Machine Learning Nedir?

Machine Learning yapay zekanın bir alt kümesidir ve bilgisayarların açıkça programlanmak yerine verilerden öğrenmesine ve deneyimle gelişmesine odaklanır. Bu amaçla, makine öğrenmesi algoritmaları büyük veri kümelerinde desenler ve korelasyonlar bulmak için eğitilir ve bu analize dayalı en iyi kararları ve tahminleri yapmak için kullanılır. Makine öğrenmesi uygulamaları, kullanımıyla birlikte gelişir ve daha fazla veriye erişim sağladıkça daha da doğru hale gelir. Makine öğrenmesi uygulamaları, evlerimizde, alışveriş sepetlerimizde, eğlence medyamızda ve sağlık hizmetlerimizde olmak üzere, her yerde karşımıza çıkarlar.

Makine Öğrenmesi Yapay Zeka İle Nasıl İlgilidir?

Makine öğrenmesi ve derin öğrenme ile birlikte nöral ağlar, yapay zekanın alt kümeleri olarak kabul edilir. Yapay zeka, verileri işleyerek kararlar ve tahminler yapar. Makine öğrenmesi algoritmaları, ek programlamaya ihtiyaç duymadan verileri öğrenip daha akıllı hale gelmek için kullanılabilir. Yapay zeka, tüm makine öğrenmesi alt kümelerinin üst öğesidir. İlk alt küme makine öğrenmesi içerir ve içinde derin öğrenme ve nöral ağlar da bulunur.

Nöral Ağ Nedir?

Yapay Sinir Ağları (YSA), biyolojik beyindeki nöronlardan esinlenerek oluşturulur. Yapay nöronlar, düğüm olarak adlandırılır ve paralel katmanlarda bir araya gelerek çalışır. Yapay nöronlar, sayısal sinyalleri işler ve diğer nöronların sinyallerini ileterek nöral güçlendirme, örüntü tanıma, uzmanlık ve genel öğrenme sağlar.

Derin Öğrenme (DeepLearning) Nedir?

Derin öğrenme, nöral ağın birçok katmanını ve büyük hacimli karmaşık verileri içerdiği için “derin” olarak adlandırılır. Bu yöntem, ağdaki birçok katmanın etkileşimi yoluyla giderek daha yüksek seviyeli çıktılar üretmesini sağlar. Örneğin, doğa görüntülerini işleyen bir derin öğrenme sistemi, Gloriosa daisies’i tanımlamak için ağın ilk katmanında bitkileri tanırken, daha sonraki katmanlarda bir çiçeği, sonra daisiyi ve nihayetinde bir Gloriosa daisy’sini belirleyecektir. Konuşma tanıma, görüntü sınıflandırması ve farmasötik analiz gibi uygulamalar, derin öğrenme yöntemleri ile başarılı bir şekilde gerçekleştirilebilir.

Makine Öğrenmesi Nasıl Çalışır?

Makine öğrenmesi, farklı algoritmik teknikleri kullanarak çeşitli modeller oluşturur. Verilerin özelliği ve amaçlanan sonuca göre, denetlenmiş, denetlenmemiş, yarı denetimli veya takviyeli öğrenme kullanılabilir. Her modelde, veri kümesine ve hedef sonuca bağlı olarak bir veya daha fazla algoritma uygulanır. Makine öğrenme algoritmaları, sınıflandırma, örnek bulma, tahmin yapma ve karar verme gibi amaçlarla tasarlanmıştır. Karmaşık ve öngörülemeyen verilerde, algoritmalar tek başına veya birleştirilerek mümkün olan en iyi doğruluğu sağlamak için kullanılabilir.

Kontrollü Öğrenme Nedir?

Denetlenen öğrenme, dört makine öğrenmesi modelinden ilkidir. Bu algoritmalar, örnekler kullanılarak makine öğrenmesi yaparlar. Denetlenen öğrenme modelleri, çıktıların etiketlendiği “girdi” ve “çıktı” veri çiftlerinden oluşur. Örneğin, makinenin papatya ve pansiyon arasındaki farkı söylemesi istendiğinde, bir ikili giriş veri çifti hem bir daisy görüntüsünü hem de bir pansy görüntüsünü içerir. Belirli bir çift için hedef sonuç daisy seçmek olabilir ve bu doğru sonuç önceden belirlenir.

Sistem, bir algoritma aracılığıyla tüm eğitim verilerini zaman içinde toplar ve göreceli benzerlikleri, farklılıkları ve diğer mantıksal noktaları belirlemeye başlar. Bu sayede, daisy veya pansy sorularının yanıtlarını tek başına tahmin edebilir hale gelir. Bu süreç, bir çocuğa cevap anahtarı olan bir takım problemler vermek, sonra da çalışmalarını göstermelerini ve mantığını açıklamalarını istemekle eşdeğerdir. Günlük hayatta etkileşimde bulunduğumuz uygulamaların çoğunda, örneğin Waze gibi en hızlı rotayı tahmin etmek için öneri motorları ve trafik analizi uygulamalarında, denetlenen öğrenme modelleri kullanılır.

Denetlenmeyen Öğrenme Nedir?

Kontrolsüz öğrenme, makine öğrenmesinin dört modelinden ikincisidir. Bu modelde, bir cevap anahtarı yoktur ve makine, etiketsiz ve yapılandırılmamış verileri kullanarak desenleri ve korelasyonları belirler. İnsanların dünyayı gözlemleme şekline benzer şekilde, gözetimsiz öğrenme de sezgi ve deneyim kullanarak birlikte gruplama yapar. Makineler için ise “deneyim” kavramı, veri miktarına bağlıdır. Yüz tanıma, gen dizileri analizi, pazar araştırmaları ve siber güvenlik gibi uygulamalar, denetlenmemiş öğrenmenin sık kullanılan örnekleridir.

Yarı Denetimli Öğrenme Nedir?

Yarı denetimli öğrenme, dört makine öğrenmesi modelinin üçüncüsüdür. Mükemmel bir dünyada, veriler önceden yapılandırılır ve etiketlenir. Ancak bu her zaman mümkün değildir ve bu nedenle yarı denetimli öğrenme büyük miktarda ham ve yapılandırılmamış verilerle çalışabilen bir çözüm olarak ortaya çıkar. Bu model, az miktarda etiketlenmiş veri kullanarak etiketlenmemiş veri kümelerini arttırır. Esasen, etiketlenen veriler, sisteme sürekli bir başlangıç noktası sağlar ve öğrenme hızını ve doğruluğunu önemli ölçüde artırabilir. Yarı denetimli öğrenme algoritması, makinenin etiketlenmiş verileri analiz etmesini ve etiketsiz veriler için bağlantı özellikleri uygulamasını gerektirir.

Ancak, bu MIT Press araştırma kağıdında derinlemesine incelendiği gibi, bu modelle ilişkili riskler arasında, sistem tarafından öğrenilen ve çoğaltılan etiketli verilerdeki hatalar yer alır. Başarılı yarı denetimli öğrenme kullanan şirketler, en iyi uygulama protokollerinin uygulanmasını sağlar. Yarı denetimli öğrenme, dil analizi, konuşma tanıma, protein kategorizasyonu gibi karmaşık tıbbi araştırmalar ve üst düzey dolandırıcılık tespiti gibi alanlarda kullanılır.

Güçlendirme Öğrenimi Nedir?

Takviye öğrenme, dördüncü bir makine öğrenme modelidir. Bu öğrenme modelinde kontrol edilen bir çevre içinde bir makine öğrenir. Makine, bir cevap anahtarı yerine izin verilen eylemleri, kuralları ve olası bitiş durumlarını kullanarak öğrenir. Algoritmanın hedefi sabit veya ikili olduğunda, makineler örnek alarak öğrenirler. Ancak, hedefin değişebilir olduğu durumlarda, sistemin tecrübe ve ödülle öğrenmesi gerekir. Güçlendirme öğrenme modellerinde, “ödül” sayısal olarak ifade edilir ve algoritmaya sistemin toplamak istediği bir şey olarak programlanır.

Bu model, birine nasıl satranç oynayacağını öğretmekle benzer. Her potansiyel hamleyi göstermek mümkün değildir. Bunun yerine kurallar açıklanır ve uygulama yoluyla beceriler geliştirilir. Ödüller sadece oyunu kazanmakla kalmaz, aynı zamanda rakibin parçalarını da almak şeklinde gelir. Güçlendirme öğrenimi uygulamaları arasında online reklam alıcıları için otomatik fiyat teklifi, bilgisayar oyunu geliştirme ve yüksek hisse senedi borsası ticareti yer alır.

İşlemde Kurumsal Makine Öğrenmesi

Makine öğrenmesi algoritmaları, desenleri ve korelasyonları tanıyabilen yapay zeka teknolojileridir ve kendi yatırım getirilerini analiz etme konusunda son derece başarılıdır. Bu özellik, makine öğrenmesi teknolojilerine yatırım yapan şirketler için operasyonel etkinliğin hızla değerlendirilmesine olanak sağlar. Aşağıda, kurumsal makine öğrenmesi uygulamalarının büyüyen bazı alanlarından sadece birkaç örnek verilmiştir.

Öneri sistemleri: Forbes dergisinde yayınlanan bir 2020 makalesine göre, ABD’de video akış hizmetlerine abone olan ev sayısı 2009’dan 2017’ye kadar %450 arttı ve %70’e varan oranlarda bir artış gözlemlendi. Tavsiye sistemleri, birçok perakende ve alışveriş platformunda uygulanırken, müzik ve video akışı hizmetleri ile özellikle yoğun bir şekilde kullanılmaktadır.

Dinamik pazarlama: Duyum oluşturma ve bunları satış hunisi aracılığıyla kullanma, müşteri verilerini toplama ve analiz etme gerektirir. Modern tüketiciler, sohbet transkriptleri ve resim yüklemeleri gibi birçok farklı ve yapılandırılmamış veri üretirler. Makine öğrenmesi uygulamalarının kullanımı, pazarlamacıların bu verileri anlamasına ve müşteriler ve potansiyel müşterilerle kişiselleştirilmiş pazarlama içerikleri aracılığıyla gerçek zamanlı etkileşim kurmasına yardımcı olur.

ERP ve süreç otomasyonu: ERP veri tabanları, geniş ve farklı veri kümelerini içeren tedarik zinciri yönetimi kayıtları, satış performansı istatistikleri, tüketici incelemeleri ve pazar trendi raporları gibi bilgileri içerir. Makine öğrenmesi algoritmaları, bu verilerdeki korelasyonları ve desenleri bulmak için kullanılabilir. Bu analizler, ağ içindeki Nesnelerin İnterneti (IoT) cihazlarının iş akışlarını optimize etmek, işletmenin her alanını hemen hemen bilgilendirmek için kullanılabilir.

Tahmine dayalı bakım: Modern tedarik zincirleri ve akıllı fabrikalar, IoT cihazlarının ve makinelerinin yanı sıra tüm filoları ve operasyonları arasında bulut bağlantısından giderek daha fazla faydalanmaktadır. Kırılma ve verimsizlikler muazzam maliyetlere ve aksamalara neden olabilir. Bakım ve onarım verileri manüel olarak toplandığında, olası sorunları tahmin etmek neredeyse imkansızdır. Bu sorunları tahmin etmek ve önlemek için süreçleri otomatikleştirmek mümkündür. IoT ağ geçidi sensörleri, on yıllardır kullanılan analog makineler için takılabilir ve işletme genelinde görünürlük ve verimlilik sağlayabilir.

Nesnelerin İnterneti “IoT” yazımıza buradan ulaşabilirsiniz.

Makine Öğrenmesi Zorlukları

Harvard mezunu ve veri bilimci olan Tyler Vigen, “Spurious CorRelationship” adlı kitabında “Tüm korelasyonlar altta yatan nedensel bağlantının göstergesidir” ifadesini kullanarak, Maine eyaletindeki boşanma oranı ile margarin tüketimi arasında güçlü bir korelasyon olduğunu gösteren bir grafik örneği sunar. Ancak, bu örnek mizahi bir amaçla kullanılmıştır. Asıl konu ise, makine öğrenmesi uygulamalarının hem insan hem de algoritmik hatalara ve önyargılara karşı savunmasız olduğudur. Öğrenme ve adapte olma eğilimleri nedeniyle hatalar ve ani korelasyonlar sinir ağı boyunca hızlıca yayılabilir ve sonuçları etkileyebilir.

Ayrıca, makine öğrenmesi modellerinin algoritma ve çıkışlarının insanlar tarafından anlaşılamayacak kadar karmaşık olması da bir zorluk yaratır. Bu duruma “kara kutu” modeli denir ve bir algoritmanın belirli bir sonuca veya karara nasıl ve neden vardığını açıklamak mümkün olmayabilir. Bu durum, şirketleri risk altında bırakır.

Neyse ki, veri kümelerinin karmaşıklığı ve makine öğrenmesi algoritmalarının artmasıyla birlikte, riski yönetmek için mevcut araçlar ve kaynaklar da artmaktadır. En iyi şirketler, hata ve önyargıyı ortadan kaldırmak için sağlam ve güncel yapay zeka yönetim yönergeleri ve en iyi uygulama protokolleri oluşturarak çalışmaktadır.

Yapay zeka hakkında daha fazla bilgi için yazımıza göz atabilirsiniz.