Hakan Kahraman: Yapay Zekâ, Robotlar, İnsansız Hava Araçları ve Savunma Sanayi

Yapay Zekâ, Robotlar, İnsansız Hava Araçları ve Savunma Sanayi

Günümüzde hem askeri hem de ticari ortamlarda genellikle dronlar olarak bilinen insansız hava araçlarının (İHA) kullanımındaki artış, devletler sivil toplum örgütleri tarafından kullanım sınırlaması ve yasaklar gibi birçok konunun gündeme getirilmesine sebep olmuştur. Havada, yerde ya da su altında kullanılabilen bu tür robotlar teorik olarak “yapay zeka” (AI) ile görevlerini kendi başlarına yerine getirme becerilerine sahip olurlar. Birçok boyut ve paydaşa sahip olan tartışmalar, özellikle insan hayatının söz konusu olabileceği ihtimaller varsa, yapay zekâ kullanan akıllı makinelerin bu tür askeri misyonları yürütmesine izin verilip verilmeyeceğine ilişkindir.

Bu konuları detaylandırabilmemiz için öncelikle yapay zekânın bir çalışma tanımına ihtiyaç vardır. Günümüzde yapay zekâ konusunda bilgisayar bilimcileri ve mühendisler arasında bile ortak olarak mutabakata varılmış bir tanım yoktur. Genel anlamda yapay zekânın tanımı, akıllı bir bilgisayar sisteminin normalde insan zekâsını gerektiren görsel algı, konuşma tanıma ve karar verme gibi görevleri yerine getirebilmesidir. Bu tanım basitleştirilmiş bir tanım olup, akıllı sistemler dediğimiz sistemlerdeki akıllı kelimesi de tartışmaya açık bir mevzudur. Bu tanım gereği ev termostatı akıllıdır çünkü sıcaklığı algılayabilir ve ayarlayabilir. Fakat İHA’larda durum önemli ölçüde farklıdır. Bağımsız otonom silahlar içeren yapay zekaya sahip bir İHA anlamlı bir insan kontrolü olmaksızın hedefler seçer ve bunları yorumlayabilir.

Otonom silahlar konusundaki tartışmalarda dikkate alınması gereken bir diğer kritik faktör de, ticari uçak imar otonomisini askeri İHA'lardan ayırmanın yetersizliğidir. Sonuç olarak, askeri alanda özerk bir teknolojinin yasaklanması, ticari sektörde türev veya üstün teknolojilerin mevcut olabileceği göz önüne alındığında pratik olmayabilir. Buna ek olarak, ticari otonom sistem piyasasının asimetrik gelişiminin, hükümetler ve silahlı kuvvetler için uzmanlık eksikliğine yol açması muhtemeldir; bu durum, hem tam hem de yarı otonom olan tehlikesiz ve güvensiz otonom sistemlere yol açabilir.

Tüm bunları iyi değerlendirebilmemiz için yapay zekânın mevcut durumunu,  güçlü ve zayıf yanlarını ve muhtemel geleceğini iyi anlamamız gerekmektedir. Yapay zekânın ilerleyişinin, bu sistemleri geliştiren mühendislerin uzmanlığı ile ayrılmaz bir şekilde bağlantılı olduğu düşünüldüğünde, bu teknolojiler üzerinde uzmanlık sağlamamız ve kendi sistemlerimizi geliştirmemiz ülkemizin menfaatleri açısından oldukça önemlidir.

Robotlar Nasıl Düşünür?

Yapay zekânın nüanslarını daha iyi anlamak için, öncelikle otomatik ve özerk (otonom) bir sistem arasındaki farkı anlamak önemlidir. Otomatik sistemler açık bir if -then – else, kural tabanlı bir yapıya sahip olan ve işlerin deterministik bir şekilde yapıldığı sistemlerdir. Bu durum kısaca,  her giriş için sistem çıktısının her zaman aynı olacağı anlamına gelir. Otonom (özerk) bir sistem, olasılıksal olarak bir dizi girdi verilmiş olan bir sistemdir. Bu, sensör verisi girdilerine verilen olası en iyi eylemler hakkında tahminler yapılması anlamına gelmektedir Otonom sistemler, otomatik sistemlerden farklı olarak, aynı girdiler verildiğinde her seferinde aynı davranışı üretmek yerine bir dizi davranışlar üretecektir.

İnsan zekâsı, genellikle algı-biliş-eylem bilgi işlem döngüsü olarak bilinen bir diziyi takip etmektedirler.  Bireyler etraflarındaki dünyadaki bir şeyi algılarlar, neyin yapılacağını düşünürler ve sonra, seçenekleri bir kez tartıp bir karar verirler. Yapay zekâlar da benzer bir şey yapması için programlanmıştır. Bir bilgisayar etrafındaki dünyayı algılar ve sonra gelen bilgiyi insanlara benzer bir tarzda yapılan bir eylem seçimi ile optimizasyon ve doğrulama algoritmaları aracılığıyla işler. Şekil 1, yapay zekâ içeren bir özerk sistemin nasıl düşündüğünü ve nasıl kararlar verdiğini göstermektedir.

Şekil 1: Yapay Zekâ Otonom Sistem Olarak Nasıl Çalışır (Kaynak: M. L. Cummings International Security Department and US and the Americas Programme January 2017)

İnsan zekâsı ile yapay zekâ arasında birçok paralellik bulunurken, aynı zamanda keskin farklılıklar da vardır. Dinamik bir ortamda etkileşime giren her otonom sistem Şekil 1'de gösterildiği gibi bir dünya modeli inşa etmeli ve bu modeli sürekli olarak güncellemelidir. Bu, dünyanın kameralar, mikrofonlar veya dokunma sensörleri aracılığıyla algılanması ve daha sonra bilgisayarın kararlar almadan önce dünyanın etkili ve güncel bir modelini yeniden yapılandırılması gerektiği anlamına gelir. Dünya modelinin doğruluğu ve güncellemelerinin zamanlaması, etkin bir özerk sistemin anahtarıdır.

Otonom İHA navigasyonunun çalıştığı dünya modeli, tercih edilen yolları, yükseklik engellerini ve uçuşa yasak bölgeleri gösteren haritaları içerdiğinden nispeten basittir. Radarlar bu modeli, hangi yerlerin engellerden arındırıldığını belirterek gerçek zamanlı olarak artırır. GPS koordinatları, ihtiyaç duyulduğu yerlerde İHA'ya gönderilir ve GPS koordinat planının amacı, İHA’yı uçuşa yasak bölgeye götürmemek veya bir engelle çarpışmasını önlemektir.

Karşılaştırma yapmak gerekirse, sürücüsüz otomobillerin navigasyonu çok daha zordur. Otomobiller sadece benzer haritalama yeteneklerine ihtiyaç duymamakla kalmamakta, aynı zamanda yakınlardaki tüm araçların, yayaların ve bisikletlerin nerede olduğunu ve tüm bunların önümüzdeki birkaç saniyede nereye gittiğini anlamalılardır. Sürücüsüz arabalar (ve bazı uçaklar) bunu LIDAR ile yaparlar (bkz. Şekil 1). LIDAR lazer darbeleri kullanılarak bir nesne veya bir yüzeyin uzaklığını anlamaya yarayan bir teknolojidir. Radar teknolojisiyle benzerdir fakat radyo dalgaları yerine ışık, yani lazer darbeleri kullanılır. Böylece, sürücüsüz bir aracın dünya modeli, işletim ortamının karmaşıklığını yansıtan tipik bir İHA'nınkinden çok daha gelişmiş olmalıdır. Sürücüsüz bir otomobil bilgisayarı, yakındaki tüm araçların ve engellerin tüm dinamiklerini takip etmek, olası tüm kavşak noktalarını sürekli olarak hesaplamak ve ardından, harekete geçme kararı vermek için trafiğin nasıl davranacağını tahmin etmelidir.

İnsanlar diğer sürücülerin ne yapacağını tahmin etmeyi bilişsel çaba ile yaparlar. Bilgisayarlar, mevcut dünya modelini korumaya ve güncellemeye çalışırken, tüm bu değişkenleri takip etmek için önemli bir hesaplama gücüne ihtiyaç duymaktadır. Bu muazzam hesaplama problemi göz önüne alındığında, otomobil eylem için güvenli yürütme sürelerini koruyarak, olasılıklı dağıtımlara dayanan en iyi tahminleri yapmalıdır.  Bu nedenle, otomobil, bir çeşit güven aralığı verildiğinde hangi yolun ya da eylemin en iyi olduğunu tahmin etmelidir. Otonom sistemler en iyi düşük çevre belirsizliği olan yüksek kaliteli bir dünya modelinin desteklendiği ortamlarda çalışırlar.

İnsanlar ve Robotlar Arasındaki Görevlerin Dengelenmesi

Otonom robot akıl yürütmesinin temellerini anladığımızda, özerk sistemlerin tasarımı hakkında, özellikle de bu sistemlere insanların hangi ölçüde dâhil olması gerektiği konularında düşünmemiz gerekmektedir. Sistemlerin insanlar tarafından denetlenip denetlenmemesi gerektiğinin anlaşılması önemlidir. Sorular, bir bilgisayar görüşü sisteminin, doğru bir karar vermek için yeterli bir çözünürlük imajı üretip üretemeyeceği gibi açık teknik ya da robotların insanların yerini alıp almayacağı gibi etik ve politik düşünceler şeklinde olabilir. Bu kutuplaştırıcı sorunlar etrafında kararlı argümanlar oluşturmak için askeri yapay zekâ sistemlerinin inşası ve kabiliyetlerinin ayrıntılı olarak anlaşılması gerekmektedir.

Şekil 2, otonom silah operasyonu da dâhil olmak üzere giderek karmaşıklaşan karar verme senaryolarıyla başa çıkmak için herhangi bir vekilin sahip olması gereken muhakeme aşamalarını göstermektedir. Endüstriyel görevlerde yer alan farklı bilgi işlem çeşitlerinin etkili bir sınıflandırması, Danimarka'daki Risø Laboratuvarı'ndan J. Rasmussen tarafından geliştirilmiştir. Şekil 2  Rasmussen’in SRK (skills, rules and knowledge-based bahaviours /beceri, kurallar ve bilgi tabanlı davranışlar) taksonomisinin genişletişmiş halidir.

Şekil 2: Bilgi işleme davranışlarının ( beceri, kural, bilgi, uzmanlık) belirsizlikle ilişkisi (Kaynak: Man versus Machine or Man + Machine? Mary (Missy) Cummings, Duke University and MIT)

Beceriye dayalı davranışlar, insanlar için bir süre eğitimin ardından yüksek oranda otomatik hale gelen duyusal-motor eylemlerdir. Bu tür beceriler, algı-biliş-eylem döngüsünün birleşimine dayanmaktadır. Bu durum, eylemlerin tipik olarak bir uyaranın saniyeler içinde gelmesi gerektiği anlamına gelir. Beceriye dayalı bir faaliyetin bir örneği bir uçağı uçurmaktır. Pilotlar eğitimlerinde zamanlarının büyük kısmını, aramaları ve göstergeleri yorumlamak için harcarlar. Böylece uçağın gerçek durumunun istenen duruma uyduğundan emin olmak için uçak kontrollerini hızlı ve uygun bir şekilde ayarlayabilme yeteneği kazanırlar. Otomatik pilotlar bunu; uçağın nerede olduğunu ve nerede olması gerektiğini söyleyen sensörlerden gelen girdi verilerinin kalitesine dayanan bir denklemler tabanlı geri besleme döngüsü aracılığıyla yaparlar.

Bilişsel devamlılıkta karmaşıklık arttıkça kural tabanlı davranışlara duyulan ihtiyaç ortaya çıkmaktadır. Kural tabanlı davranışlar, alt yordamlar, depolanmış kurallar veya prosedürler tarafından temsil edilebilen eylemlerdir. Denetim listeleri, kuralları yürüten insanlar için ortak bilişsel yardım araçlarıdır. Havacılık örneğine devam edersek, pilotlar çeşitli görevlerin karmaşıklığını yönetmelerine yardımcı olacak prosedürlere önemli ölçüde güvenmek zorundadırlar. Örneğin, bir yangın lambası yandığında ya da başka bir alt sistem bir problemi gösterdiğinde, pilotlar önce uçağı dengelemek (beceri) için eğitilirler, daha sonra doğru prosedürü belirlemek için kural klavuzuna dönerler. Kodlanmış prosedürler, hatırlanması muhtemel sorunlara çok fazla çözüm olduğu için gereklidir. Pek çok senaryoda, özellikle belirsizlik ve karmaşıklık arttıkça, bazı prosedürlerin yorumlanması gerekmektedir. Bu durum özellikle çoklu ve bileşik problemler durumunda yaygındır.

Bilgiye dayalı akıl yürütme, mevcut bir kural kümesinin mevcut durumla kesin olarak eşleşmediği ve çözüm için hızlı zihinsel simülasyonlara ihtiyaç duyulduğunda ortaya çıkar. Zihinsel modeller (dış dünyanın bilişsel temsili) zamanla inşa edilir ve özellikle belirsizlik karşısında, planlamaya ve planların seçimine yardımcı olur.

Havacılık tarihinin en sansasyonel olaylarından biri olan Hudson Mucizesi Şekil 2'de betimlenen bilgi temelli bir davranışın bir örneğidir.

2009 yılında, New York’ta LaGuardia Havalimanı’ndan kalkışından kısa bir süre sonra kuş sürüsün arasına giren ve sahip olduğu iki motoru da kaybeden bir Airbus A320, Hudson Nehri’ne inmek zorunda kalmıştır.  Havacılık tarihinin en sansasyonel olaylarından biri olan Hudson Mucizesi Şekil 2'de betimlenen bilgi temelli davranışın bir örneğidir. İçerisinde 150 yolcu ve 5 mürettebat bulunan uçağın pilotu kaptan Chesley Burnet Sullenberger ciddi bir karar vererek motorsuz bir uçağı nehre indirmiştir. Planörden farkı kalmayan motorsuz uçağı nehre indiren pilot daha önce bu senaryonun eğitimini almış ve kazayı önlemek için aldığı eğitimleri başarılı bir şekilde uygulamıştır. Bu, kaptanın çevrenin zihinsel bir modelini ve uçağın durumunu geliştirmesini gerektiren yüksek belirsizlik derecesini yansıtan, özlü bilgi temelli senaryodur. Pilotun geliştirdiği hızlı zihinsel simülasyon, yolcuların hayatını kurtarmak için doğru seçeneği tercih etmiştir.

Uzmanlık bilişsel davranışların en üstünde yer alır. Uzmanlık; kritik bir ortamda, bir durumun hızlı değerlendirilmesinden,  bunun yanı sıra yargı ve sezgilerden de yararlanır. Uzmanlar, zaman ve belirsizlik karşısında hızlı bir şekilde zor kararlar vermeleri gereken durumlarda kalabilirler. İnsanlardaki en yüksek belirsizlik durumlarıyla başa çıkma yeteneği, gerçek bir uzmanın ayırt edici özelliklerinden biridir.

Şekil 2'de gösterildiği gibi beceri tabanlı görevler, matematiksel temsiller yoluyla kontrol edilebilen, doğal geri bildirim döngüleri ile çok tekrarlamalı tanımlar olabildiğinden; beceriyi otomatik hale getirmek diğerlerine göre daha kolaydır. Bununla birlikte uygun sensörlerin doğru yerde olması oldukça önemlidir. Kural tabanlı davranışlar, if – then – else yapısı göz önüne alındığında, otomasyon için potansiyel olarak iyi adaylardır. Ancak yine Şekil 2'de gösterildiği gibi, belirsizliğin artması; kural, bilgi ve uzmanlığın etkin yönetimini gerektiren bilişsel davranışlara ihtiyaç doğurur.

Örneğin navigasyon kural temelli olup, navigasyona bir hedef verildiğinde, trafik akışı ve araç dinamikleri bilgisi hakkında en iyi yol objektif olarak tanımlanabilir. Böyle bir alandaki tüm belirsizlik, özerkliğin ortaya çıkmasını zorlaştırabilir. Daha önce belirtildiği gibi, dronlar için navigasyon nispeten basittir, çünkü olgun sensör yetenekleri ve düşük yoğunluklu bir engel ortamı, belirsizliğin düşük olduğu anlamına gelir. Araba sürüş senaryosunda, belirsizlik çok daha yüksektir.  Sensörler uçakta olduğu kadar güvenilir değildir ve potansiyel engel alanı önemli ölçüde daha fazladır.

Otomatikliğe karşı otonom davranışlar arasındaki geçişin belirginleşmeye başladığı davranış, kural temelli mantık düzeyindedir. Bazı üst düzey akıl yürütmeler burada başlamaktadır ancak belirsizlik de özellikle eksik bir kural kümesi varlığında burada büyümeye başlar. Örneğin, Global Hawk askeri İHA, diğer sistemlerle iletişimini yitirmesi durumunda kendisini kurabildiği, kural tabanlı bir düzeyde çalışmaktadır fakat bu tür bir uçağın, karşılaşabileceği tüm durumlar altında ne yapabileceği henüz net değildir.

Bilgi tabanlı davranışlar ve sonuçta elde edilen uzmanlık, Şekil 2'de gösterildiği gibi, belirsizliğin en yüksek olduğu alanlarda tipik olarak ortaya çıkan en gelişmiş bilişsel akıl yürütme biçimlerini temsil eder. Kural-temelli akıl yürütme, karar vericilere (insan ve / veya bilgisayar) olası eylem yollarını belirlemede yardımcı olabilir ancak yüksek belirsizlik olduğunda, hangi kuralların geçerli olduğunu anlamak genellikle zordur. Bu belirsiz senaryolarda algoritmalar çözüm alanını anlayamayabilirler, çok daha uygun bir çözüm elde edemezler.

Güvenlik açısından herhangi bir özerk sistemin kilit sorusu, sistemin kabul edilebilir sonuçlar elde etmek için belirsizliği çözüp çözemeyeceğidir. Otonom bir drona, askeri bir operasyonda statik bir hedefi vurmak için başarı olasılığı yüksek olan bir görev verilebilir. Gerçekten de, birçok ülkede bunu yapabilecek füzeler bulunmaktadır. Bununla birlikte, bir bireyi hedef alan özerk bir İHA, gerçek zamanlı görüntülerden masum bir insanı öldürmeyeceğini kesin bir şekilde anlayabilir mi? Şu anda bu sorunun cevabı hayırdır fakat zamanla doğruluk oranı yüksek İHA’lar geliştirilecektir. Yine de böyle bir durumda İnsani indüksiyonun gücü - yani belirli bilgi parçalarından genel kurallar oluşturma yeteneği - hem görsel hem de ahlaki yargı ve akıl yürütmeyi gerektiren bir durumda kritiktir. İnsanlar için, bu tür yargıları yönlendiren indüksiyon, belirsizlikle mücadele etmek için gereklidir. Bilgisayar algoritmaları (özellikle yapay zekâ kategorisine giren tipik algoritmalar gibi veri güdümlü olanlar) doğal olarak kırılgandır.  Yani bu algoritmalar genelleştirilemez ve yalnızca algoritmaların tasarım aşamalarında belirlenen ölçülebilir değişkenleri dikkate alınabilir. Sezgisel akıl yürütme ve gerçek uzmanlık kavramını kopyalamak, şimdilik bilgisayar dünyasının ötesindedir. Bu durumu değiştirmek için özellikle makine öğrenimi topluluklarında çalışmalar yapılmaktadır fakat ilerlemeler yavaştır. Yine de teknolojinin üstel olarak geliştiğini düşünürsek yakın zamanda ilerleme hızının katlanarak artacağını ve daha gelişmiş düşünebilen makineler üreteceğimizi göz önünde bulundurmamız gerekir.

IBM'in her biri 3.5 GHz çekirdekli işlemcili 90 sunucudan oluşan süper bilgisayarı Watson, insan akıl yürütme yeteneklerini aşma kapasitesine sahip bir bilgisayar olarak gösterilmektedir. Watson, doğal dil işleme ve imge eşleştirmesi için yapay zekâyı kullanır ancak yine de nispeten belirsizliğin düşük olduğu ortamlarda çalışır.  Bazı çevreler, makine öğrenimi ve derin öğrenmenin insan zekâsına yaklaştığını iddia etmektedir ancak şu anda bu araçlar temel olarak insanlar tarafından önemli ölçüde ayarlanmış olan kalıpları tespit etmekte ve araçların faydalı olması için insanlar tarafından yorumlanması gerekmektedir. Sonuç olarak, temsil ettikleri ilerlemeler devrimci değil, evrimseldir. Makine öğreniminin kısıtlaması; veriye bağımlı olması, temeldeki verilerin kalitesine dayanması ve dolayısıyla çok kırılgan olabilmesidir. Günümüzde makine öğrenimi algoritmalarından yararlanan bir bilgisayarın, daha önce hiç karşılaşılmayan bir model veya olayı ya da senaryoları tespit edebileceğine dair bir garanti yoktur. Bu bağlamda belirsizlik arttıkça, bu araçlar daha az kullanışlı hale gelir. Örneğin, genel olarak bilinen bir makine öğrenme algoritması, 22,000 nesne kategorisi içeren bir dünyada yüzde 15.8 doğrulukta görüntülerde nesneleri tanımlayabilmiştir. Bu dünya 1.000 nesne kategorisine gömüldüğünde, diğer algoritmalar yüzde 60-70'e kadar doğruluk sağlayabilir. Bu çalışmaların her ikisinde de, algoritmaların “eğitilmesi” için 10 milyon etiketli imge gerekmiştir. Buna karşılık günümüzde insanların “öğrenmek” için makinelere nazaran çok daha az örneğe ihtiyacı vardır ve insanlar 22.000'den fazla nesneden çok daha fazlasını ayırt etme ve doğru bir şekilde isimlendirme yeteneğine sahiptir. Bu nedenle bilgisayarlı görme algoritmaları günümüzde sürücüsüz araç navigasyonlarında kullanılmasına rağmen hala istenilen mükemmellikte değildir. Dolayısıyla, İHA'lar bir görüntü elde etmek için çok iyi bir platform olmasına rağmen, İHA’ya ya da herhangi bir özerk sisteme belirli bir hedefi silahla imha etme görevi verilmesi, üzerinde düşünülmesi gereken ve insan yardımı gerektiren bir süreç olmaktadır. Bilgisayarların belirli hedefleri yüksek bir kesinlik ile belirleyememesi, bilgiye dayalı akıl yürütmenin olasılıksal niteliğini vurgular. Özerk bir merkezi ısıtma termostatının, ev sahiplerinin varış zamanını yanlış tahmin etmesinin sonuçları nispeten önemsiz olabilir fakat otonom bir silahın kendi çalışma ortamında yanlış bir tahminde bulunması kötü sonuçlar doğuracaktır.

Akıllı Askeri Sistemlerin Siber Güvenliği

Dünyada cihazlar ve makineler birbirine bağlı hale geldikçe giderek artan fırsatların karşısında büyük tehditlerle de karşı karşıya gelinmektedir. Üst düzey makineler,  birbirine bağlı karmaşık verileri günlük olarak işlerken, bu bilgilerin gerçek zamanlı olarak hem güvenli hem de erişilebilir olması çok önemlidir.

1980'lerden günümüze kadar olan yıkıcı siber saldırıların sayısı her geçen gün artmıştır. Özellikle 2010'dan beri saldırılar ( az sayıdaki sofistike olanların dışında)  nispeten basit ama yetenekli, yıkıcı ve kötü amaçlı yazılımlar kullanılarak gerçekleştirilmiştir. Gelecekte daha fazla aktörün devreye girmesiyle yıkıcı siber saldırılara karşı daha fazla önlem almamız gerekecektir.

Günümüzde hava kuvvetlerinin silah sistemleri, görevlerini yerine getirmek için karmaşık yazılımlara ve yüksek bağlantılara büyük ölçüde bağımlıdır. Siber yetenekler, hava kuvvetlerine potansiyel rakipler karşısında üstünlük sağlayan birçok gelişmiş özelliği (örneğin elektronik saldırı, sensör füzyonu ve iletişim) mümkün kılar. Aynı zamanda bu durum, rakiplerin siber saldırılarla bu avantajlara karşı koymaları için potansiyel fırsatlar ve teşvikler de yaratmaktadırlar. Örneğin düşman, istihbarat kazanmak veya sabotaj operasyonlarını gerçekleştirmek için bir uçağın yazılımı, destek sistemleri veya tedarik zincirindeki güvenlik açıklarını keşfetmeye ve bunlardan yararlanmaya çalışabilir. Potansiyel riskler sadece en yeni ve en gelişmiş sistemlerde görülmez. Aynı zamanda askeri envanterin çoğunu oluşturan eski uçaklar da gelişen siber tehditler tarafından saldırıya maruz kalmaktadır.

Bu bağlamda ülkelerin, siber saldırılara karşı güçlü ve dirençli sistem tasarımlarına, izleme ve geri bildirimleri teşvik etmek için uygun politikalara ihtiyaçları vardır.  Siber güvenlik yönetimi, bir saldırı sonucunda ne kadar kritik bilginin dışarı sızdığını yönetmeli ve sistemler saldırıya uğramış olsa bile sistemin kabul edilebilir operasyonel işlevselliğini koruyabilmelidir. Bu yönetim süreci, bir askeri sistemin yaşam döngüsü boyunca sürdürebilir olmalıdır. Siber güvenlik yönetimi esnasında bütün aşamalar önemlidir ancak geliştirme ve sürdürme aşamaları sonucunda elde edilen uygulamalar yeni tehditlere karşı hızlıca adapte olabilmelidir.

Ülkemizde Savunma Sanayinde Otonom Sistemlerin Bugünü ve Geleceği

Maslow’un ihtiyaçlar hiyerarşisi beş ana kategoriye ayrılmaktadır

İnsanların Maslow’un ihtiyaçlar hiyerarşisindeki temel ve fizyolojik gereksinimlerinin hemen üzerinde yer alan “Güvenlik” ihtiyacı, aslında savunma teknolojilerinin ortaya çıkış noktasıdır. Ülkemiz de jeopolitik konumu ve yıllardır dışarıdan gelen tehditler sebebiyle dünyada en çok kendini savunmaya ihtiyaç duyan ülkelerden birisidir. İhtiyaçlar hiyerarşinin en üst basamağında “Kendini Gerçekleştirme” yer almaktadır ancak bu ihtiyacın karşılanabilmesi için, alt basamaklardaki ihtiyaçların yeterince karşılanmış olması gerekmektedir. Bu bağlamda savunma tehditleriyle sürekli karşı karşıya kalan coğrafyamızda güvenlik sorunlarımızı çözmemiz gerekmektedir. Ülkemizin kurucusu Mustafa Kemal Atatürk şöyle demiştir: “Özgürlük ve bağımsızlık benim karakterimdir”. Yıllar önce dile getirilen bu ifade, aslında günümüz Türk kültürüne nüfuz eden bir felsefeye dönüşmüştür. Türkiye bu felsefeyle bağımsızlığını tehlikeye atan unsurları yok etmek için ülke savunmasına ve sınır güvenliğine büyük önem vermektedir.  Bu bağlamda ülkemiz yıllardır kendi güvenlik sistemlerini geliştirip bu tehditlerle etkin ve verimli bir biçimde mücadele etmek istemektedir. Türkiye'nin özellikle son yıllarda maruz kaldığı güvenlik tehditleri, birçok insansız teknolojinin savunma sanayimize kazandırılmasını sağlamıştır. Bu noktada ülkemiz savunma sanayiindeki hamleleriyle dünyada dikkat çeken bir ülke haline gelmiştir. Cumhurbaşkanımız Recep Tayyip Erdoğan, insansız hava araçlarının üretildiğini hatırlatarak, “Şimdi bunu daha ileriye taşıyacağız. İnsansız tankları da üretir hale gelmemiz lâzım ve bunu yapacağız” demiştir.  İnsansız teknoloji emellerimiz, Türkiye'nin gelecekteki askeri sistemlerini şekillendirmektedir.  Türkiye hükümeti ve askeri liderler, bu yerli sistemlerin gelecekteki operasyonların bel kemiği olarak hizmet edeceği umuduyla çok sayıda insansız araç programını desteklemektedir.

Kaynak: IFS, Analyticsinsight, BCG, Chathamhouse, Equipmentworld