İnsan yaşamını kolaylaştırmak suretiyle tasarlanan yazılımlar, kimi vakit insan zekasının da ötesinde sonuçlar vererek bilim dünyasında coşku yaratabiliyor. İşte, derin öğrenme de bu durumun en güncel ve en popüler örneklerinden biri. Derin öğrenmeyi, makine öğrenimi ya da orijinal adıyla “machine learning” teriminin daha gelişmiş bir versiyonu olarak düşünebilirsiniz. Derin öğrenme, makinelerin dünyayı algılamasında ve anlamasında kullanılan bir yaklaşım biçimi. Suni zeka efsanesinin karşımıza çıkması da, gene sadece derin öğrenme ile mümkün. Bir posta kutusuna düşen gereksiz maillerin otomatikman taranmasından tutun da sürücüsüz ilerleyen otomobillere ya da doktorsuz meydana getirilen kanser araştırmalarına kadar her şey işte bu algoritmalar zincirinin eseri. Üst düzey araştırma şirketlerinin yanı sıra üniversiteler, toplumsal medya şirketleri ve teknoloji devleri de bu alana meydana getirilen yatırımları her geçen gün daha da artıyor. Peki bir bilgisayar modelinin ses, metin ve görüntüleri tanıması, anlamlandırması ve dahası buna nazaran aksiyon alabilmesi {nasıl} mümkün olabilir? Derin öğrenmenin mevcut ve potansiyel kullanım alanları nedir? Tüm bu soruların cevabı için sizleri yazının devamına bekliyoruz.
Deep Learning (Derin Öğrenme) {Nasıl} Çalışır?
Derin öğrenmede hedeflenen; bir yazılımı adım adım kurgulamak yerine bu kurguyu bilgisayar modelinin yapabilmesi için zemin hazırlamak. Bu sayede alternatif senaryolar karşısında bilgisayar modeli çözüm üretebilir. Yazılım aşamasında programcıların üretebileceği senaryolar kısıtlı iken; derin öğrenen makinelerin sunabilecekleri sayısız çözüm mevcut. Dolayısıyla, bir bilgisayarın ne tür nesneleri tanıması isteniyorsa, ilkin o nesnelerin bir eğitim seti halinde bilgisayara yüklenmesi gerekiyor. Bu set katmanlardan oluştuğu için, insan beyninde etkileşim halinde olan sinir hücrelerine de benzetilebilir. Tanıtılmak istenen her bir obje, ilk iş olarak “etiketli veri” şeklinde sisteme yüklenmeli. İnsan vücudundaki derin sinir ağlarına atıfla; derin öğrenme algoritmaları vakit içinde kendi sebep netice ilişkilerini kurabilmeye başlıyor. Yararsız kodlar eliminasyona doğal olarak olurken, yararlı kodlar giderek daha sık ve verimli kullanıma alınıyor. Oldukça rahat bir örnekle; bir bilgisayara ağaç, siyah, beyaz, tişört, köpek, oyun ve çocuk kavramlarını tanıtarak “Siyah tişörtlü çocuk ile beyaz köpek ağacın altında oyun oynuyor.” yorumunu alabilirsiniz. Derin öğrenme, nesnelerin birbirleri ile ilişkilerini ortaya koyar. Trendleri tespit edebilir. Karmaşık durumları yazıya dökerek bunlara dikkat çekebilir. Daha gelişmiş kullanımlarda ise, yorum yapmaktan sonraki adıma geçmek mümkün olur. Mesela yüz ya da ses tanıma işlemi kullanan program, doğru kişiyi algıladığında güvenlik kilitlerini ortadan kaldırabilir.
Derin Öğrenme Başarısını Artıran Faktörler Neler?
Derin öğrenmenin gelişimi, öteki tüm teknolojik gelişmelerle de yakın ilişki içinde. Fotoğraflardaki ya da videolardaki çözünürlüğün ve kullanılan GPU (Grafik İşleme Birimi) performansının artması bu bakımdan avantaj elde eden başlıca faktörler. Mesela, bundan on yıl ilkin bu kadar yüksek px seviyesinde fotoğraflama imkanı olmayacağı için bu kadar başarı göstermiş yüz tanıma sistemlerinden de söz edilemezdi. Aynı şekilde kullanılan veri miktarının artması da, derin öğrenme alanında yatırım yapanların işini büyük seviyede kolaylaştırıyor. Yalnızca web üstünde bile her insanın erişimine açık korkulu büyüklükte bir veri deposu mevcut. Hastane, askeriye ya da okul benzer biçimde kuruluşlardaki verilerini de bu hesaba dahil edin. Bu kadar bilginin doğru şekilde işlenebilmesi ve yeni detayları doğurabilmesi için yalnızca doğru bir sınıflandırma gerekiyor. Derin öğrenme başarısındaki son unsur ise artan derinlik. Bundan yetmiş yıl ilkin bile ANN adında olan “suni sinir ağı” emekleri yapılmıştı. Sadece derin öğrenmeyi başarı göstermiş kılan, CNN adında olan “derin sinir ağları” oldu. Derin öğrenmenin katmanlardan oluşması, katman sayısını artırarak bilgisayarı daha çok besleyebilmeye yarıyor.
Derin Öğrenme İçin Kullanım Alanları Neler?
Hızla gelişen teknolojinin ilerlemesi ile beraber derin öğrenme pratiklerinin ulaşabileceği noktanın da bir sınırı yok. Şu anda derin öğrenme metodunun kullanılmasıyla gelinen nokta akıllı telefon teknolojilerinden sıhhat bilimine kadar her alanda coşku yaratsa da; gelecekte fazlaca daha büyük bir potansiyel kullanım ağından söz ediliyor. Örnek verecek olursak, derin öğrenme yardımıyla bir kişinin genetik geçmişi ve gen dizilimi incelenebilir ve tamamen kişiye hususi tedaviler ve sıhhat tedbirleri geliştirilebilir. Halihazırda derin öğrenme kullanan, en yaygın uygulamalar ise aşağıdaki benzer biçimde:
Yüz tanıma: Akıllı telefonlarda kullanılan, yüz tanıma ile kilit ekranının açılabilmesi özelliği ya da toplumsal medyaya yüklenen bir fotoğrafta etiketlenecek kişinin program tarafınca önerilmesi yüz tanıma kullanımına örnek olarak verilebilir.
Ses tanıma: Telefon bankacılığında, ses algılanarak lüzumlu hizmetlere yönlendirme yapılabilmesi bir ses tanıma örneği sayılabilir. Telefonlardaki sesli asistanlar da aynı şekilde, derin öğrenmeden esin alıyor. Aynı şekilde uzun solukta tüm cihazların ve insanların ses tanıma yardımıyla sürekli kontakt halinde kalacaklarını öngörmek hata olmaz.
Araçlarda kullanım: Otopilot hususi durumunun yanı sıra; görüş alanının kısıtlı olduğu durumlarda dahi doğru karar alabilme ve şerit değişiklik yapma esnasında güvenli alan yaratabilme benzer biçimde emekler son hızla devam ediyor. Otomobil devlerinin emekleri içinde sürücüsüz vasıta da var.
Müdafa ve güvenlik alanlarında kullanım: Derin öğrenme; video tanıma özelliği yardımıyla güvenlik ve müdafa alanlarında hizmet gösteren şirketlerin de işlerini kolaylaştırıyor. Kamera kayıtlarını devamlı denetlemek yerine, kayıt dökümlerinin yazılı olarak alınması ya da yalnızca olağandışı hareketlerde alarm sisteminin devreye girmesi benzer biçimde teknolojiler derin öğrenme yardımıyla mümkün.
Sıhhat alanında kullanım: Derin öğrenmenin en coşku verici kullanım alanlarından biri, kesinlikle sıhhat. Bilhassa kanser araştırmalarında, vakit kaybını ortadan kaldıran emekler yapılıyor. Kanserli hücre örneklerinin tanıtılmış olduğu derin öğrenme algoritmaları, yeni hücrelerin kanserli olup olmadığı tanısını koymakta hem daha süratli hem de daha başarı göstermiş.