Deneyim Odaklı Öğrenin.
Genellikle yapay zeka, makine öğrenimi ve deri öğrenme kavramlarının aynı şeyi ifade ettiği sanılır. Oysa tüm bu kavramlar keskin hatlarla birbirinden ayrılır. Özellikle yapay zeka odaklı bir iş yürütüyorsanız makine öğrenimi (machine learning) ve derin öğrenmenin (deep learning) temel olarak neyi ifade ettiğini, türlerini ve aralarındaki farkların neler olduğunu net şekilde biliyor olmanız gerekir. Bugünkü içeriğimizde derin öğrenme ve makine öğreniminin neyi ifade ettiğini kapsamlı bir şekilde aktarmaya çalışacağız. Dilerseniz önce makine öğreniminin ne olduğunu açıklamakla başlayalım.
Machine learning şeklinde de bilinen makine öğrenimi, temel düzeyde yapay zeka kavramının bir tür alt kategorisi olarak kabul edilir. Tam da bu nedenle kimi kaynaklarda AI uygulaması olarak da geçebilir. Makine öğrenimi, bilgisayarların otomatik düzeyde ne şekilde çalıştırılacağını kavramalarını sağlamak üzerine bir kavramdır. Yani bir anlamda bilgisayarların insan gibi hareket edebilmelerine ya da düşünmelerine olanak tanır.
Adeta insanlarda olduğu gibi deneyim kavramı üstünden performans artırmayı öğretmek, temel işlevlerinden birisidir. Machine learning aslında yapay zekanın aktif bir şekilde çalışabilmesi adına temel bir süreç olarak görülür. Söz konusu teknolojide; sistem tarafından işlenen veri ve bilgiler sayesinde kavrama yeteneği geliştirilir. Aynı şekilde bu teknolojiyle birlikte davranış kalıpları saptandığı için bir zaman sonra insan dahili olmaksızın akıllı kararlar vermek mümkün hale gelir.
Makine öğrenimi yapay zekanın insanlaştırma sürecinde önemli bir rol oynar. Makine öğreniminde makine, insanın düşünme kalıplarını ve biçimlerini bir bakıma taklit etmeye odaklıdır. Neticede insan deneyimine dayanarak öğrenmeye ve gelişmeye sürekli devam eder. E-posta adreslerine gelen spam maillerin otomatik olarak filtrelenmesi, bunun bariz bir örneğidir. Arama motorlarında, DNA dizilimlerinde ya da finansal analizlerde bu teknolojinin ayrıcalıklarından yararlanılır.
“Deep learning” şeklinde de bilinen derin öğrenme kavramı makine öğreniminin bir alt kümesi olarak düşünülebilir. Bu nedenle de esasen bir ML algoritması olduğunu ifade edebiliriz. Derin öğrenme, insan beyninin görevlerini ya da işlevlerini kopyalama eğilimi gösteren bir algoritmadır. Bir başka deyişle, makinelerin insan gibi düşünüp doğru ve ideal kararlar vermelerine katkı sunar.
Sinir ağları desteğiyle faaliyet gösteren bu teknoloji, çok sayıda veri katmanını bünyesinde barındırır. Öğrenme becerisi, söz konusu katmanları derin bir şekilde analiz ettiği için böyle bir isimle anılır. Verileri analiz etme noktasında özel algoritmalara başvurmak durumunda kalır. Makine öğrenimine göre çok daha verimli bir şekilde çalışabilmektedir. Veri hacmi arttıkça daha sağlam yapay zeka nitelikleri devreye girecektir.
İşlerin karmaşık hale gelmesi sonucunda yapay zekadan makine öğrenimine, daha da karmaşık düzeye gelmesi halinde ise makine öğreniminden doğrudan derin öğrenmeye geçişler olur. Veri hacmi ne denli büyük olursa, derin öğrenme o kadar mükemmel bir hal alacaktır. Belli görevleri insanlar için oluşturmak basittir fakat aynı şeyi bilgisayarlar için söyleyemeyiz. Katmanlı sinir ağlarında bilginin gittikçe daha da soyutlaşması, görevleri zorlaştırır. Derin öğrenme metodunda bilgiler görece daha soyut yöntemlerle işlenmek zorundadır.
Yapay sinir ağları öğrenme işleminde her ne kadar insan zihninden ilham alsa da doğrudan onu taklit etmez. Kimi bilgisayar oyunlarına yönelik olarak geliştirilen programlarda, dünyanın en profesyonel oyuncularının bile kolayca yenilebildiği görülmüştür. Sistem, üst düzey oyunculara karşı sayısız oyun oynayarak ustalaşmaya başlamıştır. AlphaGo, bu açıdan oldukça başarılı bir örnek olarak sunulabilir.
Bu tarz uygulamalar, bize derin öğrenmenin ne denli büyük bir potansiyele sahip olduğu gerçeğini gösterdi. Derin öğrenmenin; yapay sinir ağı, tekrarlayan sinir ağı ve evrişimli sinir ağı olmak üzere üç ayrı türü bulunur.
Makine öğrenimi ve derin öğrenme arasında genel olarak benzerlikler yer almasına rağmen dikkatli bir analiz sonucunda iki teknoloji arasında ciddi farkların olduğu görülebilir. Örneğin makine öğreniminde tek katmanda işlem gerçekleştirmek olasıdır. Ancak derin öğrenmede aynı anda pek çok katmada işlem yapmak mümkün hale gelir.
Diğer yandan makine öğreniminde daha çok yapıya ihtiyaç vardır. Bundan olayı verilerin etiketlere sahip olmaları büyük önem teşkil eder. Oysa derin öğrenmede algoritmalar, belli etiketlere sahip olmasa da veri parçaları adına ilişkiler tanımlanabilmektedir.
Derin öğrenme teknolojisi verimli bir şekilde çalışmak için çok daha fazla veri talep eder. Bu da daha fazla hesaplama gücü anlamına gelir. Dolayısıyla makine öğrenimine kıyasla daha maliyetli olduğunu söylemek mümkündür. Ayrıca makine öğreniminde sonuçlar doğru tahmin edilmediğinde programcıların doğrudan manuel şekilde ayarlamalar yapmaları beklenir. Derin öğrenmede en karmaşık hesaplamalar ya da değerlendirmeler, daha güvenilir ve hızlı bir şekilde sonuçlanır.
