DERİN ÖĞRENME (DEEP LEARNING)

0
160

Yapay zeka ve makine öğrenimi ile başlayan veri toplama süreci derin öğrenme kavramının temelini oluşturdu.

Yapay zeka, insansı robotlar ve büyük verinin konuşulduğu günümüz dünyasında, artık hepimizin bilmesi gereken bazı kavramlar hayatımızda yer bulmaya başladı. O kavramlardan bir tanesi de ‘Derin Öğrenme’ kavramı. Derin öğrenme, İngilizce adıyla Deep Learning; 2010’lu yıllarda kullanılmaya başlanmış, büyük veri ile tek bir katmanda değil, birçok katmanda makine öğreniminde kullanılan ve hesapları tek bir seferde yaparak tanımlamanız gereken parametreleri bile kendisi keşfeden, daha iyi parametreler ile değerlendirmelerde bulunabilen bir sisteme verilen isimdir. Tabi öncelikle derin öğrenmenin tam olarak ne olduğunu, hangi aşamalardan sonra bu kavramı kullanmaya başladığımıza değinmekte fayda var.

Derin öğrenmenin temelinde yapay zekanın ortaya çıkışı ve makine öğrenimi vardır. 1950 yılında ünlü İngiliz matematikçi ve bilgisayar bilimcisi Alan Turing, yazmış olduğu bir makalede makinelerin düşünüp düşünemediğini gündeme getirmiştir. Alan Turing’in önerdiği bir test olan “Turing Testi” ile bir makinenin zeki olup olmadığı öğrenilebilmektedir. Bu test ile kişi, girmiş olduğu etkileşimin ardında bir insan mı yoksa makine mi olduğunu ayırt edemiyor ise o makine, zeki bir makine demektir. İşte bu zekiliğin ardında da yapay zeka kavramı vardır. Yapay zeka kavramını ilk kullanan kişi ise 1956 yılında konu ile ilgili bir akademik konferans düzenleyen Amerikalı bilgisayar bilimci John McCarthy’dir. Konferans bitiminde katılımcıların ortak görüşleri yapay zeka ile ilgili çalışmaların ileri bir seviyeye çıkarılması gerektiği yönünde olmuştur. Son 10 yıl içinde ise artık yapay zeka, bilim kurgu filmlerinde kullanılan bir konseptten çıkarak hayatımızın içinde yer almaya başladı. Bilgi yarışmasını kazanan IBM’in yapay zekası Watson, GO zeka oyununda dünya şampiyonunu yenen Google AI gibi yaşanan gelişmeler bugün yapay zekayı hepimizin gündemine sokmuştur.

Günümüzün en büyük teknoloji firmalarının hepsi yapay zekaya yatırım yapmaktadırlar. Artık cep telefonlarında, sosyal medyada, arama motorlarında ve birçok yerde yapay zeka hatta makine öğrenimini deneyimliyoruz. Yukarıda da belirttiğimiz gibi eğer bir etkileşimin arkasında bir makinenin olup olmadığını ayırt edemiyor ve insanlara has tepkiler ile karşılaşıyorsak, bir yapay zeka ile karşı karşıyayız demektir.

Yapay zekanın da zayıf ve kuvvetli olanları vardır. Zayıf yapay zekalar sizin tarif ettiğinizi/programladığınızı harfi harfine yapan, aldığı komutların dışına çıkmayan, elde edeceğiniz sonucu değiştirmeyen oluşumlardır. Ancak kuvvetli yapay zekalar, veriler üzerinde algoritmik hesaplar ile yorumlar yaparak verilen hedeflere farklı yollarla varabilen, işleri daha da kolay yapılabilir hale getiren yapılardır.

Makine öğrenimi ise; yapay zekanın alt kolu olarak kabul edilmekle birlikte, yapay zekadan daha fazla gelişmiş bir kavramdır. Yapay zeka, yalnızca programlandığı sonuçları verebiliyorken makine öğrenimi, programlanmadığı sonuçları bile verebilecek yapıda bir yapay zeka koludur. 1959 yılında yapay zeka araştırmalarının öncülerinden olan Arthur Samuel makine öğrenimini; ‘Makinelerin bilhassa programlanmadığı sonuçları öğrenebilme kabiliyeti’ olarak tanımlamıştır. Arthur Samuel bilgisayar ortamında çalışabilen, kendi hatalarından ders alan ve böylece kendini geliştiren bir dama oyunu yapmıştır. Makine öğrenimi de yapay zeka gibi yıllarca atıl durumda kalan bir konu olmuş, 1990’lı yıllarda veri madenciliğinin kullanılmaya başlandığı döneme kadar da popüler olamamıştır. Veri madenciliği ise, elinde bulundurduğu verilerde benzer dizilere sahip, benzer motifleri açığa çıkarmak için kullanılan algoritmaların uygulamasıdır. Makine öğrenimi de aynısını yapmaktadır ancak veri madenciliği bir adım daha ileriye giderek, öğrendiği bilgilerle ilgili programın davranışını değiştirmektedir. Makine öğrenimin popüler olmasını sağlayan uygulamalardan bir tanesi de resim tanımadır. Bu uygulama için öncelikle sistemin eğitilmesi gerekmektedir. Başka bir ifadeyle, ilgili resmin ne olduğunu makinenin öğrenebilmesi için binlerce kez benzer resimler gösterilmesi gerekir. Böylece makine benzer dizileri, benzer motifleri, benzer pikselleri tanıyarak artık o resimlerin ne olduğunu tanımlayabilme özelliğine sahip olmaktadır. Bu sistem ile farklı resimler birbirinden ayırt edilerek aynı tip resimlerin ortak noktalarının tespiti yapılabilir hale gelmektedir. Günümüzde çevrimiçi çalışan birçok uygulama makine öğrenimini kullanmaktadır. Örneğin Facebook, size zaman tünelinde ne göstereceğine bu algoritma ile karar vermekte, Amazon hangi ürünlerini tavsiye edeceğini, Netflix hangi filmleri önereceğini yine makine öğrenimi ile gerçekleştirmektedir. Özetle barındırdıkları mevcut verilere göre sizin nelerden hoşlanacağınızı tahmin ederek kararlar vermekteler. Neticede, yapay zeka ile makine öğrenimi kavramı o kadar iç içe geçti ki günümüzde piyasaya çıkan birçok uygulama da kombine şekilde sunulmaya başlandı. Örneğin; kişisel asistanlık uygulamaları ve botlar, birçok yapay zeka özellikleri ile makine öğrenimi özelliklerini aynı anda barındırmaktadırlar.

Tüm bu gelişmelerin sonucunda oluşan derin öğrenme kavramının temelini, yapay zeka ve makine öğrenimi ile başlayan veri toplama süreci oluşturmuştur.

Ülkemizde de derin öğrenme ile ilgili çalışmalar yürüterek bilgi paylaşımında bulunan bazı topluluklar kurulmuştur. Bununla birlikte çeşitli üniversitelerde de derin öğrenme üzerine çalışmalar yapılmaktadır. Zaman ilerledikçe insanlardan daha hızlı öğrenen, daha nitelikli sonuçlar meydana getiren bu sistemin öneminin arttığı günümüzde, her ne kadar derin öğrenme algoritmaları oluşturma konusunda henüz istenilen seviyede olunamasa da içinde bulunduğumuz çağı yakalamak adına yapılan çalışmalar olumlu yönde ilerlemektedir.

CEVAP VER

Please enter your comment!
Please enter your name here