Günümüzde 5 duyumuzla etrafımızdaki birçok şeyi tanımlıyor, yorumluyor ve bu sayede etrafımızda olan bitenden haberdar oluyoruz. Trafikte arabaların renklerini,marka-modelini, yürürken yanımızdan geçen insanları, yerde uzanan kediyi, yanımızdaki çöp konteynerını bile en ince ayrıntısına kadar tanımlayabiliyoruz. Peki gözümüz ve beynimizin ortaklaşa gerçekleştirdiği bu muhteşem tanıma gücünü makinelere aktarabilsek ? Aslında baktığımızda kullandığımız cep telefonlarının kameraları gözümüzün görme işlevini taklit edebiliyor. Fakat hepimizin duyduğu bir söz olan bakmak farklı, görmek farklı sözü burada devreye gidiyor. Şuana kadar alışık olduğumuz kameralar bakıyorlardı fakat göremiyorlardı.
Devir değişti sanki, ne dersiniz ?
Yapay zeka, makinelerin karmaşık problemlere insanlar gibi çözümler üretmesini ve insanların düşünme biçimlerini taklit etmeyi sağlayan bir teknolojidir. Sıfır ve birlerden oluşan kodların sizin gibi düşünmesi, sizin gibi analiz yapıp tıpkı sizin gibi kararlar vermesi… Yani bir nevi göz-beyin örneğindeki beyni taklit eden algoritmalar…
Peki algoritma nedir ? Bu kavram da sık duyacağınız bir kavram. Algoritma bir sorunu çözmek veya belirlenmiş bir amaca ulaşmak için tasarlanan yola, işlem basamaklarına denir. Yani kısaca bir probleme çözüm getirmek amaçlı geliştirilen insansı düşünme algoritmalarına biz yapay zeka diyoruz.
Mesleğimizi elimizden alacak mı ?, insanlığı bitirecek mi ? Şuan hepimiz arkadaş sohbetlerinde bu soruları soruyor, yapay zekayı konuşuyoruz ama tabiki aslında teknolojinin kökleri çok eskiye dayanıyor.
Serüven aslında 1900’lü yılların başlarında ünlü matematikçi Alan Tureng’in “Makineler düşünebilir mi?” sorusuyla başladı. Daha sonra 1950-1970’li yıllara geldiğimizde Neural Networks dediğimiz ve videonun ilerleyen bölümünde bahsedeceğimiz, beyni taklit etme amacına uygun olarak beynin en küçük birimlerinden sinir hücrelerini yani nöronları baz alarak Yapay Sinir Ağları geliştirildi.
1980-2010’li yıllara geldiğimizde verilerin çoğalması ve işleme gücünün artmasıyla Machine Learning kavramı gelişti ve artık günümüzde Deep Learning kavramını oldukça sık duyar olduk. Bu terimlere aşina olmayabilirsiniz fakat ilerleyen kısımlarda kısa kısa hepsinden bahsedeceğim.
Biz şuan Yapay Zekayı çok sık konuşuyoruz evet ama bu buzdağının görünen yüzü, görünmeyen ve oldukça büyük kısmı olan 1900’lü yıllardan beri gelen bilgi birikiminin ürünlerini görüyoruz sadece.
Alan Turing
Yapay Zekada temel olarak bir başlangıç bir de bitiş noktanız vardır ve siz bu başlangıç noktasından bitişe götürecek yani bir nevi bir problemi çözüme ulaştıracak algoritmalar yazarsınız. Tabi bu algoritmayı geliştirebilmeniz için mutlak büyükçe bir Veriye ihtiyacınız var. Nasıl bizler çocukluktan itibaren karşılaştığımız şeylerden öğrenerek büyüyor, gelişiyorsak da bir bebek yapay zekayı da ancak bu şekilde veriyle besleyerek büyüyüp geliştirebilirsiniz. Veriyle beslendiği sürece başlangıçtan sonuca nasıl en iyi şekilde gideceğini anlayabilir.
Günümüz dijital çağında artık akıllı telefonlar, bilgisayarlar, sensörler, akıllı ev aletleri vs. gibi bir çok süreç artık dijital ortamda yapılmakta ve yapılan her süreç veri olarak depolanmakta. Düşünebiliyor musunuz her gün Whatsapp’da 60 milyar mesaj atılıyor ? Sadece Whatsapp için bu veriyi düşünecek olursanız elektronik ortamda ne kadar büyük bir veri havuzunun olduğunu tahmin edebilirsiniz. Günümüz dijital çağı öncesine göre çok daha büyük bir veri havuzu olduğu için biz işte bu verilere artık “Big Data” yani Büyük Veri diyoruz.
Büyük Veri bizim için neden önemli, çünkü geliştirdiğimiz Yapay Zekayı eğitmemiz için veri gerek.
Source : http://retailernowmag.com/why-retailers-are-lining-up-for-big-data/
Bir yapay zeka algoritmasının gelişimi genellikle şu basamaklarla gerçekleşiyor :
- Bilgi Toplama
- Genelleme
- Test Etme
- Sürekli Öğrenme(ML)
Yani bir nevi eğitim,kavrama ve sonrasında test gibi düşünebilirsiniz. Nasıl biz öğrenciliğimizde önce dersleri dinleyip, sonra aklımızda kurallar oluştururak, deneme sınavlarıyla doğruluğunu ölçüp, yanlışlarımızdan yeniden öğreniyorsak bu süreç yapay zeka gelişiminde de oldukça benzer.
Peki Yapay Sinir Ağları nedir ? Aslında anlamı isminde saklı, insan sinir hücrelerinin çalışma sürecinin takli edilip bilgisayar ortamına aktarılması ve algoritma geliştirilmesinde kullanılmasıdır.
Nöron———————————–İşlemci eleman
Dentrit ——————————–Toplama fonksiyonu
Hücre gövdesi————————Transfer fonksiyonu
Aksonlar——————————-Yapan nöron çıkışı
Sinapslar——————————-Ağırlıklar
Kaynak : https://towardsdatascience.com/how-to-build-your-own-neural-network-from-scratch-in-python-68998a08e4f6
Hayatımızda bir çok farklı veri tipi bulunmakta. Cisimleri algılarken beynimizin görsel bölgelerini kullanıyoruz veya konuşmayı anlarken daha farklı bölgeleri kullanıyoruz. Günlük hayatta öğrenme sürecinde bir çok farklı veri ile karşılaşmaktayız örneğin resim, kelimeler, davranış gibi.
Bu nedenle farklı veri tiplerine özelleşmiş mimariler bulabiliriz:
Yapay Sinir Ağları (YSA)
En basit yapı olarak Dense sinir ağlarının örneğini verebiliriz. Bilgileri çok katmanlı olarak işler, veriye göre özelleşmemiştir. Derin Öğrenme’de ilk karşılaşacağınız mimaridir.
Görsel veri için özelleşmiş Evrişimsel sinir ağlarını kullanabiliriz. Resimden filtreler kullanarak öz nitelik çıkarımı sağlar, Dense sinir ağlarına göre daha başarılıdır. Eğitim sürecinde hangi filtre ağırlıklarını kullanması gerektiğini öğrenir.
Bu yazıyı okurken farkettiyseniz sıralı olarak kelimeleri okuyor ve bir anlama ulaşıyorsunuz. Sıralı verileri işlemek için özelleşmiş RNN-LSTM sinir ağlarını kullanmaktayız. Bir cümleyi anlamak için geçmişte okuduğunuz kısımları hatırlamanız veya unutmanız gereklidir, buna benzer olarak tekrarlı sinir ağlarındaki hücreler belli bir süre geçmişteki bilgiyi hatırlama veya unutma yeteneğine sahiptir.
Doğduğumuzda çoğu veriyi etraf ile etkileşerek öğreniyoruz sıcak nesnelere dokunmamayı veya yürümeyi, bisiklet sürmeyi öğrenirken düşüp kalkıyoruz. Bu tip öğrenmeye ise Pekiştirmeli Öğrenme diyoruz. Yapay zeka etraf ile rastgele etkileşir ve bunun sonucunda bir geri dönüş alır ve amacına hangi davranışları sergileyerek ulaşabileceğini anlar örneğin çok acı bir biber yerseniz geri dönüş olarak kötü bildirim alırsınız, şekerli bir şey yersenizde pozitif geri dönüş yapılır ve bir daha biber yemek istemezsiniz. Böylece çevre ile etkileşerek bir öğrenme gerçekleştirebilirsiniz.
Machine Learning veya makine öğrenmesi, belirli bir data setiyle eğitilmesi sonrası oluşturulan bir yapay zeka algoritmasının adeta mezuniyet sonrası eğitim gibi gerçek veriler verilerek öğrenmesinin devamıdır.
Deep Learning büyük veriler arasında insan beynini taklit ederek örüntüler kuran, minimum kuralla başlatılarak örüntüleri o büyük resim içinde keşfeden bir makine öğrenmesi türüdür. Algoritma oluşturma işlemini otomatikleştirir. Verilerin incelenmesinde, nereye bakılacağı veya ne sonuçlandırılacağı daha önceden planlanmamıştır. Verilerdeki gizli bilgilere ulaşarak bu verileri anlamlandırmak için, sinir ağları, istatistikler, operasyon araştırması ve fizik yöntemlerini kullanır.
Image Recognition, computer vision, tıpkı gözlerimizin gördüğü beynimizin yorumladığı görüntüleri anlamlandırması gibi bilgisayarların kameralar yardımıyla gördükleri görüntüleri anlamlandırmasını amaçlayan bir tekniktir. Desen tanıma ve bir resmin veya videonun neyini tanımaya yönelik derin öğrenmeye dayanır. Makineler görüntüleri işleyebilir, analiz edebilir ve anlarken, görüntü veya videoları gerçek zamanlı olarak çekebilir ve çevrelerini yorumlayabilirler.
NLP yani nature language process, hepimizin bildiği Siri, Google Now gibi asistanların da kullandığı insan konuşmasını anlama ve insan gibi konuşmayı sağlayan yapay zeka alanıdır. NLP’nin bir sonraki aşaması, insanlara normal, günlük dili kullanarak görevleri yerine getirmek için bilgisayarlarla iletişim kurmalarını sağlayan doğal dil etkileşimi olacaktır.
Özetle Yapay Zeka gelişen işlemci hızları ve artan dijital veri dünyası sebebiyle atılım gösteren, bu verilerin işlenmesi ve sonucunda oluşturulan algoritmalarında yeni vakaların analizinde insansı kararlar vermeyi amaçlayan yeni bir teknolojidir.
