Makine Öğrenimi ve Derin Öğrenme: Fark Nedir?

Yapay zeka bugünlerde her yerde, ancak bu etkili yeni teknolojinin nasıl çalıştığının temelleri kafa karıştırıcı olabilir. Yapay zeka geliştirmedeki en önemli alanlardan ikisi “makine öğrenimi” ve onun alt alanı olan “derin öğrenme”dir. Bu iki önemli disiplinin ne olduğuna ve otomasyonun gelişimine nasıl katkıda bulunduklarına dair kısa bir açıklamayı burada bulabilirsiniz.

Öncelikle yapay zeka nedir?

Yapay zekanın gerçekte ne olduğunu kendimize hatırlatmaya değer. Yapay zekanın savunucuları, bir gün kendi adına "düşünebilen" bir makine yaratmayı umduklarını söylüyor . İnsan beyni , şu anda var olan herhangi bir makinenin kapasitesini çok aşan hesaplamalar yapma yeteneğine sahip muhteşem bir araçtır . Yapay zeka geliştirmede yer alan yazılım mühendisleri, sonunda bir insanın entelektüel olarak yapabileceği her şeyi yapabilen ama aynı zamanda onu da aşabilen bir makine yapmayı umuyor. Şu anda, yapay zekanın iş dünyasında ve hükümetteki uygulamaları büyük ölçüde , Spotify'da bir sonraki şarkınızı öneren veya size geçen hafta Amazon'dan satın aldığınız ürünün benzerini satmaya çalışan türden tahmine dayalı algoritmalara dayanıyor . Ancak yapay zeka savunucuları, teknolojinin eninde sonunda mantık yürütebileceğine ve çok daha karmaşık kararlar verebileceğine inanıyor. ML ve DL'nin devreye girdiği yer burasıdır.

Makine öğrenimi açıklandı

Makine öğrenimi (veya ML), yazılım programlarına nasıl tahmin veya "karar" yapılacağının "öğretildiği" süreci ifade eden geniş bir yapay zeka kategorisidir. IBM mühendislerinden Jeff Crume, makine öğrenimini "istatistiksel analizin çok karmaşık bir biçimi" olarak açıklıyor . Crume'a göre bu analiz, makinelerin "verilere dayalı tahminler veya kararlar" almasına olanak tanıyor. "Sisteme ne kadar çok bilgi beslenirse, sistem bize o kadar doğru tahminler verebilir" diyor.

Bir makinenin çok özel bir görevi tamamlamak üzere tasarlandığı genel programlamanın aksine , makine öğrenimi, verilerdeki kalıpları kendi başına tanımlayacak bir algoritmanın eğitimi etrafında döner. Daha önce de belirtildiği gibi, makine öğrenimi çok çeşitli faaliyetleri kapsar.

Derin öğrenme, açıklandı

Derin öğrenme , makine öğrenimidir . Makine öğreniminin daha önce bahsedilen alt kategorilerinden biridir ve diğer makine öğrenimi biçimleri gibi, yapay zekaya "düşünmeyi" öğretmeye odaklanır. Diğer bazı makine öğrenimi türlerinden farklı olarak DL, algoritmaların işlerinin çoğunu yapmasına izin vermeyi amaçlamaktadır. DL, yapay sinir ağları (YSA) olarak bilinen matematiksel modellerle beslenir. Bu ağlar, karar verme ve kalıp tanımlama gibi insan beyninde doğal olarak meydana gelen süreçleri taklit etmeyi amaçlıyor.

ML ve DL arasındaki temel fark

Derin öğrenme ile diğer makine öğrenimi biçimleri arasındaki en büyük farklardan biri, bir makinenin sağladığı "denetim" düzeyidir. ML'nin daha az karmaşık biçimlerinde, bilgisayar muhtemelen denetimli öğrenmeyle meşguldür ; bu, bir insanın makinenin etiketli, yapılandırılmış verilerdeki kalıpları tanımasına yardımcı olduğu ve böylece tahmine dayalı analiz yapma yeteneğini geliştirdiği bir süreçtir.

Makine öğrenimi büyük miktarda "eğitim verisine" dayanır. Bu tür veriler genellikle insanlar tarafından veri etiketleme yoluyla derlenir (bu insanların çoğuna çok iyi ücret ödenmez ). Bu süreç boyunca, daha sonra AI algoritmasına beslenebilecek ve ona kalıpları tanımlamayı öğretmek için kullanılabilen bir eğitim veri seti oluşturulur. Örneğin, bir şirket fotoğraflarda belirli bir araba markasını tanımak için bir algoritma eğitiyorsa , bu algoritmayı, o araba modelinin insan personel tarafından manuel olarak etiketlenmiş fotoğraflarından oluşan büyük dilimlerle besleyecektir. Makine eğitildikten sonra makinenin tahmin güçlerinin doğruluğunu ölçmek için bir "test veri seti" de oluşturulur.

Bu arada konu DL'ye gelince, bir makine "denetimsiz öğrenme" adı verilen bir sürece giriyor . Denetimsiz öğrenme , henüz etiketlenmemiş veya bir veritabanında düzenlenmemiş veriler olan, yapılandırılmamış veya "ham" veriler olarak adlandırılan verilerdeki kalıpları tanımlamak için sinir ağını kullanan bir makineyi içerir . Şirketler, organize olmayan veri yığınlarını incelemek için otomatik algoritmalar kullanabilir ve böylece büyük miktarda insan emeğinden kaçınabilir.

Sinir ağları nasıl çalışır?

YSA'lar "düğümler" adı verilen şeylerden oluşur. MIT'e göre bir YSA "binlerce, hatta milyonlarca" düğüme sahip olabilir. Bu düğümler biraz karmaşık olabilir ancak kısa açıklama, bunların (insan beynindeki düğümler gibi) bilgiyi aktarması ve işlemesidir. Bir sinir ağında düğümler, "katmanlar" olarak adlandırılan organize bir biçimde düzenlenir. Dolayısıyla “derin” öğrenme ağları birden fazla düğüm katmanını içerir. Bilgi ağ boyunca hareket eder ve çeşitli ortamlarla etkileşime girer; bu da, bir insan uyarısına maruz kaldığında makinenin karar verme sürecine katkıda bulunur.

YSA'lardaki bir diğer anahtar kavram ise, bir yorumcunun insan beynindeki sinapslarla karşılaştırdığı "ağırlıktır". Yalnızca sayısal değerler olan ağırlıklar, bir yapay zekanın sinir ağı boyunca dağıtılır ve bu yapay zeka sisteminin nihai çıktısının nihai sonucunun belirlenmesine yardımcı olur. Ağırlıklar, bir sinir ağının karar alabilmesi için kalibre edilmesine yardımcı olan bilgi girdileridir. MIT'in sinir ağları üzerine derinlemesine incelemesi bunu şu şekilde açıklıyor:

Bir düğüm, gelen bağlantıların her birine "ağırlık" olarak bilinen bir sayı atayacaktır. Ağ aktif olduğunda, düğüm her bağlantı üzerinden farklı bir veri öğesi (farklı bir sayı) alır ve bunu ilgili ağırlıkla çarpar. Daha sonra elde edilen ürünleri bir araya toplayarak tek bir sayı verir. Bu sayı bir eşik değerinin altındaysa düğüm bir sonraki katmana hiçbir veri iletmez. Sayı eşik değerini aşarsa, düğüm "ateşlenir"; bu, günümüzün sinir ağlarında genellikle sayının (ağırlıklı girdilerin toplamının) tüm giden bağlantıları boyunca gönderilmesi anlamına gelir.

Kısacası: Sinir ağları, bir algoritmanın kendisine beslenen veriler hakkında kendi sonuçlarına varmasına yardımcı olacak şekilde yapılandırılmıştır. Algoritma, programlanmasına bağlı olarak büyük veri dilimlerindeki faydalı bağlantıları tanımlayarak insanların analize dayanarak kendi sonuçlarını çıkarmasına yardımcı oluyor.

Yapay zeka gelişimi için makine öğrenimi neden önemlidir?

Makine ve derin öğrenme, makinelerin daha önce yalnızca insanların etki alanı olan tahmine dayalı ve yorumlayıcı faaliyetleri gerçekleştirecek şekilde eğitilmesine yardımcı olur. Bunun pek çok avantajı olabilir, ancak bariz dezavantajı, bu makinelerin kaçınılmaz olarak yalnızca yararlı değil, kötü şeyler için de kullanılabilmesi (ve dürüst olalım, kullanılacaktır) - hükümet ve özel gözetim sistemleri ve sürekli otomasyon gibi şeyler için. askeri ve savunma faaliyeti. Ancak aynı zamanda tüketici önerileri veya kodlama ve en iyi ihtimalle tıbbi ve sağlık araştırmaları için de faydalı oldukları açıktır. Diğer tüm araçlar gibi yapay zekanın da dünya üzerinde iyi ya da kötü bir etkisinin olup olmadığı büyük ölçüde onu kimin kullandığına bağlıdır.