Dünyayı Değiştiren Güçler: Yapay Zeka ve Makine Öğrenmesi

Teknoloji her geçen gün gelişiyor, çoğu zaman hızına bile yetişemiyoruz. Yetişemediğimiz tek şey sadece hızı da değil; veri bolluğuna, aynı anda yapabildiği işlem çeşitliliğine, artırdığı üretkenliğe, iş sürecini otomatikleştirmesine ve bunun gibi birçok şeye de yetişemiyoruz.

Bu özellikler çok önemli ve aynı zamanda gerek gündelik dünyada gerekse iş dünyasında büyük faydalar sağlayabilecekken, korkuttuğu taraflar da var. Etki ve hukuk sorunları, insan-makine ilişkileri ve sosyal izolasyon, yanlılık ve adaletsizlik riski, insan yaratıcılığının azalması gibi konular da korkutan ve zararını görebileceğimiz başlıklardan birkaçı.

Yapay zeka da bize net bir şekilde bu kolaylıkları sağlayabilecek, beraberinde de bu zararlarla karşılaştırabilecek, teknoloji ve bilgisayar bilimleri dünyasının en gözde gelişmesi.

YAPAY ZEKA

Yapay zeka, idealleştirilmiş bir perspektife göre, insan zekasına özgü yüksek bilişsel fonksiyonları veya otonom davranışları sergileyen bir yapay işletim sistemidir.

Bu sistem, algılama, öğrenme, çoğul kavramları bağlama, düşünme, fikir yürütme (belirtme), sorun çözme, iletişim kurma ve karar verme gibi yeteneklere sahip olmalıdır. Ayrıca, bu yapay zeka sistemi düşüncelerinden tepkiler üretebilmeli (eyleyici yapay zeka) ve bu tepkileri fiziksel olarak dışa vurabilmelidir.

Yapay zeka, oldukça önemli. Ancak, tek parçalı bir oluşum değil: Çünkü zekayı oluşturan bilişsel yeteneklerin birçok çeşidi var. Yapay zekanın kategorilerini, nasıl çalıştıklarını ve neye katkı sağladıklarını anlamak, hem IT alanındaki hem de iş hayatındaki herkes için oldukça önemli.

  • Makine Zekâsı (Sembolik Yapay Zekâ)
  • Yapay Sinir Ağları (Sibernetik Yapay Zekâ)
  • Doğal Dil işleme (Dil ile düşünme)
  • Görüntü İşleme
  • Konuşma Sentezi (Yapay Konuşma)
  • Konuşma Anlama (Konuşma Analizi)
  • Tümevarımlı mantık programlama
  • Bilgi-tabanlı sistem
  • Bilgisayarlı görü
  • Doğal dil üretme
  • Uzman sistemler
  • Sinirsel şebeke
  • Makine öğrenmesi
  • Örüntü Tanıma
  • Genetik Algoritmalar
  • Genetik Programlama
  • Bulanık Mantık
  • Çoklu Örnekle Öğrenme (Multiple Instance Learning)

Size spesifik olarak makine öğrenmesinden bahsetmek istiyorum çünkü yapay zeka, karar ve tahminler yapmak için verileri işlerken, makine öğrenmesi algoritmaları yapay zekanın yalnızca bu verileri işlemesine değil, ek programlamaya gerek duymadan öğrenmek ve daha akıllı hale getirmek için kullanmasına olanak sağlar.

MAKİNE ÖĞRENMESİ

Makine öğrenmesi, çeşitli algoritmik teknikler kullanılarak farklı makine öğrenmesi modelleri türlerinden oluşur. Verilerin niteliğine ve istenilen sonuca bağlı olarak dört öğrenme modelinden biri kullanılabilir: denetimli(kontrollü), denetimsiz(kontrolsüz), yarı denetimli (yarı kontrollü) veya takviye (güçlendrime). Bu modellerin her birinde, kullanılan veri kümelerine ve amaçlanan sonuçlara göre bir veya daha fazla algoritmik teknik uygulanabilir.

Makine öğrenmesi algoritmaları temel olarak olayları sınıflandırmak, örnekler bulmak, sonuçları tahmin etmek ve bilinçli kararlar vermek için tasarlanmıştır. Algoritmalar karmaşık ve daha öngörülemeyen veriler söz konusu olduğunda mümkün olan en iyi doğruluğu elde etmek için tek seferde bir veya bir arada kullanılabilir.

  • Kontrollü öğrenme, dört makine öğrenmesi modelinden ilkidir. Kontrollü öğrenme algoritmalarında makine örneğin tarafından öğretilir. Denetlenen öğrenme modelleri, çıktının istenilen değerle etiketlendiği “girdi” ve “çıktı” veri çiftlerinden oluşur.

Örneğin, amacın makinenin papatya ve panzehir arasındaki farkı söylemesi olduğunu belirtelim. Bir ikili giriş veri çifti hem bir daisy resmini hem de pansy resmini içerir. Bu özel çift için istenen sonuç, daisy’yi seçmektir, bu nedenle doğru sonuç olarak önceden tanımlanacaktır.

Denetlenen öğrenme modelleri, günün farklı zamanlarında en hızlı rotayı tahmin eden Waze gibi ürünler ve trafik analizi uygulamaları için öneri motorları gibi her gün etkileşime geçtiğimiz birçok uygulamada kullanılıyor.

  • Kontrolsüz öğrenme, dört makine öğrenmesi modelinin ikincisidir. Kontrolsüz öğrenme modellerinde cevap anahtarı yoktur. Makine, çoğu etiketsiz ve yapılandırılmamış giriş verilerini inceler ve tüm ilişkili, erişilebilir verileri kullanarak modelleri ve korelasyonları tanımlamaya başlar. Birçok yönden, denetimsiz öğrenme insanların dünyayı nasıl gözlemlediği üzerine modellenir.

Biz şeyleri birlikte gruplamak için sezgi ve deneyim kullanırız. Bir şeyle ilgili daha fazla örnek edindikçe, kategorize etme ve tanımlama becerimiz giderek daha doğru hale geliyor. Makineler için “deneyim”, girilen ve kullanıma sunulan veri miktarına göre tanımlanır. Kontrolsüz öğrenme uygulamalarının yaygın örnekleri arasında yüz tanıma, gen sırası analizi, pazar araştırmaları ve siber güvenlik sayılabilir.

  • Yarı denetimli öğrenme, dört makine öğrenmesi modelinin üçüncüsüdür. Mükemmel bir dünyada, bir sisteme girilmeden önce tüm veriler yapılandırılıp etiketlenecekti. Ancak bu mümkün olmadığı için, yarı denetimli öğrenme çok miktarda ham, yapılandırılmamış veri mevcut olduğunda işe yarayabilir bir çözüm haline gelir.

Bu model, etiketlenmemiş veri kümelerini artırmak için az miktarda etiketli veri girmekten oluşur. Esasen etiketlenen veriler, sisteme çalışan bir başlangıç yapmaya çalışır ve öğrenme hızını ve doğruluğunu önemli ölçüde iyileştirebilir. Yarı denetimli öğrenme algoritması, makineye etiketlenmemiş verilere uygulanabilecek bağıl özellikler için etiketli verileri analiz etme talimatı verir.

Yarı denetimli öğrenme, konuşma ve dil analizinde, protein kategorizasyonu gibi karmaşık tıbbi araştırmalarda ve üst düzey dolandırıcılık tespitinde kullanılır.

  • Güçlendirme öğrenmesi dördüncü makine öğrenmesi modelidir. Kontrollü öğrenmede makineye cevap anahtarı verilir ve tüm doğru sonuçlar arasında korelasyonlar bularak öğrenilir. Güçlendirme öğrenme modeli bir cevap anahtarı içermez, bunun yerine izin verilen eylemler, kurallar ve potansiyel bitiş durumları kümesini girer. Algoritmanın istenen hedefi sabit ya da ikili olduğunda makineler örnek alarak öğrenebilirler. Ama istenilen sonucun değişebilir olduğu durumlarda sistem tecrübe ve ödülle öğrenmelidir.

Güçlendirme öğrenme modellerinde “ödül” sayısal olup sistemin toplamak istediği bir şey olarak algoritmaya programlanır.

Birçok yönden bu model, birine satranç oynamayı öğretmeye benzer. Belli ki onlara her potansiyel hamleyi göstermeye çalışmak imkansız olurdu. Bunun yerine, kuralları açıklarsınız ve uygulama yoluyla becerilerini oluştururlar. Ödüller sadece oyunu kazanmak değil aynı zamanda rakibin parçalarını da kazanmak şeklinde gelir.

Güçlendirme öğrenimi uygulamaları arasında online reklam alıcıları için otomatik fiyat teklifi, bilgisayar oyunu geliştirme ve yüksek hisse senedi piyasası ticareti yer alıyor.

Makine öğrenmesi alanında bilgilenebileceğimiz güncel bir gelişmeden bahsetmek istiyorum.

 

MAKİNE ÖĞRENMESİ SAYESİNDE GÖRSEL TASARIMLAR KOLAYLAŞIYOR

Grafik tasarımlarda mesajlar ve fikirler iletilirken çok çeşitli görsel kompozisyonlardan faydalanılıyor. Böylece insanların ürünler, markalar, fikirler ve etkinlikler hakkında farkındalığını artırmak hedefleniyor. Başarılı bir grafik tasarım gerçekleştirilirken renklerin amaca uygun şekilde seçilip kullanılması, yani doğru bir renk paletinin oluşturulması gerekiyor. Bu sayede belirli bir temayı yansıtırken hedef kitlede karşılık bulmak kolaylaşıyor.

Bir tasarımda kullanılan renk paleti farklı görsel ve psikolojik etkilere neden olabilir. Bu etkilerin hedefle örtüşmesi ise belirli düzeyde tecrübe gerektirir. Tasarımda kullanılacak renk paletinin belirli bir temayla uyumlu olması da ayrı bir zorluktur. Bunun için bazı makine öğrenme temelli yaklaşımlar kullanılsa da bu yöntemler yalnızca renk tonları ve gölge gibi unsurları önermeye odaklanıyor ancak renk oranları ve yerleşimleri hakkında ayrıntılı tasarım önerileri sunmuyor. Ayrıca tasarlanan metin ve diğer süslemeleri kullanılan görsellerle uyumlu hale getirmek de farklı bir zorluk ortaya çıkarıyor.

Kanada’daki Waterloo Üniversitesinden Xinyu Shi ve arkadaşları, tam da bu noktada profesyonel tasarım eğitimi ve tecrübesine sahip olmamasına rağmen zaman zaman grafik tasarım yapması gereken kişilere ve bu alanda yeterli tecrübesi bulunmayan tasarımcılara yardımcı olması amacıyla yapay zekayla güçlendirilmiş etkileşimli bir araç olan  De-Stijl’i geliştirdiler. Çalışmanın sonuçları Almanya’da düzenlenen bir konferansta paylaşıldı.

De-Stijl; oldukça etkili bir makine öğrenmesi teknolojisi kullanarak başlangıç düzeyindeki tasarımcılar ve deneyimsiz kullanıcılar için sezgisel harmonik renk paletleri oluşturmak, hızlı tasarım örnekleri elde etmek ve tasarım kısıtlamalarını yerine getirmek konusunda yardım sunan etkileşimli bir araç.

De-Stijl’in temelde nasıl çalıştığını kısaca açıklayalım. Grafik öğelerini bir tuvale yerleştirdiğinizi düşünün. Araç bunları arka plan, görüntü, dekorasyon ve metin olarak sınıflandırıyor ve bunlara dayanarak bir renk paleti ortaya çıkarıyor. Bunlara bağlı olarak düzen, renk yakınlığı ve orantı gibi tasarım prensiplerine uyan çeşitli tasarım alternatifleri sunuyor.

Araştırma ekibi De-Stijl’in hala geliştirilmeye açık yönleri olduğunu vurguluyor. Ortaya koydukları aracın uzman grafik tasarımcıların yerini almasından ziyade, kullanıcılara grafik tasarımlarında kolaylaştırıcı alternatifler sağlamasını hedefliyorlar.

Gelişmeye açık olmanın yetmediği ve acımasız bir şekilde başlayan teknoloji savaşlarında güç sahibi olabilmenin en keyifli yolu ise öğrenmek. Öğrenmeye doyamadığınız günleriniz olması dileğiyle…

Diğer yazılarımı okumak için tıklayınız.

Yorum gönder

Kaçırıyor Olabilirsiniz