Makine Öğrenmesi Öğrenmenin Yaşı Yok,Makinesi Var
Hilmi Demirhan- Gülüstan Doğan Demirhan
SPOT: Otonom arabalar sayesinde artık ehliyet sınavlarına bile gerek kalmayacak hatta arabaların içinde şoför koltuğu bile olmayacak. Onlar kuralları öğrendiler ve biliyorlar.
Bilim insanları yapay zekâ alanı üzerinde 1950’li yıllarda çalışmaya başladı. Bu yıllarda bilgisayarların gerekli hesaplama gücüne ve yeterli veriye sahip olmaması nedeniyle ününü kaybetti. Büyük veri yığınlarının cep telefonları, sosyal ağlar ve sensör zengini sistemler tarafından üretilmeye başlanması ile tekrar kullanılmaya başlandı. Şu anda dünya üzerinde, her geçen saniye çok büyük miktarlarda veri üretilmektedir. Sadece bir dakikada internete binlerce resim, video, blog yüklenmektedir. Aynı zamanda bilgisayarların da gücü artmıştır. Veri ve bilgisayar gücünün artmasıyla yapay zekâ alanındaki gelişmeler de hız kazandı. Çünkü yapay zekâ algoritmalarının yakıtı veridir. Veri büyüklüğü arttıkça, bu verileri işleyecek bilgisayarların gücü de hızı da artacaktır.
Yapay zekâ alanı önce makine öğrenmesi ile başladı. Makine öğrenmesi, analitik model geliştirmeyi bilgisayara öğreten metotlardır. Makine öğrenmesinde kullanılan algoritmalar, elimizdeki verilerden sürekli olarak öğrenir ve bu verilerden saklı ya da anlaşılması zor olan önemli bilgileri herhangi bir programa gerek kalmadan bulur. Yapay zekanın önde gelen bilim insanları, 1950’li yıllarda, bilgisayar beynini tasarlarken yetişkin bir insanın beyninden ziyade, bir çocuk beynini tasarlamayı düşünmemiz gerektiğini belirtip yapay zekanın bugün bulunduğu noktaya gelmesinde büyük rol oynamışlardır. Nöronların çalışma prensibine dayanarak yapay sinirsel ağlar modellenmiştir. 1970’lerde birkaç bilim insanı, yapay sinir ağlarının zayıf yönleri ile ilgili bir kitap yayınlandıktan sonra, bu alan “yapay zekanın kışı” dedikleri bir sürece girmiştir. Daha sonra sinir ağları fikri derin öğrenmede kullanılmış ve bu yapay zekanın tekrar önem kazanmasına neden olmuştur.
Makine öğrenmesinin, gözetimli ve gözetimsiz olmak üzere iki çeşidi vardır. Gözetimli öğrenmede etiketlenmiş veriler kullanılır. Bir e-postanın istenmeyen e-posta olup olmadığını anlayan bir yapay zekâ programı, gözetimlidir. Çünkü yapay zekâ programına girdi olarak verilen e-posta verileri, “güvenilir” ya da “güvenilir olmayan” şeklinde etiketlenmiştir. Gözetimli öğrenme genelde, geçmiş verilerden yararlanarak ileriye yönelik tahmin elde edilmeye çalışıldığı durumlarda kullanılır. Gözetimsiz öğrenmede ise bir eğitim verisi yoktur. Algoritma, verideki grupları kendisi öğrenmeye çalışır. Bu algoritmalar verileri gruplayarak yeni veriyi en uygun gruba atamaya çalışır. Mesela bir online alışveriş sitesinin tüm müşterilerine özel olarak kampanya belirleyip gönderebilen bir yapay zekâ algoritması geliştirilmiştir. Bu yapay zekâ algoritması gözetimsiz algoritmalara bir örnektir. Alışveriş sitesinden temizlik ürünü alan müşteriler yapay zekâ ile gruplandırılarak bu müşterilere aldıkları ürünler ile ilgili indirimler gönderilebilir. Gözetimsiz algoritmalara diğer bir örnek de DNA yapılarındaki desenleri gruplayarak belirli bir hastalığın, DNA’sı incelenen insanda olup olmadığını tahmin eden yapay zekâ algoritmasıdır.
Öğrenmeye Başlıyoruz
Makine öğrenmesinde ilk aşama veri toplama aşamasıdır. Verisiz makine öğrenmesinin çalışması mümkün değildir. İnsanların yüzlerinin bulunduğu resimler ile bu insanların yaşının tahmin edildiği bir yapay zekâ programı düşünelim. İlk aşamada insanların resimlerinin ve resimlerdeki kişilerin yaşlarının etiketlendiği bir veri lazımdır. Veri toplandıktan sonra, verinin temizlenmesi ve düzenlenmesi gerekmektedir. Yaşların yanlış etiketlendiği, negatif numaraların yaş verisi olarak girdiği ya da 130’dan büyük yaşların girildiği verilerin silinmesi gerekmektedir. Verinin hazırlanma aşamasından sonra modeli eğitme aşaması gelmektedir. Modelin eğitiminde farklı makine öğrenmesi algoritmaları kullanılmaktadır. Her algoritmanın doğru tahmin etme başarısı farklıdır. Eğitim aşamasından sonra ise modeli test etme aşaması gelir. Modele bir insan resmi verip yaşını tahmin etmesini söyleriz. Bu resim modelin daha önce görmediği ve test verilerinin içinde olmayan bir resim olmalıdır. Aksi takdirde model test aşamasında gördüğü resmin yaşını zaten bilmektedir. Model daha önce görmediği resme bakıp aldığı eğitimden öğrendiklerine dayanarak tahmini bir yaş söyler. Resimdeki kişinin gerçek yaşına en yakın değeri tahmin eden model en başarılı modeldir. Modelin tahminlerindeki doğruluk oranına göre modelde düzeltmeler yapılabilmektedir. Çoğu zaman bir yapay zekâ mühendisi bir veri üzerinde birden çok makine öğrenmesi modeli kullanır ve başarı oranı en yüksek olanı seçer.
Makine öğrenmesinin öğrenme aşaması bazı yönleriyle bir öğrencinin bir konuyu anlama sürecine benzetilebilir. Bazı makine öğrenme algoritmaları, eğitildikleri veriler üzerinde çok başarılı iken eğitilirken görmedikleri bir veri üzerinde tahmin yapması istendiğinde başarı oranı çok düşük olan tahminler yapabilmektedirler. Bu modelleri, sınavda çıkabilecek soruları ezberleyip mantığını anlamayan ve yeni bir soru tipi ile karşılaştığında o soruyu çözemeyen bir öğrenciye benzetebiliriz. En başarılı makine öğrenmesi algoritması, daha önce görmediği yeni veriler üzerinde de doğru tahminler yapabilen algoritmadır.
Makine öğrenmesinin başarılı olması için verinin temizlenmesi ve düzenlenmesi gerekmektedir. Yapay zekâ algoritmaları çok büyük veriler üzerinde çalışmaktadır. Çoğu zaman bu veriler gerçek zamanlı olarak gelmektedir ve verileri düzenlemeye vakit yoktur. Makine öğrenmesi sırasındaki bu zorluklar derin öğrenme alanının doğmasına neden olmuştur. Derin öğrenme insan beyninin, nöronlar ile çalışma prensibinden esinlenilerek modellenmiştir. Derin öğrenme algoritmalarının icadı, veri mühendisliği zorluğu olmadan, doğru modeller geliştirme kapasitesine sahip olduğundan dolayı yapay zekâ alanındaki ilerlemeleri hızlandırmıştır. Derin öğrenme, özellikle resim ve videolardan oluşan veriler üzerinde çok yüksek başarılar elde ederek yeni bir çığır açmıştır.
Makine öğrenmesi ve derin öğrenme; kısa zamanda tıp, sağlık, otomotiv ve uzay gibi birçok alanda kullanılmaya başlandı. Hatta birçok iş için özelleşmiş robotlar geliştirilmiştir. Bilim insanları evrenin şeklini ve genişliğini, teleskoplardan topladıkları veriler ile yapay zekâ kullanarak hesaplamaya çalışmışlardır. Bu hesaplamaların sonucunun kendi öngörüleri ile çelişmediğini görmüşlerdir. Yapay zekâ birçok hastalığın erken teşhisinde de kullanılmaktadır. Sensörler konulan akıllı bir halı, yapay zekâ kullanılarak üzerinde oturan kişinin hareketlerini tahmin edebilmektedir. Şoförleri uyanık tutmaya yarayacak bir yapay zekâ sistemi, şoförün gözlerini kapaması, hareketlerinin yavaşlaması gibi durumları fark edebilmekte ve arabanın sıcaklığını düşürerek ya da uyarı sesi ile şoförü uyandırmaya çalışmaktadır. Havada uçan dronlar, insanların postalarını yapay zekâ ile evlerinin kapısına kadar bırakabilmektedirler. Otonom arabalar sayesinde artık ehliyet sınavlarına bile gerek kalmayacak, hatta arabaların içinde şoför koltuğu bile olmayacaktır. Her şeyin otonom hale gelmesi ile uydu resimleri kullanılarak daha ürünler tarlalarda ekili iken hangi ülkenin ne kadar ürün ekip toplayabilecekleri saptanabilmektedirler. Uzaya gönderilen araçlar da yapay zekâ ile birlikte artık daha akıllı davranabilmektedirler. Örneğin fırtına gibi beklenmedik bir hava olayını yapay zekâ ile tespit edip, daha korunaklı bir bölgeye geçiş yapabilmektedirler. Yapay zekada ses tanıma uygulamaları da vardır. Örneğin bir insanın sesinden, yüz şekli tahmin edilebilmektedir. Yapay zekanın bunun gibi birçok alanda uygulamaları vardır.
KUTU: Eğitim alanında da yapay zekâ kullanımı yaygındır. Finlandiya’da robot öğretmenler çalışmaya başlamıştır
Ancak yapay zekanın da bir eksikliği vardır. O da çok fazla enerji harcayan güçlü bilgisayarlara ihtiyaç duymasıdır. Bu bilgisayarlar çok fazla enerji tüketmektedir. Yapay zekâ için gereken hızlı işlemcili bilgisayarlar çok maliyetlidir ve herkesin bu bilgisayarlara erişim gücü yoktur. Bir grup bilim insanı “Yeşil Yapay Zekâ” isimli bir araştırma konusunu başlatmışlardır. Daha az enerji ve işlem gücü ile çalışabilecek yapay zekâ algoritmaları tasarlamayı hedeflemektedirler.
Yapay zekanın geleceği konusunda birçok fikir var. Bazı araştırmacılar endişeliyken bazı araştırmacılar ise heyecan duymakta ve bu alana umutla bakmaktadır. Bildiğimiz bir gerçek şu ki, teknoloji ne kadar ilerlerse ilerlesin, insan beynini ve zekasını birebir kopyalayabilen yapay bir sistem yapmaları mümkün değildir. Fakat yine de alandaki hızlı gelişmelerin ve robotların yanlış kullanımlara da açık olduğunu bilmek gerekir. Unutmamalıyız ki insan yapımı her şey gibi yapay zekâ da kullanım amacına göre iyi ya da kötü olabilir.
