Makine öğrenmesi nedir?

Aralık 2017’de, Google’ın 2014’te edindiği araştırma laboratuvarı DeepMind, çeşitli masa oyunlarında dünya şampiyonlarını yenebilecek yapay bir istihbarat programı olan AlphaZero’yu tanıttı.

İlginç bir şekilde, AlphaZero insanlardan oyun oynamayı (dolayısıyla isim) nasıl sıfır talimat aldı. Bunun yerine, açık komutlar yerine deneyim yoluyla davranışını geliştiren bir AI dalı olan makine öğrenmesini kullandı.

24 saat içinde, AlphaZero satrançta insanüstü bir performans sergiledi ve bir önceki dünya şampiyonu satranç programını yendi. Kısa süre sonra, AlphaZero'nun makine öğrenme algoritması ayrıca Shogi (Japon satrancı) ve Çin tahta oyunu Go'da ustalaştı ve selefi AlphaGo'yu 100'den sıfıra indirdi.

Makine öğrenimi son yıllarda popüler hale geldi ve bilgisayarların daha önce insan zekasının özel alanı olduğu düşünülen sorunları çözmesine yardımcı oluyor. Yapay zekanın orijinal vizyonundan hala uzak bir nokta olmasına rağmen, makine öğrenmesi bizi düşünme makineleri yaratma hedefine daha da yaklaştırdı.

Yapay Zeka ve Makine Öğrenmesi Arasındaki Fark Nedir?

Yapay zekanın geliştirilmesine yönelik geleneksel yaklaşımlar, bir AI aracısının davranışını tanımlayan tüm kuralları ve bilgileri titizlikle kodlamayı içerir. Kural tabanlı AI oluştururken, geliştiriciler AI'nın olası her duruma yanıt olarak nasıl davranması gerektiğini belirten yönergeler yazmalıdır. Eski moda iyi AI (GOFAI) veya sembolik AI olarak da bilinen bu kurala dayalı yaklaşım, insan aklının akıl yürütme ve bilgi temsil işlevlerini taklit etmeye çalışır.

Sembolik AI'nın mükemmel bir örneği, Stockish, yapımında 10 yıldan fazla, açık sıralı, açık kaynaklı bir satranç motoru. Yüzlerce programcı ve satranç oyuncusu, Stockish'e katkıda bulundu ve kurallarını kodlayarak mantığını geliştirmeye yardımcı oldu - örneğin, rakip şövalyesini B1'den C3'e getirdiğinde AI ne yapmalı?

Ancak kurallara dayalı AI, kuralların çok karmaşık ve örtük olduğu durumlarla uğraşırken sıklıkla kırılır. Resimlerdeki konuşmaları ve nesneleri tanıma, örneğin, mantıksal kurallarda ifade edilemeyen gelişmiş işlemlerdir.

Sembolik AI'nın aksine, makine öğrenme AI modelleri kural yazarak değil, örnekler toplayarak geliştirilir. Örneğin, bir makine öğrenmeye dayalı satranç motoru oluşturmak için, bir geliştirici bir temel algoritma oluşturur ve daha sonra daha önce oynanan binlerce satranç oyununun verileriyle "eğitir". AI, verileri analiz ederek, gerçek rakipleri yenmek için kullanabileceği kazanma stratejilerini tanımlayan ortak kalıplar bulur.

AI ne kadar çok oyun oynarsa, oyun sırasında kazanma hamlelerini o kadar iyi tahmin eder. Bu nedenle makine öğrenmesi, performansı deneyimle geliştiren bir program olarak tanımlanır.

Makine öğrenimi, görüntü sınıflandırma, ses tanıma, içerik önerisi, sahtekarlık tespiti ve doğal dil işleme dahil olmak üzere birçok gerçek dünya görevine uygulanabilir.

Denetimli ve Denetimsiz Öğrenme

Çözmek istedikleri soruna bağlı olarak geliştiriciler, makine öğrenme modellerini oluşturmak için ilgili verileri hazırlar. Örneğin, sahte banka işlemlerini tespit etmek için makine öğrenmeyi kullanmak isteseler de, geliştiriciler mevcut işlemlerin bir listesini derler ve sonuçlarını sonuçları ile etiketlerlerdi (sahte veya geçerli). Verileri algoritmaya beslediklerinde, sahte ve geçerli işlemleri ayırır ve iki sınıfın her birinde ortak özellikleri bulur. Açıklamalı veri içeren eğitim modelleri sürecine "denetimli öğrenme" adı verilir ve şu anda makine öğreniminin baskın şeklidir.

Farklı görevler için etiketli verilerin çoğu çevrimiçi depoları zaten var. Bazı popüler örnekler, 14 milyondan fazla etiketli görüntünün açık kaynaklı bir veri kümesi olan ImageNet ve 60.000 etiketli el yazısı rakamından oluşan bir veri kümesi olan MNIST'dir. Makine öğrenimi geliştiricileri ayrıca, görüntüleri etiketlemek ve ses örnekleri gibi bilişsel görevleri gerçekleştirmek için çevrimiçi, talep üzerine bir işe alım merkezi olan Amazon'un Mechanical Turk gibi platformlarını kullanıyor. Büyüyen bir başlangıç ​​sektörü veri açıklamalarında uzmanlaşmıştır.

Ancak tüm problemler etiketli veri gerektirmez. Bazı makine öğrenme sorunları, AI modeline ham veriler sağladığınız ve kendisinin hangi kalıplarla alakalı olduğunu bulduğu "denetlenmeyen öğrenme" ile çözülebilir.

Denetlenmemiş öğrenmenin yaygın bir kullanımı anomali tespitidir. Örneğin, bir makine öğrenme algoritması, internete bağlı bir cihazın ham ağ trafiği verilerini (yani akıllı bir buzdolabı) eğitebilir. Eğitimden sonra, AI cihaz için bir temel oluşturur ve outlier davranışını işaretleyebilir. Cihaza kötü amaçlı yazılım bulaşırsa ve kötü amaçlı sunucularla iletişim kurmaya başlarsa, makine öğrenme modeli bunu algılayabilir, çünkü ağ trafiği eğitim sırasında gözlemlenen normal davranıştan farklıdır.

Güçlendirme Öğrenmesi

Şimdiye kadar, muhtemelen kaliteli eğitim verilerinin makine öğrenimi modellerinin etkinliğinde büyük bir rol oynadığını biliyorsunuzdur. Ancak, takviye öğrenmesi, bir AI'nın önceki verileri kullanmadan davranışını geliştirdiği özel bir makine öğrenmesi türüdür.

Güçlendirme öğrenme modelleri temiz bir sayfa ile başlar. Sadece çevrelerinin temel kuralları ve eldeki görevler hakkında talimat verilir. Deneme ve yanılma yoluyla, eylemlerini amaçlarına göre optimize etmeyi öğrenirler.

DeepMind's AlphaZero, takviye öğrenmenin ilginç bir örneğidir. AlphaZero, insanların nasıl satranç oynadıklarını ve onlardan öğrendiklerini görmesi gereken diğer makine öğrenme modellerinin aksine, yalnızca parçaların hareketlerini ve oyunun kazanma koşullarını öğrenmeye başladı. Ondan sonra rastgele hareketlerle başlayan ve yavaş yavaş davranış kalıpları geliştiren kendisine karşı milyonlarca maç oynadı.

Güçlendirme öğrenme, sıcak bir araştırma alanıdır. Dota 2 ve StarCraft 2 gibi karmaşık oyunlarda ustalaşabilen AI modelleri geliştirmek için kullanılan ana teknolojidir ve aynı zamanda veri merkezi kaynaklarını yönetmek ve insan benzeri el becerisine sahip nesneleri idare edebilen robotik eller oluşturmak gibi gerçek yaşam sorunlarını çözmek için de kullanılır. .

Derin Öğrenme

Derin öğrenme, makine öğrenmenin bir başka popüler alt kümesidir. İnsan beyninin biyolojik yapısından kabaca ilham alan yapay sinir ağlarını, yazılım yapılarını kullanır.

Yapay sinir ağları, görüntüler, video, ses gibi yapılandırılmamış verilerin yanı sıra makaleler ve araştırma yazıları gibi uzun metin alıntıları işlemede de mükemmeldir. Derin öğrenmeden önce, makine öğrenimi uzmanları resimlerden ve videolardan özellikler çıkarmak için çok çaba sarf etmek zorunda kaldılar ve algoritmalarını da buna göre çalıştırdılar. Yapay sinir ağları, insan mühendislerinin fazla çaba göstermesine gerek kalmadan bu özellikleri otomatik olarak algılar.

Derin öğrenme, iPhone X'inizdeki sürücüsüz otomobiller, gelişmiş çeviri sistemleri ve yüz tanıma teknolojisi gibi birçok modern AI teknolojisinin arkasındadır.

Makine Öğreniminin Sınırları

İnsanlar genellikle makine öğrenimini insan seviyesi yapay zeka ile karıştırırlar ve bazı şirketlerin pazarlama departmanları terimleri birbirinin yerine kullanır. Ancak, makine öğrenmesi karmaşık problemleri çözme yönünde büyük adımlar atmış olsa da, AI öncülerinin öngördüğü düşünce makinelerini oluşturmaktan hala çok uzak.

Deneyimden öğrenmeye ek olarak, gerçek zeka, makine öğrenme modellerinin çok düşük performans gösterdiği alanlar için muhakeme, sağduyu ve soyut düşünme gerektirir.

Örneğin, makine öğrenmesi, meme kanserini beş yıl önceden tahmin etme gibi karmaşık örüntü tanıma görevlerinde iyi olsa da, daha basit mantık ve lise matematik problemlerini çözme gibi akıl yürütme görevleri ile mücadele eder.

Makine öğrenmesinin muhakeme gücü eksikliği, bilgisini genelleştirmeyi kötüleştirir. Örneğin, Super Mario 3'ü bir profesyonel gibi oynayabilen bir makine öğrenme ajanı, Mega Man gibi başka bir platform oyununa, hatta Super Mario'nun başka bir sürümüne hakim olmayacak. Sıfırdan eğitilmesi gerekiyordu.

Kavramsal bilgiyi deneyimden çıkarma gücü olmadan, makine öğrenme modelleri, tonlarca eğitim verisinin gerçekleştirilmesini gerektirir. Ne yazık ki, birçok alan için yeterli eğitim verisi yok ya da daha fazla kazanacak parası yok. Günümüzde yaygın makine öğrenme şekli olan derin öğrenme, açıklanabilirlik probleminden de muzdariptir: Sinir ağları karmaşık şekillerde çalışır ve yaratıcıları bile karar alma süreçlerini takip etmek için mücadele eder. Bu yapay sinir ağlarının gücünü AI kararlarını açıklamak için yasal bir zorunluluk bulunan ortamlarda kullanmayı zorlaştırır.

Neyse ki, makine öğreniminin sınırlarını aşmak için çaba gösteriliyor. Dikkate değer bir örnek, açıklanabilir AI modelleri oluşturmak için Savunma Bakanlığı'nın araştırma kolu olan DARPA'nın yaygın bir girişimidir.

• Yapay Zeka (AI) Nedir? Yapay Zeka (AI) Nedir?
• Çoğu AI Dolar Makine Öğrenmeye Gitti Çoğu AI Dolar Makine Öğrenmeye Gitti
• Kullanılan AI'yı Nasıl Görmek İstersiniz? Kullanılan AI'yı Nasıl Görmek İstersiniz?

Diğer projeler, makine öğreniminin açıklamalı verilere aşırı bağımlılığı azaltmayı ve teknolojiyi sınırlı eğitim verisi olan alanlara erişilebilir kılmayı amaçlamaktadır. IBM ve MIT’deki araştırmacılar, sembolik AI’yı sinir ağları ile birleştirerek sahaya girdi. Hibrit AI modelleri eğitim için daha az veri gerektirir ve kararlarının adım adım açıklamalarını sağlayabilir.

Sonunda, makine öğreniminin evriminin, insan seviyesindeki yapay zekâ yaratma konusundaki belirsiz hedefe ulaşmamıza yardımcı olacağı görülüyor. Ancak kesin olarak bildiğimiz şey, makine öğrenmedeki gelişmeler sayesinde, masalarımızda oturan ve ceplerimizde oturan cihazların her geçen gün daha da zeki hale geldiğidir.