Yapay zekâ, makine öğrenmesi ve derin öğrenme arasındaki farklar

Yapay zekâ, makine öğrenmesi ve derin öğrenme arasındaki farklar

Hepimiz “yapay zekâ” kavramına aşinayız. Matrix, Terminator, Ex Machine bu konuya odaklanmış popüler filmlerdendir, bununla birlikte son zamanlarda bazen yapay zekâ kavramı ile karıştırılan ve aralarında ince bir çizgi olan “makine öğrenmesi (machine learning)” ve “derin öğrenme (deep learning) kavramlarını da duymaktayız.

Yapay zekâ (AI), makine öğrenmesi (ML) ve derin öğrenmenin (DL) aslında ne oldukları ve ne anlama geldikleri hakkında hızlı bir açıklama yaparak başlayacağım. Daha sonrasında ise nasıl AI ve nesnelerin internetinin (IoT) ayrılmaz bir şekilde iç içe geçtiğini ve AI ve IoT patlamasının temelini oluşturan birkaç teknolojik ilerlemeyi paylaşacağım.

Peki nedir bu AL, ML ve DL arasındaki fark?

1956’da John McCarthy tarafından icat edilen AI makineleri, insan zekasının özelliği olan görevleri yerine getirebilir. Bu yaptığımız tanım oldukça genel bir tanımlama olsa da planlama yapmak, dilleri anlamak, nesneleri ve sesleri tanımlamak, öğrenmek ve problem çözmek gibi şeyleri kapsar.

Yapay zekayı (AI) general AI ve narrow AI olarak iki kategoriye ayırabiliriz. General AI, yukarıda belirtilen kapasiteler dahil, bütün insan zekâsı özelliklerine sahiptir. Narrow AI ise, insan zekasının bazı yönlerini sergiler. Bu yönü son derece iyi olmasına rağmen diğer alanlarda eksiktir. Görüntüleri tanımakta harika fakat bundan başka pek bir şeyi olmayan bir makine, narrow AI örneği olabilir.

Özünde makine öğrenmesi, yapay zekaya ulaşmanın yoludur. Arthur Samuel makine öğrenmesini, yapay zekadan çok uzun bir süre sonra değil, 1959’da “açıkça programlanmamasına rağmen bilgisayara kabiliyet sağlayan çalışma alanı” olarak tanımlamıştır. Görüldüğü üzere, yapay zekâ makine öğrenmesi olmadan da elde edilebilir. Ancak bu karmaşık kurallar ve karar ağaçları ile milyonlarca satırlık kod oluşturmayı gerektirir. 

Belirli bir görevi yerine getirmek için özel talimatlı sabit kod (hard-coding) yazılım rutinleri yerine makine öğrenmesi algoritmaları “eğitmenin” bir yoludur böylece algoritmalar nasıl olduğunu öğrenir. “Eğitim”, algoritmaya büyük miktarda veri akışını ve algoritmanın kendini değiştirmesini ve geliştirmesini kapsar.

Bir örnek vermek gerekirse, makine öğrenmesi, bilgisayarla görüde (makinenin bir görsel ya da videodaki nesneleri tanıyabilme yeteneği) önemli iyileştirmeler yapmak için kullanılmıştır. Bizler yüzbinlerce hatta milyonlarca fotoğraf toplayıp etiketleyebiliriz. Örneğin bizim, içinde kedi olan fotoğrafları etiketleyebilmemize karşı onlar bunu yapamaz. Algoritma, içerisinde kedi olan fotoğrafları etiketleyen bir model inşa etmeye çalışır ve bunu insan gibi yapar. Doğruluk seviyesi yeterince yüksek olduğu zaman makine artık bir kedinin neye benzediğini öğrenmiş olur.

Derin öğrenme, makine öğrenimine yönelik yaklaşımlardan birisidir. Diğerleri; karar ağacı öğrenmesi (decision tree learning), tümevarım mantık programlama (inductive logic programming), kümeleme analizi (cluster analysis), pekiştirmeli öğrenme (reinforcement learning), Bayes ağı (Bayesian network) gibi yaklaşımlardır.

Derin öğrenme, insan beyninin yapısı ve işlevinden yani birçok nöronun birbirine bağlanmasından ilham almıştır. Yapay sinir ağları (artificial neural network) (ANNs) beynin biyolojik yapısını taklit eden algoritmalardır.

ANNs’lerde, diğer “nöronlarla” bağlantılar ve ayrı katmanlara sahip “nöronlar” vardır. Her katman öğrenmek için görüntü tanımada eğriler / kenarlar gibi belirli bir özelliği seçer. Derin öğrenmeye adını veren işte bu katmanlamadır. Derinlik, tek bir katmanın aksine, çoklu katmanlar kullanılarak oluşturulur.

AI ve IoT ayrılmaz bir şekilde iç içe geçmiştir

AI ve IoT arasındaki ilişki daha çok insan beyni ve vücudu arasındaki ilişkiye benzer. Vücudumuz görme, duyma ve dokunma gibi duyusal girdileri toplar. Beynimiz ışığı tanınabilir nesnelere dönüştürmek ve sesleri anlaşılabilir bir konuşmaya çevirmek gibi verileri alır ve anlamlandırır. Daha sonra bir karar verir ve bir nesneyi almak veya konuşmak gibi eylemleri yönetmek için vücuda sinyaller gönderir.

Nesnelerin İnternetini (Internet of Things) oluşturan tüm sensörler vücudumuza benzer, dünyada olup bitenlerin ham verilerini (raw data) sağlar. Yapay zekâ ise aynı beynimiz gibidir, verileri anlamlandırıp hangi işlemin gerçekleştirileceğine karar verir. Ve Iot’nin bağlı olduğu cihazlar bedenimize benzer, fiziksel eylemler gerçekleştirir veya başkalarıyla iletişim kurar.

Birbirlerinin potansiyelini açığa çıkarmak

Hem AI hem de IoT’nin değeri ve vaatleri birbirleri sayesinde gerçekleşir. Makine öğrenmesi ve derin öğrenme, son yıllarda yapay zekâ alanında büyük sıçramalara yol açmıştır. Yukarıda da belirtildiği gibi, makine öğrenmesi ve derin öğrenme, çalışmak için çok büyük miktarda veri gerektirir. Ve bu veriler, nesnelerin internetinde çevrimiçi olmaya devam eden milyarlarca sensör tarafından toplanır. Nesnelerin interneti, yapay zekayı daha iyi yapar. Yapay zekanın iyileştirilmesi, her iki alanın da keskin bir şekilde hızlanacağı erdemli bir döngü yaratarak nesnelerin internetinin benimsenmesini de teşvik edecektir. Çünkü yapay zekâ, nesnelerin internetini kullanışlı hale getirir.

Endüstriyel açıdan, AI makinelerin ne zaman bakıma ihtiyaçları olduğunu tahmin edebilir veya milyonlarca dolar tasarruf sağlayan büyük verimlilik elde etmek için üretim süreçlerini analiz edebilir.

Tüketici tarafında ise, teknolojiye uyum sağlamak zorunda olmaktan ziyade, teknoloji bize uyum sağlayabilir. Tıklamak, yazmak ve aramak yerine, bir makine ihtiyacımız olanı bize verebilir. Hava durumu ya da evi yatma vaktine hazırlamak (termostatı düşürmek, kapıyı kilitlemek, ışıkları kapatmak, vs.) gibi bir eylem için bize yardımcı olabilir.

Yakınsama (Technological convergence) bunu mümkün kıldı

Küçültülen bilgisayar çipleri ve gelişmiş üretim teknikleri, daha ucuz ve daha güçlü sensörler demektir. Pil teknolojisinin hızla iyileştirilmesi, bu sensörlerin bir güç kaynağına bağlanmaya gerek kalmadan yıllarca dayanabileceği anlamına gelir. Akıllı telefonların ortaya çıkmasıyla yönlendirilen kablosuz bağlantı da verilerin ucuz fiyatlarla yüksek hacimde gönderilebileceği ve tüm bu sensörlerin buluta veri göndermesine izin verdiği anlamına gelir.

Ve bulutun doğuşu, bu verilerin neredeyse sınırsız depolanmasına ve onu işlemek için neredeyse sonsuz hesaplama yeteneğine izin vermiştir.

Tabii ki, yapay zekanın toplumumuz ve geleceğimiz üzerindeki etkisi hakkında hala birkaç endişe vardır.

Ancak, kesin olan bir şey var ki hem AI hem de Iot’nin ilerlemesi ve benimsenmesi hızlanmaya devam ettikçe, etkisi de derin olacaktır.

Yazar: Calum McClelland

Kaynak: Medium

Çeviren: Susın Zeynep Yılmazlar

Düzenleyen: Elif Rana Yılmazlar

Leave a comment