Yapay Zeka, Makine Öğrenimi ve Derin Öğrenmenin insan zekasını taklit etme çabası ile günümüzde çeşitli yaklaşımların geliştirilmesi ve yeni nesil alan ilgili kavramların ortaya çıkması sağlanmıştır. Bu kavramlar, sınırlandırılmış araştırma sahasına ve farklı uygulama prensiplerine sahip olsa bile, bu kavramların iç içe geçtiğini ve karıştırıldığını gözlemliyoruz. Elbette ki, tüm bu kavramlar birbirleriyle ilişkilidir ve birbirini kapsamaktadır. Bu kavramlar, bazen birbirinin yerine kullanılsa da, uygulama çözümleri, teknolojik katkıları ve uygulama sahaları tek ve aynı değildirler.
Makine öğrenimi, yapay zekanın bir alt kümesi olup ve derin öğrenme de makine öğreniminin bir alt kümesidir diyebiliriz. Dolayısıyla yapay zekâ çok daha genel bir kavram, geniş bir çerçeve olarak tanımlanmış bir araştırma alanıdır.
Yapay zeka, makine öğrenimi ve derin öğrenmeyi; doğal dil işlemeden, konuşma tanımaya, karar destek sistemlerinden, sürücüsüz arabalara kadar birçok farklı bağlamlarda görebiliriz. Bu nedenle aralarındaki farkları bilmek son derece önemli ve kullanışlı olabilir. Bir diğer önemli konuya daha açıklık getirmek gerekirse, Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme tanımlarının (de-finition: burada 'de' ve finition/finish kasıtlı olarak ayrıldı) insan düşünce ve karar mekanizmalarıyla ilişkilendirilmesi ki bu hem doğru, hem doğru değil. Şöyle ki, yapay zekanın herkes tarafından kabul edilmiş bir tanımı yok. Yapılan tanımlar, genel olarak dört eksen boyuncadır: İnsan gibi düşünme, insan gibi hareket etme, rasyonel düşünme ve rasyonel hareket etme. Psikologlar ve cognitive bilimciler 'insan gibi' ekseninde çalışmalar yaparken biz mühendisler 'rasyonellik' boyutunu ele alıyoruz. Yani bizim kullandığımız yapay zeka teknolojileri matematiksel modellere dayanıyor, rasyonel zekayı hedefliyor. İnsanın düşünsel süreçlerinden ilham alıyoruz elbette ama sonuçta karar üretme ve öğrenme süreçlerimizi hep matematiksel modellere dayandırıyoruz. Yani biz "Rasyonel Yapay Zeka" cıyız(Burada hocam A. ACAN'ın adını anmadan olmaz).
Yapay Zeka
Çok kabaca yapay zeka makinelerin insan zekasını ve davranışını yansıtmasını sağlayan, ya da taklit eden bir bilgisayar bilimidir diyebiliriz. İnsanlık karmaşık problemleri çözme hedefi ile, insan zihnine benzer şekilde davranmak için verileri işlemeye başlamıştır.
“Psikologlar genellikle insan zekasını tek bir özellik ile değil, birçok farklı yeteneğin birleşimi ile karakterize ederler. Yapay zeka araştırmaları esas olarak şu zeka bileşenlerine odaklanmıştır: öğrenme, akıl yürütme, problem çözme, algılama ve dil kullanma.”(1)
Yapay zeka, genellikle zayıftan güçlüye doğru sınıflandırılır. Zayıf yapay zeka, nispeten basit görevleri çok iyi yerine getirir. Ancak, bu görevlerin çok karmaşık olmadığı düşünüldüğünde, eldeki basit sorumlulukları tamamlamanın yanı sıra insanları başarılı bir şekilde taklit etmek gibi seviyelere yükselmezler.
Güçlü olarak sınıflandıracağımız yapay zeka ise, insan davranışını daha yakından taklit etmeyi, zayıf yapay zekanın üstesinden geldiğinden çok daha karmaşık görevleri ve sorumlulukları yerine getirmeyi hedeflemektedir.
Yapay zeka, sağlık, finans, oyun, eğlence, eğitim, hukuk ve hatta sanat ve edebiyat gibi yaratıcı disiplinler gibi çok sayıda sektörde zaten yer almaktadır. Gelecekte, muhtemelen daha fazla alana ve niş işlere yayıldığını göreceğiz.
Makine öğrenimi
Yapay zekanın bir alt alanı olan makine öğrenimi, -adı üzerinde- makinelerin öğrenmesine olanak tanır. İnsanın doğrudan müdahalesi olmadan bir sisteme adapte olabilir, değişebilir ve büyüyebilir. Sinir ağları olarak isimlendirilen algoritmalar, sorulanı çözmek ve görevleri tamamlamak için çalışır.
Makine öğrenmesine ait algoritmalar, insan beyninin çalışma yapısına çok benzer şekilde çalışır. İnsan bir işlemi, bir konuyu her tekrarladığında, özellikle de bu tekrarlar, düzenli aralıklar ile, sistemli olarak yapılıyor ise, daha iyi ve kalıcı olarak bu konuları öğrendiğimiz aşikardır. Öğrendiğimiz konular, işler veya problem çözümlerimiz "hafızamıza" aktarıldıkça, süreç zamanla daha da iyi bir hale ulaşacaktır. Bunun nedeni, verilerin zihnimizde nasıl davranacağına dair çok daha iyi tahminlerde, öngörülerde bulunabilmesidir. Örneğin mesleğini çok iyi icra eden bir insanın, belirli bir öğrenme ve deneyimleme sürecinden geçtiğini rahatlıkla söyleyebiliriz.
Örneğimizi biraz daha ileriye taşıyalım: arabasını çok iyi kullanabilen bir zihin çok çeşitli deneyimlerden, karşılaştığı çok fazla istisnai olaylardan, izlenimlerinden, engebeli yollardan, kilometrelerce yol kat etmenin bir sonucu olarak iyi bir araç sürücüsü olabilir diyebiliriz. Elbette insanın, insan olmasından kaynaklı hafıza zayıflıkları olabilir, hata yapabilir... Ama insana dair bu konular çok daha farklı disiplinlerin konusu olarak tartışılabilirler. Burada söylemek istediğim makine öğrenmesi ile, insanın öğrenme süreçleri arasındaki çok yakın benzerlikler ve alınan rol modeller, ve sinir ağlarıdır.
Deneyim önemlidir dedik. Ancak insanın taklit edilemeyen bir öğrenme özelliği de az deneyimle de birşeyleri öğrenebilmesidir. Kimi zaman insan beynindeki modüler birimlerin bunu kolaylaştırdığını söyleyebiliriz. Örneğin doğuştan itibaren bir dili konuşması için bilgisayarlara göre 'çok daha az deneyimin' yeterli olabilmesi düşünülebilir. Bunun yanı sıra insan yeni bir deneyimle, öğrenme sürecine girdiğinde, öğrenme işlemini önceki deneyimlerini de kullanarak çok daha hızlı aşama kaydedebilir (transfer learning). Bu anlamda bilim çevreleri, derin öğrenmeciler ve karşıtında az veri ile öğrenmeciler gibi iki gruba ayrılmış durumdadır. Bence de iş tam olarak derin öğrenmedeki şekilde değildir, her zaman bu kadar çok veriye ihtiyaç duyulması imkansız bir bağımlılıktır.
Makine öğrenimine ait algoritmalar, verilen verilerin beslenmesine bağlıdır. Ne kadar çok veri ile karşılaşırlarsa, öğrenme süreci de o kadar hızlı gelişecektir. Yapay bir zihni sofistike ve daha akıllı bir hale getirmek için, oldukça fazla sayıda istisnai veri ile beslemek gerekebilir.
Makine öğrenimi, görüntü, konuşma tanıma gibi araçların da temelini oluşturur. Örneğin, Instagram’ı ya da Facebook'u ne kadar çok fotoğrafla beslerseniz, sosyal medya uygulaması yüzünüzü o kadar iyi tanır. Google Translate için ne kadar çok metin veya kelime girilirse o oranda sonuçlar bir süreç içerisinde iyileşecektir. Tekrarlar belirli bir süreç aldıkça tanıma artmaya başlar, farklı durumlara karşı geçmişte biriken öğrenme verileri (training data) daha adapte davranır diyebiliriz özetle.
Örnek olarak günümüzde zamanla daha iyi sonuçlar verebilen (Yandex veya Google)navigasyon uygulamalarını da verebiliriz. Navigasyonlar zaman içerisinde, daha çok veri ve istisna ile karşılaştıkça daha iyi alternatif yollar sunmaya başlayacaklardır. Bunun için elbette verinin görece olarak çok olması gerekmektedir.
Pek çok şirket veri bilimine öncelik veriyor ve buna yatırımlar yapıyor. Gartner'ın kısa süre önce 3.000'den fazla CIO ile birlikte gerçekleştirdiği bir ankete göre katılımcılar, analitik ve iş zekâsını kurumları için en çok farklılık yaratan teknoloji olarak nitelendirdi. Ankete katılan CIO'lar bu teknolojileri şirketleri açısından en stratejik teknolojiler olarak görüyor ve böylece pek çok yeni yatırımı cezbediyor.
Netflix’in %25'ten fazla büyüme kaydetmesi pek de tesadüf olmasa gerek.(3)
Derin öğrenme
Derin Öğrenme araştırma alanı, makine öğrenmesinin bir alt sınıfıdır. Çok daha karmaşık problem sahasında çalışmak için geliştirilmiş bir kavramdır. Derin öğrenme ‘de, yapay bir sinir ağını kullanarak insandan bağımsız olarak, makinelerin verileri işlemesini ve değerlendirmesini sağlar. Bu alanda, kullanılan derin sinir ağ algoritmaları, insan beyninin bilgi işleme prensibine dayanarak geliştirilen yapay sinir ağlarının çok katmanlı halidir.
Makine öğrenimi gibi, derin öğrenmenin de çalışması için oldukça fazla veri gereklidir. Bununla birlikte, bu alt alan daha da karmaşık sorunları ele alarak bir adım daha ileri gider. Derin öğrenme, genellikle insan davranışına en çok benzeyen yapay zekâ formu olarak tanımlanır, çünkü makinenin koşullar hakkında önceden bilgi sahibi olmadan öğrenmesine izin verir.
Derin öğrenmeyi açıklamak için yapay sinir ağlarını ve nasıl çalıştıklarını araştırmak ve uygulama prensibini bilmek önemlidir. Derin öğrenme ’de, yapay sinir ağları birden çok algoritma setlerini içerir ve çok sayıda katmana sahiptir. Veri katmanları bilginin aktarımını kolaylaştırır. Derin sinir ağları, veri girişlerini ve modellerini hatırlayabilir, büyük miktarda veri olduğunda kendi kendine öğrenebilirler.
Sürücüsüz arabalar, pratikte derin öğrenmenin en bilindik bir örneğidir. Bu araçlar, derin öğrenme sayesinde, nesneler ve yol engelleri arasındaki farkları tanıma, yayaları tespit etme, tabelaları yorumlama, karşıdan gelen diğer aracı ve sürücüsünün tanınması gibi çeşitli becerilere sahip olabilirler.
Günümüzde, mevcut teknolojinin ilerleme çabasıyla, makinelerin tamamen insanların yerini alabileceği günleri görebilmemiz henüz pek olası durmamaktadır. Bunun yerine, işimizi ve günlük yaşamımızı iyileştirerek, onu kendi yararımıza kullanmak için daha fazla yol bulma olasılıklarımızı arttırmalıyız.
Derin öğrenme için çeşitli mimariler yoğpun ilgi oldağı olarak araştırmalarda yer almaktadır. Bunlardan en önemlilerinden bazıları (4,5):
· Konvolüsyonel Sinir Ağları (Convolutional Neural Networks)
· Tekrarlayan Sinir Ağı — Recurrent Neural Networks (RNN)
· Uzun Kısa Dönemli Bellek — Long / Short Term Memory (LSTM)
· Boltzman Makinesi — Boltzmann Machines (BM) & Kısıtlanmış Boltzmann Makineleri(Restricted Boltzman)
· Derin İnanç Ağları — Deep Belief Network (DBN)
Gökhan Manduz gokhan.manduz@algomedi.com
gmanduz@gmail.com
Algomedi Bilgi Teknolojileri Ltd.