Derin Öğrenme Nedir?
Siri‘nin gücünü nereden aldığını hiç merak ettiniz mi? Kendi kendine giden otomobiller üretmek için hangi teknolojiler kullanılıyor? Telefonlar yüzümüzü okuyarak nasıl kilidi açıyor? Nasıl Facebook gibi platformlar bazen fotoğraftaki insanları bizden daha iyi görüyor? Peki tüm bunların arkasında ne var? Sihir mi? Tam olarak değil; bu derin öğrenme (Deep Learning) adı verilen güçlü bir teknolojidir. Gelin tüm bunlara daha yakından bakalım.
Derin Öğrenme vs Makine Öğrenmesi
Öncelikle öğrenmenin ne olduğunda odaklanalım. Daha önce makine öğrenmesi kavramına aşina olabilirsiniz. Öğrenme; modellerin verileri analiz ettiği ve belirli kalıpları bulduğu süreç olarak tanımlanır. Makine öğrenmesinde algoritmamız, bu verilin en iyi temsillerini bulmak için bu kalıpları öğrenir ve daha sonra bunları daha önce hiç görmediği yeni veriler hakkında tahminlerde bulunmak için kullanır.
Derin öğrenme, makine öğrenmesinin bir alt alanıdır ve öğrenme kavramı bir birine çok benzerdir.
- Modelimizi özenle oluşturuyoruz.
- İlgili verileri ayırıyoruz.
- Bu veriler üzerinden algoritmamızı eğitiyoruz.
- Hiç görmediği veriler hakkında tahminlerde bulunmasını bekliyoruz.
Derin öğrenme modelleri metin, resim, ses ve daha birçok farklı veri türüyle kullanılabilir. Bu da derin öğrenmeyi çeşitli alanlarda uygulanabilir hale getirir.
Peki “Derin” Ne Anlama Geliyor?
Hemen kafamızda canlanabilecek birkaç soru örneği düşünelim. Derin öğrenmedeki bu ‘derin’ neyi ifade ediyor? Derin öğrenmeyi diğer tipik makine öğrenimi modellerinden ayıran şey nedir? Veya derin öğrenme neden günümüzde çok güçlü hale gelen öğrenme yöntemi oldu?
Derin öğrenmedeki ‘derin’ kelimesi, verileri dönüştüren sayısız katmana atıfta bulunmaktadır. Bu mimari, her bir ardışık katmanın modeli beslediğimiz verilerden aşamalı olarak karmaşık kalıplar öğrenmeye çalıştığı bir sistemdir. Beynin yapısını taklit eder. Bu bilgiler biraz soyut görünüyor olabilir, o yüzden gelin yüz tanıma gibi somut bir örneğe bakalım. Yüz tanıma ile, derin öğrenme modelimiz bir fotoğrafı girdi olarak alır ve çok sayıda katman, resimde kimin yüzünün olduğunu belirlemek için belirli adımlar gerçekleştirir. Her katman tarafından atılan adımlar basitçe aşağıdaki gibi olabilir:
- Kenar algılama yöntemini kullanarak görüntünün içindeki yüzü bulun.
- Yüz özelliklerini (burun, gözler, ağız vb.) analiz edin.
- Bilgi havuzundaki yüzlerle karşılaştırın.
- Ve bir tahminde bulun !
Birçok soyut katmandan oluşan bu yapı, derin öğrenmeyi inanılmaz derecede güçlü kılmaktadır. Modelimize yüksek hacimde (miktarda) veri ile beslemek, katmanlar arasındaki bağlantıyı daha karmaşık hale getirir. Derin öğrenme modelleri, diğer öğrenme algoritmalarının aksine daha büyük miktarda veri ile daha iyi tahminlerde bulunma eğilimindedir.
Peki Büyük Hacimli Verinin Etkisi Ne?
Büyük miktarda verimiz olmadığı durumlarda, derin öğrenme diğer öğrenme modellerine karşı güçsüz kalabilir. Bununla birlikte büyük miktarda veriyle, derin öğrenme modellerinin performansı artar. Örneğin görüntüdeki nesneleri ve yüzleri sınıflandırmak veya sürüş gibi görevlerde insanlardan daha iyi performans gösterecek kadar artabilir. Derin öğrenme insan müdahalesi olmadan ham verilerden öğrenir. Bu nedenle, büyük miktarda veriler göz önüne alındığında, bir derin öğrenme modeli geliştiricileri tarafından özellik çıkarımlarına dayanan makine öğrenmesi sistemlerinden daha iyi performans gösterecektir.
Tesla gibi otonom araçlar, arabaların üzerinde “DUR” yazan kırmızı altıgen gördüklerinde durmaları gerektiğini anlamak için binlerce hatta belki de milyonlarca “DUR” işaretini işlemelidir. Güvenliği sağlamak için sürücüsüz bir aracın eğitim alması için bu duruma benzeyen muazzam sayıda durumu bir düşünün.
Derin Öğrenme, Derin Sorumlulukları Beraberinde Getirir
Derin öğrenme modelleri, nesneleri tanımlamanın ötesine geçerek aldatıcı derecede kaliteli işitsel ve görsel içerikler oluşturabilir. Bir dizi fotoğrafa ağaç eklememize veya binalarda değişiklik yapmamıza kadar harika uygulamaları vardır. Ancak biraz karanlık bir tarafı da olamaz mı sizce? Derin öğrenme modelleri, bir görüntü, video veya sesteki birinin kimliğinin başka biriyle değiştirildiği yapay medyalar üretebilir. Bunlara “deepfakes” yani derin sahtekarlık denir. Bu durum mali dolandırıcılık, sahte haberlerin ve aldatmacalarının dağılması gibi korkutucu sonuçlar doğurabilir.
Grafik İşleme Birimleri (GPU)
Derin öğrenme hakkında unutulmaması gereken son bir şey daha var. Büyük miktarda veri ve karmaşık katmanlar söz konusu olduğunda, bunun çok fazla zaman ve işlem gücü gerektiğini hayal edebiliyor olmalısınız. Bu modellerin makul bir süre içerisinde çalışması için yüksek performanslı GPU‘lar (grafik işlemci birimleri) gerektirir. Bu işlemciler büyük bir bellek bant genişliğine sahiptir ve aynı anda birden fazla hesaplamayı işleyebilirler. CPU‘lar yani bilgisayarımızın işlemcileri derin öğrenme modellerini çalıştırabilir; ancak çok daha yavaş olacaktır. GPU’ların geliştirilmesi derin öğrenmenin başarısı için çok kritik öneme sahiptir.
