Oliver, J.D., Ashley, C., (2012) “Creative Leaders’ Views on Managing
Advertising Creativity,” Journal of Marketing Theory and Practise, 20(3), pp.335-348

100
 ONS (Office for National Statistics) (2015). Internet Access - Households and
Individuals: 2015 Available from
https://www.ons.gov.uk/peoplepopulationandcommunity/householdcharacteristics
Oppenheim, A.N. (1992). Questionnaire Design, Interviewing and Attitude
Measurement. London: Pinter Publishers.
Özlem, D. (2004). Mantık Klasik/Sembolik Mantık , Mantık Felsefesi,7. Baskı,
İstanbul: Inkılap Kitapevi . ISBN 975-10-1521-9.
Pallant, J., (2016). SPSS Surviving Manual: a step by step guide t data analysis
using IBM SPSS. Berkshire: Open University Press.
Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions
on Knowledge and Data Engineering, 22(10), 1345-1359
Pearson Education.
Percy, L., Rossiter, J.R., (1992), Advertising Stimulus Effects: A Review,
Journal of Current Issues and Research in Advertising, 14(1), pp.75-90
Pieters, R., Warlop, L., Wedel, M., (2002) “Breaking Through The Clutter:
Benefits of Advertisement Originality and Familiarity for Brand Attention and
Memory,” Management Science, 48(6), pp.765-781
Pieters, R., Wedel, M., (2004) “Attention Capture and Transfer In Advertising:
Brand, Pictorial, and Text-size Effects,” Journal of Marketing, 68(2), pp.36-50
Piffer, D., (2012) “Can creativity Be Measured? An Attempt to Clarify the
Notion of Creativity and General Directions for Future Research,” Thinking Skills and
Creativity, 7(3), pp.258-264
Pinter, D. G. & Ihasz, P.L. (2019). The Use of Natural Language Processing AI
techniques in corporate communications. SZTAKI Institute for Computer Science and
Control, Hungary. Budapest University of Technology and Economics Building "Q"
2 Budapest Hungary. 2 December, 2019.
Precourt, G., (2013) “What We Know About Creativity,” Journal of Advertising
Research, 53(3), pp.238-239
Prendergast, G., Wah-Leung, C., West, D., (2010) “Antecedents to Advertising
Avoidance in China,” Journal of Current Issues & Research in Advertising, 32(2),
pp.87-100
Proctor, T. (2005). Essentials of Marketing Research. 4th ed. Essex: Prentice
Hall. Punch, K. (2003). Survey Research the basics. 1st ed. London: Sage Publications.
Prof. Dr. Karaca, M., Yrd. Doç. Dr. İnce, G., (2017). İnsanlaşan Makineler ve
Yapay Zeka- İnsanlığın Yapay Zekayla İmtihanı. İTÜ Vakfı Dergisi, 2017 Ocak- Mart,
Sayı 75. Azra yayıncılık,İstanbul.
Provost, F., & Fawcett, T. (2013). Data science and its relationship to big data
and data-driven decision making. Big data, 1(1), 51-59.
Psychological Review, 69(3), pp.220-232
Punch, K. (2005). Introduction to Social Research. 2nd ed. London: Sage
Publications.
Rao, A. G., Kishore ,P.V.V, Sastry A.S.C.S., Kumar,D.A., Kumar, E.K. ,(2018).
Selfie Continuous Sign Language Recognition with Neural Network Classifier ,
Proceedings of 2nd İnternational Conference on Micro- Electronicsi Electromagnetics
and Telecommunications, ISBN: 978-981-10-4279-9, pp:31-41 Springer Nature
Singapore 2018.
Rappoport, S.D., (2007) “Lessons from Online Practice: New Advertising
Models,” Journal of Advertising Research, 47(2), pp.135-141

101
 Reichanbach, H.,(1993).Bilimsel Felsefenin Doğuşu, C. Yıldırım(Çev.), 2.
Baskı, İstanbul; Remzi Yayınevi.
Reid, L.N., King, K.W., DeLorme, D.E., (1998) “Top-Level Agency Creatives
Look at Advertising Creativity Then and Now,” Journal of Advertising, 27(2), pp.1-
16
Reid, L.N., Rotfeld, H.J., (1976) “Toward an Associative Model of Advertising
Creativity,” Journal of Advertising, 5(4), pp.24-19
Reinartz, W., & Saffert, P. (2013). Creativity in advertising: When it works and
when it doesn’t. Harvard Business Review, 91(6), 106-112.
Reips, U., (2010). Design and Formatting in Internet-Based Research. In
Gosling, S.D., Johnson, J.A. Advanced Methods for Conducting Online Behavioral
Research. Washington DC: American Psychological Association, pp.29-43
Reips, U., Krantz, J.H., (2010). Conducting True Experiments on the Web. In
Gosling, S.D., Johnson, J.A. Advanced Methods for Conducting Online Behavioral
Research. Washington DC: American Psychological Association, pp.193-216
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster r-cnn: Towards real-time
object detection with region proposal networks. In Advances in neural information
processing systems (pp. 91–99).
Roberts, J., (2016). Thinking Machines: The Search for Artificial Intelligence
Does history explain why today’s smart machines can seem so dumb? Science History
Institute - Chemistry,Engineering, Life Science. Portland, Oregon,USA.
Rose, D. and Sullivan, O. (1996). Introducing Data Analysis for Social
Scientists.
Rosengren, S., Dahlén, M., Modig, E., (2013) “Think Outside the Ad: Can
Advertising Creativity Benefit More Than the Advertiser?,” Journal of Advertising,
42(4), pp.320-330
Rossiter, J.R., (2002) “The C-OAR-SE Procedure for Scale Development in
Marketing,” International Journal of Research in Marketing, 19(4), pp.305-335
Rossiter, J.R., (2008) “Defining The Necessary Components Of Creative,
Effective Ads,” Journal of Advertising, 37(4), pp.139-144
Rossiter, J.R., (2008). Valid Experiments and Valid Measures for Advertising
Research. American Academy of Advertising Conference Proceedings: Special Topics
Session.
Rossiter, J.R., Percy, L.P., (1980) “Attitude Change Through Visual Imagery In
Advertising,” Journal of Advertising, 9(2), pp.10-16
Rossiter, J.R., Percy, L.P., (1991) “Emotions and Motivations in Advertising,”
Rotfeld, H.J., (2006) “Understanding Advertising Clutter and The Real Solution
to Declining Audience Attention to Mass Media Commercial Messages,” Journal of
Consumer Marketing, 23(4), pp.180-181
Roweis, S., Saul, L., and Hinton, G. (2002). Global Coordination Of Local
Linear Models , Advances in Neural Information Processing Systems 14, . MIT Press
, Cambridge, MA. pp:491.
Royne, M.B., (2016) “Research and Publishing in the Journal of Advertising:
Making Theory Relevant,” Journal of Advertising, 45(2), pp.269-273
Rumelhart, D. E., McClelland, J. L., & the PDP Research Group, (1986), Parallel
distributed processing Explorations in the microstructure of cognition, Vol. 1.
Foundations, Cambridge, Massachusetts, and MIT Press and McClelland, J. L.,
Rumelhart, D. E., & the PDP Research Group, (1986), Parallel distributed processing:

102
Explorations in the microstructure of cognition, Vol. 2. Psychological and biological
models. Cambridge, Massachusetts: MIT Press.
Runco, M.A., Charles, R., (1993) “Judgments of Originality and
Appropriateness as Predictors of Creativity,” Personality and individual Differences,
15, pp.537- 546
Runco, M.A., Jaeger, G.J., (2012) “The Standard Definition of Creativity,”
Russell, S. J. (2016). Artificial intelligence: A modern approach. Malaysia;
Pearson Education Limited.
Russell, S. J., & Norvig, P. (2009). Artificial Intelligence: A Modern Approach.
Prentice Hall.
Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach.
Malaysia; Pearson Education Limited.
Rust, R.T., (2016) “Comments: Is Advertising a Zombie?,” Journal of
Advertising, 45(3), pp.346-347
S. Ruder,(2016). "An overview of gradient descent optimization algorithms,"
ArXiv e-prints, vol. 1609, http://adsabs.harvard.edu/abs/2016arXiv160904747R
Sağıroğlu, Ş., Beşdok, E., Erler, M.,(2003), Mühendislikte Yapay Zeka
uygulamaları-1 : Yapay sinir ağları, Ufuk Yayınevi, ISBN: 9789759594855 , s: 24-47
Sasser, S.L., Koslow, S., (2008) “Desperately Seeking Advertising Creativity
engaging an Imaginative “3Ps” Research Agenda,” Journal of Advertising, 37(4),
pp.5-19
Sasser, S.L., Koslow, S., Kilgour, M., (2013) “Matching Creative Agencies With
Results-Driven Marketers: Do Clients Really Need Highly Creative Advertising,”
Journal of Advertising Research, 53(3), pp.297-312
Saunders, M., Lewis, P., Thornhill, A. (2012). Research Methods for Business
Students 6th ed. Essex: Pearson Education.
Schaeffer, J., (2017). https://www.technologyreview.com/author/jonathan-
schaeffer/ Erişim:29.06.2023
Schaeffer, J., (2017). Kasparov Thinks Deeply about His Battle with a Machine
A new book offers the chess master’s account of his famous match against Deep
Blue—and some thoughts on the future of AI. MIT Technology Review. Cambridge,
USA.
Schreiber, J.B., Nora, A., Stage, F.K., Barlow, E.A., King, J., 2006, Reporting
Structural Equation Modeling and Confirmatory Factor Analysis Results: A Review,
Journal of Educational Research, 99(6), pp.323-337
Schultz, D., (2016) “The Future of Advertising or Whatever We’re Going to Call
It,” 45(3), pp.276-285
Schuster, G., Hammer, J., Brem, A., (2014). Perceived Creativity in an
International Context: The Influence of Culture, Gender and Personal Creativity. The
XXV ISPIM Conference – Innovation for Sustainable Economy & Society.
Sciulli, L.M., Bebko, C., (2005) “Social Cause versus Profit Oriented
Advertisements: An Analysis of Information Content and Emotional Appeals,”
Journal of Promotion Management, 11(2-3), pp.17-36
Segen, J. , Kumar, S. , (1999). Shadow gestures: 3D hand pose estimation using
a single camera. IEEE International Conference on Computer Vision and Pattern
Recognition (s: 1479- 1485) IEEE: Fort Collins, CO, USA.
Shapiro, L. (2010). Embodied cognition. Routledge. Silver, D., Hubert, T.,
Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., … Graepel, T. (2018). A general

103
reinforcement learning algorithm that masters chess, shogi, and Go through self-play.
Science, 362(6419), 1140–1144.
Shavitt, S., Lowrey, P., Haefner, J., (1998) “Public Attitudes Toward
Advertising: More Favorable Than You Might Think,” Journal of Advertising
Research, 38(4), pp.7-22
Shavitt, S., Vargas, P., Lowrey, P., (2004) “Exploring the Role of Memory for
Self-Selected Ad Experiences: Are Some Advertising Media Better Liked Than
Others?,” Psychology & Marketing, 21(12), pp.1011-1032
Sheinin, D. A., Varki, S., Ashley, C., (2011), “The Differential Effects of Ad
Novelty and Message Usefulness on Brand Judgments,” Journal of Advertising, 40(3),
pp.5-17
Shiu, E., Hair, J., Bush, R., Ortinau, D. (2009). Marketing Research 1th ed.
Berkshire: McGraw-Hill Higher Education.
Siciliano, B., & Khatib, O. (Eds.). (2016). Springer handbook of robotics.
Springer.
Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez,
A.,..Bolton, A. (2017). Mastering the game of Go without human knowledge. Nature,
550(7676), 354–359.
Silvia, P.J., (2008a) “Creativity and Intelligence Revisited: A Latent Variable
Analysis of Wallach and Kogan,” Creativity Research Journal, 20(1), pp.34-39
Silvia, P.J., (2008b) “Another Look at Creativity and Intelligence: Exploring
higher-orer Models and Probable Confounds,” Personality and Individual Differences,
44(4), pp.1012-1021
Silvia, P.J., Winterstein, B.P., Wilsse, J.T., Barona, M., Cram, J.T., Hess, K.I.,
Martinez, J.L. Richard, C.A., (2008) “Assessing Creativity with Divergent Thinking
Tasks: Exploring the Reliability and Validity of New Subjective Scoring Methods,”
Psychology of Aesthetics, Creativity and the Arts, 2(2), pp.68-85
Smit, E.G., Meurs, L., Neijens, P.C., (2006) “Effects of Advertising Likeability:
A 10-Year Perspcetive,” Journal of Advertising Research, 46(1), pp.73-83
Smith, J. (2021). The Impact of Social Media on Marketing Strategies. Journal
of Marketing Trends, 15(2), 45-62.
Smith, R.E., & Yang, X. (2004). Toward a general theory of creativity in
advertising: Examining the role of divergence. Marketing Theory, 4(1-2), 31-58.
Smith, R.E., Chen, J., Yang, X., (2008) “The Impact of Advertising Creativity
on the Hierarchy of Effects,” Journal of Advertising, 37(4), pp.47-61
Smith, R.E., Chen, J., Yang, X., (2008) “The Impact of Advertising Creativity
on the Hierarchy of Effects,” Journal of Advertising, 37(4), pp.47-61
Smith, R.E., MacKenzie, S.B., Yang, X., Buchholz, L.M., Darley, W.K., (2007)
“Modeling The Determinants and Effects of Creativity in Advertising,” Marketing
Science, 26(6), pp.819-833
Smith, R.E., Yang, X., (2004) “Toward a General Theory of Creativity in
Advertising: Examining the Role of Divergence,” Marketing Theory, 4(1), pp.31- 58
Solomon, M.R., Bamossy, G., Askegaard, S., Hogg, M.K. (2010). Consumer
Behaviour A European Perspective 4th ed. Essex: Pearson Education.
Speck, P.S., Elliott, M.T., (1997a) “The Antecedents and Consequences of
Perceived Advertising Clutter,” Journal of Current Issues and Research in Advertising,
19(2), pp.39-54
Speck, P.S., Elliott, M.T., (1997b) “Predictors of Advertising Avoidance in Print
and Broadcast Media,” Journal of Advertising, 26(3), pp.61-76
104
 Spielmann, N., Richard, M.O., (2013) “How Captive Is Your Audience?
Defining Overall Advertising Involvement,” Journal of Business Research, 66(4),
pp.499- 505
Squalli, J., Wilson, K., (2014) “Intelligence, Creativity, and Innovation,”
Intelligence, 46, pp.250-257
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R.
(2014). Dropout: a simple way to prevent neural networks from overfitting. The
Journal of Machine Learning Research, Vol.15, No:1, pp.1929–1958.
Stapel, J., (1994), Observations: A Brief Observation About Likeability and
Interestingness of Advertising, Journal of Advertising Research, 34(2), pp.79-80
Steenkamp, J.E.M., Baumgartner, H., (2000) “On the Use of Structural Equation
Models for Marketing Modeling,’ International Journal of Research in Marketing,
17(2), pp.195-202
Stein, M.I., (1953) “Creativity and Culture,” The Journal of Psychology, 36(2),
pp.311-322
Sternberg, R.J., (1985) “Implicit Theories of Intelligence, Creativity, and
Wisdom,” Journal of Personality and Social Psychology, 49(3), pp.607-627
Sternberg, R.J., (2001) “What Is The Common Thread of Creativity? Its
Dialectical Relation to Intelligence and Wisdom,” American Psychologist, 56(4),
pp.360-362
Sternberg, R.J., Lubart, T.I., (1992) “Buy Low and Sell High: An Investment
Approach to Creativity,” Current Directions In Psychological Science, 1(1), pp.1- 5
Sternberg, R.J., Lubart, T.I., (1996) “Investing In Creativity,” American
Psychologist, 51(7), pp.677-688
Steven B, Douğlas K ( 2010) Çev. Mehmet K (2016) Postmodern Teori Ayrıntı
yayınları , İstanbul ,400s
Stewart, D.W., Cheng, Y., Wan, H., (2008) “Creative and Effective Advertising:
Balancing Spontaneity and Discipline,” Journal of Advertising, 37(4), pp.135-139
Stich, S. P. & Warfield, T. A., (2003). The Blackwell Guide to Philosophy of
Mind, Set in 10/13pt Galliard by Graphicraft Limited, Hong Kong Printed and bound
in the United Kingdom by MPG Books Ltd, Bodmin, Cornwall. ISBN 0-631-21774-
6.
Stinson, C. (2018). Explanation and Connectionist Models. In M. Sprevak & M.
Colombo (Eds.), The Routledge Handbook of the Computational Mind. Routledge.
Stone, G., Besser, D., Lewis, L.E, (2000) “Recall, Liking, and Creativity in TV
Commercials: A New Approach,” Journal of Advertising Research, 40(3), pp.7-18
Storme, M., Lubart, T., (2012) “Conceptions of Creativity and Relations with
judges’ Intelligence and Personality,” The Journal of Creative Behaviour, 46(2),
pp.138-149
Strawn, G., & Strawn, C. (2016). Masterminds of artificial ıntelligence: Marvin
Minsky and Seymour Papert. IT Professional, 18(6), pp. 62–64; p.63.
Stuhlfaut, M.W., Windels, K., (2012) “Measuring the Organisational Impact on
Creativity,” International Journal of Advertising, 31(4), pp.795-818
Stuhlfaut, M.W., Yoo, C.Y., (2013) “A Tool for Evaluating Advertising
Concepts: Desirable Characteristics as Viewed by Creative Practitioners,” Journal of
Marketing Communications, 19(2), pp.81-97
Szeliski, R. (2010). Computer vision: algorithms and applications. Springer
Science & Business Media.

105
 Tabachnick, B.G., Fidell, L.S. (2007). Using Multivariate Statistics 6th ed.
Essex:
Tegmark, M. (2017). Life 3.0: Being Human in the Age of Artificial Intelligence.
New York: Alfred A. Knopf.
Thom, J. C. (1995). The Pythagorean Golden Verses: With Introduction and
Commentary, Leiden; New York, Köln: EJ Brıll Publishing. ISBN:9004101055,
Thorson, E., Chi, A., Leavitt, C., (1992) “Attention, Memory, Attitude, and
Conation: A Test of the Advertising Hierarchy,” Advances in Consumer Research,
19(1), pp.366-379
Till, B.D., Baack, D.W., (2005) “Recall and Persuasion: Does Creative
Advertising Matter?,” Journal of Advertising, 34(3), pp.47-57
Tuten, T.L., (2010). Conducting Online Surveys. In Gosling, S.D., Johnson, J.A.
Advanced Methods for Conducting Online Behavioral Research. Washington DC:
American Psychological Association, pp.179-192
Ülken, H.Z. (1972). Genel Felsefe Dersleri, Ankara: AÜF Yayınları.
Vakratsas, D., Ambler, T., (1999) “How Advertising Works: What Do We
Really Know?,” Journal of Marketing, 63 (1), pp.26-43
Van der Maaten, L., & Hinton, G. (2008). Visualizing data using t-SNE. Journal
of machine learning research, 9(11).
Vargas, P.T., Duff, B.R.L., Faber, R.J., (2017) “A Practical Guide to
Experimental Advertising Research,” Journal of Advertising, 46(1), pp.101-114
Vinyals, O., Blundell, C., Lillicrap, T., Kavukcuoglu, K., & Wierstra, D. (2016).
Matching Networks for One Shot Learning. In D. D. Lee, M. Sugiyama, U. V.
Luxburg, I. Guyon, & R. Garnett (Eds.), Advances in Neural Information Processing
Systems 29 (pp. 3630–3638). Curran Associates, Inc. Retrieved from
http://papers.nips.cc/paper/6385-matching-networks-for-one-shot-learning.pdf
Vivek, S.D., Beatty, S.E., Morgan, R.M., (2012) “Customer Engagement:
Exploring Customer Relationships Beyond Purchase,” Journal of Marketing Theory
and Practice, 20(2), pp.127-145
Walker, D., Dubitsky, T.M., (1994) “Why Liking Matters,” Journal of
Advertising Research, 34(3), pp.9-18
Wang, A., (2006) “Advertising Engagement: A Driver of Message Involvement
on Message Effects,” Journal of Advertising Research, 46(4), pp.355-368
Wang, G., Dou, W., Li, H., Zhou, N., (2013) “Advertiser Risk Taking, Campaign
Originality, and Campaign Performance,” Journal of Advertising, 42(1), pp.42-53
Wang, J., Calder, B.J., (2006) “Media Transportation and Advertising,” Journal
of Consumer Research, 33(2), pp.151-162
Waring, J., Lindvall, C., & Umeton, R. (2020). Automated machine learning:
Review of the state-of-the-art and opportunities for healthcare. Artificial Intelligence
in Medicine, p.70.
Weilbacher, W.M., (2001) “Point of View: Does Advertising Cause a
“Hierarchy of Effects”?,” Journal of Advertising Research, 41(6), pp.19-26
Weiskopf, D. (2011). Models and mechanisms in psychological explanation.
Synthese. Retrieved from Erişim :
http://www.springerlink.com/index/141166V581398375.pdf
Wells, W.D., (1993) “Discovery-oriented Consumer Research,” Journal of
Consumer Research, 19(4), pp.489-504
West, D., Caruana, A., Leelapanyalert, K., (2013) “What Makes Win, Place, or
Show? Judging Creativity in Advertising at Award Shows,” Journal of
106
 West, D., Sargeant, A., (2004), Taking Risks with Advertising: The Case of the
Non-For-Profit Sector, Journal of Marketing Management, 20(9-10), pp.1027- 1045
West, D.C., Kover, A.J., Caruana, A., (2008) “Practitioner and Customer Views
of Advertising Creativity: Same Concept, Different Meaning?,” Journal of
Advertising, 37(4), pp.35-45
White, A., Shen, F., Smith, B.L., (2002) “Judging Advertising Creativity Using
the Creative Product Semantic Scale,” Journal of Creative behaviour, 36(4), pp.241-
253
White, A., Smith, B.L., (2001) “Assessing Advertising Creativity Using the
Creative Product Semantic Scale,” Journal of Advertising Research, 41(6), pp.27- 34
White, G.E., (1972) “Creativity: The X Factor in Advertising Theory,” Journal
of Advertising, 1(1), pp.28-32
Wilson, A.M., (2012). Marketing Research An Integrated Approach. 3rd ed.
Harlow: Prentice Hall.
Woodard, B., (2006) “Building “Engagement”, One Brick At a Time,” Journal
of Advertising Research, 46(4), pp.353-354
Yamins, D. L., & DiCarlo, J. J. (2016). Using goal-driven deep learning models
to understand sensory cortex. Nature Neuroscience, Vol.19, Is.3 pp. 356-372.
Yang, X., Smith, R.E., (2009) “Beyond attention effects: Modeling the
persuasive and emotional effects of advertising,” Marketing Science, 28(5), pp.935-
949
Young, C.E., (2000) “Creative Differences between Copywriters and Art
Directors,” Journal of Advertising Research, 40(3), pp.19-26
Youngman, M.B., (1978). Designing and Analysing Questionnaires. Berkshire:
TRC-Rediguides.
Yuan, S., Wang, J., & Zhao, X. (2013). Real-time bidding for online advertising:
Measurement and analysis. In Proceedings of the Seventh International Workshop on
Data Mining for Online Advertising, 3-1
Zaichkowsky, J.L., (1985) “Measuring the Involvement Construct,” Journal of
Consumer Research, 12(3), pp.341-352
Zaichkowsky, J.L., (1994) “The Personal Involvement Inventory- Reduction,
Revision, And Application To Advertising,” Journal of Advertising, 23(4), pp.59- 70
Zaltman, G., Coulter, R.H., (1995) “Seeking The Voice of the Customer:
Metaphor-Based Advertising Research,” Journal of Advertising Research, 35(4),
pp.35-51
Zhang, C., Bengio, S., Hardt, M., Recht, B., & Vinyals, O. (2016).
Understanding deep learning requires rethinking generalization. ArXiv Preprint
ArXiv:1611.03530.
Zhou, Z., & Firestone, C. (2018). Taking a machine’s perspective: Human
deciphering of adversarial images. ArXiv Preprint ArXiv:1809.04120. Zou, J., &
Schiebinger, L. (2018). AI can be sexist and racist — it’s time to make it fair. Nature,
Vol.559, Is.7714, pp. 324.
Zinkhan, G.M., (1993) "Creativity in Advertising: Creativity in the Journal of
Advertising," Journal of Advertising, 22(2), pp.1-3
Zinkhan, G.M., (1993) "Creativity in Advertising: Creativity in the Journal of
Advertising," Journal of Advertising, 22(2), pp.1-3
Zinkhan, G.M., Fornell, C., (1985) “A Test of Two Consumer Responses Scales
in Advertising,” Journal of Marketing Research, 22(4), pp.447-452

107
 Zinkhan, G.M., Fornell, C., (1989) “A Test of the Learning Hierarchy in High-
and Low-Involvement Situations,” Advances in Consumer Research, 16(1), pp.152-
159
Zou, J., & Schiebinger, L. (2018). AI can be sexist and racist — it’s time to make
it fair. Nature, 559(7714), 324.

108