1980’li yıllarda ortaya çıkan makine öğrenmesinin bir alt dalı olan derin öğrenme (deep learning) 2000’lerde gelişim göstermeye başladı. Son dönemlerdeyse yapay zeka teknolojileriyle birlikte derin öğrenmenin çok sık adını duymaya başladık. Derin öğrenme ile bilgisayar sistemlerindeki karmaşık görevler insan benzeri şekilde çözülebiliyor.
Bu teknolojiyle doğru tahminlerde bulunmak ve öngörüde bulunmak mümkündür. Çünkü sesler, resimler ve metinlerdeki karmaşık modelleri kolayca tanıyabiliyor. Deep laerning modellerinden yararlanılarak ses dosyaları metne dönüştürülebilir ya da görüntüler tasvir edilebilir. İnsan zekasına ihtiyaç duyulan noktalarda görevleri otomatikleştirmek adına bahsettiğimiz teknolojiden yararlanılabilir.
Derin Öğrenme (Deep Learning) Önemi Nedir?
Yapay zeka (Al) tarafından bilgisayarlar, insanlar gibi öğrenecek ve düşünecek şekilde eğitilir. Dolayısıyla derin öğrenme teknolojisi ile günlük yaşamda kullanılan birçok ürün yapay zeka uygulamaları tarafından desteklenmeye başladı.
Veri bilimcileri tarafından çok kullanılan derin öğrenme modelleri, önceden tanımlanan adım kümeleri ve algoritmalardan yararlanarak çeşitli çalışmalar yapıyor. Farklı farklı uygulamalarda tahminlerde bulunmak için Deep learning modellerinden yararlanılabilir. Aynı zamanda bu modellerle işletmeler, iş süreçlerindeki verileri de analiz edebilir.
Derin öğrenme modelleriyle gelişen teknolojilere şöyle örnek verebiliriz;
- Otomatik yüz tanıma
- Dijital asistanlar
- Sanal gerçeklik
- Sesle etkinleştirilebilen televizyon uzaktan kumandaları
- Otonom otomobiller
- Dolandırıcılık algılama
Derin Öğrenme (Deep Learning) Nasıl Çalışır?
Derin öğrenme, insan beynine göre modellenen sinir ağlarıyla destekleniyor. Büyük boyuttaki verilerle sinir ağı üzerindeki nöronlar konfigüre edilir. Burada derin öğrenme modelleriyle yeni veriler ortaya çıkar.
Derin öğrenme modelleriyle birden çok veri kaynağı üzerinden bilgi alınır. Alınan bu veriler daha sonra insan müdahalesi olmadan gerçek zamanlı şekilde analiz ediliyor. Bahsettiğimiz modeller hem analitik hem de otomasyon görevlerinin sorunsuz gerçekleşmesini sağlayan yapay zeka teknolojilerine yön veriyor.
Aslında hepimiz cep telefonlarımızı kullanırken ya da internette gezinirken derin öğrenme modelleriyle karşılaşıyoruz. Bu duruma telefonların hoparlörlerinden konuşma tanıma gerçekleştirmeyi örnek verebiliriz.
Derin Öğrenme (Deep Learning) Avantajları Nelerdir?
Derin öğrenme avantajları şöyle sıralanabilir;
- Modeller, büyük veri üzerinde eğitilir. Böylelikle model daha çok veriyle mükemmel hale gelir.
- Sınırlı kullanılan eğitim veri setleri üzerinden yeni özellikler oluşturulabilir.
- Web kamerası, video klipler, sensör verileri ve belgeler iyi yapılandırılmamış verilerle çalışmaya başlar.
- Feature engineering olarak isimlendirilen makine öğrenimi uygulamasındaki görevde süreyi azaltarak işlemleri hızlandırır.
- Denetimsiz öğrenme teknikleriyle ilgili çeşitli çalışmalar yaparak ortaya güvenilir sonuçlar çıkmasını sağlar.
Derin öğrenme; tıp, yazılım, finans gibi birçok alanda avantaj sağlıyor. Örneğin tıp alanında doktorların tespit edemediği kanser göstergelerinin fark edilmesi.
Derin Öğrenme Türleri
Kullanım amaçlarına göre değişen derin öğrenme türleri şunlardır:
1. Generative Adversarial Networks (GAN)- Çekişmeli Üretici Ağlar
Generative Adversariak Networks (GAN)- Çekişmeli Üretici Ağlar ile gerçeklerinden ayırt edilemeyen insan yüzleri, tablolar, ürünler tasarlanabiliyor. Gerçekte yapılmayan hareketlerle hazırlanan videolarda Generative Adversarial Networks’in ürünüdür.
2. Convolutional Neural Networks (CNN)-Evrişimsel Sinir Ağları
Derin öğrenme türlerinden Convolutional Neural Networks (CNN)-Evrişimsel Sinir Ağları, resimlerin tanınmasını sağlayan dikkat çekici bir mekanizmaya sahip. Evrişimsel Sinir Ağları ile görüntülerin yapısal nüansları ayırt edilir. Evrim Sinir Ağları sayesinde görüntülerde yer alan yüzler, çizgiler, gözler, daireler vb. unsurlar hem nesnelere hem de desenlere göre sınıflandırılıyor. CNN, tüm bu işlemler için NLP yani Doğal Dil İşleme tekniklerinden yararlanıyor. Örneğin, NLP tekniğini kullanan CNN sayesinde şirkete gelen e-postaların hangi departmana ait olduğu departmanın ismi olmadığı halde kolayca belirlenebilir.
3. Recurrent Neural Networks (RNN)- Tekrarlayan Sinir Ağları
Tekrarlayan Sinir Ağları ile hem yapılandırılmış hem de hiç yapılandırılmamış veriler yorumlanabilir. Recurrent Neural Networks (RNN); konuşma tanıma, çeviri yapma gibi işlemler için kullanılabilir. RNN teknolojisi sayesinde ses asistanları, sahibinin sesiyle konuşma aksanını tanır. Tekrarlayan Sinir Ağları teknolojisi, bilgi toplayıp sonrasında bu bilgilere göre çıktı ve girdilerin ayarlamasını yapar.
Derin Öğrenme (Deep Learning) Katmanları Nelerdir?
Derin öğrenme katmanları şu şekilde sıralanabilir;
- Girdi katmanı
- Gizli katman
- Çıktı katman
Derin öğrenme ağı, veri girilen birkaç düğümden oluşuyor. Düğümlerin olduğu katman girdi olarak isimlendirilir. Girdi katmanında veriler işlenerek sinir ağının en derinliklerine iletilir.
Burada gizli katmanlar, verileri alarak farklı şekillerde işlemeye başlar. Derin öğrenme ağları üzerinde verileri birkaç şekilde analiz eden gizli katman yer alıyor. Çıktı katmanında çıktı verilerini oluşturan düğümler vardır. Örneğin, çıktı katmanında “Evet” ve “Hayır” yanıtlarını sunan derin öğrenme modelleri bulunuyor. Çıktı katmanında “Evet”, “Hayır” şeklinde iki düğüm dışında birçok cevap veren katmanlarda yer alıyor.
Derin Öğrenme (Deep Learning) Kullanım Alanları
Genel olarak birçok kişi tarafından geleceğin teknolojisi olarak görülen derin öğrenme aslında günümüzde de kullanılıyor. Derin öğrenme kullanım alanları şöyle ifade edilebilir:
1. Üretim Sektörü
Derin öğrenme; katmanlı imalat, robotik, nesnelerin interneti (IoT), bulut hesaplama gibi alanlarda kullanılabiliyor. İnsanlardan kaynaklı montaj, imalat gibi kusurların tespitinde kullanılan bir teknolojidir. Böylelikle iş süreçlerinin hızlı ve kusursuz ilerlemesi sağlanıyor.
2. Mali Dolandırıcılık Tespitleri
Banka gibi çeşitli finansal kurumlar, dolandırıcılık gibi olumsuz durumları engellemek için teknolojiler geliştirmeye başladı. Derin öğrenme teknolojileriyle dolandırıcılığı işaret eden davranışlar tespit edilip ona göre önlemler alınır.
3. Perakende
Perakende sektörünün en önemli özelliği, görsel bilgilere önem vermesidir. Örneğin bazı firmalar, müşterilerine tavsiyede bulunmak için daha önceki stillerden yararlanarak şablonlar oluşturuyor. Bu şablonlar sayesinde kişilerin nasıl kıyafetler satın alabileceği hakkında bilgi sahibi olunur. Gelecekte derin öğrenme ile kişiselleştirilmiş alışveriş deneyimi sağlayan asistan botlarda geliştirilecek.
4. Sağlık Problemlerinin Çözümü
Derin öğrenme teknolojilerinin en çok kullanıldığı alanlar içerisinde sağlık yer alıyor. Bahsedilen teknolojiyle başta kanser olmak üzere çocuklarda konuşma bozuklukları, kemik erimesi, Alzheimer vb. hastalıklar kolayca tespit ediliyor.
5. Otomotiv
Volvo, Tesla vb. otomotiv orijinal malzeme üreticileri derin öğrenme teknolojilerinden yararlanarak kendi kendine çalışan arabalar geliştirmeye çalışıyor. Otomotiv araçlar, çevreye duyarlı ve hızlı taşımacılık hizmeti verecek şekilde tasarlanıyor.
YORUMLAR