Modern Gerçekler Serisi - 1. Bölüm: Makinenizi Nasıl Eğitebilirsiniz? Gözetimli Öğrenme ile Gözetimsiz Öğrenme Karşılaştırması
Simülasyon veya veri madenciliği alanlarına ilişkin yüksek lisans tezim kapsamında yürüttüğüm ön araştırmaları paylaşmayı uzun zamandır istiyordum. Yapay zeka, makine öğrenimi, IoT, Endüstri 4.0 ile ilgili en güncel haberleri öğrencilik yıllarımdan bu yana takip ediyor ve söz konusu alanlarda kaynaklar okuyor, videolar izliyor ve araştırmalar gerçekleştiriyorum.
Daha fazla insana ulaşmak ve yüksek lisans tezime başlamadan önce tez yazım aşamasında kendimi eğitmek adına araştırmalarımı birkaç hafta önce Linkedin ve Karel Blog üzerinden paylaşma kararı aldım. Söz konusu yazılar “Modern Gerçekler Serisi” başlığı altında benzer konular ışığında paylaşılacak ve yukarıda bahsettiğim konulara elimden geldiğince değinmeye çalışacağım. Umarım yazılar ilginizi çeker ve aşağıdaki bölümde yorumlarınızı paylaşırsınız. Gelin hep beraber konuyu ele alamaya başlayalım!
Otomobiller, robotlar, beyaz eşyalar, bilgisayarlar ve benzeri teknolojik aletlerin insan beyni ve çalışma şeklinden ilham aldığını ve bunlar temelinde tasarlandığını fark ettiniz mi? İnsan beyni ile makineler arasında nasıl bağlantı kurulacağını biliyor musunuz? Arka planda hangi algoritmalar kullanılıyor? Bilim kurgu filmleri gerçek olacak ve robotlar dünyayı gerçekten ele geçirecek mi?
Makine öğrenimi son birkaç yılda yeni teknoloji çağında önemli bir rol oynadı. Her alana yapay zeka geliştirilmeleri uygulanırken bu teknolojinin günlük yaşamımız üzerindeki etkileri göz ardı edilemez. Aslında makine öğrenimi geçmişi, Alan Turing’in bir bilgisayarın zekaya sahip olabileceğini gösterdiği altmış yıl öncesine dayanıyor (kabul edelim ki, sadece birkaçımız onu ünlü filmden önce tanıyordu. Söz konusu alana ilgili duyuyor ve hala izlemediyseniz, The Imitation Game filmini kesinlikle izlemelisiniz). Makine öğrenimi, insanların gündelik yaşamlarında belirli işlemleri yerine getirirken makinelerin söz konusu süreçleri öğrenmesini sağlama düşüncesini temel alıyor. Araştırdığımız algoritmalarda kullanılan makine öğrenimine ilişkin birçok yöntem hakkında konuşabiliriz. En çok bilenen ve tercih edilen iki yöntem şu şekildedir:
- Gözetimli öğrenme
- Gözetimsiz öğrenme
Bu iki yöntemi açıklamadan önce en çok tercih edilen yöntemi ele alalım: Gözetimli öğrenme. Gözetimli öğrenmede, bazı anahtar ve değer çiftlerinden oluşan eğitim verileri kullanılarak makinenin eğitilmesi amaçlanır; yani, bu veri kümelerine sistemi doğru eşleşmeleri bulması için yönlendiren bazı etiketler sağlanmıştır. Dolayısıyla makine, hangi girdinin hangi çıktı ile eşleşeceğini anlayabilir. Eğitim süreci tamamlandıktan sonra yeni veriler sisteme gönderilir. Sistemin, halihazırda öğretilen veri setlerini analiz ederek doğru çıktı sonuçları ile tepki vermesi beklenir. Öğrenim süreci, en tutarlı oranı elde edilene kadar bu şekilde devam eder. Gözetimli öğrenme, makine öğrenimi ile ilgili sorunlar, veri madenciliğine ilişkin sorunlar, sinir ağı çalışmaları, görüntüleme ve konuşma algılama, mali analizler ve öngörüler ile karar ağacı algoritmaları ele alınırken sık sık kullanılır.
Gözetimli öğrenme uygulamalarına ilişkin örnekleri günlük koşuşturma sırasında büyük ihtimalle fark etmiyorsunuz. Ancak Siri’ye “Hey Siri! Gerçekleştirdiğim işlemler temelinde yeni bilgiler öğrenirken hangi algoritmaları kullandığını söyler misiniz?” şeklinde bir soru sorabilirsiniz. Benzer şekilde, cep telefonlarınızın biyolojik bilgilerinizi alabildiğinin ve bunları birkaç işlem kapsamında analiz ettiğinin farkında mısınız?
Birkaç yıl önce Microsoft’un Ankara ofisinde bir röportaj gerçekleştirdim. Oraya daha önce gitmemiş kişilerin bilmesi adına söylüyorum, girişte misafirlere yönelik bir bekleme odası bulunuyor. Röportaj için beklerken duvardaki bir ekran ilgimi çekti. Ekrana yaklaştığımda başımın üzerinde bazı bilgilerin bulunduğunu fark ettim. Cinsiyetim, yaşım, ruh halim, yüz ifadelerim birkaç saniye içinde ilgili ekranda belirdi. Açıkçası bu durum karşısında hem şok olmuş hem de oldukça etkilenmiştim, fakat tepkimi saklamaya çalıştım. Yüz ve konuşma tanıma çalışmaları yeni yeni kullanılmaya başlanmıştı ve bu tür bir uygulamayı daha önce görmemiştim. Bu teknolojiyi kullanan birçok uygulamaya günümüzde oldukça sık rastlanır oldu. Ruh halimin neden “endişeli” şekilde addedildiğini şu an bile bilmiyorum. Bunun nedeni röportaj için beklerken oluşan stres miydi yoksa ekranda gördüğüm yeni uygulama sonuçlar mıydı? Sonuç olarak, gözetimli öğrenme, makine öğrenimi algoritmalarında en çok tercih edilen yöntem ve buna ilişkin birçok örneğe günlük yaşamınızda denk gelebilirsiniz. Sınıflandırma ve regresyon teknikleri gözetimli öğrenme çalışmalarında kullanılabilir. Ancak konuya ilişkin detaylı açıklamalar sonraki yazılarda paylaşılacak.
Şimdi diğer yöntemi ele alalım: Gözetimsiz öğrenme. Gözetimli öğrenme ile arasındaki fark çıktı verilerinin oluşturulma şeklidir. Demek istediğim şey şu; sisteme yalnızca girdiler sağlanır ve sistem veriler arasındaki benzerlikleri veya farklılıkları tespit etmeye çalışır. Verilerin gizli modellerinin incelenmesi hedeflenir, ancak doğru cevap veya öğrenme süreci gerekli görülmez. Gözetimsiz öğrenme çalışmaları, kümeleme ve ilişkilendirme algoritmaları kullanılarak uygulanabilir. Her iki algoritma tipine de sonra ele alacağım. Ancak gözetimsiz öğrenme algoritmaları, gözetimli öğrenme algoritmalarına nazaran daha karmaşık işlemleri yerine getirir, daha tutarsız ve güvenilmez sonuçlar sağlar. Çünkü giriş verileri etiketlenmemiştir. Örneğin, istenmeyen e-posta kutunuz istenmeyen e-postaları gözetimsiz öğrenme algoritmalarını kullanarak tespit eder. Buradan anlaşılacağı üzere, gözetimsiz öğrenme süreci gerçek zamanlı olarak gerçekleştirilir.
Pazar araştırma çalışmaları, müşteri segmentlerinin ilgili pazarlarda belirlenmesi adına gözetimsiz öğrenme algoritmalarını kullanır. Dolayısıyla, Amazon veya Netflix gibi bazı tavsiye sistemleri size daha alakalı sonuçlar sunmak adına işlemlerinizi incelemeye çalışır. Örnek vermek gerekirse, “X izleyen kişiler Y izlemeye daha yatkındır” yaklaşımı ana ilke olarak kullanılır. Netflix kullanıcıların izleme geçmişinin bir kaydını tutar ve yapay zeka algoritmalarını kullanarak bunları analiz eder ve ardından en uygun içerikleri tavsiye eder. Ana sayfanız önerilen içerikleri yansıtır. Böylece Netflix üyeliğinizi bir sonraki ay da devam ettirirsiniz. Bu nedenle Netflix, video karelerini değiştirerek en çok tıklanan içerikleri araştırır. Her seferinde farklı video kareleri görürsünüz ve izlediğiniz süre, video karesindeki renkler, görüntüler tıklama oranlarını belirler. Netflix bu şekilde, video karelerini veya afişleri makine öğrenme algoritmaları üzerinden farklılaştırarak tıklama ve izleme oranını artırmaya çalışır çünkü veri geçmişiniz birçok ipucu sunar ve Netflix hangi çıktının hangisiyle ilişkili olduğunu bilir.
Benzer şekilde Amazon da müşteri özelliklerini belirlemek ve özel tekliflerin müşterilere nasıl ve ne zaman sunulacağını tespit etmek adına pazarlama analizi alanında makine öğrenme algoritmalarından faydalanır. Bu nedenle, envanter ve talep tahmini, ürün fiyatlandırma, promosyon etkinliği, pazarlama karma analizi ve satış hacmi ayrıştırma, Amazon'un müşterilere daha sağlıklı sonuçlar önermek için gözetimsiz öğrenme algoritmalarını tercih ettiği ana alanlardır. Şirketin dijital asistanı olan Amazon Alexa'yı duymuş olabilirsiniz. İlk başta Echo (yankı) cihazları (söz konusu hoparlöre “kutu içinde Siri” denildi) kullanılarak geliştirildi. Ancak şuan üçüncü taraf geliştiriciler tarafından tasarlanan 45.000 işleve sahip. Bu cihaz sorularınızı cevaplayabilir, Amazon Prime Music kataloğunda yer alan müzikleri çalabilir, Amazon üzerinden sipariş verebilir ve ayrıca programlanabilir bir arayüze sahiptir. Alexa söz konusu özellikleri kullanarak sizin üzerinizden yeni bilgiler öğrenebilir ve gözetimsiz öğrenme algoritmalarını kullanarak size daha tutarlı hizmetler sunabilir.
Elon Musk’ın Neuralink sunumunu canlı yayında izlerken Black Mirror’un bir bölümü (1. Sezon, 3. Bölüm - The Entire History of You) aklıma geldi. Black Mirror’un bu bölümünde insanlar küçük bir çipi kafataslarına yerleştirip günlük faaliyetlerini bu çip üzerinden gerçekleştirebiliyor. Yaşadıkları anları kayıt altına alabiliyor ve bunları bir medya oynatıcı gibi diledikleri zaman izleyebiliyorlar. Beynimizde bir çip ile yaşama düşüncesi, Elon Musk’ın Neuralink sunumunu canlı yayında izleyene kadar son derece uçuk gelmişti. Neuralink konusu daha önce duymamış kişilere açıklamak adına Neuralink, nöronlardaki sinyalleri analiz ederek insan zekasını geliştiren ve körlük, sağırlık, felç, hafıza ve inme gibi beyin ile ilgili hastalıkları ortadan kaldırmayı hedefleyen bir beyin çipidir. Kitaplar veya filmler üzerinden gösterilen geleceğe çok daha yakınız. Hayali geliyor, değil mi?
Teknolojik gelişmeler zamanla daha farklı bir seviyeye taşınıyor ve daha karmaşık sonuçlar ile karşı karşıyayız. Dünyadaki tüm geliştirmeler insanların hayatını kolaylaştırmak adına yapılıyor. Söz konusu yenilikleri fark etmeniz adına günlük hayattan örnekler vermeye çalıştım. Bu doğrultuda gözetimli ve gözetimsiz öğrenme yöntemlerini ilgili uygulamalar ile ele aldım.
“Makine zekası, insanlığın yapması gereken son icattır.” (“Machine intelligence is the last invention that humanity will ever need to make.”)
Nick Bostrom
Umarım ilk yazımı okurken keyifli vakit geçirmişsinizdir. Sonraki yazılarımda tekrar görüşmek dileğiyle...
Bu yazıyı okuyanlar, bunları da okudu;
Makineler Hangi İşleri İnsanların Elinden Alacak? Sizinki Onlardan Biri mi?
İnsanlar Hayat Kurtarabilir veya Hata Yapabilir, Ya Makineler?
Derin Öğrenme(Deep Learning) ve İş Dünyasına Etkisi
