Geçtiğimiz birkaç yılda, “derin öğrenme” terimi, Yapay Zeka (AI), Büyük Veri ve Analizleri hakkında yapılan konuşmalarda, iş dünyasının dilinde yer etti. Ve iyi bir nedenden de ötürü, birçok endüstride devrim yaratan özerk, kendi kendini eğiten sistemler geliştirmek konusunda büyük umut vaat eden bir Yapay Zeka yaklaşımı ortaya koydu.
Derin Öğrenme, ses ve görüntü tanıma algoritmaları için Google tarafından, daha sonra ne izlemek veya satın almak istediğinize karar vermek için Netflix ve Amazon gibi platformlar tarafından ve geleceği tahmin etmek için de MIT araştırmacıları tarafından kullanılıyor.
Bu araçları satmak için her geçen gün giderek daha büyüyen endüstri ve iş dünyası, tüm bunların ne kadar devrimci olduğu hakkında da konuşmaya her zaman isteklidir.
Ama bu tam olarak nedir? Ve yeni bir etiket altında bize “eski moda” Yapay Zekayı zorlamak için mi kullanılıyor?
Son yazımda Yapay Zeka (AI) ile Makine Öğrenmesi (ML) arasındaki farkı yazmıştım. Makine Öğrenmesi, çoğu zaman Yapay Zeka’nın bir alt disiplini olarak tanımlanırken, günümüzde sanayinin ve toplumun değişimini yönlendirmek için kullanabileceği araçlar sağlama konusunda en büyük söz sahibi Yapay Zeka alanıdır.
Buna karşılık, Derin Öğrenme’yi de teknolojinin en ileri noktası olarak düşünmek en güzeli olacaktır. Makine Öğrenmesi, Yapay Zeka’nın temel fikirlerinden bazılarını alır ve kendi kendine karar verme mekanizmasını taklit etmek için tasarlanan sinir ağlarıyla gerçek dünyadaki problemleri çözmeye odaklanır.
Nasıl çalışıyor?
Temelde Derin Öğrenme, bir bilgisayar sisteminin diğer verilerle ilgili kararlar verebilmesi için kullanabileceği çok fazla veri beslemesini içerir. Bu veriler, makine öğrenmede olduğu gibi sinir ağları üzerinden beslenir. Bu ağlar, bir dizi doğru / yanlış sorusu soran veya bunlardan geçen her veri bitinin sayısal bir değerini çıkaran ve bunları alınan cevaplara göre sınıflandıran mantıksal yapılardır.
Derin Öğrenme, bu ağları geliştirmeye odaklandığından, büyük veri kümelerini sınıflandırmak için ortaya çıkan karmaşıklığın “mantıksal ağları” olarak tanımlanabilir.
Kapsamlı veri kümeleri ve sınıflandırmalarını gerçekleştirecek kadar gelişmiş mantıksal ağlar sayesinde, bir bilgisayarın görüntü alması ve insanlara bu görüntünün neyi temsil ettiğini yüksek doğruluk olasılığı ile ifade etmesi değersiz hale gelir.
Resimler bunun nasıl işe yaradığına dair mükemmel bir örnek teşkil ediyor, çünkü çok sayıda farklı unsur içerebiliyor ve bir bilgisayarın tek bir hesaplama odaklı zekasıyla bizdekiyle aynı şekilde yorumlamayı öğrenebilmesi kolay değil.
Ancak Derin Öğrenme, insanlardaki gibi yorumlayarak sonuçlara ulaşmak için makine sinyalleri, ses, video, konuşma, yazılı kelimeler gibi herhangi bir veri türüne uygulanabilir.
Hadi pratik bir örneğe bakalım…
Trafiğe açık belirli bir yoldan kaç tane ve hangi model aracın geçtiğini otomatik olarak kaydetmek ve raporlamak için tasarlanmış bir sistem kullandığımızı varsayalım. İlk olarak, şekilleri, ebatları ve hatta motor sesleri de dahil olmak üzere büyük bir araba veritabanına erişim sağlanmalıdır. Bu, manuel olarak derlenebilir veya daha gelişmiş kullanım durumlarında, internette arama yapmak için programlanmış ve orada bulduğu verileri alarak sistem tarafından otomatik olarak toplayabilen bir veritabanı olabilir.
Daha sonra, işlenmesi gereken verileri alır; bunlara yol kenarındaki kamera ve mikrofonlar tarafından yakalanan gerçek dünya verileri de dahil.
Sonrasında sensörlerinden gelen verileri “öğrendiği” verilerle karşılaştırarak belirli bir doğruluk olasılığı ile araçların marka ve modellerine göre sınıflandırılmasını gerçekleştirebilir.
Şuana kadar bunların tamamı nispeten basit. “Derin” kısmına gelindiği noktada, zaman geçtikçe ve daha fazla tecrübe kazandıkça, sistemin aldığı yeni veriler üzerinde “eğitilerek” doğru sınıflandırma olasılığını artırabilir olmasıdır zor olan. Başka bir deyişle, bizim gibi hatalarından ders çıkarabilmesidir derin öğrenme :)
Örneğin, belirli bir aracın, benzer ebat ve motor gürültülerine aldanarak ve karar verme aşamasında önemli olma ihtimalinin düşük olduğunu belirlediği başka bir farklılaştırıcıya bakarak başka bir marka ve model araç olduğu konusunda yanlış bir karar verebilir.
Aslında, bu farklılaştırıcının, iki araç arasındaki farkı anlamak için hayati olduğunu öğrenerek, bir sonraki sefer daha doğru bir sonuç elde etme olasılığını artırır.
Peki, Derin Öğrenme ne yapabilir?
Muhtemelen bu makaleyi bitirmenin ve bunun neden bu kadar çığır açıcı olduğuna dair bir fikir vermenin en iyi yolu, Derin Öğrenmenin bugün nasıl kullanıldığına dair daha fazla örnek vermektir.
Günümüzdeki üzerinde çalışılmış etkileyici uygulamalardan bazıları şunlardır:
Kendi Kendine Gidebilen Otonom Araçların Navigasyonu: Sensörler ve onboard çözümleri kullanarak, arabalar derin öğrenmeyi kullanarak, engelleri tanımayı ve uygun şekilde tepki vermeyi öğreniyorlar.
Siyah Beyaz Görüntülerin Yeniden Renklendirilmesi: Bilgisayarlara nesneleri tanımayı ve neye benzemesi gerektiğini öğrenmelerini sağlayarak, siyah beyaz görüntüler yeniden renklendirilerek renkli resimlere ve videolara dönüştürülebilir.
Yasal İşlemlerin Sonucunu Tahmin Etmek: Geçtiğimiz günlerde, İngiliz ve Amerikalı araştırmacılardan oluşan bir ekip tarafından geliştirilen bir sistemin, davanın temel gerçeklerini içeren veriler ile beslendiğinde, bir mahkemenin kararının doğru bir şekilde tahmin edebileceği gösterildi.
Hassas Tıp : Bireyin genomuna göre genetik olarak uyarlanmış ilaçları geliştirmek için de Derin Öğrenme teknikleri kullanılmaktadır.
Otomatik Analiz ve Raporlama: Sistemler, verileri kolayca analiz edebilir ve kolayca kavrayabileceğimiz bilgi grafikleri eşliğinde, doğal sesle, insan dilinde raporları analiz edebilir.
Oyun Oynama: Derin Öğrenme sistemlerine, masa oyunu “Go” ve video oyunu “Breakout” gibi oyunlar oynayabilmesi (ve kazanabilmesi) öğretildi.
Veri bilimcilerinin, yakın bir gelecekte hayal bile edemeyeceğimiz araçlara ve teknolojiye sahip olacağımızı ifade eden söylemlerini duymak olağan dışı değildir, ki bunların çoğu, Makine Öğrenimi ve Derin Öğrenmenin mümkün kıldığı gelişmeler sayesindedir.
Yazar: Bernard Marr
