Çok uzak olmayan geleceğimizin robotlarla tasvir edilen dünyası büyük oranda yapay zekayı (AI) ne ölçüde kullandığımıza bağlı olacak. Ancak makineleri düşünen cihazlara dönüştürmek göründüğü kadar kolay bir iş değildir. Güçlü yapay zeka ancak makinelerin insanlar gibi anlamasını sağlayan makine öğrenimi (machine learning) ile elde edilebilir. Makine öğrenimi kafa karıştırıcıdır. Bu nedenle terimi açıkça tanımlayarak başlamak gerek: Makine öğrenimi, bir sistemin açıkça programlanmadan, deneyimlerden öğrenmesini ve kendisini geliştirmesini sağlayan bir yapay zeka uygulamasıdır. Makine öğrenimi, verilere erişebilen ve bunları yeni şeyler öğrenmek için kullanabilen bilgisayar programları geliştirmeye odaklanıyor.
Makine Öğrenimi Nasıl Çalışıyor?
İnsan beyninin bilgi ve anlayış kazanması gibi, makine öğrenimi de varlıkları, alanları ve bunlar arasındaki bağlantıları anlamak için verileri veya bilgi grafikleri gibi girdileri kullanıyor. Varlıklar tanımlanınca derin öğrenme başlıyor.
Makine öğrenimi süreci, örnekler, doğrudan deneyim veya yönerge gibi gözlemlere veya verilere sahip. Makine sağlanan örneklere dayanarak çıkarımlarda bulunmak için verilerdeki kalıpları arar. Makine öğreniminin birincil amacı, bilgisayarların insan müdahalesi veya yardımı olmadan özerk biçimde öğrenmesini ve eylemlerini buna göre düzenlemesini sağlamak.
Makine öğrenimi karmaşıktır, bu nedenle denetimli öğrenme ve denetimsiz öğrenme gibi iki ana alana ayrılmıştır. Her birinin belirli bir amacı ve eylemi vardır, sonuçlar verir ve çeşitli veri biçimlerini kullanır. Makine öğreniminin yaklaşık %70'i denetimli öğrenme ile gerçekleşiyor. Denetimsiz öğrenme ise %10 ila 20 arasında. Geri kalan kısım pekiştirmeli öğrenmedir.
Makine Öğreniminin Kullanıldığı Alanlar
Büyük verideki artışla birlikte makine öğrenimi, aşağıdaki alanlardaki sorunları çözmede önemli bir teknik haline geldi:
- Kredi puanlama ve algoritmik ticaret için hesaplamalı finans
- Yüz tanıma, hareket algılama ve nesne algılama için görüntü işleme ve bilgisayarla görme
- Tümör tespiti, ilaç keşfi ve DNA dizilimi için hesaplamalı biyoloji
- Fiyat ve yük tahmini için enerji üretimi
- Öngörülü bakım için otomotiv, havacılık ve üretim
- Ses tanıma uygulamaları için doğal dil işleme
Makine Öğreniminin Önemi
Kavram olarak makine öğrenimi aslında uzun bir geçmişe sahip. "Makine öğrenimi" terimi, IBM'de bilgisayar bilimcisi ve AI ve bilgisayar oyunlarında öncü olan Arthur Samuel tarafından 1959'da türetildi. Makine öğrenimini tanımlarken "bilgisayarlara açıkça programlanmadan öğrenme yeteneği veren çalışma alanı" dedi. Samuel, dama oynamak için bir bilgisayar programı tasarladı. Program algoritmaları kullanarak oyunu oynadıkça deneyimlerden tahminler üreterek yeni şeyler öğrendi.
Makine öğrenimi, verilerdeki içgörü oluşturan doğal kalıpları bularak daha iyi kararlar ve tahminler sunar. Tıbbi teşhis, hisse senedi ticareti, elektrik yükü ve daha pek çok konuda kritik kararlar almak için her gün kullanılır. Örneğin web servisleri size şarkı veya film önerileri sunmak için milyonlarca seçeneği gözden geçirirken makine öğrenimini kullanır. Perakendeciler, müşterilerinin satın alım davranışlarını anlamak için bunu kullanır.
Makine öğrenimi, verilerden öğrenebilen ve veriler üzerinde tahminler yapabilen algoritmaların analizini ve oluşturulmasını araştırır.
Makine öğrenimi, sorunları bir insan zihni tarafından kopyalanamayacak hızda ve ölçekte çözebildiği için değerlidir. Bir görevin ardındaki muazzam miktarda veriyi hesaplama olanağıyla makineler girdideki verilerin kalıplarını ve ilişkileri belirlemede ve rutin işlemleri otomatikleştirmede insandan üstünler.
Makine öğrenimi ile hedef yapay zekadır. Makine öğrenimi, süreçleri otomatikleştiren ve veri tabanlı sorunları kendi kendine çözen yapay zeka sistemleri oluşturuyor. Bugün görülen yaygın makine öğrenimi uygulamaları arasında sohbet robotları, sürücüsüz arabalar ve konuşma tanıma var.
Makine Öğrenimi Nasıl ve Kimler Tarafından Keşfedildi?
1642 – Blaise Pascal toplama, çıkarma, çarpma ve bölme yapabilen mekanik bir makine icat etti.
1679 – Gottfried Wilhelm Leibniz ikili kod sistemini tasarladı.
1834 – Charles Babbage, delikli kartlarla programlanabilen, çok amaçlı genel bir cihaz fikrini tasarladı.
1842 – Ada Lovelace, Charles Babbage'ın teorik delikli kart makinesini kullanarak matematiksel problemleri çözen işlemler tanımlar ve ilk programcı olur.
1847 – George Boole, tüm değerlerin true veya false ikili değerlerine indirgenebileceği bir cebir biçimi olan Boole mantığını yarattı.
1936 – İngiliz mantıkçı ve kriptanalist Alan Turing, talimatları deşifre edip uygulayabilen evrensel bir makine fikrini sundu. Yayını bilgisayar biliminin temeli kabul edilir.
1952 – Arthur Samuel, bir IBM bilgisayarının oynadıkça damada daha iyi hale gelen bir program yarattı.
1959 – MADALINE, gerçek dünyadaki bir soruna uygulanan ilk yapay sinir ağı oldu: Telefon hatlarından yankıların kaldırılması.
1985 – Terry Sejnowski ve Charles Rosenberg'in yapay sinir ağı, bir haftada 20.000 sözcüğün nasıl doğru telaffuz edileceğini kendi kendine öğrendi.
1997 – IBM'in Deep Blue'su satranç ustası Garry Kasparov'u yendi.
1999 – Bir CAD prototipi olan akıllı iş istasyonu, 22.000 mamogramı inceledi ve kanseri radyologlardan %52 daha doğru tespit etti.
2006 – Bilgisayar bilimcisi Geoffrey Hinton, sinir ağı araştırmasını tanımlamak için derin öğrenme terimini icat etti.
2012 – Google tarafından oluşturulan bir denetimsiz sinir ağı, YouTube videolarındaki kedileri %74,8 doğrulukla tanımayı öğrendi.
2014 – Bir sohbet robotu, insan yargıçların %33'ünü kendisinin Eugene Goostman adlı Ukraynalı bir genç olduğuna ikna ederek Turing Testi'ni geçti.
2014 – Google'ın AlphaGo'su, dünyanın en zor masa oyunu olan Go'da insan şampiyonu yendi.
2016 – DeepMind'ın yapay zeka sistemi LipNet bir videoda dudaktan okunan sözcükleri %93 doğrulukla tespit etti.
2019 – Amazon, ABD'deki sanal asistanlarda pazar payının %70'ine ulaştı.
Makine Öğreniminin Faydaları
Makine öğrenimi bilim kurgu değildir. Yeniliği ilerletmek ve süreçlerin verimliliğini artırmak için tüm sektörlerden işletmeler onu yaygın olarak kullanıyor. 2021'de şirketlerin %41'i pandeminin sonucu olarak yapay zeka kullanımını hızlandırdı. Dünyada şirketlerin %31'i halihazırda yapay zekayı kullanıyor.
- Veri güvenliği: Makine öğrenimi veri güvenliği açıklarını önceden belirler. Geçmiş deneyimlere bakarak gelecekteki yüksek riskli etkinlikleri tahmin eder.
- Finans: Bankalar, ticaret aracı kurumları ve finans-teknoloji firmaları ticareti otomatikleştirmek ve yatırımcılara finansal danışmanlık hizmeti sağlamak için makine öğrenimi algoritmalarını kullanır.
- Sağlık hizmetleri: Makine öğrenimi tedavilerin keşfedilmesini hızlandırmak, hastalıkları iyileştirmek ve insan hatasını önlemek için sağlık hizmeti verilerini analiz ederek rutin süreçleri otomatikleştirir. Örneğin, IBM'in Watson ürünü veri madenciliğini kullanıyor ve doktorlara hastaya özel tedavi çözümleri sunuyor.
- Dolandırıcılık tespiti: Yapay zeka, finans ve bankacılık sektöründeki dolandırıcılıkları hızla ortaya çıkarmak için işlemleri gerçek zamanlı analiz eder. Sistem dolandırıcılık soruşturma süresini ve tespit doğruluğunu büyük oranda iyileştirir.
- Perakende: AI araştırmacıları ve geliştiricileri, alıcıların geçmiş tercihlerine ve tarihsel, coğrafi ve demografik verilerine göre ürün önerileri sunan AI motorları geliştirirken makine öğrenimi algoritmalarını kullanır.
Makine Öğrenimi Hatasız Değil
Makine öğreniminin sınırları var. İnsan zekasının makinelere aktarımını otomatikleştirmede yararlı olsa da veri ile ilgili sorunlarda henüz kusursuz bir çözüm değil. Makine öğreniminin eksikliklerini merak edebilirsiniz.
Öncelikle makine öğrenimi bilgiye dayalı değildir. Popüler inanışın aksine, makine öğrenimi insan düzeyinde zekaya ulaşamaz. Makineler, insan bilgisi tarafından değil, veriler tarafından yönlendiriliyor. Sonuç olarak, "zeka", onu eğitirken sunduğumuz veri hacmi ile sınırlı.
- Makine öğrenimi eğitilmesi zordur. Veri bilimcilerinin %81'i yapay zekayı verilerle eğitmenin beklenenden zor olduğunu belirtiyor. Makineleri eğitmek zaman ve kaynak gerektirir. Veri modelleri oluşturmak için çok büyük veri kümelerine ihtiyaç vardır ve veri kümelerini önceden elle etiketlemek ve kategorilere ayırmak gerekir. Bu süreç makine öğrenimde gecikme ve darboğaz oluşturur.
- Makine öğrenimi veri sorunlarına eğilimlidir. Şirketlerin hemen hepsi veri kalitesi, veri etiketleme ve model güveni oluşturmada sorunlar yaşıyor. Eğitimle ilgili bu sorunlar, makine öğrenimi projelerinin çoğunun iptalinin önemli bir nedenidir. Makine öğreniminde başarı bu nedenle oldukça zor.
- Makine öğrenimi önyargılıdır. Makine öğrenimi sistemleri bir kara kutu içinde çalışmasıyla bilinir, yani makinenin nasıl öğrendiğini ve karar verdiğini hiçbir şekilde göremezsiniz. Bu nedenle, bir önyargıya rastlarsanız buna neyin neden olduğunu belirlemenin yolu yoktur. Tek yol algoritmayı ek verilerle yeniden eğitmektir.
Makine Öğreniminin Geleceği: Karma Yapay Zeka
Tüm eksikliklerine rağmen, makine öğrenimi, yapay zekanın başarısı için hala kritik öneme sahip. Ancak bu başarı, makineler denetimsiz öğrendiğinde ortaya çıkan "kara kutu" sorunu gibi, zayıflıklara karşı koyan başka bir AI yaklaşımına bağlı olacak. Bu yaklaşım, sembolik AI veya veri işlemeye yönelik kural tabanlı bir metodolojidir. Sembolik bir yaklaşım, kavramları ve anlamsal ilişkileri tanımlamada açık bir kutu olan bilgi grafiğini (knowledge graph) kullanır.
Makine öğrenimi ve sembolik yapay zeka, yapay zekanın yalnızca verileri değil dili anladığı hibrit yapay zekayı oluşturuyor. Neyin ve neden öğrenildiğine ilişkin daha fazla içgörü sunan bu yaklaşım veri kullanımını yeni boyutlara taşıyor.