Geçtiğimiz birkaç sene boyunca yapay zekâ en gözde konulardan biri olmaya devam etti. En parlak zihinler AI araştırmalarına katılıyor, en büyük kurumlar bu alanda yeterlilik sağlayabilmek için astronomik rakamlar tahsis ediyor ve AI girişimleri yıllık milyarlarca dolar yatırım topluyor.
Eğer iş süreçlerini geliştirmekle ilgileniyorsanız ya da işiniz için yeni fikirler arıyorsanız büyük ihtimalle AI’a denk gelmişsinizdir. Bu konuda etkili bir şekilde çalışabilmek için temel unsurlarını anlamanız gerekiyor.
Yapay Zekâ
Önce yapay zekanın ne demek olduğuna bir bakalım. François Chollet,Python’la Derin Öğrenme kitabında kısa ve öz bir tanım veriyor: “normalde insanlar tarafından gerçekleştirilen düşünsel görevleri otomatize etme çabası. Bu bakımdan, AI, makine öğrenimini ve derin öğrenimi kapsayan genel bir alan oluyor ama aynı zamanda öğrenmeyle alakası olmayan birçok yaklaşımı da içeriyor.”
Örneğin, MIT Yapay Zekâ Laboratuvarı’nda yaratılan, günümüz sohbet botlarının öncüsü ELIZA. Bu program bir bireyle uzun bir diyaloğu sürdürebiliyor ancak yeni kelimeler öğrenemiyor ya da diyalog sırasındaki davranışlarını düzeltemiyor. ELIZA’nın davranışları özel bir programlama dili kullanarak açıkça nitelendirilmek içindi.
Modern anlamdaki yapay zekânın tarihi 1950lerde, Alan Turing ve alanın ilk meraklılarını bir araya getiren Dartmouth atölyesinde, AI biliminin temel prensiplerinin formüle edilişiyle başladı. Sonrasında, bu endüstri günümüz bilim dünyasının kilit alanlarından biri olana dek birçok kez ilgi dalgası ve ardından gelen durgunluk (“AI kışları” olarak da bilinir) döngüleri yaşadı.
Güçlü ve zayıf yapay zekâ hipotezi de bahsetmeye değer bir konu. Güçlü bir AI, düşünebilir ve kendinin ayrı bir birey olarak farkında olabilir. Zayıf AI böyle yetilerden mahrumdur ve basitçe ona verilen çeşitli görevleri yerine getirir (satranç oynamak, görsellerde kedileri bulmak ya da 432,500 dolara resim çizmek gibi). Merak etmeyin, var olan bütün yapay zekâlar zayıf.
Bugünlerde AI’ın kullanılmadığı herhangi bir aktivite hayal etmek zor. Araba da sürseniz, selfie de çekseniz, internetten kendinize spor ayakkabı siparişi de verseniz ya da tatil de planlasanız, her yerde küçük, zayıf ama şimdiden çok kullanışlı yapay zekâlardan destek alıyorsunuz.
Makine Öğrenimi
Zekânın (yapay olsun ya da olmasın) ana özelliklerinden biri öğrenebilme yetisidir. AI için, bu yetiden bir makine öğrenimi ailesi sorumlu. Özünde basit: gelen veriyi sonuca çeviren net bir talimatlar seti olan klasik algoritmaların aksine, makine öğrenimi, örnek veriler ve onlara karşılık gelen sonuçlardaki örüntüleri bularak, gelişigüzel verileri istenen sonuçlara dönüştürecek bir algoritma üretiyor.
Makine öğreniminin üç ana kategorisi var:
Gözetimli öğrenme: bu sistem, her bir örnek için önceden bilinen sonuçları olan veri örnekleri temelinde eğitilir. Makine öğrenimi için çok popüler iki görev vardır: regresyon ve sınıflandırma görevi. Regresyon, devamlı bir neticenin tahminidir, bir evin fiyatı ya da üretim emisyonları seviyesi gibi. Sınıflandırma ise bir kategori (sınıf) tahminidir, örneğin bir epostanın spam olup olmadığı ya da bir kitabın polisiye mi yoksa ansiklopedi mi olduğu.
Gözetimsiz öğrenme: sistem, veriler arası ilişkiler ve örüntüler bulur. Bu takdirde her bir örnek için sonuç belirsizdir.
Takviyeli öğrenme: sistemin, doğru eylemler için ödüllendirip yanlış olanlar için cezalandırıldığı bir yaklaşımdır. Sonuç olarak, sistem en yüksek ödülü ve en az cezayı aldığı bir algoritma geliştirmeyi öğrenir.
İdeal bir makine öğrenimi modeli herhangi bir veriyi analiz edebilir, tüm örüntüleri bulabilir ve istenen herhangi bir sonucu elde etmek için bir algoritma oluşturabilir. Ama bu ideal model henüz yaratılmadı. Bunun yaratımına giden yolu Pedro Domingos’un “The Master Algorithm” kitabında okuyabilirsiniz.
Günümüzün makine öğrenimi modelleri belli görevlerde özelleşmiş durumdalar, her birinin kendi güçlü ve zayıf yanları var. Bu modeller şöyle:
Lineer regresyon,istatistikten türetilmiş klasik model. Adından da anlaşılacağı üzere, regresyon görevleri için tasarlanmış, yani sürekli değerlerin tahmini için. Örneğin, hava durumuna bakarak ne kadar limonata satılacağı.
Lojistik regresyon,sınıflandırma görevleri için kullanılıyor. Verilen örneğin bahsi geçen sınıfa ait olma ihtimalini öngörüyor.
Karar ağacı,sıklıkla sınıflandırma görevleri için kullanılıyor. Bu yöntemde verilen nesnenin sınıfı, her birinin genelde evet/hayır cevabı olan bir dizi soru üzerinden tanımlanıyor.
K-En yakın Komşular,çoğunlukla sınıflandırma için kullanılan basit ve hızlı bir yöntem. Bu yöntemde, veri göstergesi sınıfı, veri göstergesi örneklerine en benzer k tarafından (k herhangi bir sayı olabilir) belirleniyor.
Naive Bayes,belirli bir olayın (e-posta bir spam) verilen koşullar altında (“bedava kredi” kalıbı eposta içinde yirmi kez geçiyor) olabilirliğini, olasılık teorisinden ve Bayes teoreminden yararlanarak belirleyen popüler bir sınıflandırma yöntemidir.
SVM,genellikle sınıflandırma görevleri için kullanılan bir gözetimli makine öğrenimi (supervised machine learning) algoritmasıdır. Farklı sınıflardaki nesneleri, her bir nesnenin birbirleriyle alakalı özellikleri olsa bile, etkili bir biçimde ayırabilir.
Topluluklar (ensembles),birçok makine öğrenimi modelini birleştirir ve bir nesnenin sınıfını, her bir modeldeki yanıtın ortalaması ya da oylamasını temel alarak belirler.
Sinir ağları,insan beyninin prensiplerini temel alır. Bir sinir ağı, birçok nöron ve o nöronlar arası bağlantı içerir. Bir nöron, birçok girdisi ve tek bir çıktısı olan bir fonksiyon olarak temsil edilebilir. Her bir nöron, girdilerin (her bir girdinin ağırlığı farklı olabilir ki bu da önemini belirler) parametrelerini alır, üzerilerinde spesifik bir fonksiyon gerçekleştirir ve sonucu çıktıya verir. Bir nöronun çıktısı başka bir nöronun girdisi olabilir. Böylece, derin öğrenmenin konusu olan çok katmanlı sinir ağları biçimlenmiş olur. Bunu daha detaylı konuşacağız.
Nöron yapısı diyagramı:
İki gizli katmanlı yapay sinir ağı:
Verilen örnekleri inceleyerek, sinir ağı nöronlar arasındaki ağırlıkları ayarlar ki istenen sonucu vermekte etkisi en büyük olan nöronların ağırlığı en fazla olsun. Örneğin, bir hayvan çizgiliyse, tüylüyse ve miyavlıyorsa, o zaman büyük ihtimalle kedidir. Bu sırada en yüksek ağırlığı miyavlama parametresine atarız. Yani hayvan çizgili değilse ve tüylü değilse ama miyavlıyorsa -hala büyük ihtimalle kedidir.
Derin Öğrenme
Derin öğrenme, derin sinir ağlarıyla uğraşır. Derinliğe dair görüşlerse çeşitlidir. Bazı uzmanlara göre eğer bir ağın birden fazla gizli katmanı varsa o derin sayılabilir, diğerlerine göreyse sadece birçok gizli katmanı varsa o ağ derin olabilir.
Şu an aktif olarak kullanılan birkaç tip sinir ağı var. En popüler olanlarıysa şöyle:
Uzun kısa-süreli bellek (LSTM): Metin sınıflandırması ve üretimi, ses tanıma, müzikal beste üretimi ve zaman serileri tahmini.
Evrişimsel sinir ağları (CNN): Resim tanıma, video analizi ve doğal dil işleme görevleri.
Sonuç
Yani nedir AI, makine öğrenimi ve derin öğrenme arasındaki farklar? Umarız, bu makaleyi okumuş biri olarak bu sorunun cevabını artık biliyorsunuzdur. Yapay zekâ, düşünsel görevlerin (okumak, go oynamak, resim tanımak ve sürücüsüz arabalar yaratmak gibi) otomasyonuyla ilgili genel bir alan. Makine öğrenimi, bir AI’ın öğrenme yetisinden sorumlu yapay zekâ yöntemleri seti. Derin öğrenmeyse makine öğrenimi yöntemlerinin çok katmanlı sinir ağlarını inceleyen bir alt kolu.
<