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
