YAPAY ZEKÂ ÖĞRENMESİ VE VERİ İŞLEME

1960’lı yıllarda yükselişe geçen, hatta döneminin onlarca filmine konu olan, ancak sonraları hayal kırıklığı olarak nitelendirilen yapay zekâ araştırmaları, 2000’li yılların başında müthiş bir geri dönüş sağlayarak bugün endüstri 4.0 gibi platformları tartışmamıza yol açtı. Elbette 60’lı yılların sonrasında yaşanan hayal kırıklığı yalnızca bu alana özgü bir şey değil. Söz konusu bilim ve teknolojilere ilişkin beklentinin ‘normalin’ üzerinde olması neticesinde oluşan bu hayal kırıklığını, belirli bir süre sonra gelen ‘geri dönüş’ evresi takip eder ve söz konusu teknolojiler tekrar konuşulmaya başlanır.

Aslında günümüz yapay zekâ çalışmalarının ve uygulamalarının da benzer bir özellikte olduğu söylenebilir. Çünkü pek çok şirket veya kurumun büyük bütçelerle yaptıkları yapay zekâ çalışmalarının sonuçları pek de umulduğu gibi olmayabiliyor. Amerikan merkezli bir araştırma şirketinin açıkladığı sonuçlara göre firmaların yüzde 55'i yapay zekadan somut bir iş çıkışı sağlayamadı ve yüzde 43'ü, yatırımlarının başarılı olup olmadığını söylemek için çok erken olduğunu söylüyor.

Elbette bunun nedeni yapay zekâ teknolojilerinin yetersizliği değil; işletme sahipleri, veri bilimciler ve teknoloji uzmanlarının tümü bu sürece dahil olmalı. Ayrıca gerçekleştirilecek bir hedefle yola çıkılmadığında yapılacak olan yatırımlardan geri dönüş beklenmemeli.

Yapay Zekâ İçin Başlıca Endüstriler

Sağlıktan üretim teknolojilerine, eğlence sektöründen veri güvenliğine kadar geniş bir alanda kullanılan yapay zekâ algoritmaları, veri bilimi konusunda artan anlayışla beraber geleneksel şirketlerin dahi ilgisini çekmeye başlıyor. 2017 yılının yapay zekânın hayatımıza ve üretim süreçlerine getirebileceği kolaylıkları anlamaya yönelik geçtiğini düşünürsek 2018’de pratiğe dökülmüş modelleri görebileceğimizi söyleyebiliriz.

Yapay zekâ çalışmalarının kullanıldığı alanların başında, pek çoğumuzun düşündüğü üzere, yalnızca egzotik robotlar veya asistanlar ile satrançta, strateji oyunlarında ya da okuma testlerinde gerçek kullanıcıları yenen yapa zekâ algoritmaları yok. Artık daha çok ölçme, analiz, tahmin, veri ayıklama vb. sistemlerin arka planında çalışan görünmez sistemlerle tanışmaya başlayacağız dersek yanlış olmaz. Bu arka planda çalışan görünmez sistemler ise petrol ve maden endüstrisi gibi alanlarda faaliyet gösteren geleneksel işletmeleri değiştirme gücünü elinde tutuyor. Bu alanlarda kullanılacak olan yapay zekâ sistemleri ise daha çok süreçleri optimize etmek amacıyla kullanılacak.

Yapay zekânın kullanıldığı önemli alanlardan birisi de –geçtiğimiz sene pek çok kez duyduğumuz üzere– sağlık sektörü oldu. IBM’nin yapay zekâ teknolojisi Watson, doğal dil işleme yöntemlerini kullanarak kelimeleri anlamlandırabiliyor ve hatta kanser teşhisi çalışmalarına yardımcı oluyor. North Carolina Üniversitesi Tıp Fakültesi araştırmacılarının 1000 kanser teşhisi için test ettiği Watson, vakaların %99’unda onkologların tavsiye ettiği tedaviler ile eş değer tedavi planları önerince tüm dikkatleri üzerine çekmeyi başardı. Üstelik, dakikalar içinde binlerce doküman okuyup anlamlandırabilmesi sayesinde vakaların %30’unda doktorların gözünden kaçmış olan tedavi seçeneklerini de bulmayı başardı.

Görüntüleme Teknolojileri

Yine yakın zamanda yapay zekâyla ilgili yürütülen bir diğer çalışma ise, görüntüleme teknolojileri üreten bir şirketin, ünlü kişilerin binlerce fotoğrafını gösterdikleri bir yapa zekâ sayesinde oluşturdukları binlerce sahte görüntü oldu. Araştırma ekibi, yapay zekâ tarafından oluşturulan bu görüntülerin ‘beklenilenin altında’ fakat ‘gerçeğine oldukça yakın’ olduklarını belirtiyor.

Araştırma ekibinin bu çalışma için kullandıkları teknik ise GAN, yani Generative Adversarial Network (Çekişmeli Üretici Ağ) olarak nitelendiriliyor. GAN’ın temel iki bileşeni var: Programa girdisi yapılan verilerden sahte fotoğraflar üreten üretici ağ ve bu fotoğrafları, gerçekleriyle karşılaştırarak denetleyen ayırt edici ağ. Verilerin gerçekliğinin kontrol edilmesi ile üretici ağın gerçekliğe daha da yaklaşması sağlanmaktadır. Bu sistemin mantığı, ayırt edici ağ ne kadar gelişmiş olursa üretici ağın da gerçeklik testini geçebilmek için kendisini o kadar geliştireceği üzerine kuruludur.

Zayıf Yapay Zekâ

Yukarıda bahsettiğimiz tüm işlemlerde kullanılan yapay zekâ türü, zayıf yapay zekâ olarak adlandırılıyor. Biraz daha açmak gerekirse, gerçek bir benliğe ve algıya sahip olmayan fakat dar bir konuda insanlardan daha hızlı ve başarılı sonuçlar veren (analiz, veri kümeleme, ölçme, raporlama), yani aslında ana akım medyada karşımıza çıkan yapay zekâ çalışmalarının neredeyse tümüne bu isim veriliyor. Bilim insanları ise zayıf yapay zekâ çalışmalarından yola çıkarak bilince, algıya ve benliğe sahip ‘güçlü yapay zekâları’ ortaya çıkarmaya uğraşıyorlar.

Tam da bu nedenle, yapay zekâ henüz tüm işlemleri tek başına yapabilecek kapasiteye sahip görünmüyor. Bunun yerine gerek mühendislerle gerek işçilerle ve gerekse yöneticilerle iş birliği halinde olarak, verilerin işlenmesi ve analizi gibi süreçlerde ya da üretimde verimliliğin artırılması gibi çalışmalarda insanoğluna yardımcı bir araç gibi görülüyor.

Verilerin İşlenmesi

Veri bilimi geçtiğimiz sene önemli bir ilerleme kaydetti ancak bu hızlı ilerleyiş, veri kalitesi ve yoğunluğu açısından yavaşlayabilir. Bu nedenle yapay zekâ ve makina öğrenmesi, yalnızca ileri analizlerde değil; verilerin ayrıştırılması konusunda da veri bilimcilere büyük kolaylıklar sağlayacak.

Büyük bir kuruluş, yakın zamanda başlattığı bir yarışmayla, afet bölgelerinde havadan çekim ile elde edilen görüntüleri işleyerek kritik bilgilerin elde edilmesini sağlayacak yapay zekâ algoritmalarını geliştirecek mühendisler arıyor. Yarışma ile insansız hava araçları ve gelişmiş uydular sayesinde afet bölgelerine ilişkin havadan çekilmiş yüksek çözünürlüklü görüntülerin işlenerek kataloglanmasını sağlayacak ve aynı zamanda görüntüleri hızla tasnif ederek hangi bölgelerin acil yardıma ihtiyaç duyduğunu belirleyebilecek bir yapay zekâ yazılımının hazırlanması hedefleniyor. Derin öğrenme yöntemi olarak adlandırılan bu teknoloji, yapay zekanın görüntülerde yer alan biçimleri, sesleri ve diğer çeşit verileri insan yardımı olmadan işleyerek ilk yardımda hızlı müdahaleyi kolaylaştırmayı amaçlıyor. Bu aynı zamanda, Google Translate’in cümleleri bütünsel olarak algılamasını sağlayan şey.

Maliyeti Düşük

Derin öğrenme, özellikle veri bilimcileri yakından ilgilendiren ve giriş maliyetinin düşük olması nedeniyle de git gide erişilebilir hale gelen bir makina öğrenme teknolojisi. Şimdiden dünyanın en önemli üç bulut hizmeti sağlayıcısı müşterilerin sinir ağı sistemlerini eğitmelerine olacak tanıyan grafik işlemcileri ile saatlik kiralama hizmeti sunuyor. Çünkü eğitim sırasında ihtiyaç duyulan yüksek işlemci kapasitesi eğitimden sonra yapılacak olan hesaplama işlemleri için atıl duruma geliyor. Dolayısıyla şirketler, sürekli kullanılmayacak çok güçlü ve maliyetli bir sistem kurmak yerine eğitim süresi içerisinde kullanabilecekleri işlemci gücünü birkaç saatliğine kiralayarak tasarruf etmiş oluyorlar.

Son olarak, veri analizinin klasik bir analiz ekibi veya IT ekibi ile yapılacak bir iş olmaktan çıktığı fark edilmeye başlandı. Bunun sebebi ise bu grupların sahip olduğu temel fonksiyonların, veri analizinin sürekli karmaşıklaşan çözümlerini karşılamak için yetersiz kalmaya başlaması. Veri Analiz Şefliği pozisyonuna şu an için çok ihtiyaç olmasa da gelecek on yıl içerisinde bu alandaki iş ilanlarına fazlasıyla rastlayacağız gibi görünüyor.