Yapay olarak oluşturulan sinir ağlarının ve insan beynini model alarak meydana getirilen algoritmaların, verilerden öğrenen makine öğrenim alt kümesine derin öğrenme (Deep Learning) denilmektedir. Son yıllarda, yapay zeka teknolojileri gündemi oluşturan konular arasında yer almaktadır. Hızla gelişen teknolojiler, yapay zeka işlemciler, makine öğrenimini mümkün kılıyor. Güncel yapay zeka teknolojilerinin, insan yaşamına sunduğu avantajlardan biri de derin öğrenme sistemleri oluyor.
Yapay zekanın dahil edildiği tüm alanlar, makinelerin deneyimle öğrenilmesini sağlayan, insan faktörü olmadan beceriler kazandıran makine bilgilendirme sistemini destekliyor. İnsan davranışlarının tecrübelerle şekillendiğini gözlemleyen uzmanlar, aynı çalışma prensibini makineler için de uyguluyor. Derin öğrenme algoritması, sonuçları geliştirmeyi hedefleyen, her denemesinde daha fazla değişiklik yaparak en üstün performansı sağlayan bir süreci ifade ediyor. Derin öğrenme algoritmaları ile düşünme becerisi gerektiren herhangi bir sorunun çözümüne kolayca ulaşılıyor.
Derin Öğrenme Algoritmaları Nelerdir?
Yapay sinir ağlarının (YSA), yapısal anlamda karmaşık şekilde oluşturulmuş haline derin öğrenme algoritmaları adı verilmektedir. Yapay sinir ağları algoritmaları, insanın öğrenme işleyişinden yola çıkarak geliştirilmiştir. İnsan biyolojisinde yer alan, sinir sistemleri üzerinde bulunan nöronların, kendi arasındaki iletişimi derin öğrenme algoritmalarında da modellenmektedir. Derin öğrenme algoritmalarının bu şekilde, öğrenim, hafızaya alma ve veriler arasında bulunan ilişkileri ortaya çıkarma kapasitesine sahip olduğu görülmektedir. Derin öğrenme algoritmaları ve makine öğrenmesi algoritmaları arasında, yüksek miktarlarda verilere, verileri işleyecek hesaplamalara ihtiyaç duyan donanımsal farklılıklardır. Son dönem istatistiklerinde, görüntü işleme konusunda etiketlenmiş veri sayıları, milyonları geçmektedir. Ekran kartlarının hesaplamalar üzerindeki gücü, teknolojik ilerlemelerle beraber derin öğrenme algoritmalarının popülerliğini arttırmaktadır. Derin öğrenme yöntemleri sonucunda, birçok farklı alanda, bilinen en iyi başarı seviyelerinin (State Of The Art) çok daha üzerine çıkılmıştır.
Derin Öğrenme Modelleri
Derin öğrenme, makine öğrenim sistemlerinin bir kolu olarak ifade edilmektedir. Yapay zekaya olan ilgi, makine öğreniminin gündeme geldiği zamanlardan beri devam etmektedir. Gelişen teknolojilerle, günümüzde birçok alanda kullanımı gerçekleştirilen yapay zeka algoritmaları, derin öğrenme modellerinin ortaya çıkmasına destek olmuştur. Derin öğrenme modelleri, genel olarak uygun şekilde öğrenme süreci için, fazla sayıda veriye ihtiyaç duymaktadır. Veri arttırma tekniği kullanımı ile mevcut verilerden daha çok sayıda veri üretme işlemi genellikle yarar sağlamaktadır. Derin öğrenme modelleri arasında birçok farklı teknik bulunmaktadır. Bunlar;
- Veri işleme, veri arttırma
- Küme normalleştirme
- Optimum ağırlıkların bulunması
- Parametre ayarlama
- Transfer öğrenme
- Öğrenme oranı
- Uygulanabilir öğrenme oranları
- Düzenlileştirme adımları şeklinde olmaktadır.
Derin öğrenme modelleri, yüksek verileri hesaplama imkanlarına sahip olan Google, Facebook, Microsoft gibi büyük teknoloji şirketleri tarafından ürün gruplarına entegre edilmektedir.
Derin Öğrenme Mimarilerinin İşlevleri
Derin öğrenme, yapay sinir ağlarının, insan beynini taklit ederek yaptığı hesaplamaların temeline dayanmaktadır. Derin öğrenmenin tarihine bakıldığında, 1940’lı yıllarda Warren McCulloch ile Walter Pitts’in düşünce sistemini taklit eden sinir ağlarının hesaplanması üzerinde çalışmaları ile gündeme gelmiştir. Derin öğrenme en basit ifadesiyle, makine öğrenmesinin bir sınıfı olma özelliği taşımaktadır. Derin öğrenme mimarilerinin ortaya çıkışı ile de yapay zeka problemlerinde karşılaşılan durumların çözümü büyük oranda sağlanmıştır. Derin öğrenme mimarileri ile endüstri, tıp, görüntü işleme, nesnelerin tespiti, çeviri işlemleri, finansal konular gibi birçok farklı alanda akıllı çözümlerin üretilmesi mümkün olmaktadır. Derin öğrenmede, özellikleri çıkarmak ve dönüştürmek için, doğrusal olmayan işlem birimleri katmanları kullanılmaktadır. Ardışık katmanlar, bir önceki katmanda yer alan çıktıyı, girdi biçiminde işleme almaktadır. Derin öğrenme mimarileri içerisinde yer alan algoritmalar, denetimli algoritma ya da denetimsiz algoritma biçiminde olabilmektedir.
Derin Öğrenme Mimarileri Nelerdir?
Derin öğrenme araçları, veri gruplarının birden çok özellik düzeyi ve temsilleri ile öğrenmesine dayanan zemin söz konusu olmaktadır. Üst düzey seviyede yer alan bu özellikler, alt düzey özelliklerin kullanımı ile türetme yaparak, hiyerarşik bir düzlem oluşturmaktadır. Yapay sinir ağlarında bulunan katman sayıları artırılarak, farklı türlerde derin öğrenme mimarileri olduğu görülmektedir.
Kullanılan bazı derin öğrenme mimarileri aşağıdaki şekilde sıralanmaktadır;
- Konvolüsyonel, erişimli sinir ağları (Convolutional Neural Networks)
- Tekrar yapan sinir ağları (Recurrent Neural Networks)
- Uzun ve kısa dönemli bellekler (Long / Short Term Memory)
- Boltzman makinesi (Boltzmann Machines)
- Kısıtlandırılmış Boltzman makinesi (Restricted Boltzmann Machines)
- Derin inanç ağ grupları (Deep Belief Networks)
- Derin otomatik kodlayıcılar (Denoising Autoencoders)
- Markov zinciri (Markov Chain)
- Hopfield ağ sistemleri (Hopfield Network)
- Çekişmeli üretici ağları (Generative Adversarial Networks)
- Sıvı hal makinesi (Liquid State Machines)
- Aşırı öğrenme makineleri (Extreme Learning Machines)
Derin Öğrenme Uygulamaları
Derin öğrenme algoritmaları ile akıllı sistem oluşturma işlemleri, teknoloji şirketlerinin gündeminde olan konuların başında geliyor. Derin öğrenme uygulamalarının kullanıldığı alanlar aşağıdaki gibi sıralanıyor;
Deep Genomics / Deep Instinct
Startup özelliği taşıyan Deep Genomics, yüz binlerce canlı hücre bilgisinden ve genom değişikliği kaynaklı sonuçları tahmin etme süreçlerinde derin öğrenme kullanıyor. Geliştirilmiş olan bu sistem ile kişilerin spesifik bir hastalığını anlamak ve anormal durumları tespit etmek mümkün oluyor. Günümüz modern teknoloji koşullarında, oldukça yüksek sayıda cihaz ile internet erişimi yapılıyor. Hacker’lar sistemlere sızmanın birçok farklı yolunu buluyor. Siber güvenlik konusunda üzerinde çalışılan uygulamalar, siber saldırıların nereden gelebileceğini hakkında uyarılarda bulunuyor. Deep Instinct gibi büyük teknoloji şirketleri, daha önce fark edilmemiş olan yeni siber tehditleri tanımak amacıyla, derin öğrenme yöntemlerini kullanıyor.
Drive.ai
Sürücü yardımı özelliği taşıyan servislerin kullanıldığı pek çok araç bulunmaktadır. Yeni teknolojiler ile klasik araçların yerini sürücüye ihtiyaç duymayan araçlar almaktadır. Otonom araçlar konusunda çalışmalar yapan farklı şirketler de sektörde yer almaktadır. Drive.ai bu şirketlerden biri olmaktadır. Derin öğrenme kullanımından yararlanan şirket, araçların birbirinden farklı sürüş koşullarında simulasyon yaparak, hatasız bir şekilde otonom sürüşler gerçekleştirmektedir. Sektörde ayrıca, Tesla, Google ve otomotiv endüstrisinin büyük şirketleri, sürücüsüz araçlar üzerindeki araştırmalarına devam etmektedir.
Dünyada en fazla kullanılan arama motorlarının başında Google gelmektedir. Metin analizi, Google ve diğer tüm arama motorları için ayrı bir önem taşımaktadır. Web sitelerinin sıralanması (indexleme), Rank değerlerinin belirlenmesi (sıralama değeri), arama motorunun mantıksal çerçevede işlem görebilmesi, en önemli özellikler arasında yer almaktadır. Google tüm işlem süreçleri için derin öğrenme tekniklerinin yer aldığı birçok güncelleme yapmaktadır. 2015 yılı itibariyle kullanıma başlanan derin öğrenme tabanlı algoritmalar ve RankBrain teknolojisi, arama sorgularında otomatik olarak tamamlamaya ve sorguların yönetilmesine destek sunmaktadır. Gelişmiş bu teknoloji ile daha önce araması yapılmamış sorguların bile yönetilmesine imkan tanımaktadır.
Apple
Derin öğrenme uygulamalarının yer aldığı teknoloji devlerinden biri de Apple olmaktadır. Yapay zeka tabanı ile oluşturulan kullanıcı asistanı Siri, tamamıyla yapay sinir ağı (YSA) tabanlı öğrenme altyapısına entegre edilerek tamamlanmıştır. Derin öğrenme algoritmaları ile güncellemesi yapılan Siri, ilk önce ABD eyaletlerinde kullanıma sunulmuştur. 2014 yılının Ağustos ayında ise Siri’nin tüm Dünya ülkelerinde kullanımı başlamıştır. Görünümü eski sürümü ile aynı olmakla birlikte, güncellenmiş yeni Siri’nin çalışma mekanizması derin öğrenme algoritmaları ile güçlendirilmiştir.
Derin Öğrenme Kullanım Alanları
Yapay zekanın tanımı, insan beyninin işleyişine benzer şekilde, farklı görevleri yerine getirebilen ve sürekli gelişim halinde olan sistemler ya da makineler olarak yapılmaktadır. İlk olarak 1950’li yıllarda ortaya çıkmış olan yapay zeka, oluşan hatalardan öğrenebilme yetisi bulunan sistemlerdir ve kendilerini sürekli geliştirmektedir. Makine öğrenmesi kavramı ise 1980’lerde başlamış olup, verileri sınıflandırma ve veri kümelerini işlemlerden geçirme adımlarını gerçekleştirmektedir. Makine öğrenme algoritmalarının çalışma prensipleri ise iki sınıfa ayrılmaktadır. Bunlar; gözetimli ve gözetimsiz öğrenme şeklinde olmaktadır. Zaman içerisinde gelişen derin düşünme ve makine öğrenmesi sistemleri, bugün birçok kullanım alanında karşımıza çıkmaktadır. Derin öğrenme öncelikli kullanım alanları aşağıdaki gibi sıralanmaktadır;
- Yüz tanıma sistemleri
- Ses tanıma ve algılama sistemleri
- Sürücüsüz araçlarda bulunan otopilot özelliği
- Alarm sistemleri
- Sağlık sektöründe, kanser araştırmaları sürecinde
- Görüntü iyileştirme işlemlerinde
- Film, müzik gibi beğenilebilecek tavsiye sistemlerinde
- Siber saldırıların tehdit analizlerinde
Ülkemizde derin öğrenme sistemleri, birçok güçlü şirket tarafından kullanılmaktadır. AR-GE çalışmalarından, silah ve güvenlik sistemlerine, görüntüleme ve doğal dil işleme faaliyetlerine kadar geniş kapsamlı alanlarda derin öğrenme uygulamalarından yararlanılmaktadır. Derin öğrenme ve yapay zeka uygulamalarında en fazla kullanılan programlama dili ise Python olarak karşımıza çıkmaktadır.
