Derin öğrenme, bir bilgisayarı konuşma tanıma, görüntü tanımlama ve tahmin yapma gibi insan benzeri görevleri gerçekleştirmesi için eğiten makine öğrenmesi bir alt kümesidir.
Derin Öğrenme Nedir?
Derin öğrenme, üç veya daha fazla katmanlı bir sinir ağına sahip olan yapay zekâ teknolojisidir. Bu nöral ağlar, insan beyninin davranışını simüle etmeye çalışır. Büyük miktarda veriden öğrenme gerçekleştirir. Tek katmanlı bir sinir ağı da yaklaşık tahminler yapabilir ancak ek gizli katmanların varlığı tahminlerin daha doğru olması için iyileştirme sağlayabilir.
Derin öğrenme; otomasyonu iyileştiren, analitik ve fiziksel görevleri insan müdahalesi olmadan gerçekleştiren birçok yapay zekâ (AI) uygulamasını ve hizmetini yönlendirir. Derin öğrenme teknolojisi, günlük ürün ve hizmetlerin (dijital asistanlar, sesle etkinleştirilen TV uzaktan kumandaları ve kredi kartı dolandırıcılığı tespiti gibi) yanı sıra yeni teknolojileri de desteklemektedir.
Derin Öğrenme vs. Makine Öğrenmesi
Derin öğrenme, makine öğreniminin bir alt kümesidir. Her ikisi de geniş yapay zekâ kategorisine girse de insana en çok benzeyen teknoloji derin öğrenmedir. Aslında ikisi de benzer şekilde çalışır ancak yetenekleri farklıdır.
Makine öğrenmesi modelleri, yeni verileri aldıkça belirli işlevlerini yerine getirmede giderek daha iyi hale gelir. Ancak, makine öğrenmesi algoritması yanlış bir tahmin verirse bir mühendisin devreye girmesi ve ayarlamalar yapması gerekir. Derin öğrenme modeli ise kendi sinir ağına sahiptir. Hiçbir insan yardımına gerek duymadan bir tahminin doğru olup olmadığını belirleyebilir. Makine öğrenimi algoritmaları kullanarak verileri ayrıştırarak öğrenir, öğrendiklerine dayanarak karar verme yeteneğini geliştirir. Derin öğrenme, öğrenebilen ve kendi başına akıllı kararlar verebilen bir “yapay sinir ağı” oluşturmak için algoritmaları yapılandırır.
Nasıl Çalışır?
Derin öğrenme sinir ağları veya yapay sinir ağları veri girişleri aracılığıyla insan beynini ve biyolojik sinir ağlarını taklit eder. Veriler sayesinde nesneleri doğru bir şekilde anlamak, sınıflandırmak ve tanımlamak için çalışır.
1. Biyolojik Sinir Ağları
Biyolojik sinir ağları çok sayıda nörondan oluşur. Tipik bir nöron, bir hücre gövdesi, dendritler ve bir aksondan oluşur. Dendritler, hücre gövdesinden çıkan ince yapılardır. Akson ise hücre gövdesinden çıkan hücresel bir uzantıdır. Çoğu nöron, sinyalleri dendritler aracılığıyla alır ve sinyalleri akson boyunca iletir.
Sinapsların (bağlantı noktaları) çoğunda, sinyaller bir nöronun aksonundan diğerinin dendritine geçer. Tüm nöronlar, zarlarındaki voltaj gradyanlarının korunması nedeniyle elektriksel olarak uyarılabilir. Voltaj kısa bir aralıkta yeterince büyük bir miktarda değişirse, nöron aksiyon potansiyeli adı verilen elektrokimyasal bir darbe üretir. Bu potansiyel akson boyunca hızla hareket eder ve sinaptik bağlantıları aktive eder.
2. Yapay Sinir Ağları
Bir sinir ağı genellikle birbirine bağlı birimlerin veya düğümlerin bir koleksiyonundan oluşur. Bu düğümlere nöron denir. Bu yapay nöronlar, beynimizin biyolojik nöronlarını modeller ve taklit eder.
İki yapay nöron arasındaki herhangi bir bağlantı, biyolojik bir beyindeki akson olarak kabul edilebilir. Nöronlar arasındaki bağlantılar sayısal değerler olan sözde ağırlıklar tarafından gerçekleştirilir. Bir yapay sinir ağı öğrenme gerçekleştirdiğinde bağlantının gücü gibi nöronlar arasındaki ağırlıklar da değişir. Ağırlık seti, her görev ve her veri seti için farklılık gösterir. Bu ağırlıkların değerlerini önceden tahmin edemeyiz, ancak sinir ağının bunları öğrenmesi gerekir. Öğrenme süreci, eğitim dediğimiz şeydir.
Derin sinir ağları, tahmin veya sınıflandırmayı iyileştirmek ve optimize etmek için her biri bir önceki katmanın üzerine inşa edilen, birbirine bağlı birden çok düğüm katmanından oluşur. Hesaplamaların ağ üzerinden ilerlemesine ileri yayılım denir. Derin bir sinir ağının giriş ve çıkış katmanlarına görünür katmanlar denir. Girdi katmanı, öğrenme modelinin verileri işlemek için aldığı yerdir ve çıktı katmanı, son tahminin veya sınıflandırmanın yapıldığı yerdir.
Geri yayılım olarak adlandırılan başka bir süreç, tahminlerdeki hataları hesaplamak için gradyan iniş gibi algoritmalar kullanır ve ardından modeli eğitmek amacıyla katmanlar arasında geriye doğru hareket ederek işlevin ağırlıklarını ve yanlılıklarını ayarlar. İleri yayılım ve geri yayılım, bir sinir ağının tahminler yapmasına ve tahminlere göre herhangi bir hatayı düzeltmesine olanak tanır. Algoritma Zamanla giderek daha doğru hale gelir.
Kullanım Alanları
Gerçek dünyadaki derin öğrenme uygulamaları günlük hayatımızın bir parçasıdır ancak ürün ve hizmetlere o kadar iyi entegre edilmiştir ki kullanıcılar arka planda gerçekleşen karmaşık veri işlemenin farkında olmazlar. Bu örneklerden bazıları aşağıdakileri içerir:
Hukuk
Algoritmalar, olası dolandırıcılık veya suç faaliyetini gösteren tehlikeli kalıpları belirlemek için işlemsel verileri analiz edebilir ve bunlardan öğrenebilir. Konuşma tanıma, bilgisayar görüşü ve diğer öğrenme uygulamaları, kolluk kuvvetlerinin büyük miktarda veriyi daha hızlı ve daha doğru bir şekilde analiz etmesine yardımcı olan ses, video kayıtları, görüntüler ve belgelerden kalıplar, kanıtlar çıkararak soruşturma analizinin verimliliğini artırabilir.
Finans
Finans kurumları, algoritmaya dayalı hisse senedi ticaretini yönlendirmek, kredi onayları için iş risklerini değerlendirmek, dolandırıcılığı tespit etmek ve müşteriler için kredi ve yatırım portföylerini yönetmeye yardımcı olmak için düzenli olarak algoritmalar kullanır.
Müşteri Hizmetleri
Birçok kuruluş algoritmaları müşteri hizmetleri süreçlerine dâhil eder. Çeşitli uygulamalarda, hizmetlerde ve müşteri hizmetleri portallarında kullanılan sohbet robotları, yapay zekânın basit bir biçimidir. Geleneksel sohbet robotları, genellikle çağrı merkezi benzeri menülerde bulunan doğal dili ve hatta görsel tanımayı kullanır. Chatbot, aldığı yanıtlara göre soruları doğrudan yanıtlamaya veya görüşmeyi bir insana yönlendirmeye çalışır.
Sağlık
Sağlık sektörü, hastane kayıtlarının ve görüntülerinin dijitalleştirilmesinden beri öğrenme algoritmalarından büyük ölçüde yararlanır. Görüntü tanıma uygulamaları, tıbbi görüntüleme uzmanlarının ve radyologların daha fazla görüntüyü daha kısa sürede analiz etmelerine ve değerlendirmelerine yardımcı olur.
Derin Öğrenme Dair Örnekler
Derin öğrenme algoritmaları tarafından desteklenen ve günümüz dünyasında sıklıkla kullanılan uygulamalardan bazıları şunlardır:
Sanal asistanlar
Alexa, Cortana, Siri gibi popüler sanal asistanlar insanların onlarla etkileşim kurarken kullandıkları dili ve terminolojiyi anlamak için algoritmalardan faydalanır. Sonuç olarak, istenen bilgileri sağlamada daha iyi hale gelirler.
Sürücüsüz araçlar
Algoritmalar, yoldaki nesnenin kâğıt mı, çuval mı, başka bir araç mı, ya da bir insan mı olduğunu belirlemeye ve buna göre tepki vermeye yardımcı olur.
Chatbot’lar
Chatbot’lar günümüzde birçok web sitesinde yer alır. Algoritmalarla desteklenen sohbet robotları, giderek artan sayıda soruya giderek daha akıllıca yanıt vermeyi öğrenir. Öğrenmenin gerçekleştiği veri havuzu ne kadar derin olursa öğrenme o kadar etkili olur.
Yüz tanıma
Yüz tanıma, sosyal medyada insanları etiketlemekten kritik güvenlik önlemlerine kadar her konuda önemli bir rol oynuyor. Algoritma saç stilleri, sakallar veya zayıf aydınlatma gibi kozmetik değişikliklere rağmen doğru şekilde çalışır.
Tıp
İnsan genomu yaklaşık üç milyar DNA baz kromozom çiftinden oluşur. Algoritmalar bilim adamlarının ve tıp uzmanlarının kişiselleştirilmiş ilaçlar oluşturmasına, tümörleri teşhis etmesine yardımcı olur ve diğer farmasötik ve tıbbi amaçlar için araştırmalara katılır.
Kazım Emre Akarsu, 2012 yılından beri Bilgisayar Mühendisi olarak çalışmaktadır. 2017 yılında Mesnet Bilişim Teknolojileri şirketini kurmuş ve Mespact Dijital İmza Uygulaması’nı geliştirmiştir.