Online alışveriş yaparken, sosyal medya uygulamalarını kullanırken, bankacılık ve finans sektörü kapsamında bir işlem yaparken ve daha birçok işlem sırasında makine öğrenmesi ile karşı karşıya kalmak mümkün. Peki, AI yani yapay zekanın gelişmesiyle birlikte ortaya çıkan machine learning nedir? Bu yazıda machine learning (Türkçesi ile makine öğrenimi ya da makine öğrenmesi) hakkında merak ettiğin soruları yanıtladık.
Machine learning (ML), bilgisayarlara insanların yaptığı gibi düşünmeyi öğreten bir yapay zeka biçimi. Makine öğrenmesinin amacı, bir makine veya bilgisayarın kendi kendine yapıyor olduğu işi öğrenebilmesi, geliştirebilmesi ve yenilikler yapabilmesidir. Çünkü makine öğrenmesi, elde ettiği verileri kullandıkça kendini geliştirebilen bir yapıya sahip.
Makine öğrenmesi bir yapay zeka öğrenmesi değil, yapay zekanın bir parçası. Yani yapay zeka ve makine öğrenmesi farklı iki kavramdır. AI, makineyi insan gibi düşünme ve öğrenme yeteneğine sahip hale getirme amacıyla makine öğrenmesini oluşturmayı sağlar. Makine öğrenimi ise makinelere öğrenme yeteneğini geliştirmek için algoritmaların kullanıldığı yöntemdir.
Makine öğrenimi, çeşitli algoritmalar ve yöntemler kullanarak ve elde ettiği verileri inceleyerek yeni verilere ulaşır. Böylece verileri kullandıkça kendini geliştirebilir ve bilgilerinin de doğruluğunu artırır.
Machine learning algoritmaları, verileri kullanarak bir model oluşturur. Ardından bu verileri kullanarak onlar hakkında tahminlerde bulunur. Bu algoritmalar, beklenen çıktı ve girdi türüne göre 4 farklı öğrenme yöntemi şeklinde gruplandırılabilir. Bu öğrenme şekillerini şöyle sıralayalım:
Bu algoritma, halihazırda gruplandırılarak sisteme bilgisi eklenen verileri kullanılarak bir model oluşturur. Mesela bir grup köpek ve kedi görseli olan bir küme düşün. Burada köpeklerin köpek olarak ve kedilerin kedi olarak etiketlenmesi yani sınıflandırılmasıyla algoritma modeli çalışır. Yeni verileri de bu sınıflandırmaya göre inceler ve sonuca varır.
Burada sınıflandırılmamış veriler kullanılarak bir model oluşturulur. Ardından veri, kümeler arasındaki yapıları keşfetmeye çalışır ve bu şekilde bilgiyi sunmayı amaçlar. Yapılar, veri kümesindeki özellikler arasındaki ilişkileri ifade eder. Mesela bir veri kümesinde çok farklı ürünlerin satış verileri bulunabilir. Bu algoritma bu verileri kullanarak ürünler arasındaki ilişkileri keşfedebilir ve bu ürünleri benzer özelliklere sahip gruplara ayırabilir.
Gözetimli ve gözetimsiz makine öğrenmesinin birleşimi olan yarı gözetimli algoritmada, sınıflandırılan ve sınıflandırılmayan veriler birleşerek bir model oluşturur.
Pekiştirmeli makine öğreniminde makine, bir görev için geri bildirim alarak bir model oluşturur. Mesela oyun oynamak için pekiştirmeli makine öğrenimi algoritmaları kullanıldığında makine, oyunun kuralları ile ilgili geri bildirimlerin karşılığında kendini yeniler ve doğruluk oranını artırır. Yani oyunu daha iyi oynar.
Ancak tüm bu öğrenme modellerinde amaç, makinenin öğrenme yeteneklerini geliştirmek ve makineyi işlevsel hale getirmektir.
Machine learning, yapay zeka alanında önemli bir teknoloji ve yapay zekanın çeşitli uygulamalarında kullanılır. ML, yapay zekanın öğrenme ve adapte olma yeteneklerini artırır. Bunun sonucunda ise AI; veri taraması yapma, karar verme, veri analizi yapma ve öğrendiği bilgileri kullanma gibi yeteneklerini geliştirir.
Mesela bir AI sisteminde yapay zekanın amacı, kullanıcının konuşmasını dinlemek ve anlamak olsun. Bu bir sesli yanıt sistemi olabilir. AI, kullanıcının dilini bilmezse söylediklerini de anlamaz. ML ise kullandığı algoritmalar sayesinde sistemin dil öğrenme ve anlama performansını artırır.
ML hızının değişmesi birçok değişkene bağlıdır. Ancak hızını etkileyen başlıca faktörleri şöyle sıralayabiliriz:
Daha fazla veri kullanmak: Makine öğrenimi algoritmaları, daha fazla veri kullandıkça daha iyi ve hızlı öğrenir. Bu nedenle daha fazla veri toplamak, makinenin daha hızlı öğrenmesine yardımcı olur. Daha fazla veri toplamak da makinenin kullanılmasıyla gerçekleşir.
Daha hızlı işlemci tercih etmek: ML algoritmaları, işlemci hızına göre daha hızlı veya yavaş çalışabilir. Bu nedenle daha hızlı bir işlemci kullanıldığında makine daha hızlı öğrenir.
Önceden eğitilmiş bir modeli kullanmak: Önceden eğitilen bir modeli başlangıç noktası olarak kullanmak ve ardından belirli görev için özel verileri sürece dahil etmek, makine öğrenmesini hızlandırır. Çünkü bir modeli sıfırdan eğitmek kadar fazla zaman almaz.
Bulut tabanlı platformlar kullanmak: Google Cloud veya Amazon Web Services gibi bulut tabanlı platformlar, daha güçlü donanımlara erişim sağlayabilir. Bu da eğitim süresini kısaltabilir.
Bunlara ek olarak verilerin ve algoritma modellerinin oluşumunda kullanılan parametrelerin yani değerlerin doğruluğu da makinenin öğrenme hızında oldukça etkilidir.
Makine öğrenmesi uygulamalarının örneklerini günlük hayatta birçok kez görüyoruz. ML kullanım alanlarından bazılarını şu şekilde sıralayalım:
Sağlık: Makine öğrenimi, sağlık alanında hastalıkların tanısı yapmak için kullanılabilir. Mesela X-ışınları bir ML örneğidir ve bunu kullanarak kemiklerdeki kırıklar veya çatlaklar tespit edilebilir. MR ise beyin ve omurilikteki sorunların tespit edilmesinde, kalp ve damar sistemindeki sorunların tanımlanmasında, kas-iskelet sistemindeki sorunların araştırılmasında ve kanser tümörlerinin yerlerinin belirlenmesinde kullanılabilir.
E-ticaret: Makine öğrenimi, e-ticaret alanında ürünlerin tüketiciye önerilmesini sağlamak için kullanılabilir. Bunu müşterinin geçmiş satın alımlarına ve ürün arama geçmişine dayanarak yapabilir.
Görüntü ve ses tanıma: Makine öğrenimi, görüntü ve ses tanıma gibi görevleri yerine getirebilir. Yani resimdeki nesneleri tanıyabilir veya bir sesi, bir metin olarak yazıya dökebilir. Sesli arama özellikleri buna örnek olabilir.
Ayrıca finans sektöründe de ML uygulamalarına sıklıkla rastlanır. Ödeme süreçlerinde ve kredi sisteminde gerçekleşen şüpheli harcamaların tespiti gibi aşamalarda kullanılır.
Yapay zekanın bir parçası olan ML’nin, sahip olduğu yetenekleri hızla geliştirmesi bekleniyor. Mesela ML, yaptığı tahminlerin doğruluğunu artırabilir. Böylece üretim sürecinde yapılması gereken üretim miktarını doğru tahmin edebilir ve üretim hızının ayarlamaya yardımcı olabilir.
Üstelik makine öğrenmesi, finans sektöründe de gelişebilir. Mesela ML algoritmaları; finansal işlemlerden aldığı verilerle şüpheli faaliyetleri işaret ederek anormal faaliyetleri belirlemeye daha fazla katkıda bulunabilir, hacklenme ihtimallerini azaltabilir.
Ancak hangi alan olursa olsun makine öğrenmenin, yapay zekanın katkılarıyla hayatımıza birçok gelişme getireceği ve bize daha doğru verileri aktararak her aşamada işlerimizi kolaylaştıracağını söylemek mümkün.
