Derin Öğrenme Nedir?

Günümüzün en gelişmiş yapay zekalarından bazılarının arkasındaki fenomene bakıyoruz.

Derin öğrenme, insan beyninin basitleştirilmiş bir kopyası gibi,  katmanlı bir sinir ağı kullanarak yapay zeka(AI) oluşturma tekniğini ifade eder.

Belirli bir görev için insanlar tarafından oluşturulmuş önceden tanımlanmış algoritmaları kullanmak yerine, bir makineye verileri kendi belirlemelerine göre analiz etmeyi öğretmeyi amaçlayan daha geniş bir makine öğrenimi teknikleri ailesine uyar. 

Derin öğrenme yöntemleri gevşek bir şekilde beynin neokorteksine dayanır, analitik düğümleri veri akışı için bir dizi yolda düzenler, esasen bunları ağ benzeri bir katmanlı düğümler ağına bağlar, ancak beyni böylesine güçlü bir bilgisayar yapan katmanlı bağlantılar karmaşık çoklu diziyi tam olarak kopyalayamaz.

Bu yöntemin sağladığı analitik yetenekler, sürücüsüz arabalar gibi fütüristik teknolojiyi güçlendirmeye , yol işaretlerini tanımalarına veya kendi yollarındaki nesneleri ayırt etmelerine yardımcı oluyor.

Derin öğrenme modelleri, bazen insan düzeyindeki performansı aşan yüksek düzeyde doğruluk elde edebilir ve genellikle birçok katman içeren çok sayıda etiketli veri ve sinir ağı mimarileri kullanılarak eğitilir.

Derin öğrenme, yapay zeka ve sınıflandırmaları

AI fikri yeni değil. Aslında, 2001: A Space Odyssey  ve  The Terminator gibi filmlerde yaygın olarak popüler olan makinelerin insanlar kadar akıllı hale gelme tehdidiyle (veya daha çok) 18. yüzyılın başlarından kalma yapay zeka kayıtları var .

Ancak bu kavramlar artık yalnızca filmlerde yakalanan fikirler değildir. Giderek günlük yaşamın bir parçası haline geliyorlar ve süper akıllı sohbet robotları ve uygulamalar gibi teknolojilerin ortaya çıkmasıyla, makine zekasının insan zekasını aştığı ve gelecekte çok uzak olmadığı bir zaman gelebilir.

“Yapay zeka” terimi, kendileri için düşünen makinelerin geniş fikrini tanımlamak için kullanışlıdır, ancak gerçekte, teknolojiye bakmaya başladığımızda çok gevşek bir terimdir. Yapay zekanın kendisi iki ayrı çalışma alanına ayrılabilir: genel ve dar (veya uygulamalı) YZ.

Genel AI, adından da anlaşılacağı gibi, bir insanın başka türlü gerçekleştirebileceği herhangi bir görevi yerine getirebilecek sistemlerin çalışmasını ve tasarımını ifade eder. Kitle otomasyonu ve katil robotların yükselişi ile ilgili korkular göz önüne alındığında, belki de AI’nın en yaygın yorumu ve en çok histeriye neden olan yorum. Daha önce fark etmiş olabileceğiniz gibi, bu alandaki başarı bugüne kadar oldukça sınırlı kaldı.

Öte yandan, dar yapay zeka çok daha başarılı oldu. Genel olarak bir insanı taklit edebilen bir sistem oluşturmaya odaklanmak yerine, bu alan belirli bir görevi veya görevleri herhangi bir insandan çok daha iyi gerçekleştirebilen makineler inşa etmeye odaklanıyor.

Bu teknolojinin gerçek hayattaki bir uygulaması, San Francisco merkezli AI şirketi Luka tarafından tasarlanan bir sohbet robotu olan Replika ve Belaruslu girişimci Roman Mazurenko’nun adını taşıyan selefi Roman’dır. 

Luka’nın kurucu ortağı Eugenia Kuyda’nın yakın arkadaşı olan Mazurenko, 2015 yılında Moskova’da bir vur-kaç olayının ardından hayata gözlerini yumdu. Anılarını onurlandırmak ve ani ölümle arkadaşlarının ve ailesinin acısına yardım etmek için Kuyda Hala hayattayken Mazurenko ile aynı tarzda mesajlara cevap verecek bir chatbot geliştirmeye karar verdi – anıları, mizah anlayışı ve hatta disleksisinin neden olduğu yazım hataları dahil. Bu, sohbet robotunun Mazurenko’nun mesajlarını ve ölümünden önceki dört yıldaki sosyal medya etkileşimlerini içeren verileri analiz etmesini sağlayarak yapıldı.

Şaşırtıcı olmayan bir şekilde, derin AI yardımıyla merhumun anılması kavramı medyada da araştırıldı. Mazurenko’nun ölümünden ve Romalı sohbet robotunun başlangıcından birkaç yıl önce, benzer bir senaryo, popüler bir Amerikan TV şovu Black Mirror’ın bir bölümünde tasvir edildi; bir kadın, ona benzemek için yaratılmış bir android ile iletişim kurarak erkek arkadaşının ölümüyle baş etmeye çalışıyor. Aslında Kuyda Be Right Back adlı bölümü izlemiş ve bunu Roman chatbot’u yaratmak için ilham kaynağı olarak kullandığını itiraf etmişti. Yüz tanıma gibi diğer yapay zeka teknolojilerinden farklı olarak bu kavram, bu tür bir inovasyonun etiğinin yanı sıra toplumun ölümle, özellikle de erken yaşta olan ilişkisiyle ilgili önemli soruları gündeme getiriyor. Kuşkusuz, bu oldukça ürkütücü bir örnek, ancak dar yapay zekanın genel yapay zeka ile aynı tutkuları taşımadığını ve kesinlikle bilimkurgu rüyalarının katil robotları kadar gelişmiş olmasa da, kopyalamaya daha az yardım etmediğini gösteriyor. bazı derecelerde insan zekası.

Bu, makine öğrenimi sayesinde büyük ölçüde mümkün oldu. İnsanların eylemlerini yalnızca önceden belirlenmiş talimatlarla kopyalayan makinelerden ziyade, makine öğrenimi ilkeleriyle oluşturulan algoritmalar, işledikleri verilerden öğrenmek için dar yapay zeka sistemlerini eğitmek için kullanılır.

Örneğin, bir doğum günü balonunun resmini belirlemeye çalışan bir sistem durumunda, bir makineye, biri şekilleri tespit etmek, biri sayıları tanımlamak ve diğeri renkleri analiz etmek gibi önceden tanımlanmış rutinleri kullanması öğretilebilir. İlk makine öğrenimi modellerinde, sistem bu insan tarafından kodlanmış rutinleri alır ve nesneleri doğru bir şekilde tanımlamayı öğrenmesine yardımcı olacak algoritmalar geliştirirdi.

Bu, AI’nın gelişimi için kesinlikle çığır açıcı olsa da, modeldeki kusurlar hızla su yüzüne çıktı. En büyük sorun, yol boyunca çok fazla insan girdisi gerektiren önceden tanımlanmış analiz rutinlerinin kullanılmasıydı. Bulanık yüzler veya nesneler gibi işlenmesi zor fotoğraflar söz konusu olduğunda da sorunlar vardı.

Derin öğrenme tanımı

O zamandan beri modeller, bugün derin öğrenme olarak bilinen insan beyni anlayışımıza dayanıyor.

‘Derin’ terimi, beynin içinde bulunan birbirine bağlı nöronların ağına benzeyen katmanlı bir sinir ağının inşasını ifade eder. Herhangi bir nöronun çevresindeki herhangi bir başka nöronla konuşabildiği 3 boyutlu bir ağ gibi davranan beynin aksine, bu yapay ağlar, verilerin akışına izin vermek için birbirine bağlı yolların katman katmanları ile katmanlı bir yapı işletiyor. Geri yayılım adı verilen bir teknik, gelen bir veri noktasının doğru çıktıya yönlendirmesini sağlamak için bu ağlardaki düğümler arasındaki ağırlığı ayarlar.

Araştırmacılar beynin gelişmiş analiz sürecini yeniden yaratmak istediler. Her katman yalnızca verileri analiz etmek için değil, aynı zamanda her seferinde ek bağlam sağlamak için tasarlanmıştır. Nesne her katmandan geçerken, daha doğru bir resim ve onun anlaşılması mümkün hale gelir.

Balon örneğinde, resim, ister renklendirmesi, ister yüzeyindeki herhangi bir numaralandırma veya yazı, tuttuğu şekil ve havada tutulması veya uçması olsun, onu oluşturan parçalara ayrılacaktır. Her parça daha sonra ilk nöron tabakası tarafından analiz edilir, bir yargıya varılır ve bir sonraki katmana aktarılır.

Bu, özellikle sahtekarlığa karşı mücadelede işe yarayabilir. Örneğin, bir sistem, önce ham verileri alan ve ardından işlem değerleri ve konum verileri gibi geçerken bağlamsal bilgiler ekleyen sinir ağlarını içeren sahte hesap faaliyetlerini tanımlamak için tasarlanabilir.

Bazı ağlar yalnızca birkaç katmana sahip olsa da, 2016’da Çin masa oyunu Go’nun şampiyon bir oyuncusunu yenmeyi başaran Google’ın AlphaGo’su da dahil olmak üzere bazı programların yüzlerce katmanı var. Doğal olarak, bu çok büyük bir hesaplama gücü gerektiriyor ve sinir ağları her zaman ilk yapay zeka öncüleri için bir hırs olmasına rağmen,  yakın zamana kadar pratik değildi.

Bugün derin öğrenme

Günümüzün en gelişmiş makine öğrenimi sistemlerinin çoğu, verileri işlemek için bir sinir ağı kullanır. Sürücüsüz otomobil endüstrisindeki son başarılar, derin öğrenme sayesinde mümkün kılınırken, ilkeler uzaydan nesneleri tespit etmek için savunma ve havacılık sektörlerinde de uygulanıyor. 

Derin öğrenmenin potansiyeli çok geniş olsa da, daha insan benzeri görevler söz konusu olduğunda sınırlamaları vardır. Derin öğrenme, Go’nun karmaşık ama sabit kuralları gibi örüntü tanımada üstündür. Ancak araştırmacılar, bir makineye yalnızca belirli bir kurallar kümesini öğretmek için gereken çok sayıda eğitim verisine dikkat çekiyor.

Örüntü tanıma, belki de en belirgin şekilde konuşma AI’da, derin öğrenmenin destekleyici ağ olarak işlev görmesiyle örneklenmiştir. Ses ve tanıma yeteneklerini içeren çok modlu girdiler, görüntüler ve sentezlenmiş sesler gibi çok modlu çıktılarla birlikte işlenir. Starbucks’tan Apple’a kadar birçok şirket bu zekayı kullanıyor ve müşterilere uygulamaları üzerinden sesli komutlar aracılığıyla sipariş verme seçeneği ve yalnızca görerek cihazlarında oturum açma kolaylığı sağlıyor.

Gelişimin şu anki aşamasında, derin öğrenmenin insanların aynı ayrıntılı, uyarlanabilir düşünce süreçlerini gerçekleştirmesi mümkün görünmüyor, ancak teknoloji oldukça hızlı bir şekilde gelişmeye devam ediyor.

Yarın derin öğrenme

Derin öğrenme, yakın zamanda katil robotlarla sonuçlanmayabilir ancak bu, toplumun yönlerini başka şekillerde temelden değiştirmeyeceği anlamına gelmez.

Google Brain araştırma grubu, derin öğrenme yapay zekasının kendisi için nasıl düşündüğünü gösterdi. Kedinin tanımlanması için herhangi bir deneysel parametre belirtilmeden, milyonlarca kedi ‘Google Brain’e önerildi ve ağ, etiketli verilerin yardımı olmadan görüntüleri başarıyla tanımladı.

Kedileri tanımlamak ilkel görünebilir, ancak böyle bir gelişmenin daha pratik bir şekilde nasıl kullanılabileceğini görmek zor değil.

Tıpta, tıbbi görüntüleri yorumlama söz konusu olduğunda derin öğrenmenin insan uzmanlığıyla aynı seviyede olduğu görülmüştür. Birmingham Üniversitesi tarafından yürütülen çalışma, yapay zekanın medikal alanda ilerlemede daha büyük bir rol oynamasının önünü açabilir, kaynaklar üzerindeki yükü hafifletebilir ve doktorların hastalarla daha fazla zaman geçirmesine izin verebilir.

Belki de derin öğrenmenin keşfe çıkmak için olası bir sıçrama tahtası olarak lanse edildiği en heyecan verici alan kozmostur. ETH Zürih Üniversitesi’nden araştırmacılar kısa süre önce karanlık maddeyi incelemek için sinir ağlarını kullandıkları bir makale yayınladılar. Hubble teleskopu ile karşılaştırıldığında, derin öğrenmenin, baryonik madde, karanlık madde ve karanlık enerjiyi paylaştırarak, evrenin bileşiklerini parçalarken% 30 daha doğru değerler verdiği görüldü. Araştırmacılar, derin öğrenmenin gelecekte kozmolojik veri analizi için umut verici bir beklenti olduğunu iddia ederek sonuca vardılar.

Kesin olan şey şu ki, Pentagon yapay zekaya para akıtılırken,  2020 için yapay zekaya yaklaşık 1 milyar dolar ayırdı ve özellikle derin öğrenme araştırma çalışmaları, etkilerinin sadece artacağı.

Yazının orijinali için tıklayınız.