Derin Öğrenme Nedir? Yapay Zekâ ve Makine Öğrenmesiyle İlişkisi

Derin öğrenmenin tanımı ve temel özellikleri

Derin öğrenme, makine öğrenmesi içinde yer alan ve çok katmanlı yapay sinir ağlarını kullanan bir yöntemler grubudur. Bu ağlar; sınıflandırma, tahmin veya veriyi daha anlaşılır bir temsile dönüştürme gibi görevleri örneklerden öğrenir. Derin öğrenmeyi ayırt eden temel özellik, modelin yalnızca son kararı öğrenmemesi, ham veriden işe yarayan özellikleri de katmanlar boyunca kendisinin çıkarmasıdır. Bu nedenle görüntüdeki kenar, biçim veya nesne ilişkileri; metindeki sözcük ve anlam bağlantıları gibi farklı düzeylerdeki örüntüler aynı sistem içinde işlenebilir.

Çalışma sırasında veri, ağın katmanlarından sırayla geçer. Erken katmanlar daha basit özellikleri, sonraki katmanlar ise bunların birleşiminden oluşan daha karmaşık özellikleri temsil edebilir. Örneğin bir görüntü tanıma sisteminde ilk katmanlar çizgi ve kenarları, sonraki katmanlar göz ya da burun gibi parçaları, daha ilerideki katmanlar ise yüzün tamamını ayırt etmeye yarayan temsilleri öğrenebilir. Model, bu özelliklerin hangi katmanda ve ne ölçüde kullanılacağını veriler üzerinden belirler; özelliklerin tamamı önceden insan tarafından tek tek yazılmak zorunda değildir.

“Derinlik” için her durumda geçerli tek bir katman sayısı eşiği yoktur. Buradaki esas fikir, girdiden çıktıya uzanan dönüşümlerin birden fazla ardışık aşamadan oluşmasıdır. Katman sayısı arttıkça model daha soyut temsiller kurabilir; ancak daha fazla katman tek başına her zaman daha iyi sonuç anlamına gelmez. Ağın başarısı verinin niteliğine, göreve ve eğitim sürecine de bağlıdır.

Yapay zekâ, makine öğrenmesi ve derin öğrenme arasındaki ilişki

Yapay zekâ, bilgisayarların normalde insan zekâsı gerektirdiği düşünülen algılama, karar verme veya problem çözme görevlerini yerine getirmesini amaçlayan geniş alandır. Makine öğrenmesi, yapay zekânın bir alt alanıdır; bilgisayara her kuralı tek tek yazmak yerine örneklerden bir görev için örüntü çıkarmayı öğretir. Derin öğrenme ise makine öğrenmesinin, çok katmanlı yapay sinir ağlarına dayanan özel bir bölümüdür. Bu ilişkiyi genişten dara doğru “yapay zekâ → makine öğrenmesi → derin öğrenme” şeklinde düşünebiliriz.

Aralarındaki temel fark, öğrenmenin nasıl gerçekleştirildiğidir. Klasik bir yapay zekâ sistemi açık kurallarla çalışabilir. Bazı makine öğrenmesi sistemlerinde ise insan, veriden önce hangi özelliklerin önemli olduğunu belirleyip modele sunar. Derin öğrenme, yeterli örnek bulunduğunda bu özellikleri katmanlı ağ yapısı içinde kendisi öğrenmeye çalışır. Örneğin el yazısı rakamları tanıyan bir sistemde amaç, görüntüyü rakam sınıflarından birine ayırmaktır. Makine öğrenmesinin farklı yöntemleri bu iş için önceden hazırlanmış görüntü özelliklerinden yararlanabilirken derin öğrenme ağı, piksellerden başlayarak rakam biçimini ayırt etmeye yarayan temsilleri öğrenebilir.

Bu kavramlar birbirinin tamamen eş anlamlısı değildir. Her derin öğrenme uygulaması makine öğrenmesi ve yapay zekâ kapsamındadır; fakat her yapay zekâ uygulaması makine öğrenmesi, her makine öğrenmesi uygulaması da derin öğrenme değildir.

Yapay sinir ağları ve katmanlı yapı

Yapay sinir ağı, birbirine bağlı yapay nöronlardan oluşan bir hesaplama sistemidir. Bu nöronlar biyolojik sinir sistemlerinden esinlenmiş olsa da günümüzdeki ağların insan beynini birebir kopyalama amacı yoktur. Her bağlantı, iletilen sinyalin etkisini belirleyen bir ağırlığa sahiptir. Nöronlar genellikle giriş, ara ve çıkış katmanları içinde düzenlenir; sinyal girişten başlar, ara katmanlarda dönüştürülür ve çıkışta bir sonuç üretilir.

Katmanlı yapı, verinin farklı soyutlama düzeylerinde işlenmesini sağlar. Giriş katmanı ham veriyi alır. Gizli adı verilen ara katmanlar, önceki katmandan gelen bilgileri bağlantı ağırlıklarıyla birleştirir ve yeni bir temsil oluşturur. Bir görüntü örneğinde ilk ara katmanlar basit çizgileri, sonraki katmanlar çizgilerin oluşturduğu şekilleri, daha ileri katmanlar ise nesne parçalarını veya nesnenin kendisini ayırt etmeye katkı sağlayabilir. Böylece ağ, tek bir kural uygulamak yerine birçok küçük dönüşümü art arda birleştirir.

Bir ağın “derin” sayılmasının nedeni, giriş ile çıkış arasında bu tür birden fazla gizli katmanın bulunmasıdır. Katmanlar arasındaki bağlantıların ağırlıkları başlangıçta doğru sonucu vermeyebilir. Eğitim örnekleri üzerinden elde edilen hata bilgisi kullanılarak ağırlıklar değiştirilir; amaç, sonraki tahminlerin doğruya yaklaşmasıdır. Bu düzeltme sürecinin matematiksel ayrıntıları, geri yayılım ve gradyan inişi adı verilen ayrı konularla ilgilidir.

Yapay sinir ağlarının farklı görevler için farklı yapıları olabilir. CNN, RNN ve Transformer gibi derin öğrenme mimarilerinin ayrıntıları başka bir konunun kapsamındadır.

Veriden öğrenme ve model eğitiminin temel mantığı

Bir derin öğrenme modeli, kendisine verilen örneklerden girişlerle beklenen sonuç arasındaki ilişkiyi öğrenmeye çalışır. Eğitim sırasında model bir girdi alır ve bir çıktı ya da tahmin üretir. Girdi görüntü, ses kaydı veya metin olabilir; çıktı ise bir sınıf, bir sayı ya da başka bir tahmin biçiminde olabilir. Ağırlıklar, bir bağlantının gelen bilginin sonuca katkısını ne kadar artıracağını veya azaltacağını belirleyen sayısal değerlerdir. Modelin tahmini beklenen sonuçla karşılaştırılır; aradaki fark bir hata ölçüsüyle ifade edilir ve ağırlıklar bu hatayı azaltacak yönde güncellenir. Çok sayıda örnek üzerinden yinelenen bu süreç, modelin verideki örüntüleri daha iyi yakalamasını sağlar.

Örneğin etiketlenmiş “kedi” ve “kedi değil” görüntüleriyle eğitilen bir ağ, görüntülerdeki ayırt edici örüntüleri öğrenerek daha önce görmediği bir görüntü için tahmin üretebilir. Sonuç, kesin bir insan muhakemesi değil, modelin öğrendiği örüntülere dayalı bir çıktıdır. Denetimli öğrenmede örneklerin beklenen sonuçları bulunurken denetimsiz öğrenmede model, etiket verilmemiş veriler içindeki düzenleri veya temsilleri keşfetmeye çalışır.

Derin öğrenmenin başlıca kullanım alanları

Derin öğrenme, elle açıkça kurallara dökülmesi zor olan ve çok sayıda örüntü içeren görevlerde kullanılır. Görüntü işleme alanında nesne veya yüz tanıma, tıbbi görüntülerin incelenmesi ve görüntülerin sınıflandırılması gibi işlere uygulanabilir. Ses alanında konuşma tanıma ve konuşmacı tanıma; metin alanında doğal dil işleme ve makine çevirisi öne çıkan örneklerdir. Ayrıca biyoinformatik, ilaç tasarımı, malzeme denetimi ve strateji oyunları gibi farklı alanlarda da derin öğrenme sistemlerinden yararlanılabilir.

Kullanım alanlarının ortak noktası, sistemin çok sayıdaki örnekte bulunan karmaşık ilişkilerden yararlanmasıdır. Örneğin bir görüntü modeli, pikselleri doğrudan bir sınıfa dönüştürmek yerine görüntüdeki biçim ve parça ilişkilerini katmanlar boyunca işleyebilir. Benzer şekilde ses kayıtlarında konuşma örüntülerini, metinlerde ise sözcükler arasındaki ilişkileri kullanarak çıktı üretebilir. Reklam seçiminde de çok boyutlu kullanıcı ve etkileşim verileri, hangi reklamın hangi kitleye gösterileceği konusunda tahmin üretmek için işlenebilir.

Derin öğrenmenin güçlü yönleri ve temel sınırlılıkları

Derin öğrenmenin güçlü yönlerinden biri, karmaşık ve yüksek boyutlu verilerden yararlı özellikleri otomatik olarak öğrenebilmesidir. Görüntü, ses ve metin gibi verilerde hangi özelliklerin önemli olduğunu tamamen elle belirlemek zor olabilir; katmanlı ağlar bu özellikleri birden çok dönüşümle ortaya çıkarabilir. Yeterli veri ve uygun hesaplama kaynakları bulunduğunda, bazı görevlerde insan uzmanların performansına yaklaşan veya onu aşan sonuçlar elde edilebilir. Bu yaklaşımın farklı öğrenme biçimleriyle, etiketli verinin yanı sıra etiketsiz verilerden yararlanabilmesi de önemli bir avantajdır.

Buna karşılık derin öğrenme genellikle çok sayıda ve göreve uygun veriye ihtiyaç duyar. Eğitim verisi yetersiz, hatalı veya temsil gücü düşükse modelin öğrendiği örüntüler de sınırlı olabilir. Çok katmanlı ağları eğitmek yüksek hesaplama gücü ve zaman gerektirebilir; büyük ölçekli eğitimlerde grafik işlemciler ve özel yapay zekâ işlemcileri gibi donanımlardan yararlanılır. Ayrıca modelin neden belirli bir tahmin ürettiğini açıklamak, açık kurallarla çalışan sistemlere göre daha zor olabilir. Katman sayısını ve katmanların boyutunu değiştirmek de sonuçları etkileyebilir; otomatik özellik öğrenme, insan kararını ve dikkatli model tasarımını tamamen ortadan kaldırmaz.