Cihazların gerçek Dünya’daki sorunları çözebilecek etkili tahminlerde bulunması sizi yeteri kadar heyecanlandırmıyorsa Deep Learning Nedir? sorusunu çılgın gelişmelerle dolu zamanlarda sormak zorunda kalabilirsiniz:)
Sıklıkla birbirinin yerine kullanılsa da deep learning (derin öğrenme) ve makine öğrenimi yapay zekanın iki önemli parçası. Yapay zeka, insanlar gibi çalışan ve tepki veren akıllı makinelerin oluşturulmasına katkıda bulunan bir bilgisayar bilimi.
Derin öğrenmenin, makine öğrenimine nazaran yapay zeka uygulamalarının daha “insan benzeri” özelliklerine güç veren bir yapay zeka bileşeni olduğunu söyleyebiliriz.
Makine öğreniminin bir evrimi olarak kabul edilen derin öğrenme, aslında makine öğreniminin bir alt alanı, ancak ilginç olan makine öğreniminden daha gelişmiş olması.
Deep Learning Nedir?
Deep learning, herhangi bir insan müdahalesi gerektirmeden; algoritmalar ve büyük veri kümeleri kullanarak kalıplar bulan ve çıktılar oluşturup yanıtlar veren bir makine öğrenme tekniği.
Cihazlara görüntü, metin veya ses biçimindeki girdileri filtrelemeyi, sınıflandırmayı ve tahminlerde bulunmayı öğretiyor. Dünyayı değiştiren bu teknoloji; bir bilgisayarın aldığı bilgiler sayesinde öğrenip adapte olabileceğinin, bir makinenin kendi kendini düzeltebileceğinin kanıtı.
Deep Learning, makinelerin; insanların yardımı olmadan doğru kararlar vermesini sağlayan “programlanabilir bir sinir ağı” kullanır ve adını yararlandığı bu derin sinir ağlarından alır.
Bir yapay zeka algoritması yanlış bir tahmin verdiğinde bir mühendis devreye girmeli ve ayarlamalar yapmalıdır. Ancak derin öğrenme modeliyle, bir algoritma, bir tahminin doğru olup olmadığını kendi sinir ağı (neural network) aracılığıyla belirleyebilir.
Derin öğrenme sistemleri, söz konusu yapay sinir ağı sayesinde, büyük miktarda veriyle başa çıkabilir. Her günün her saniyesinde inanılmaz miktarda veri toplayabilen gelişmiş akıllı sensörler çağında yaşadığımız için her gün 2,6 kentilyon bayt veri ürettiğimiz tahmin ediliyor. Bu muazzam miktardaki veriyle geleneksel bilgisayarların başa çıkması ve bu verilerden sonuç çıkarması kolay olmadığından; veri miktarı arttıkça daha verimli hale gelen derin öğrenme, yükselen trendler arasında yerini sağlamlaştırıyor. Çünkü ne kadar çok veriyle çalışırsa, sonuçlar o kadar kesin ve doğru oluyor.
Bu, derin öğrenmenin makine öğreniminden ayrıldığı önemli bir nokta. Derin öğrenme daha büyük hacimli verilerle ölçeklenebilirken, makine öğrenimi;, belirli bir seviyeden sonra bir düzlüğe ulaştığı sığ öğrenmeyle sınırlı kalıyor ve daha fazla yeni veri eklenmesi hiçbir fark yaratmıyor.
Derin öğrenme uygulamaları, bir insanın eylemlerini gözlemleyerek bir robotu eğitebiliyor veya bir eylemi gerçekleştirmek için diğer birçok yapay zeka uygulamasından gelen bağlantıları kullanabiliyor.
Derin öğrenmenin günlük hayatımızı nasıl etkilediğini bilmek istiyorsanız; insan performansını başarılı bir şekilde taklit edebilen uygulamaları düşünebilirsiniz; otonom arabalar, sesli asistanlar ve dijital mecralardaki kişiselleştirilmiş öneriler(Daha fazla örneği yazının son bölümünden okuyabilirsiniz).
Derin Öğrenmenin Tarihi
Derin öğrenme 1980’lerde Geoffrey Hinton tarafından kavramsallaştırıldı. Hinton’un derin öğrenmeye en büyük katkısı, makine öğrenimi tekniklerini insan beyniyle karşılaştırması oldu. Hinton, beyindeki nöronların yapısına benzer şekilde yapılandırılmış bir derin öğrenme algoritması olan “sinir ağı” konseptini yarattı.
Geoffrey Hinton’un sinir ağları konusundaki çığır açan araştırması sırasında sorduğu soru, beyindeki nöronlara benzer şekilde davranan bilgisayar algoritmaları oluşturup oluşturamayacağımızdı.
Derin öğrenmenin kavramsal doğuşu sırasında, araştırmacılar anlamlı derin öğrenme modelleri oluşturmak ve eğitmek için yeterli veriye veya hesaplama gücüne erişemiyorlardı. Bu nedenle onlarca yıl önce bulunmasına rağmen, derin öğrenme konusundaki çalışmaların ivme kazanması, içinde bulunduğumuz zamanlara kaldı.
Derin öğrenmenin babası kabul edilen Hinton’ın şirketi DNNresearch, 2013 yılında Google tarafından satın alındı. Hinton da Google’da çalışmaya devam etti.
Derin Öğrenme Nasıl Çalışır?
Bir derin öğrenme modeli, bir insanın nasıl sonuç çıkaracağına benzer bir mantık yapısıyla verileri sürekli olarak analiz etmek için tasarlanmıştır. Bunu başarmak için, derin öğrenme uygulamaları yapay sinir ağı adı verilen katmanlı bir algoritma yapısı kullanır. Yapay sinir ağının tasarımı, insan beyninin biyolojik sinir ağından esinlenmiştir. Yapay sinir ağı; standart makine öğrenimi modellerinden çok daha yetenekli bir öğrenme sürecine yol açar.
Makine öğreniminin birkaç katman sinir ağı olabilirken derin öğrenmenin yüzlerce veya binlerce katmanı bulunur. Bu katmanlara, gelen büyük miktarda veriyi işlemek için ihtiyacı vardır. Çünkü yeterli katman olmadan, ortaya çıkan sorunu çözmeye yardımcı olacak yeterli nöron olmaz.
Derin öğrenme, özünde, makinelere insan zekasını taklit etmeyi öğretmek için yinelemeli yöntemlere dayanır. Yapay bir sinir ağı, bu yinelemeli yöntemi birkaç hiyerarşik düzey aracılığıyla gerçekleştirir. İlk seviyeler, makinelerin basit bilgileri öğrenmesine yardımcı olur ve seviyeler arttıkça bilgi birikmeye devam eder. Her yeni seviye ile makineler daha fazla bilgi toplar ve bunları son seviyede öğrendikleriyle birleştirir. Sürecin sonunda, elde edilen bilgi bir nevi mantıksal düşünce örneği gibidir.
Hiyerarşik öğrenmede daha yüksek seviyeli, daha soyut veriler ve özellikler; daha düşük seviyeli, daha az soyut özellikler açısından tanımlanır. Bu, algoritmaların ve makinelerin ayrıştırılması daha zor olan yeni verileri almasına ve bunları anlaşılması daha kolay olan ve halihazırda kullanılmış alanlara ayırmasına yardımcı olur.
Örneğin Siri gibi bir sesli asistanın konuşmayı öğrenmesi için bu sesli asistan sinir ağının ilk seviyelerinde, ses yoğunluğunu ve tonlamaları belirlemeye çalışacaktır. Daha yüksek seviyeler için, kelime bilgisi toplayacak ve buna önceki seviyelerin bulgularını ekleyecektir. Sonraki seviyelerde, istemleri analiz edecek ve tüm sonuçlarını birleştirecektir. Hiyerarşik yapının en üst seviyesi için, sesli asistan bir diyaloğu analiz edebilecek ve bu girdiye dayanarak karşılık gelen bir eylem gerçekleştirebilecek kadar konuşmayı öğrenmiş olacaktır.
Derin öğrenme modelleri, işler yanlış gittiğinde kendi kendine öğrenebilen ve müdahale olmadan gerekli ayarlamaları ve düzeltmeleri yapabilen denetimsiz öğrenme yeteneğine sahiptir.
Verileri işlerken, yapay sinir ağları, son derece karmaşık matematiksel hesaplamaları içeren bir dizi ikili doğru veya yanlış sorudan alınan yanıtlarla verileri sınıflandırabilir. Örneğin, bir yüz tanıma programı, yüzlerin kenarlarını ve çizgilerini, ardından yüzlerin daha önemli kısımlarını ve son olarak yüzlerin genel temsillerini algılamayı ve tanımayı öğrenerek çalışır. Zamanla program kendi kendini eğitir ve doğru yanıt alma olasılığı artar, yüzleri doğru bir şekilde tanımlayacak düzeye ulaşır.
Derin Öğrenme Neden Önemli?
Derin öğrenmenin, artan veri hacmini yinelemeli öğrenme modelleri aracılığıyla doğru sonuçlar elde etmek için kullanması; bulgulardaki hataları ve tutarsızlıkları ortadan kaldırıp güvenilir sonuçlara ulaşmamızı sağlıyor.
Derin öğrenme alanındaki gelişmeler, derin öğrenmenin birçok görevi yerine getirmede insanlardan daha iyi noktaya ulaşabilmesini sağlamış durumda.
Deep Learning; hisse senedi fiyatlarından hava durumuna, otomobiller için park yardımından yüz tanıma otomayonuna kadar kadar birçok alanda isabetli tahminler konusunda ustalaşıyor.
Şu ana kadar başardıklarına rağmen henüz başlangıç aşamasında diyebileceğimiz deep learning, önümüzdeki yıllarda teknolojiyi köklü dönüşümlere sürükleyecek potansiyele sahip.
Geleneksel yöntemleri unutturacak gelişmelerle ilerleyen derin öğrenme, makine öğrenimi algoritmasından; görüntü sınıflandırmada % 41, yüz tanımada % 27 ve ses tanımada % 25 daha isabetli kararlara sahip.
Makine öğreniminde en hızlı büyüyen alan olarak kabul edilen derin öğrenme, çığır açan bir teknolojiyi temsil ediyor ve giderek daha fazla şirket tarafından yeni iş modelleri oluşturmak için kullanılıyor.
Derin öğrenme, yapay zekanın omurgasını oluşturan bilimsel bir mucize olarak kabul edilmektedir.
Günümüz dünyasında pek çok otomasyonu besleyen derin öğrenmenin; kalıp keşfinde (denetimsiz öğrenme) ve bilgiye dayalı tahminde yakaladığı başarı; kuruluşların üretkenlik, satış, yönetim ve yenilik açısından benzeri görülmemiş sonuçlar elde etmelerini sağlayabiliyor.
Gelecekte, derin öğrenmenin bilgisayar belleğinin çalışma şeklini değiştirmesi, hayal ettiğimizden çok daha geniş depolama seçenekleri sunabilir. Derin öğrenme siber güvenliği artırmaya da yardımcı olabilir.
Derin Öğrenme Uygulamaları
Arka planda derin öğrenmenin rol aldığı pek çok uygulama arasında Skype’ın, sözlü konuşmaları gerçek zamanlı olarak çevirmesi, birçok e-posta platformunun spam iletileri gelen kutusuna ulaşmadan önce tanımada ustalaşması ve PayPal’ın, hileli ödemeleri önlemek için kullandığı sistemi örnek verebiliriz. Dahası Google PlaNet’in, herhangi bir fotoğrafın nerede çekildiğini belirleyebilmesini, Netflix’in, kişileştirilmiş film seçenekleri sunabilmesini ekleyebiliriz.
Saymakla bitiremesek de derin öğrenmenin son zamanlardaki en cazip uygulama alanlarını sıralayalım:
- Derin öğrenme modelleri, otonom araçların her gün yolda karşılaşabilecekleri milyonlarca senaryoya hazırlanması için kullanılıyor. Araçların yoldayken nasıl davranacaklarını bilmelerine ve içinde bulundukları durumlardan öğrenmelerine yardımcı oluyor. Test aşamasında olan sürücüsüz otomobiller karmaşık sinir ağları katmanı sayesinde kaçınılması gereken nesneleri belirleyebiliyor, trafik ışıklarını tanıyor, hızı zamana göre ayarlayacak şekilde eğitiliyor. İleriye gitmenin veya hareketsiz kalmanın ne zaman güvenli olduğunu belirleyebiliyor.
- Derin öğrenme uygulamaları, hastalar için tedavi planları tasarlama ve kanser türlerinin erken tespiti için tıbbi testlerde kullanılıyor.
- Konuşma ve anlamanın bir parçası olan tüm gramer ve söz dizimi nüanslarını anlamaya yardımcı olmak için derin öğrenme modelleri kullanılıyor. Derin ağlar, nasıl anlayacaklarını ve uygun yanıtları nasıl bulacaklarını öğrenmek için dili okuyor ve dinliyor. Bu yazılımlar halihazırda milyonlarca cihazda çeviri hizmetlerinde zaten kullanılıyor. Siri, Cortana, Alexa ve Google Now gibi dijital asistanların da derin öğrenmeyi kullandığını tahmin edebiliyorsunuzdur. Google DeepMind’ın WaveNet’i ise doğal insan sesini taklit ediyor ve şu anda piyasada bulunan konuşma sistemlerinden daha doğal konuşmalar üretebiliyor.
- CamFind gibi uygulamalar, kullanıcıların herhangi bir nesnenin fotoğrafını çekmesine ve mobil görsel arama teknolojisini kullanarak nesnenin ne olduğunu keşfetmesine olanak tanıyor. Bu da elbette ki derin öğrenmeye dayanıyor.
- Google Deepmind’ın AlphaGo’su; keskin zeka ve sezgi gerektiren Go adlı oyunu oynamayı öğrenen kendi sinir ağına sahip bir bilgisayar programı. AlphaGo, oyunun dünyaca ünlü birçok ustasını yenerek bir cihazın karmaşık teknikleri ve soyut yönleri kavrayabileceğini kanıtladı.
- Geçmişte, siyah beyaz film görüntülerinin elle renklendirilmesi gerekiyordu ve bu hem çok zaman alıcı hem de maliyetli bir işti. Artık bu işlem, gri tonlamalı görüntüleri otomatik olarak renklendirebilen derin öğrenme modelleriyle kısa sürede yapılabiliyor.
- Derin öğrenmenin bir diğer dikkat çekici yönü, bir görüntüyü tanımlamak ve sanki bir insan altyazıyı yazıyormuş gibi o görüntü için uygun cümle yapısıyla anlaşılır bir başlık oluşturmak.
- Derin öğrenme algoritmaları, bir metnin noktalama işaretlerini, dilbilgisini ve stilini öğrenerek metin oluşturabiliyor. Oluşturduğu modeli, tamamen yeni bir metni oluşturmak için kullanabiliyor.
Özet
Beyindeki nöron ağlarını taklit eden ve insan beyninin bilgiyi filtreleme şeklinden ilham alan derin öğrenme; finanstan pazarlamaya, tıptan eğlenceye sayısız alanda ciddi dönüşümlerin habercisi.
Deep Learning Nedir? sorusuna; derin öğrenmenin heyecan verici geleceğine dair göstergeleri açıklayarak yanıt vermeye çalıştık. Bilgi teknolojileriyle ilgili alanlarda çalışıyorsanız, derin öğrenmenin bilişimi nasıl etkilediğini takipte kalmanızı öneririz.
