Bir Veri Uzmanına Sorun: Yapay Öğrenme Nedir?

Çevirmen Fatih Birinci Editör Şule Ölez Yapay öğrenme teriminin popüler hale geldiği günümüzde bu terimin sıklıkla robotların dünyayı ele geçirmesine

denk görülmesi beni şaşırtıyor.

Sinir ağları ve derin öğrenme gibi ifadeler hayal gücümüzü kışkırtıyor ancak biz yeni ortaya çıkan teknoloji söz konusu olduğunda konuyu hemen robotların dünyayı ele geçirmesine getiriyoruz.

Bu da yapay öğrenmenin gerçekten ne kadar güçlü ve güzel olduğunu görmemizi engelliyor.

Bununla birlikte endüstriyi ileri götüren, çığır açan yeni gelişmeleri kaçırmış oluyoruz.

Aklımda bunlar dolaşırken yapay öğrenme ifadesini bize açıklaması için ekibimizin veri uzmanı Hilary Greenlehrman ile oturuyorum.

Ona Wikipedia'nın bile tam olarak cevaplamakta başarısız olduğu sorular soruyorum.

Yapay öğrenme nedir?

Bunu kim öğrenmelidir?

Westworld'u en yakın ne zaman ziyaret edebilirim?

Westworld, gelişmiş yapay zekaya sahip insanımsız robotlarla ilgili bir TV dizisi ve bu dizide yer alan yapay dünya.

Yapay öğrenme nedir?

Hilary şöyle cevaplıyor.

Yapay öğrenme, hali hazırda var olan veriyi kullanarak tahminlerde bulunmamızı sağlar.

Bu tanım gerçekten şık görünüyor.

Fakat çoğu zaman tahmin denilen şey sadece bir etikettir.

Yapay öğrenme, örüntünün tanınması ve veriden öğrenebilen, öğrendikleriyle tahminlerde bulunabilen algoritmaların uygulanmasıyla evrimleşmiştir ve hesaplamalı istatistikle yakından ilişkilidir.

Wikipedia'ya teşekkürler.

Biz insanların kullandığı terimlerle ifade edersek, bir bilgisayara bir şey öğrettiğimiz zaman ona yavru köpek ve çörek fotoğraflarını sürekli gösterir, bu fotoğraflar için bu bir yavru köpektir ve bu ise çörektir deriz.

Bilgisayarda hesaplamalı istatistik yöntemlerini kullanarak bu şeyin köpek cinsinden, diğer şeyin ise hamur işi olduğunu tespit etmeye başlar.

Yazımızda konuyla ilgili olarak Şikago'daki Loyola Üniversitesi profesörlerinden fiziki ve bilim iletişimcisi Robert Magnus'tan bir tweet bulabilirsiniz.

Paylaştığı tweetinde ise şöyle yazıyor.

Makine köpekleri köpek olarak tanıma eğiliminde.

Buna karşın bir çöreği köpek olarak diğerini ise kobay faresi olarak tanımlıyor.

Ve yazının hemen altında ise çalışmayla ilgili sonuçları içeren bir görsel paylaşıyor.

Bunun anlamı bilgisayarınıza çok fazla sayıda veri seti verirseniz bir süre sonra sizin için tahminlerde bulunmaya başlayacak olmasıdır.

Örneğin biz bilgisayarları, harfleri ve rakamları doğru bir şekilde tahmin etmek üzere eğittik.

Bu eğitim posta servisinin de kullanmış olduğu el yazısı tanıma tekniğiyle aynı temel mantığa sahiptir.

Bu mantık aynı zamanda bir kadının hamile olduğunu tahmin etmeyi sağlayan target testinde ya da sürücüsüz arabaların geliştirilmesinde de kullanılır.

Otomasyonda zorluk çıkaran şey bilgisayarın el yazısındaki sonsuz çeşitliliği tanımasını sağlamaktır.

Bu gelişimler bize geleceğe ulaştığımızı hissettirse de yapay öğrenmenin aslında sadece güçlü bir matematik ve tahmin olduğunu unutmamalıyız.

Vishal Maini şöyle diyor.

Bir makinenin öğrenme algoritması onun gözlenen verideki örüntüleri tespit etmesini, o dünyayı açıklayan modeller oluşturmasını ve önceden açıkça programlanmış kurallar ve modellere sahip olmadan tahminlerde bulunmasını

sağlar. İşte bu nedenden dolayı yapay öğrenme algoritmalarında farklı ekiplerin çalışıyor olması kritik öneme sahiptir.

Bilgisayarı gerçek dünyada çalışabilmesi için çok çeşitli özellikler ve olasılıklar ile beslemek zorundasınız.

Örneğin siz yüz tanıma algoritması için bilgisayara sadece beyaz ırk görüntülerini verirseniz bilgisayar diğer renkten olan yüzler konusunda eğitilmemiş olacaktır.

Bu hem kötü bir formül olur hem insanlar için hem de Google örneğinde gördüğümüz gibi halkla ilişkiler açısından kötüdür.

Yapay öğrenme ile ilgili popüler bir yanlış anlayış nedir?

Tahminin bir gücü vardır.

Yapay öğrenmenin ne yapabileceğini fark eden biri anında kristal küreğe şu soruları sormak ister.

Bir sonraki en iyi programlama dili ne olacak?

Bir sonraki seçimi kim kazanacak?

Bu yeni ürünü piyasaya çıkarmamızın bize getirisini tam olarak tahmin edebilir misin?

Ancak veri uzmanımızı bu sorularla meşgul etmenin size bir faydası olmayacaktır.

Hillary şunları söylüyor.

Popüler bir yanlış anlayış insanların ellerinde yeterli veri olmadığı halde ölü olduğunu düşünmeleridir.

İnsanlar yapay öğrenme ifadesiyle mevcut veriye dayanan çok geniş çaptaki tahminleri kastederler.

Oysa böyle bir şey olabilmesi için çok fazla sayıda etiketlenmiş veriye sahip olmalısınız.

Eğer hangi ürünü hangi tüketiciye önereceğinizi tahmin etmek istiyorsanız veriye ihtiyacınız vardır.

Henüz piyasada olmayan bir ürüne bunu yapamazsınız.

Çok geniş çaplı bir veri setine ihtiyacınız olur.

Her bir ürünü satın alan her bir insan tipi için en azından 1000 örnek kadar.

Eğer analiz etmek istediğiniz daha fazla özellikler de varsa bu sayı üstel olarak artar.

Burada özellik olarak kastettiğimiz şey tüketicinin yaşı ya da daha önce tıkladıkları adresler gibi şeylerdir.

Yapay öğrenmeyi işiniz için kullanmak her zaman kolaylıkla erişemeyeceğiniz kadar büyük veri setleri gerektirir.

Hatta bu tür veri setlerine ulaşsanız bile bu veri makinenin okuyabileceği bir formatta olmak zorundadır.

Hillary sözlerine şöyle devam ediyor.

İnsanlar yapay öğrenmenin büyük oranda bir algoritmada çalıştırmak üzere veriyi bir formata sokmak demek olduğunu çoğunlukla fark etmezler.

Algoritmalar genelde önceden hazırlanmış olarak mevcuttur.

Birçok durumda veriniz için en iyi doğrusal regresyon yöntemini seçmeye ihtiyacınız vardır.

Ancak programlamanın karmaşık süreçlerini bilmek zorunda olmazsınız.

Verinizi öyle bir formata sokmalısınız ki her satır sizin için ulaşmak istediğiniz bir veri noktası olmalıdır.

Örneğin eğer algoritmanızın X müşterisini inceleyip neleri satın alıp neleri satın almadığını ortaya çıkarmak istiyorsanız, satın aldı ve satın almadığı için değer atamalısınız.

Bu da bir sürü veri temizleme anlamına gelir.

Hillary şöyle diyor. Esas olarak sahip olduğunuz farklı bilgi parçalarını alıp bunları bir algoritmada çalışabilecek şekilde birbirine birleştirme gibi bir yan iş yapmalısınız.

Popüler kültürde yapay öğrenme ile ilgili en güvenilir referans nedir?

Biliyoruz ki bir bilgisayar verileri analiz edebilmek için veri temizlemenin yanı sıra belirli özelliklere değer atanmasına ihtiyaç duyar.

Bu süreç tam olarak anlaşıldığında robot bilinciyle ilgili her türlü korku ortadan kalkmaya başlar ve Hollywood'un yol açtığı moda bakış açısının ötesini görebilmeye başlarsınız.

Doğal olarak Hillary ile bundan bahsettik.

Westworld ile ilgili en büyük sorun yani benim bu artık inandırıcı olmaktan çıktı diye düşündüğüm nokta Dolores ile konuştukları bir sahneydi.

Bu sahnede Dolores konuşuyordu ve adam ona diyordu ki dur bir dakika bana bunu neden söyledin?

Dolores bu soruyu cevaplandırabiliyordu.

Günümüzdeki en gelişmiş karmaşık mekanizma sinir ağları ve derin öğrenmidir.

Sistem içinde karşılaştığımız en büyük zorluk, sinir ağları ifadesini kullanmamıza karşın düşünme şeklinin insanın düşünme şeklinden çok farklı olmasıdır.

Dolores'in vermesi gereken cevap, 7 gibi bir şey, yani bir sonuca atanmış bir değer olmalıydı.

Bununla birlikte sinir ağları gibi bir ibarenin neden bu kadar gündeme geldiğini anlamak kolaydır.

Bu ifade duyulduğunda anlaşılan şeyi karşılamaktadır.

Sinir ağı, sinirlerin çalışma şeklini taklit etmek üzere oluşturulan küçük yapay öğrenme algoritmaları.

Yani küçük lojistik rekreasyonlar setidir.

Daha sonra bu modeller bir görevi, genelde görüntü tanıma gibi karmaşık bir şeyi yerine getirebilmek için eğitilirler.

Çok yüksek bir bilgi işleme gücü gerektirirler.

Ancak çok etkilidirler.

Burada sanat olarak değerlendirilebilecek şey hangi eğitim setinin daha kullanışlı ve hangi nöron konfigürasyonunun daha uygun olduğuna karar vermektir.

Peki şu sıralar yapay öğrenme neden bu kadar popüler?

Sinir ağları, derin öğrenme gibi kavramların hepsi yapay öğrenmeye gider.

Yapay öğrenme de günümüzde bir zamanlar yetişkin boyama kitaplarının sahip olduğu popülariteye sahip gibi görünüyor.

Google eğilim verisine bakarak yapay öğrenme kavramının popülerliğin zirvesinde olduğunu görebilirsiniz.

Bununla ilgili olarak yapay öğrenme eğilimleri ve yetişkin boyama kitabı eğilimleriyle ilgili grafikleri yazımızda bulabilirsiniz.

Grafiklerden de anlaşılacağı üzere hitişkin boyama kitabı eğilimleri zaman içindeki ilgisini neredeyse kaybetmesine rağmen yapay öğrenme eğilimleri zaman içerisindeki ilgisini yükseltmeye devam etmektedir.

Peki neden şimdi?

Yapay öğrenmeye atıfta bulunan 2001 bir uzay destanı ya da Ex Machina gibi bilim kurgu filmleri her zaman mevcuttu.

Bu kavramın popüleritesindeki yüksek çıkışın nedeni nedir?

Peki bu sadece geçici bir heves mi yoksa geleceğe damgasını vuracak bir şey midir?

Bunun cevabı basitçe yapay öğrenmeyi şimdi gerçekleştirebiliyor olmamızdır.

Hillary şunları söylüyor.

Gerçekten büyük veri setlerine ihtiyacımız olduğunu söylemiştik.

Eğer her bir internet sitesindeki tüm tıklamaları takip edebilsek bu cidden devasa büyüklükte bir veri seti demek olur.

Bu türden sayım sonuçları da daha önce hiç olmadığı kadar bilgisayarımıza indirilebilir durumda.

Şunu bir düşünün.

Huffington Post gazetesinden Laura D'Ambrosio'ya göre 2016-2017 yıllarında dünyadaki tüm verinin %90'ını ürettik.

Laura'nın sözleriyle devam edelim.

NoSQL veri tabanları popüler oldu.

SQL hızlandı. Apache Spark gibi projeler de büyük ölçekli veri işleme performansı ve hızında harikalar yarattı.

Bir anda elimizde dağ gibi veri birikti.

Bu da bizim için bir sonuca ulaşmamızda faydalı olabilecek hızlı ve ucuz araç demek.

Hillary de şunları ekliyor.

Bir düşünün. Bugün yapay öğrenme için gereken veri satırıyla Excel 5 yıl önce başa çıkamıyordu.

Bugün bizi sınırlayan tek şey hayal gücümüz ve Amazon Web Servisi bütçemiz.

İnsanlar yapay öğrenme becerilerini neden öğrenmeli?

Bu durumda yapay öğrenmeyi öğrenmeli miyiz?

Forbes'a göre, yapay öğrenme mühendisleri, veri uzmanları ve büyük veri mühendisleri LinkedIn'in setesindeki yeni mesleklerde üst sıralarda yer alıyor.

2012'den bu yana veri uzmanlarının rolü %650'den fazla arttı.

Buna karşın günümüzde ABD'de veri bilimi yetenekleri olan 35.000 kişi var ve yüzlerce şirket bu pozisyona eleman arıyor.

Bu bilgi LinkedIn'in ABD'deki Yeni Meslekler 2017 raporuyla da onaylandı.

Yapay öğrenme mühendisliği en hızlı büyüyen meslek olarak listelendi.

Yine aynı şekilde patlama yaratan 20 yeni meslek listesini yazımızda görebilirsiniz.

Listenin başını çeken ilk 5 meslek ise şöyle.

Makine öğrenme mühendisi, veri bilimci, satış geliştirme temsilcisi, müşteri başarı müdürü, büyük veri geliştiricisi.

Eğer bu da yeterli değilse The New York Times'a göre geçtiğimiz 4 yıl boyunca özellikle Google, Facebook, Apple, Amazon, Microsoft ve Çin firması Baidu'dan oluşan 6 firma özellikle üniversitelerden yapay

zeka yeteneklerini kapmak için bir yarış başlattılar.

Bu mecrada 7 haneli maaşlar da duyulmuyor değil.

Bu spesifik alanlarda mühendislere aleni bir ihtiyaç var ve bu ihtiyaç giderek artıyor.

Buna karşın konuyla ilgili manşetlerin kaçırdığı bir noktaya ışık tutmalıyız.

Bir yüz tanıma sistemi inşa etmek ya da bir robotun duyguları tanımasını sağlamak çok ileri seviyede bir matematik gerektirir.

Ancak öğrenmek istediğiniz şey basit kümeleme ya da regresyon yöntemlerine uygulamaya yetecek kadar yapay öğrenme ise bu tamamen farklı bir konudur.

Ben de Hillary'e sordum.

Sana göre ben yapay öğrenme alanında anlamlı sayılabilecek ufak bir şeye yetecek kadar programlama dilini ne zamana kadar öğrenebilirim?

Hillary şöyle yanıtladı.

Bu nasıl çalıştığına bağlı.

Sanırım bunun için üniversitede bilgisayar bilimlerinde bir dönem kadar ders alman ya da 6-8 hafta boyunca her gün buna çalıştığın bir programa katılman gerekiyor.

Eğer Python dilinde kısa bir program yazabilecek durumda değilsen veya if yani eğer ifadeleri ve for yani için döngüleri senin için bir anlam ifade etmiyorsa daha 40 fırın ekmek yemelisin demektir.

Yapay öğrenmeyi öğrenmenin temeli kod yazmaktır.

Birçok yapay öğrenme algoritmasında kullanılan temel dil Python'dır.

Python güçlü bir programlama dilidir.

Yeni başlayanlar için kolaydır ve iyi desteklenen bir dokumentasyonu vardır.

Eğer yapay öğrenmeyi keşfetmek istiyorsanız, kod yazma yeteneğiniz olup olmadığını merak ediyorsanız ya da bir kursa hazırlanıyorsanız, Python kursuna bedava kayıt olabilirsiniz.

Bu, size temel yetenekleri kazandırıp, kod yazmanın büyülü dünyasının kapılarını açacaktır.

Seslendiren Ekin Baran Sunar Bu içerik Evrim Ağacı'nda yayınlanmıştır.

Evrimağacı.org üzerinden daha fazla bilimsel içeriğe ulaşabilirsiniz.