Derin öğrenme (deep learning) modellerinin son 10 yılda gösterdiği başarı, ilgili ilgisiz herkesin dikkatini yapay zekaya çekmeyi başardı. Bu süreçte derin öğrenme yapay zekanın en önemli araçlarından birisi haline geldi. (Daha detaylı bilgi için Yapay zeka: Makineler ne öğrenir? Nasıl öğrenir? adlı makalemizi ziyaret edebilirsiniz.) Çok da uzun olmayan yapay zeka tarihine baktığımızda, bu alanın belirli zaman dilimlerinde trend haline gelen daha sonra yerlerini başkalarına bırakan araştırma konuları üzerinden ilerlediğini görüyoruz.

 

Son iki yılda, pekiştirmeli öğrenme, automl ve doğal dil işlemenin Google Trendler’deki arama artışlarına dikkat edin.

 

Bu yazımızda, geldiğimiz nokta ve önümüzdeki birkaç yıllık kısa vade perspektifinde, yapay zeka araştırmalarını sürükleyecek birkaç trendden bahsetmek istedik. Eğer bu alana ilgi duyuyorsanız, aşağıdaki konuları önümüzdeki dönemde çok sık duyacağınızı söyleyebiliriz.

1. Derin pekiştirmeli öğrenme (deep reinforcement learning)

Derin öğrenme modellerinin özellikle bilgisayar görüsü (computer vision) ve doğal dil işlemede (natural language processing) gösterdiği başarı, yeteri kadar ilgiyi çekti ve takdir topladı. Fakat, işin özüne baktığımızda derin öğrenme bir model mimarisinden başka birşey değil. Yani derin öğrenme derken aslında bir öğrenme paradigmasından bahsetmiyoruz.

Derin öğrenmenin esas belirgin başarısı gözetimli öğrenme (supervised learning) paradigması kapsamında yer alan uygulamalarda oldu. Son birkaç yıldır GAN modellerinin gözetimsiz öğrenme (unsupervised learning) paradigmasında da güzel işler çıkarabildiği görüldü. Ressamların stillerini başka resimlere transfer eden ya da sentetik olarak insan yüzü türeten uygulamaları görmüşsünüzdür.

Fakat, yapay zekanın temeline oturan problemlerden birisi olan, ardı ardına birbirini etkileyen kararlar alabilen sistemler geliştirmek için pekiştirmeli öğrenmenin (reinforcement learning) önem kazanması beklenen birşeydi. Sonuçta bu eski dostumuz, karşımıza derin pekiştirmeli öğrenme (deep reinforcement learning) olarak çıkageldi. DeepMind’ın Go ve Starcraft’ta gördüğümüz başarılı uygulamalarının arkasında yatan öğrenme metodundan bahsediyoruz.

Yukarıda gördüğünüz gifte oyun, pekiştirmeli öğrenme yöntemiyle oyunu öğrenen bilgisayar tarafından oynanıyor.

 

Bugün yapay zeka trendlerinden konuşacaksak, en başta derin pekiştirmeli öğrenmeden bahsetmemiz gerekiyor. Robotikten, sürücüsüz araçlara kadar birçok uygulama alanının başarısı derin pekiştirmeli öğrenmenin başarılarına bağlı. Bu ihtiyaca binaen, son birkaç yıldır yapay zeka araştırma dünyasının parlayan yıldızı olarak derin pekiştirmeli öğrenme araştırmaları ipi göğüslemiş durumda.

Yakın zamanda, endüstriyel uygulamalarda da derin pekiştirmeli öğrenmenin adını sıklıkla duymayı bekleyebiliriz. Eğer yapay zeka alanına ilgi duyuyorsanız, yapmanız gereken, bir şekilde “derin pekiştirmeli öğrenme”yi öğrenmek olmalı!

2. Açıklanabilir (interpretable) modeller

Derin öğrenme modellerinin başarılarını kanıksadıktan sonradır ki bu modellerin önemli bir kısıtı üzerine kafa yormaya başlayabildik. Bildiğiniz gibi derin öğrenme modelleri kara kutu (black box) modeller. Kara kutu modellerden kastımız, bu modellerin iç işleyişlerini tam olarak kavrayamamamız (bu modellerin ne öğrendiği ile ilgili şu yazımızı okuyabilirsiniz).

Bir mucize olur ve…

 

Bu durum, birçok açıdan bu modellerin uygulama alanlarında zorluklar çıkarıyor. Örneğin, bir taksi durdurdunuz ve bindiniz. Şöför öyle bir şöför ki sağa dönüyor sola dönüyor fakat siz neden böyle yaptığını sorduğunuzda size tatmin edici bir yanıt veremiyor. Tedirgin olur muydunuz? Sizin için problem yoksa sürücüsüz otonom bir araca gönül rahatlığıyla binebilirsiniz demektir

Son birkaç yıldır, kara kutu modellerin açıklanabilirliği üzerine ciddi bir emek harcanıyor. Birçok araştırmacı, konuyu değişik boyutlarıyla ele almaya çalışıyor ve birbirinden ilginç sonuçlar ortaya çıkıyor. Yine de henüz bu tip modelleri anlamada alınacak yolun başında sayılırız. Önümüzdeki yıllar, derin öğrenme modellerinin açıklanabilirliğinin çok tartışıldığı yıllar olacak. Eğer derin öğrenme modelleri üzerinde çalışmışlığınız varsa, bu modellerin açıklanabilirliği üzerine olan araştırmaları takip etmeniz yararlı olacaktır.

3. AutoML

Yapay zeka uygulamalarının en büyük zorluklarından bir tanesi, model seçiminin zahmetli ve kaynak isteyen bir süreç olması. Yetişmiş insan kaynağının olmaması ve özellikle derin öğrenme modellerini büyük veriler üzerinde eğitmenin uzun süreler alması, yapay zeka uygulamaları geliştirmek isteyen küçük ve orta boy şirketler için önemli bir bariyer oluşturuyor.

Son yıllarda gözlemlediğimiz en önemli trendlerden bir tanesi, bu problemin çözümüne yönelik. Oto-makine-öğrenmesi diyebileceğimiz bu yaklaşım otomatik olarak model seçimi yapmayı amaçlıyor. Bu minvalde geliştirilen AutoML paketleri ve servisleri, sizin için en iyi modeli seçiyor ve önünüze koyuyor. Dolayısıyla, uygulama geliştirdiğiniz alana hakim olmasanız bile, iyi kötü bir model üzerinden ilerleme imkanı buluyorsunuz.

Son birkaç yılda, otomatik model seçimi için bir sürü yöntem önerisi oldu. Bunlar içinde Bayesçi metodlar öne çıkıyor görünüyor. Ek olarak, hazır olarak kullanabileceğiniz paketler ve servisler de ortaya çıkmış durumda. Google AutoML’i duymuş olmanız muhtemel. Çok kullandığınız makine öğrenmesi ve derin öğrenme çatılarında da bu amaçla hazırlanmış kütüphaneler var (örneğin AutoKeras ve H20 AutoML).

AutoML’in negatif yönlerini göz önünde bulundurmak da mümkün. Bu yöntemler insanlara, yapay zeka, veri bilimi ve makine öğrenmesinin teorik altyapısını öğrenmenin gereksizliği hususunda yanlış bir fikir veriyor olabilir. Yine de, önümüzdeki yıllarda, bu alanın hız kesmeden mesafe katedeceğini zannediyoruz.

4. Doğal dil işleme (natural language processing)

Arkada bıraktığımız yıl, yapay zeka alanında kelimenin tam anlamıyla doğal dil işlemenin yılıydı. Araştırmacılar, ELMo, ULM-Fit ve BERT gibi modellerle doğal dil işleme adına çok ümit verici mesafeler katettiler. En son, OpenAI’ın GPT-2 modelinin yaydığı sansasyon işin tuzu biberi oldu.

Son yıllardaki doğal dil işleme modellerinde, transformer mimarisi harikulade işler çıkarıyor.

 

Doğal dil işlemede transfer öğrenmesi (transfer learning) uygulamaları hız kazanacak gibi görünüyor. Önümüzdeki yıllarda, bu önemli yapay zeka alanında devrimsel bazı gelişmelere şahit olmamız muhtemel. Doğal dil işleme öğrenmek istiyorsanız, tam zamanı!

Bu yazımızda önemli gördüğümüz ve önümüzdeki yıllarda heyecanlı gelişmelere sahne olacağını tahmin ettiğimiz dört yapay zeka trendinden kısaca bahsetmeye çalıştık. Umarız faydalı olmuştur.


Yorum Bırak

E-posta hesabınız yayımlanmayacak.

Yorum

Ad- Soyad

E-posta

Url