Makine öğrenimi hakkında bilmeniz gereken her şey [Veri Bilimcisi Röportajı]

Bilim kurgu, dünyayı ele geçiren makinelerin geleceğine dair birçok korku resmi çizdi. Tamamen güçlü makinelerin bu korkunç vizyonları, insanların AI ve Makine öğrenimi hakkında sahip olduğu birçok yanlış anlamadan bazılarıdır.

Bu yazıda, Makine Öğrenimi Uzmanımız Juuso Lassila , Makine öğrenimi hakkında en sık sorulan soruları yanıtlıyor ve makinelerin neden dünyayı ele geçirmeye tam olarak hazır olmadığını anlatıyor.

1. Makine öğrenimi nedir?

Makine öğrenimi, bir makinenin programlanmadan öğrenebileceği anlamına gelir. Makine öğrenimi ve yapay zeka genellikle yanlışlıkla eşanlamlı olarak kullanılır, ancak bunlar aynı şey değildir. Makine öğrenimi aslında yapay zekanın bir alt kümesidir.

“AI oldukça zayıf tanımlanmış bir terimdir. Her anlama gelebilir,” diye açıklıyor Lassila.

Makine öğrenimi ile yapay zeka arasındaki en büyük fark, yapay zekanın her zaman verilere ihtiyaç duymamasıdır. Örneğin, bazıları bir haritada en uygun rotayı bulmanın yapay zeka olduğunu söylüyor. Bu işlem veri tabanlı değil, bir algoritmadır .

Makine öğrenimi ise, öğrenmek için verileri kullanan yapay zekadır. Makine öğreniminin yararı, programcının modelin sorunu nasıl çözdüğünü bilmesine gerek olmamasıdır. Bu, makinenin programcının bilmediği teknikleri kullanabileceği anlamına gelir. Günümüzde makine öğrenimi birçok endüstride önemli bir rol oynamaktadır.

2. Makine Öğrenimi nasıl kullanılır?

Makine öğrenimi, verileri ve içindeki yapıları anlamaya çalışır. Basitçe söylemek gerekirse, internetin sevdiği bir şeyi alalım: kedi ve köpek resimleri! Bu nedenle, rastgele bir sırayla en sevdiğiniz tüylü arkadaşlarınızın yüzlerce resmi varsa, bu resimleri ayırt etmek için Makine öğrenimini kullanabilirsiniz. Makine verileri, örneğin yalnızca kedi resimleriyle sonuçlanacak şekilde düzenleyebilir.

Lassila, "Makine öğrenimi, ona beslediğiniz verilerden değerleri tahmin edecek ve bu verileri anlamlandıracaktır" diyor.

Makine öğrenimini kullanmanın yaygın bir yolu, yukarıdaki kedi ve köpek resimleri ile örneğimizde olduğu gibi verilerin sınıflandırılmasıdır. Bununla birlikte, Makine öğrenimi, AI sohbet robotlarında ve farklı türde tahminler yapmak için de kullanılır. Örneğin, makine öğrenimi, diğer bilgilerin yanı sıra büyüklük, konum, inşa edildiği yıla göre bir evin değerini tahmin etmek için kullanılabilir.

3. Makineler nasıl öğrenir?

Makine öğrenimi genellikle bir modelin hatalarını en aza indirmeye çalışır. İlk olarak, rastgele cevaplarla başlar. Sonra insanlar ona doğru cevapları veriyor, diye açıklıyor Lassila.

Verdiği cevaplarla makinenin ne kadar yanıldığını ölçmenin bir yolu var. Bazı Makine öğrenimi modellerinde, hataları en aza indirmek için farklılaştırma kullanılır.

Farklılaştırma ile hata fonksiyonunun değerini azaltmak için parametrelerin hangi yönde değiştirilmesi gerektiğini hesaplayabilirsiniz.

“O zaman, fonksiyonun değeri düşecek şekilde parametrelerinizi nasıl değiştireceğinizi bilirsiniz. Ardından parametreleri değiştirerek daha küçük bir hataya doğru küçük bir adım atarsınız. Bu şekilde hataları en aza indirirsiniz, ”diyor Lassila.

4. Bir makine hatasız olabilir mi?

Teoride hata olmaması mümkündür ama gerçek dünyada bu gerçekten olmuyor. En iyi durumlarda bile, makine verilerin yalnızca %99,9'unu doğru alabilir.

Lassila, "Sınıflandırma için doğruluğu ölçebiliriz" diyor. Genellikle %90-95 doğruluk oldukça iyi olarak kabul edilir. Hata marjları yeterince düşük olduğunda makine üretime geçmeye hazırdır. Ürünün hayata geçmesi için hata payının ne kadar düşük olması gerektiği, makinenin yapması gereken göreve bağlıdır.

AI sohbet robotları hakkında konuşurken, AI sohbet robotlarının mümkün olduğunca çok sayıda örnek sorusu olabileceğinden, botun ne zaman can sıkıcı olmaktan daha yararlı olacağını söylemek zordur. Makine her zaman mevcut cevaplardan en iyisini seçmek zorundadır. Makinenin ne kadar doğru olduğu, kaç tane örnek soru olduğuna bağlıdır.

“Bir sorunuz varsa, makine her zaman doğrudur. Eğer iki tane varsa, umarım çoğu zaman doğrudur, ancak 100 sorunuz varsa, makinenin yanlış cevabı seçmesi oldukça olasıdır," diye açıklıyor Lassila.

5. Derin öğrenme nedir?

Derin öğrenme , modellerde katmanları kullanan bir Makine öğrenimi yöntemidir. Bir katman bir çıktı üretir ve bu çıktı ikinci katmana aktarılır vb. Derin öğrenme genellikle sinir ağlarında yapılır.

Lassila, "Sinir ağları oldukça kullanışlı çünkü farklı girdi ve çıktı biçimlerine iyi uyum sağlıyorlar" diyor.

Sinir ağları çok yönlüdür ve bu nedenle birçok kullanım durumları vardır. AI sohbet robotları genellikle sinir ağlarını da kullanır.

“Uzayda sadece vektör noktaları olan mesajlardan bu cümle yerleştirmelerini yaratıyoruz. Sonra benzerliklerini ölçüyoruz. Bir sinir ağı kullanır. Çok fazla katmanı var ve sonunda çıktı veriyor,” diye açıklıyor Lassila.

Derin olmayan birçok makine öğrenme yöntemi de vardır. Destek vektör makineleri veya karar ağaçları gibi.

6. Makine öğreniminin darboğazları nelerdir?

Veri, Makine öğreniminde sınırlamalara neden olan şeylerden biridir. Verileriniz yoksa Makine öğrenimi çalışmaz. Ayrıca hesaplama kaynaklarına da ihtiyacınız var. Çoğu zaman modeller de sınırlamalara neden olur.

"Sınıflandırma gibi temel görevler için modeller iyidir. Ve bu durumlarda, sadece veri ve hesaplama kaynakları ile sınırlısınız. Ancak bazı alanlarda modeller henüz o kadar iyi değil,” diyor Lassila.

Bu verileri hesaplamak için kaynaklarınız olduğu sürece, ne kadar çok veri o kadar iyi olur. Ancak, verilerin iyi kalitede olması gerekir. Ayrıca, modelin alabileceği tüm karmaşık girdileri işleyebilmesi için modellerin büyük olması gerekir. Makinenin bu verileri işlemesi için çok fazla işlem gücüne ihtiyacınız var.

“Birçok veriye erişim sağlayabilirsiniz. Sorun bu değil aslında." diyor Lassila. “Mesele modeller ve onları eğitmek için gereken zaman. Bu modelleri saklamak için çok fazla belleğe ihtiyaç var.”

Makine öğreniminin diğer bir dezavantajı, bazı görevler için şu anda mevcut olan model mimarisidir. Şu anda cümle yerleştirmeleri için iyi bir model mimarisi yok.

Lassila, "Gerçekten iyi bir model bulmak için hala devam eden araştırmalar var" diyor.

7. Bir makineyi nasıl öğretirsiniz?

Öncelikle, çok fazla veriye ihtiyacınız var ve modelleri eğitmek için kullandığınız veriler insan etiketlerine ihtiyaç duyuyor.

Lassila, "Makine öğrenimini kullanan büyük şirketlerin, yalnızca verileri etiketleyen insan orduları var" diye açıklıyor.

Bot zamanla verileri etiketlemeye başlasa bile, modelin size verdiği cevapları eğitim verisi olarak kullanmak istemezsiniz. Modeller insanlardan daha fazla hata yapar. Makine etiketlemesini eğitim verisi olarak kullanırsanız, bu hataları modellere tekrar öğretirsiniz.

“Bu, hataların daha da büyümesine neden olacak. “

Modellerin ne tür veri noktalarının etiketlenmesinin yararlı olacağını söyleyebileceği aktif öğrenmeyi kullanmak da mümkündür. Bu, öğrenmeyi daha verimli hale getirebilir. “Makine etiketleme sürecine rehberlik edebilir. Yine de, hataların yayılmaması için etiketlemeyi insanlar yapmalıdır. “

İnsanlar bir modeli verilerle eğittikten sonra, makine görünmeyen girdiler için bu etiketlemeyi yeniden üretebilmelidir. Ancak yeni yanıtlara ihtiyacınız varsa, verilerin insanlar tarafından yeniden etiketlenmesi gerekir.

8. Makine öğreniminin geleceği nedir?

Makine öğrenimi şu anda çok hızlı gelişiyor. Birkaç yıl önce başka bir derin öğrenme modeli olan transformatör modeli tanıtıldı. Transformatör modelinin keşfinin Makine öğrenimi üzerinde büyük etkisi oldu.

"Bütün araştırma alanını bu keşif etrafında yeniden inşa ediyoruz. Gerçekten iyi çalıştı,” diye açıklıyor Lassila.

Dönüştürücü modeli, Doğal Dil İşleme özelliğine sahip yapay zeka sohbet robotlarında da kullanılır. Lassila, "Ancak bir noktada, bu mimariyi ne kadar iyi kullanabileceğimiz konusunda yolun sonuna ulaşacağız" diyor. "Umarım daha da iyi sonuçlar veren yeni bir şey buluruz."

9. Makineler dünyayı ele geçirecek mi?

İnsanlar yapay zeka ve makine öğreniminden çok fazla şey bekliyor veya yetersiz kalıyor.

Lassila, "Yapay zekanın yetenekleri konusunda bir anlayış eksikliği var" diyor.

Öyle görünüyor ki makineler henüz dünyayı ele geçiremeyecek. Botların bu gerçekleşmeden önce üstesinden gelmesi gereken birkaç engel var.

“Modeller ve mimari henüz orada değil. İyi bir yapay zeka yapmak için veri ve hesaplama kaynaklarına sahibiz, ancak yine de robotların devralması için bu iyi mimarilere ihtiyacımız var.”

AI henüz dünyayı ele geçirmeye hazır olmasa da, bazı işleri devralacak.

“Bazı işlerin yerini bazı noktalarda yapay zeka alabilir. Bunlar, fazla düşünmeyi gerektirmeyen, tekrar eden işler olacaktır” diyor Lassila.

Yapay zekanın iş piyasasını nasıl değiştireceğini düşünmenin iki yolu var. Birincisi, AI işlerin yerini alıyor, ancak işleri de geliştirebilir. İnsanlarla birlikte çalışabilir. Buna iyi bir örnek , web sitesi ziyaretçisine yardımcı olamadıklarında canlı bir temsilciye bağlanabilen sohbet robotlarıdır .

“AI birçok iş için verimliliği artırabilir.”

Ancak, yanlışlıklarla mücadele etmek için yine de insan kaynaklarına ihtiyacınız var. AI bir insan gibi düşünmüyor. Farklı yöntemler kullanır. Ve bazen neden bir şey gösterdiği bize mantıklı gelmiyor.

“AI ile ilgili en büyük sorunlardan biri, makinenin neden belirli bir çıktı oluşturduğunu açıklamamasıdır. Model için mantıklı olabilir ama insanlar için değil.”

Makine öğrenimi ve yapay zeka hakkında daha fazla bilgi edinmek istiyorsanız yapay zeka sohbet robotu kılavuzumuza göz atın .