Çocuğum için robotik mi, yapay zekâ mı? İki ders örneğiyle seçim
Çocuğunuz için robotik mi, yapay zekâ mı? Sensörlü maket ve kâğıt şekil sınıflandırma örnekleriyle derslerin farkını, ortak yönlerini ve seçim ölçütlerini görün.

“Robotik mi seçelim, yapay zekâ mı?” sorusu, Alanya’da çocuğu için teknoloji eğitimi araştıran ailelerin karşısına çıkabiliyor. İsimleri karşılaştırmak kolay; çocuğun masanın başında ne yapacağını görmek daha açıklayıcı. Bir derste sensörden gelen bilgiye göre bir kural yazabilir. Diğerinde bilgisayara örnekler gösterip yeni bir nesneyi hangi gruba koyduğunu inceleyebilir.
Başlangıç seçimini, çocuğun hangi işi merak ettiğini gözleyerek yapabilirsiniz: bir düzeneği kurup davranışını değiştirmek mi, örnekleri karşılaştırıp bilgisayarın kararını sorgulamak mı? İkisini de seven bir çocuk için bu alanlar aynı projede birleşebilir.
Aşağıdaki iki senaryo, farkı anlatmak için hazırlanmış temsili etkinliklerdir. Yonga Akademi’nin belirli bir dersinde aynı malzemenin veya aracın kullanıldığı anlamına gelmez.
Birinci ders: Karanlıkta ışığını açan robot maketi
Masada kartondan bir robot maketi ve ışığı ölçebilen bir eğitim kartı olduğunu düşünün. Ortam karardığında maketin üzerindeki ışık yanacak. Bu, robotik kodlamaya hazırlıkta ölçüm, karar ve fiziksel tepkiyi tanıtan basit bir düzenektir; hareketli bir robotun bütün parçalarını içermez. Çocuk önce “karanlık” dediği koşulu ölçülebilir bir kurala çevirmeye çalışır.
Örneğin, ışık ölçümü belirlediği sınırın altına düştüğünde LED’leri yakar; diğer durumda söndürür. micro:bit’in resmî gece lambası etkinliğinde bu ilişki, ışık ölçümü ve “eğer–değilse” koşuluyla gösterilir. Örnekteki eşik, ortamın aydınlığına göre değiştirilebilir.
Bu senaryoda çocuğun işi bir kodu kopyalamakla bitmez. Maketi pencere kenarında ve masanın altında dener. “Işığın burada yanmasını istiyor muyum?” diye karar verir. Karton gövde algılayıcıyı kapatıyorsa yerleşimi değiştirir; kural uygun değilse sınırı yeniden seçer.
Bir deneme defterinde üç kısa kayıt yeterli olabilir:
- Beklentim: Masanın altında ışık yanacak.
- Gözlemim: Pencere kenarında da yanıyor.
- Yeni denemem: Önce ölçümü kontrol edeceğim, sonra yalnız eşik değerini değiştireceğim.
Buradaki öğrenme fırsatı, ölçüm–kural–sonuç bağlantısını kurmaktır. Çocuk aynı anda her şeyi değiştirmek yerine bir değişikliğin etkisini izler. Sonunda “Ben bu koşulu yazdım, bu yüzden ışık yandı” diye açıklama yapabilir. Bu düzenek örneklerden öğrenen bir model içermez; davranışı belirleyen koşulu çocuk yazar.
İkinci ders: Kâğıt şekilleri ayıran model
Bu kez masada farklı boyutlarda çizilmiş daireler ve üçgenler var. Çocuk, bilgisayarın yeni bir kartı bu iki gruptan hangisine yerleştirdiğini inceleyecek. Önceden yetişkin tarafından hazırlanmış, yalnızca kâğıt şekilleri gösteren görseller kullanılabilir; çocuk yüzü veya ses kaydı gerekmez.
Google'ın Teachable Machine açıklamasında, görselleri sınıflara ayırma, örneklerle model eğitme ve yeni örneklerde deneme adımları anlatılır. Araç, önceden hazırlanmış görsel dosyalarını kullanmaya da izin verir. Bu senaryoda “daire” ve “üçgen” grupları oluşturulur. Çocuk seçtiği örneklerin hangi gruba ait olduğunu belirtir; model bu örneklerdeki örüntülerden yararlanarak yeni görseller için tahmin üretir.
İlk denemede bütün daireler beyaz, bütün üçgenler mavi kâğıda çizilmiş olsun. Model, şekil yerine arka planla ilişkili bir ipucuna dayanıyor olabilir. Bunu varsaymak yerine denemek gerekir: Yeni bir beyaz üçgen ve mavi daire gösterildiğinde ne oluyor?
Bu, “Bilgisayar yanlış yaptı, baştan başlayalım” demekten daha yararlı bir tartışma açar. Çocuk her iki şeklin de farklı renk, boyut ve açılardaki örneklerini hazırlar. Sonra eğitimde kullanmadığı kartlarla yeniden dener. Google’ın örnek toplama rehberi, modelin sonucunun verilen örneklere bağlı olduğunu ve örnekleri değiştirerek deneme yapmayı vurgular.
Burada çocuk her görüntü için ayrı bir karar kuralı yazmaz. Örnekleri seçer, etiketler, tahmini kontrol eder ve hatanın nereden gelebileceğini araştırır. “Bu kartta doğru bildi” ile “Her kartta doğru bilecek” arasındaki farkı konuşur. Görseller yalnız nesneleri içermeli; araç kullanımı bir yetişkinin rehberliğinde, güncel yaş ve kullanım koşulları kontrol edilerek yürütülmelidir.
İki dersin farkı nerede ortaya çıkıyor?
| Karşılaştırma | Kurallı robot maketi | Görsel sınıflandırma modeli |
|---|---|---|
| Çocuğun verdiği karar | Hangi ölçümde ışık yanacak? | Hangi örnek hangi gruba ait? |
| Sistemin kullandığı bilgi | Algılayıcıdan gelen ölçüm | Eğitim örneklerindeki örüntüler |
| İlk incelenecek hata | Yerleşim, ölçüm ve yazılan koşul | Örnekler, etiketler ve yeni görsellerdeki sonuç |
| Çocuğun anlatabileceği sonuç | “Kuralı değiştirince davranış değişti.” | “Örnekleri değiştirince tahminler değişti.” |
Bu tablo iki alanın tamamını tanımlamaz. Robotik projelerde yapay zekâ kullanılabilir; yapay zekâ dersleri de kodlama içerebilir. Burada karşılaştırılan, başlangıçta karşılaşılabilecek iki farklı çalışma biçimidir.
Çocuğumu gözlerken neye bakabilirim?
Bir düzeneğin ışığını, hareketini veya algılayıcısını merak eden çocuk için robotik etkinliği iyi bir başlangıç olabilir. “Neden bunu üçgen sandı?” sorusunu uzun süre kurcalayan çocuk, sınıflandırma deneyini daha ilgi çekici bulabilir. Bu gözlemler yetenek testi veya kalıcı bir yönlendirme değildir.
Etkinlikten sonra “Hangisi daha güzel?” sorusuna iki soru daha ekleyin: “Hangi kısmı kendin değiştirdin?” ve “Bir kez daha denesen neyi değiştirmek isterdin?” Cevaplar, çocuğun yalnızca sonuca mı yoksa üretim sürecine de mi ilgi duyduğunu anlamanıza yardımcı olabilir. İlk denemede zorlanması tek başına o alana uygun olmadığı anlamına gelmez.
Robotik ve yapay zekâ aynı projede kullanılabilir mi?
Evet. Örneğin bir model kâğıt kartın daire olduğunu tahmin eder; kod da bu tahmine göre maketin ışığını yakar. Sınıflandırma ile fiziksel tepki aynı projeye bağlanmış olur. Google’ın Teachable Sorter projesi, görsel sınıflandırmayı nesne ayıran fiziksel bir sistemle birleştiren bir örnektir.
Başlangıçta böyle bir birleşimi hemen kurmak şart değildir. Önce ışık koşulunu ve sınıflandırmayı ayrı ayrı anlamak, sorun çıktığında hangi bölüme bakılacağını kolaylaştırabilir. Ders seçerken de iki başlığın aynı afişte bulunmasından çok, aralarındaki bağlantının çocuğa nasıl anlatıldığını sorun.
Alanya Oba’da program hakkında bilgi almak
Yonga Akademi’de aktif bir 10 yaş robotik ve yapay zekâ grubu bulunuyor. Çocuğunuzun deneyimine uygun grup, ders günleri ve ücret bilgisi için WhatsApp üzerinden bilgi alabilirsiniz. İlgilendiğiniz alanı incelemek için robotik kodlama ve yapay zekâ eğitimi sayfalarına da göz atabilirsiniz.
Adres: Oba Mahallesi, Mevlüt Çavuşoğlu Bulvarı No:126, Rota Plaza B Blok, Kat:2, Dükkan No:6, 07460 Alanya/Antalya.
Sık sorulan sorular
- Yapay zekâya başlamadan önce robotik öğrenmek gerekir mi?
- Her etkinlik için böyle bir ön koşul yoktur. Basit bir görsel sınıflandırma çalışması fiziksel robot kullanmadan yapılabilir. Programın gerektirdiği bilgi ve araçlar, seçilen etkinliğe göre değerlendirilmelidir.
- Robotik kodlamadaki her robot yapay zekâ kullanır mı?
- Hayır. Bir algılayıcı ölçümüne göre önceden yazılmış koşulu uygulayan robot, örneklerden öğrenen bir model kullanmadan da çalışabilir. Bir cihazın hareket etmesi tek başına yapay zekâ kullandığını göstermez.
- Çocuk görüntüsü veya ses kaydı olmadan yapay zekâ etkinliği yapılabilir mi?
- Evet. Bu yazıdaki şekil sınıflandırma örneği, yalnız kâğıt nesnelerin görselleriyle tasarlanmıştır. Etkinlik seçerken kişisel bilgi gerektirmeyen örnekler tercih edilebilir.
Kaynaklar ve ileri okuma
İlgili yazılar
Çocuğunuz için uygun teknoloji yolunu keşfedin
Yonga Akademi’nin yaşa göre ilerleyen kodlama ve yapay zekâ programlarını inceleyin veya kayıt başvurusu bırakın.



