Makineler Nasıl Öğrenir (Ya Da Gerçekten Öğrenir Mi)?

Geçtiğimiz sene Nobel tarihinde bir ilk yaşandı, 2024 yılında Nobel Fizik ödülü ilk kez fiziğe verilmedi. Fizik ödülü, Makine Öğrenmesi Yöntemlerinin Geliştirilmesi alanındaki çalışmaları için Princeton Üniversitesinden John Hopfield ve Toronto Üniversitesinden Geoffrey Hinton’a verildi. Neil Armstrong’un meşhur sözünü biraz değiştirerek 21. Yüzyılda bir bilgisayar mühendisi olarak tekrarlamak istiyorum: biz bilgisayar bilimciler için küçük yapay zeka araştırmaları için büyük bir adım.  

Ocak 2023’te hayatımıza hızlı bir giriş yapan OpenAI’ın ChatGPT’si sayesinde yapay zeka gündeme bomba gibi düştü, üretken yapay zeka bir yanda dört bir yanımızı sardı GitHub CoPilot bir gecede mesai arkadaşımız haline geldi. Aslında hikaye 1950’lere dayanıyor, özetlemek gerekirse Alan Turing bir soru soruyor ve olaylar gelişiyor: Makineler Düşünebilir Mi. Aynı isimle yayınlanan makalesi ile ortalığı kasıp kavuracak ve ucu ChatGPT’ye dayanan ve tüm mümkünlerin kıyısında bizi bekleyen bir araştırma alanının kapısını açıyor Turing.

Bu yazı dizisinde ise sizinle bir yolculuğa çıkmak istiyoruz. Genel olarak teknik, bir o kadar da felsefi bir yol olacak bu. Bizi bu seriye getiren retorik soru ise oldukça net: makineler nasıl öğrenir ya da gerçekten öğrenir mi?  

İlk bölümde daha kolay bir soru ile devam edelim isterim: makine öğrenmesi nedir?

Makine Öğrenmesi Nedir?

Havalı tanımları ve matematiksel formülleri bir kenara bırakırsak makine öğrenmesi en yalın haliyle bir makinenin veriyi inceleyerek, herhangi bir direkt yönlendirme ya da kural listesi olmaksızın karar verebilmesidir. Makine öğrenmesi bilgisayarın verideki desenleri anlayabilmesini ve tecrübelerinden öğrenerek karar verme mekanizmasını geliştirmesini temel alır. En basit hali demiştim ama biraz karmaşık oldu sanırım!  

Çocuk analojisi burada oldukça işimize yarayacaktır: çocuklar çevrelerindeki yetişkinlerin hareketlerini izleyerek, onları taklit ederek öğrenirler. Tıpkı bir çocuk gibi makine öğrenmesinde de veri bizim gözlem kaynağımızdır.  

Buna ek olarak, çocukların öğrenmesini destekleyen en önemli şey deneme dürtüsüdür, deneme ile edindiği tecrübelerle de çevre hakkında daha fazla bilgi sahibi olurlar. Makine öğrenmesinde ise tecrübe edinmeyi ölçüm metriklerimiz sağlar; her bir iterasyonda algoritma, metrikleri göz önünde bulundurarak karar mekanizmasını iyileştirir.

Makine Öğrenmesi Ne Değildir?

Üretken yapay zekanın sunduğu olanaklar göz önüne alındığında makine öğrenmesi çoğu zaman farklı anlamlar yüklenerek açıklanıyor. Bu konuda rasyonel bir çerçeve edinebilmek için de makine öğrenmesinin ne olduğu konusunda konuşmak kadar ne olmadığı  konusunda konuşmak da önem arz ediyor.  

Hadi gelin makine öğrenmesinin ne olmadığı sorusuna cevap vermeye çalışalım.

Makine Öğrenmesi, Her Sorunu Çözemez

Makine öğrenmesi her şeyi yapabilecek kapasitede gibi dursa da öğrenebileceği temiz bir veri kaynağı (çoğu problemle ilgili en sıkıntılı süreç verinin bulunması ve temizlenmesi süreci, bununla ilgili ilerleyen yazılarda da daha detaylı konuşacağız) olmadığında pek başarılı olmayabilir. Aynı şekilde geleneksel programlama yaklaşımıyla çözülebilecek sorunlar sırf makine öğrenmesi ile çözülsün diye yaklaşıldığında ortaya gereksiz karmaşık modeller ortaya çıkmaktadır. Buna ek olarak  gereksiz tüketilen kaynaklar – kullandığınız her yapay zeka modelinin çevreye etkisi görmezden gelinemeyecek kadar yüksek, işin felsefi ve etik boyutları ele alındığında bu konuya da değineceğiz – da cabası.

Makine Öğrenmesi, Büyülü Bir Çözüm Değildir

Makine öğrenmesi veriye ve matematiğe dayalı bilimsel bir yapıdır. ML doğru veri ve doğru hesaplamalara ihityaç duyar. Veriye yanlış yaklaşmak ya da veriyi yanlış toplamak hatalı sonuçlara sebep olur.

Makine Öğrenmesi, İnsan Müdahalesine Tamamen İhtiyaçsız Bir Süreç Değildir

Makine öğrenmesi süreçlerinde insan müdahalesi önemlidir. Veri hazırlığı, model seçimi, hiperparametre ayarları ve model değerlendirmesi gibi birçok aşamada insan etkileşimi gereklidir. Yani, tamamen otomatikleşmiş bir süreç değildir. Bir ML modelinin başarısı, insanların doğru veri toplama, analiz yapma ve model üzerinde doğru ayarlamalar yapmalarına bağlıdır.

Makine Öğrenmesi, Her Zaman Doğru Sonuçlar Üretmez

Makine öğrenmesi, veriden öğrenmeye dayalı olsa da, model her zaman doğru sonuç vermez. Modelin doğruluğu, kullanılan verinin kalitesine, seçilen algoritmalara ve modelin eğitimine bağlıdır. Bazen model yanlış tahminler veya genelleme hataları yapabilir. Bu yüzden, modelin sürekli izlenmesi ve gerektiğinde yeniden eğitilmesi gerekir.

Bu maddeleri daha da çoğaltmak mümkün ancak bence makine öğrenmesi ile ilgili unutulmaması gereken en önemli nokta şey şu: bir makine öğrenmesi modeli, içinden öğrendiği veri ve onu eğiten kişi kadar zekidir.

Makine Öğrenmesi vs. Geleneksel Programlama

Makine öğrenmesinin geleneksel programlama yaklaşımından farkı nedir diye sorulduğunda ilk akla gelen geleneksel yaklaşımımızdaki kural setleri olmalıdır. Makine öğrenmesi daha çok olasılıklar içeren durumlara yaklaşımları içerirken -örneğin oyunlar- geleneksel programla daha çok matematiksel işlemler gibi katı ve değişmez kuralları olan durumlarda kullanılır diyebiliriz.

Aşağıdaki tabloda iki yaklaşımın detaylı karşılaştırmasını bulabilirsiniz.

Gerçek Hayatta Makine Öğrenmesi  

Günlük hayatınızda farkında olarak ya da olmadan makine öğrenmesinin bir çok nimetinden faydalanıyoruz. Sağlıktan spora, bilgisayar oyunlarına, iklim değişikliğine çözüm üretmeye pek çok alanda makine öğrenmesinin başarılı uygulamaları var. Gelin genel bir biçimde bu uygulamalara bir göz atalım.

Görüntü Tanıma (Image Recognition)

Makine öğrenmesi, özellikle derin öğrenme, görsel veriler üzerinde etkili şekilde çalışır. Görüntü tanıma uygulamaları, fotoğrafları analiz ederek nesneleri, yüzleri, manzaraları tanıyabilir ve etiketler ekleyebilir. Örneğin, Google Lens bir fotoğrafı analiz edip nesneler hakkında bilgi verebilir, bar kodları ve QR kodlarını tarayabilir.  

Doğal Dil İşleme (Natural Language Processing - NLP)

Sesli yanıt sistemleri, chatbotlar… Günlük asistanlarınızın hepsi NLP’nin gücünü kullanıyor. Google Translate, metinleri farklı dillere çevirirken NLP kullanır. Siri ve Alexa gibi sanal asistanlar, sesli komutları anlayarak, doğal dildeki soruları işler ve doğru yanıtlar sağlar.

Öneri Sistemleri (Recommendation Systems)

Konu makine öğrenmesi olduğunda ilk akla gelen sistemler öneri sistemleridir. Her verdiğiniz kararda modele yeni bir veri sağlarsınız. Bu veriler sizin geçmiş davranışlarınıza dayalı önerilerde bulunmak için sıklıkla kullanılır. Netflix, izleme alışkanlıklarına göre film ve dizi önerileri sunar. Amazon, satın alma geçmişine dayalı ürün önerileri yapar. Spotify ise müzik tercihlerinizi analiz ederek yeni şarkılar ve sanatçılar önerir.

Sağlık Alanında Erken Teşhis

Makine öğrenmesi, tıbbi verileri analiz etmek ve hastalıkları erken aşamalarda tespit etmek için kullanılır. Özellikle kanser, kalp hastalıkları gibi durumların teşhisinde derin öğrenme kullanılarak, görüntülerdeki anormallikler (örneğin, röntgen ve MR görüntülerinde) belirlenebilir.

Otomatik Sürüş Sistemleri

Otonom araçlar, etraflarındaki dünyayı algılamak, yol durumlarını ve engelleri analiz etmek için makine öğrenmesinden faydalanır. Tesla'nın Otopilot sistemi ve Waymo gibi şirketler, araçların çevresini algılamak ve güvenli sürüş için derin öğrenme kullanarak otonom sürüş teknolojisini geliştiriyor.

Finansal Uygulamalar ve Dolandırıcılık Tespiti

Makine öğrenmesi, dolandırıcılık tespiti ve finansal analizlerde yaygın olarak kullanılır. Kredi kartı dolandırıcılığını tespit etmek için makine öğrenmesi modelleri, alışveriş geçmişini inceleyerek anormal işlemleri tespit eder. Ayrıca, finansal piyasaların analizinde ve hisse senedi fiyat tahminlerinde de makine öğrenmesi uygulanır.

Tarım ve Çiftlik Yönetimi

Makine öğrenmesi, tarımda verimliliği artırmak için kullanılır. Örneğin, tarım makineleri toprak koşullarını, hava durumu verilerini ve mahsul verilerini analiz ederek, en verimli ekim zamanlarını ve sulama planlarını tahmin edebilir.

İklim Değişikliği Tahminleri ve Modelleme

Makine öğrenmesi, iklim değişikliğinin gelecekteki etkilerini modellemek ve tahminlerde bulunmak için kullanılır. Örneğin, iklim değişikliği simülasyonları, geçmiş verilerle eğitilen modellerle gelecekteki sıcaklık artışlarını, deniz seviyesi yükselmesini ve diğer iklimsel değişimleri tahmin edebilir. Bu tür tahminler, politika yapıcılar ve çevre organizasyonları için kritik bilgiler sunar.

Doğal Afet Tahminleri ve Erken Uyarı Sistemleri

Makine öğrenmesi, iklim değişikliğine bağlı olarak artan doğal afetleri tahmin etmek ve erken uyarı sistemlerini geliştirmek için kullanılır. Örneğin, yağış miktarı ve toprak nemi gibi verileri analiz ederek sel riski tahmin edilebilir. Aynı şekilde, kuraklık durumunu önceden belirlemek için makine öğrenmesi modelleri kullanılabilir.

Enerji Verimliliği ve Yenilenebilir Enerji Yönetimi

Makine öğrenmesi, enerji tüketimini ve yenilenebilir enerji kaynaklarının üretim kapasitesini tahmin etmek için kullanılabilir. Özellikle güneş ve rüzgar enerjisi gibi değişken kaynakların üretim tahminleri, enerji ağlarını daha verimli hale getirmek için önemlidir. ML modelleri, hava durumu verilerini analiz ederek, bu enerji üretim kaynaklarının üretim kapasitelerini daha doğru tahmin edebilir.

Ekosistem ve Biyolojik Çeşitliliğin İzlenmesi

İklim değişikliğinin biyolojik çeşitliliğe etkisini izlemek için makine öğrenmesi kullanılabilir. Örneğin, uzaydan elde edilen görüntü verilerini analiz ederek orman örtüsü kaybını izleyebilir ve ormanların sağlığını belirleyebilirsiniz. Ayrıca, türlerin göç ve yaşam alanları gibi verileri analiz ederek, iklim değişikliğine bağlı olarak hangi türlerin tehdit altında olduğunu tespit edebilirsiniz.

Makine Öğrenmesinin Geleceği

Sosyal medya sayesinde elde ettiğimiz kullanıcı verilerindeki artış, gelişen bilgisayarlar ve büyük dil modellerinin yükselişi… Tüm bunları göz önüne aldığımızda bizi oldukça heyecanlı bir yapay zeka çağının beklediğini görmemek mümkün değil. Yapay zeka, makine öğrenmesi ve derin öğrenme her gün biraz daha güçlenerek ve gelişerek ama maalesef ki bunların yanında gelişmenin verdiği heyecanla etik kaygılara göz yumulan bir alan olarak ilerlemeye devam ediyor. Büyük teknoloji şirketlerinin teknik isimlerinin belirttiği gibi belki de her geçen gün genel yapay zekaya bir adım daha yaklaşıyoruz.  

Makine öğrenmesinin geleceği tartışmalarında hangi taraftasınız? İyimser misiniz yoksa kötümser mi? Yapay zeka gerçekten işimizi elimizden alacak mı? Etik kaygılarınız var mı? Yoksa tüm bu gelişmeleri bir balon olarak mı görüyorsunuz? Bu sorulara cevabınız ne olursa olsun, makine öğrenmesi artık hayatımızın her alanında var ve var olmaya da devam edecek.

Son Olarak

Bu yazımızda sizlere makine öğrenmesi ile ilgili genel bir bakış açısı sunmak istedik. Yazının başında da bahsettiğimiz gibi makine öğrenmesi çok farklı bakış açıları ile incelenebilecek bir alan olarak yanı başımızda duruyor. İlerleyen bölümlerde basit yaklaşımlardan başlayarak işin teknik kısımlarına girecek, ufak örnekleri beraber deneyecek, makine öğrenmesi iş akışına yakından bakacak, ihtiyaç duyulabilecek araçları ve kütüphaneleri inceleyecek, algoritmaların bir kısmını detaylı olarak inceleyeceğiz. Bir yandan da makine öğrenmesini etiği, felsefesi, iş hayatımıza etkileri gibi daha sosyal açılarından da ele almaya çalışacağız.  

İlk bölümün sonuna gelirken size çok tanıdık bir diyagram ile başbaşa bırakmak istiyorum. Şu an kırmızı noktadayız, uzay-zaman ekseninde birlikte uzun bir yolculuğa çıkıyoruz. Birçok yeni başlayan, ilk başta makine öğrenmesi (ML) dünyasına girdiğinde korku ve belirsizlik hissi yaşayabilir. Bu tür durumlarla başa çıkmak için Otostopçunun Galaksi Rehberi adlı eserde geçen "Panik yapmayın" tavsiyesini hatırlamak faydalı olacaktır:

“Panik yapmayın.”

Bu, Otostopçunun Galaksi Rehberi’nde yer alan en önemli tavsiyedir. Kitabın kapağında büyük harflerle yazılmıştır ve bu nedenle oldukça önemli kabul edilir. Panik yapmamak, galaksinin her köşesinde gezinirken hayatta kalmanın anahtarlarından biridir. Durum ne kadar korkutucu veya tuhaf olursa olsun, sakin kalmak ve nefes almak hayati önem taşır.