Yapay zekâ gelişmeleri ve hakkında duyduğumuz uygulamaların büyük çoğunluğundan makine öğrenimi algoritmaları sorumludur ve bugün hemen hemen dünyayı yöneten onlardır.
Makine öğrenimi algoritmaları, devasa miktarda verideki kalıpları bulmak için istatistikleri kullanır. Buradaki veriler birçok şeyi kapsar örneğin sayılar, kelimeler, resimler, tıklamalar, elinizde ne varsa. Veri dijital olarak depolanabiliyorsa, bir makine öğrenimi algoritması ondan beslenebilir.
Makine öğrenimi, bugün kullandığımız hizmetlerin çoğunu destekleyen süreçtir: Netflix, YouTube ve Spotify’daki öneri sistemleri, Google gibi arama motorları, Facebook ve Twitter gibi sosyal medyadaki içerik akışları, Siri ve Alexa gibi sesli asistanlar. Liste böylece sürüp gidiyor.
Tüm bu durumlarda, her bir platform sizin hakkınızda olabildiğince çok veri toplar; hangi türden içerikleri izlemekten hoşlandığınızı, hangi bağlantılara tıkladığınız ve hangi durumlara tepki verdiğiniz gibi. Daha sonra ise ne isteyebileceğiniz konusunda oldukça “eğitimli” bir tahminde bulunmak için veya bir sesli bir asistansa bu, hangi kelimelerin ağzınızdan çıkan komik seslerle en iyi uyuşacağı konusunda devreye girer.
Samimi olmak gerekirse bu süreç oldukça basittir: Kalıbı bul, kalıbı uygula. Fakat dediğimiz gibi bugün hemen hemen dünyayı bu “basitlik” yönetiyor. Bu ise derin öğrenmenin (Deep Learning) babası olarak bilinen Geoffrey Hinton’un 1986’daki bir icadı sayesinde oldu.
Derin öğrenme, steroidler üzerinde makine öğrenimidir. Makinelere en küçük kalıpları bile bulabilme ve onları büyütme konusunda gelişmiş bir yetenek sağlayan bir teknik kullanır. Bu tekniğe derin sinir ağı denir. Derin çünkü verileri incelemek ve tahmin biçiminde nihai bir sonuç vermek için birlikte çalışan birçok basit hesaplama düğümü katmanına sahiptir.
Sinir ağları ise insan beyninin iç işleyişindeki belirsizlikten ilham almıştır. Düğümler bir tür nöron ve ağ, beynin kendisi gibidir. Ancak Hinton, çığır açan makalesini sinir ağlarının modasının geçtiği bir zamanda yayınladı. Kimse onları nasıl eğiteceğini gerçekten bilmiyordu, bu yüzden iyi sonuçlar üretmiyorlardı. Tekniğin geri dönüş yapması yaklaşık 30 yıl sürse de dönüşü gerçekten muhteşem oldu.
Bilmeniz gereken son bir şey de makine (ve derin) öğrenmenin üç farklı türü olduğudur: denetimli, denetimsiz ve pekiştirmeli.
Denetimli öğrenme ki en yaygın olanıdır, burada makineye tam olarak hangi kalıpları araması gerektiğini söylemek için veriler etiketlenir. Bunu, peşinde olduğu kokuyu bildiğinde hedefleri avlayacak bir izci köpek gibi düşünün. Netflix’te oynat düğmesine bastığınızda yaptığınız şey budur — algoritmaya tıkladığınıza benzer içerikler bulmasını söylersiniz.
Denetimsiz öğrenmede verilerin etiketi yoktur. Makine, bulabildiği desenleri arar. Bu da bir köpeğin tonlarca farklı nesneyi koklamasına izin vermek ve bunları benzer kokulara sahip gruplara ayırmak gibidir. Denetimsiz teknikler, daha az belirgin olduklarından popüler değildir. İlginç bir şekilde, siber güvenlik konusunda ilgi görmüştür.
Makine öğreniminin en yeni sınırı olan pekiştirmeli öğrenme ise net bir hedef için deneme yanılma yöntemiyle öğrenir. Pek çok farklı şeyi dener ve davranışlarının amacına ulaşmasına yardım edip etmediğine bağlı olarak ödüllendirilir veya cezalandırılır. Bu, bir köpeğe yeni bir numara öğretirken ödül vermek ve vermemek gibidir. Pekiştirmeli öğrenme, Go oyununda en iyi insan oyuncuları geride bırakan program Google AlphaGo’nun temelini oluşturur.
İşte bu kadar, makine öğrenimi budur.
Çeviren: Elif Akçay
Yazar: Karen Hao
Kaynak: technologyreview.com
*Makine öğrenimi kelime çevirisi yerine “yapay öğrenme” kullanmayı tercih edenler olduğuna da değinmem gerekir. Bu yazıda, Sophos Akademi’de “makine öğrenimi” tercih edildiği için değiştirilmemiştir.
