Yapay Zeka

Yapay Sinir Ağları ve Geleceği

Yapay Sinir Ağları ve Geleceği

Yapay sinir ağları, Yapay Zeka (AI-Artificial Intelligence)’ nın alt başlıklarından birisi olup, insan beyninden esinlenerek geliştirilmiş, ağırlıklı bağlantılar aracılığıyla birbirine bağlanan ve her biri kendi belleğine sahip işlem elemanlarından oluşan paralel ve dağıtılmış bilgi isleme yapıları; bir başka deyişle, biyolojik sinir ağlarını taklit eden bilgisayar programlarıdır (Elmas, 2003) ve günümüzde en büyük teknolojik gelişme potansiyeline sahip olan alanlardan birisi olarak görülmektedir. Yapay sinir ağları sayesinde, neredeyse her türlü hesaplama işini otomatik olarak ve insan beyninden daha fazla işlem gücüyle gerçekleştirebiliriz.

Şu an için henüz emekleme aşamasında olan yapay sinir ağları (Neural Networks), “konuşma tanıma” dan, “tıbbi tanılara” veya “yüz tanımaya” kadar bir çok alanda uygulanabilmekte ve bu alanlarda devrimsel sayılabilecek çok büyük gelişmeleri beraberinde getirmektedir. Asıl soru, yapay sinir ağlarının bu noktadan sonra nereye gidecek?

Yapay Sinir Ağları ‘nın Bugünü

Yapay sinir ağları, her biri yapay bir nöron gibi çalışacak şekilde tasarlanmış, milyonlarla ifade edilen sayıda birim arasında birleştirilmiş bilgisayar programlarıdır. “Eğitildiğinde”, yapay sinir ağları tipik olarak bilgi ile beslenir ve fotoğraflarda tanıdık yüzleri tespit etme veya bir tenis topuna vurmanın en doğru yolunu belirleme gibi kalıpların tanınmasını sağlar. Geri bildirimler sayesinde sinir ağları daha sonra problemi işleme şeklini değiştirmeye çalışır ve hatta sürekli olarak nasıl daha iyi yapılacağını “öğrenir”. Eğitildiklerinde, sinir ağları çok çeşitli problemleri çözebilir.

Sinir Ağlarının Güçlü Yanları

Yapay sinir ağlarının, yapay zeka geliştiricilerinin favorisi olmalarını sağlayan birkaç güçlü yönü bulunmaktadır:

  • Çok değişkenli problemlerde performans: Önceden belirlenmiş ve değişmez kurallar, şartlar ve sınırlı sayıda/çeşitte girdi içeren bir problem söz konusu olduğunda, bir makinenin cevabı bulması kolaydır. Buradaki makineden kastımız aslında bir hesap makinesidir; matematiğin kuralları asla değişmez ve izlemesi nispeten kolaydır. Sadece iki değişken girdiğinizde (iki gerçek sayı), bunların toplamını kolayca alabilirsiniz. Ancak gerçek kişilerin konuşma düzenlerini tanımlamak veya çok çeşitli hastalıkları teşhis etmek çok daha fazla değişken gerektirir. Sinir ağları, bu büyük problemlerin çözülmesinde şaşırtıcı derecede iyidir – hatta bazen insanlardan bile daha iyidir.
  • Özellik mühendisliği (Feature Engineering): Yapay sinir ağları,  “özellik mühendisliği” olarak bilinen bir soruna atfedilen doğru özellikleri bulmakta da inanılmaz derecede iyidir. Diyelim ki, Google’ ın yaptığı gibi bir Go oyununu nasıl oynayacağınız (ve kazanacağınız) bir algoritma öğretmeye çalışıyorsunuz. Go, pratik olarak sınırsız hareket imkanı olan ve bir hareketin “iyi” veya “kötü” olup olmadığını (özellikle erken oyunda) belirlemenin net bir yolu olmayan bir oyundur. Makinenin etkili bir şekilde öğrenebilmesi için, makinenin zafere yaklaşması bakımından neyin daha fazla veya daha az muhtemel olabileceğini tanımlamasını öğrenmesi gerekir. Sinir ağları bunu yapabilir; değerlendirilmek üzere yeni kategoriler oluşturabilir ve çalışmalarına uygulayabilirler.
  • Uygulanabilirliği: Sinir ağları aynı zamanda esneklik gücüne sahiptir. Bir kez kurulduklarında ve çalıştırıldıklarında, örneğin insanların daha sorunsuz uçuşlar gerçekleştirebilmesi için müdahale eden veya hava trafiğini düzenleyen çözümlere varıncaya dek hemen hemen her şeye uygulanabilirler. Bir sinir ağının temel işlevi, verimli bir şey öğrenmektir; bu yüzden kalıpları tanımayı öğrenebilecek bir sisteminiz varsa, neredeyse her alanda verimli çözümlere ulaşabilirsiniz.

Sinir Ağlarının Temel Zayıflıkları

Yukarıda sayılan tüm avantajlarının yanı sıra, yapay sinir ağlarının tam kapsamlı uygulanmalarını engelleyen ve gelecekte geliştirilmesi gereken bazı önemli zayıflıkları da var:

  • Veri gereksinimleri: Yeni oluşturulan tüm sinir ağları, kalıpları tanımaya ve kendilerini geliştirmeye başladıkları bir “öğrenme” sürecinden geçmelidir. Makinelere her zamankinden daha verimli bir şekilde “öğretebilmemiz” mümkün olsa da, bu algoritmalar etkili olmaya başlamadan önce hala büyük bir veri gereksinimi duymaktalar. Uygulamaya bağlı olarak, bu 10.000 ayrı veri kümesini veya daha fazla anlamına gelmektedir. Bu da, sinir ağını etkin kılmak için harcanan zamanı önemli ölçüde artırabilir veya olası uygulamaları sınırlandırabilir.
  • Pahalılık: Sinir ağları ile çalışmanın maliyeti yüksektir ve bu yöndeki iyileştirmeler zaman alacak gibi görünmektedir. Tüm bu değişkenleri ve gelen tüm veri kümelerini işlemek için gereken işlemciler, normal bir sistemin çok üstünde CPU ve GPU gücü gerektirmektedir. Bu, bazı mühendisler için cesaret kırıcı bir durum ve işlevsel bir sistemin yüksek maliyeti, kullanılmasını zorlaştırıyor.
  • Zorluk: Tahmin edebileceğiniz gibi, bir sinir ağı geliştirmek oldukça derin ve karmaşıktır. Bir sinir ağının nasıl geliştirileceğini öğrenmek inanılmaz derecede zor ve yolculuğa başlayan birçok mühendisi yarı yolda pes ettirecek kadar karmaşık olabilmektedir. Üstelik, sinir ağlarının karmaşıklığı nedeniyle, algoritmalarımızın sonuçlarını öngörmek genellikle mümkün olmamaktadır veya bulgularının doğru olup olmadığını belirleyebiliriz, ancak bu cevaplara nasıl gelindiğini tam olarak görmek şu aşamada pek mümkün değil.
  • Uzun vadeli potansiyel: Yapay sinir ağları, yapay zeka alanındaki önemli gelişmelerden sorumludur, ancak uzun vadeli potansiyel açısından, çekirdek yöntemleri veya klasik yapay zeka gibi diğer olasılıklar her zaman ağırlıklarını koruyacaktır.

Gelecekte Bizi Neler Bekliyor?

Sinir ağlarının geleceğine umutla bakmamızı sağlayan tüm bu güçlü yanlar ve işleri karmaşıklaştıran zayıf yönlerle, gelecekte bu inanılmaz teknoloji için neler ön plana çıkabilir ?

  • Entegrasyon: Sinir ağlarının zayıflıkları, onları sembolik fonksiyonlar gibi tamamlayıcı bir teknolojiyle birleştirebilirsek kolayca telafi edilebilir. Zor kısım, ortak bir sonuç üretmek için bu sistemlerin birlikte çalışmasının bir yolunu bulmaktır ve mühendisler bu konu üzerinde halen yoğun bir şekilde çalışmaktadır.
  • Sırf karmaşıklık: Her şey güç ve karmaşıklık açısından ölçeklendirilme potansiyeline sahiptir. Teknolojik gelişmelerle, daha büyük ve daha verimli algoritmaların üretilmesini sağlayarak CPU’ ları ve GPU’ ları daha ucuz ve / veya daha hızlı hale getirebiliriz. Ayrıca, daha fazla veri işleyebilen veya verileri daha hızlı işleyebilen sinir ağları da tasarlayabiliriz; böylece, 10.000 yerine yalnızca 1000 örnekle örüntüleri tanımayı öğrenebilirler. Ne yazık ki, bu alanlarda ne kadar gelişmiş olabileceğimizin üst sınırı olabilir – ancak bu sınıra henüz ulaşmadık. Bu nedenle yakın gelecekte bunun için çaba göstereceğimiz görülmekte.
  • Yeni uygulamalar: Dikey olarak ilerlemek yerine, daha hızlı işlem gücü ve daha fazla karmaşıklık açısından, sinir ağları daha çeşitli uygulamalara dahil edilerek yatay olarak da geliştirilebilir. Yüzlerce endüstri, daha etkin bir şekilde çalışmak, yeni müşteriler hedeflemek, yeni ürünler geliştirmek veya tüketici güvenliğini artırmak için sinir ağlarını etkin bir biçimde kullanabilir.

İş hedeflerinizin ne olduğuna bakılmaksızın, sinir ağlarının onlara ulaşmanıza yardımcı olma ihtimali yüksektir – eğer şimdi değilse bile, çok yakın zamanda. Gelinen noktanın yetersizliğine rağmen, şirketler ve mühendisler sinirsel ağ çabalarını geliştirmek için sürekli çalışıyorlar; bu da sinir ağlarının “altın çağı” nın (geçici olacak dahi olsa) yakında geleceği anlamına geliyor.

Yapay sinir ağları gelişiminin süresiz olarak devam edip etmeyeceğini veya bazı yeni, daha verimli teknolojilerin yerini alacağını veya yerini başka teknolojilere devredeceğini şimdiden söylemek oldukça zor. Ancak her iki durumda da, yapay zeka alanındaki bu önemli atılım dikkatimizi hak ediyor.

zvr
Bu Yazıyı Değerlendirin
Tagged , ,

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir