Makine Öğrenmesi Uygulamaları

Günlük yaşamda kullanılan Yapay Zeka(AI) ve Makine Öğrenmesi(ML) Uygulamalarından bazılarını sizler için bir araya getirdim.

Deep Blue AI tarihinin en önemli kilometre taşlarından biridir. Deep Blue, IBM tarafından geliştirilmiş satranç oynayabilen bir süper bilgisayardır. Bu bilgisayar, dünya satranç şampiyonunu turnuva standartlarında gerçekleştirilen satranç oyununda yenmesi ile tanınır. Deep Blue, 10 Şubat 1996’da o zamanların dünya şampiyonu Garry Kasparov aleyhine ilk maçını kazandı. Ancak Kasparov üç maçı kazandı ve ardından gerçekleştirilen oyunlarla Deep Blue’yu 4-2 yendi. Bunun ardından geliştiricileri, Deep Blue’yu büyük miktarda güncellediler. Mayıs 1997’de Deep Blue ve Kasparov bir satranç oyununda tekrar rakip olarak karşılaştılar. Deep Blue altı oyunlu karşılaşmada 3½-2½ kazandı ve standart satranç turnuvası süresi boyunca bir maçta dünya şampiyonunu yenen ilk bilgisayar sistemi olarak tarihe geçti. (Deep Blue sağda verilmiştir.)

Satranç, bir zeka oyunudur. İleri seviyede satranç oynamak insanlar için bile oldukça zor bir iştir. Bu nedenle, dünya şampiyonuna karşı bir bilgisayar tarafından kazanılan ilk satranç maçı o yıllarda çok fazla konuşuldu.

Peki bu nasıl mümkün olabildi? Gelin olaya biraz yakından bakalım.

Shannon sayısı, her beyaz hamlesine karşılık bir siyah hamlesinin gerçekleşmesi durumunda her hamle çifti için 103 farklı olasılık olmasına dayanarak 40 hamleye sahip standart bir satranç oyunun karmaşıklığını 10120 olarak ifade eden sayıdır. Shannon bu sayıyı, 1950’de yayınlanan “Programming a Computer for Playing Chess” başlıklı kitabında satrançın kaba kuvvetle çözülmesinin uygulanamazlığını gösterebilmek için hesaplamıştır. 10120 sayısı oldukça büyük bir sayıdır, evrendeki toplam atom sayısının 1079-1081 arasında bir sayı olduğu düşünüldüğünde bu sayının ne kadar büyük olduğu daha iyi anlaşılmaktadır. Bir varyasyonun hesaplaması 1 mikro saniye sürerse, her varyasyonun hesaplanması için 1090 yıl gerekmektedir. Bu durumu gerçekleştirmek için bilgisayarların çok fazla işlemci kapasitesine ihtiyaçları vardır. O günlerde teknoloji buna izin vermediği için, hesaplanan ağacın derinliği sınırlı tutularak işlemci gücünden tasarruf edilmiştir.

AI, insan beyninin karar mekanizmasına yakın bir karar mekanizmasının bir yazılım aracılığıyla oluşturulmaya çalışılması ile doğmuştur. Bazı nedenlerden ötürü, AI, tamamen insan beynin çalışmasını taklit edebilecek kapasiteye ulaşamamıştır. Bu nedenle çalışmaları bazı özel uygulama alanlarında akıllı karar mekanizmaları oluşturmaya doğru kaymıştır. Satranç, belirli bir uygulama alanına başarıyla uygulanmış yapay zeka örneklerinden biridir.

Yapay zeka tarihinde çözülebilmesi adına ” insanlara karşı meydan okuma” niteliğinde bir başka zihin oyunu da vardır. Bu oyunun ismi GO. Çin’de icat edilmiş olan GO, iki oyuncu ile oynanan bir strateji oyunudur, amacı rakibin yenmektir. Deep Blue’nin Kasparov’u yenilgiye uğrattığı yıllarda, bazı insanlar GO’da insanların bir bilgisayar tarafından yenilemeyeceği veya bu işin çok uzun süreceği düşünmüşlerdi. Ancak 1997’den neredeyse yirmi yıl sonra, AI, GO’da insanları yenmeyi başarmıştır.

Peki AI’nın GO’da insanları yenmesi neden bu kadar zordu ve AI insanları nasıl yendi? Sayılara yakından bir göz atalım.

GO, karelerden oluşan bir tahta üzerinde oynanır. GO tahtasının boyutu değişebilmektedir, yani GO’yu 7×7, 9×9, 19×19 veya 21×21 tahta boyutlarında oynanabilir. Örneğimizde, bilgisayara karşı 19 x 19 boyutlu GO’yu oynamak istediğimizi düşünüyoruz. Uzmanlar tarafından oynanan oyunda gerçekleştirilen ortalama hamle sayısının yaklaşık 200 olduğunu düşünelim. (Araştırmacılar bu şekilde olduğunu göstermektedir.) Her hamle için ortalama seçim olasılığı sayısı yaklaşık 250’dir. Tablo boyutu 19×19 olduğunda bilgisayar tarafından hesaplanacak toplam varyasyon sayısı 3 × 10511‘dir. Bu sayı satrançtakinden oldukça fazladır. (Evrendeki tüm atomların sayısının 1079 – 1081arasında olduğunu unutmayın.) Profesyonel oyunlarda toplam hareket sayısı 350 alabilir. Bu hareket sayısı için bilgisayar tarafından hesaplanması gereken toplam varyasyon sayısı ise 1.3 × 10895 . Bu rakam, bir yapay zekanın insanları yenmesinin neden çok zor olduğunun düşünüldüğünü açıkça  ortaya koymaktadır.(Bu konuyla ilgili rakamları daha detaylı analiz etmek istiyorsanız buraya tıklayın).

ALPHA GO isminde bir yapay zeka uygulaması, insanları GO oyununda yenmeyi başardı. Bu yapay zeka uygulaması, GO oynamak için Google DeepMind tarafından Londra’da geliştirilen bir bilgisayar programıdır. Alpha GO, Ekim 2015’te, 19 × 19 boyutlu oyun tahtasında profesyonel bir GO oyuncusu yenen ilk bilgisayar programı oldu. Mart 2016’da beşli oyunda Lee Sedol’u (dünyanın en iyi GO oyuncusu) yendi. Tarihte ilk kez bir bilgisayar, GO oyununu oynayanların alabileceği en yüksek seviye olan 9-dan seviyesinde kabul gördü. Bu olay AI tarihinin en önemli kilometre taşlarından birisidir.

Alpha GO bunu nasıl başardı? Nasıl böylesine zor bir problemin üstesinden gelebildi?

Geleneksel makine öğrenmesi teknikleri GO oyunun bir bilgisayar tarafından başarılı bir şekilde oynayabilmesi için yetersiz kalmıştı. Bu nedenle Alpha GO, daha modern bir teknik olan derin öğrenme yöntemiyle eğitilmiştir. Bu sayede bu başarıyı elde edebilmiştir. Derin öğrenme ile eğitilmiş bir programı kullanarak bu başarının nasıl elde edilebileceğini merak ediyorsanız Derin Öğrenme yazımı okumanızı öneririm.

Yukarıda açıklamış olduğum iki örnek, zeka gerektiren alanlarda insanı yenmeye odaklanan yapay zeka uygulamalarına yönelikti. Fakat AI’nın günümüzdeki uygulamalarının çoğu, insanları yenecek sistemler yerine insanlara destek olacak sistemeler üzerine odaklanmaktadır. Bu tür uygulamalar, insanları desteklemek amacıyla belirli bir problemi öğrenmek için makine öğrenmesi tekniğini kullanılarak geliştirilmektedir.

Dünyadaki her insan günlük hayatında makina öğrenmesi teknikleri ile geliştirilmiş uygulamaları bilinçli veya bilinçsiz olarak birçok kez kullanmaktadır. Aşağıda bu tip uygulamaların bazı örnekleri verilmiştir.

Öneri Sistemleri (Recommendation Systems), akademik literatürde ve işletme sektöründe en iyi bilinen makine öğrenmesi konularından biridir. Öneri Sistemleri, bir kullanıcıya o kullanıcının beğenme olasılığı yüksek olan ürünleri (kitap, müzik, video …) önerme özelliğine sahip olan sistemlere verilen isimdir. Yapılan öneriler, kullanıcıların hangi öğeleri satın almayı isteyebilecekleri, hangi müzikleri dinlemekten zevk alabilecekleri, hangi filmleri izleyebilecekleri veya hangi haberleri okumak isteyebilecekleri gibi önerilerdir. Bu sistemler, tasarlanan karar mekanizması ile kullanıcılara öneriler yapmayı amaçlamaktadır. Öneri sistemleri, bu alanda yeteneklerini kanıtlayarak elektronik marketlerde oldukça büyük başarılar elde ederek bu alanda vazgeçilmez bir yer edinmiştir. Çevrimiçi kullanıcılar tarafından üretilen Büyük Veri’nin işlenmesi ve başarılı bir şekilde anlamlandırılması, bu başarının en büyük etkenlerinden birisidir. Günümüzde öneri sistemlerinin geliştirilmesinin için yapılan birçok akademik çalışmalara paralel olarak bu sistemlerin bir çoğu ticari ortamlara da başarı ile uygulanmış ve her geçen gün yenilerek uygulanmaya devam etmektedir.

Bu konuda asıl ilgi çekici nokta, sistemin öğeler hakkındaki bilgileri hesaplaması ve bir kullanıcının daha önce görmediği bir öğeye ne kadar oy vereceğini tahmin edebilmesidir. Amazon, kullanıcının muhtemelen okumaktan hoşlanacağı bir kitabı veya diğer bazı ürünleri önerebilmektedir. Facebook, kullanıcıların ilgisini çekebilecek reklamları kullanıcılara önerecek bir sistem tasarlayarak internet ortamındaki reklam gelirlerinde büyük bir pay sahibi olmayı başarmıştır. Facebook ayrıca, kullanıcılara arkadaş önerisi yada gerçekleşecek bir aktivite önerisi de yapabilmektedir. Youtube bir kullanıcıya izlemekten hoşlanabileceği video önerisi yapabilmektedir. Benzer şekilde, Spotify, kullanıcıya dinlemekten hoşlanabileceği müzikler önerebilmektedir. Bu konuda örnekler çoğaltılabilir.

Öneri sistemleri ticari amaçla tüm dünyada yaygın olarak kullanılmaktadır. 2014’te NetFlix tarafından yayınlanan bir rapora göre, NetFlix’te izlenen filmlerin  ⅔’ü yapılan öneriler sonucu izlenmiştir. Yapılan öneriler sayesinde Google Haberler % 38 daha fazla tıklama elde ediyor. Benzer şekilde, amazon satışlarının% 35’i öneri sistemleri aracılığıyla yapılmaktadır. Youtube ve diğer bazı firmalar da elbette öneri sistemleri kullanmaktadır. Son zamanlarda öneri sistemleri derin öğrenme yöntemi kullanılarak geliştirilmektedir. Google ve Facebook gibi büyük şirketler, Derin Öğrenme’nin gücünden bol miktarda faydalanmaktadırlar.

Makine Öğrenmesinin günlük hayatta en çok kullanılan uygulama alanlarından bir diğeri ise aktivite tanıma uygulamalarıdır. Bu tür uygulamalarda amaç, kullanıcı tarafından gerçekleştirilen aktivitelerin tanınması, sınıflandırılması ve uygun bir şekilde raporlanmasıdır. Tanıma işlemi, cep telefonu üzerinde bulunan sensörlerden elde edilen verilerin Makine Öğrenmesi teknikleri işlenmesi ile yapılmaktadır. İvme ölçer, gyroscop, gps aktivite tanıma için yaygın olarak kullanılan sensörlerdir. Aktivite tanıma işlemi, cep telefonu üzerinde bulunan uygulamalar aracıyla yapılabildiği gibi harici olarak vücuda takılan ek donanımlar aracılığıyla da yapılabilmektedir. Büyük cep telefonu üreticileri bu konuda çokça araştırmalar yaptılar. Örneğin; Apple ve Samsung, kendi geliştirdikleri aktivite tanıma uygulamalarını ürettikleri telefonlar için varsayılan uygulamalardan birisi olarak kullanıcılara sunmaktadırlar. Bu tür uygulamalar bize; günlük yakılan kalori miktarı, yürüme mesafesi, koşma mesafesi, merdiven inme ve çıkma sayısı gibi günlük yaşam aktivitelerimize dair faydalı bilgiler sunmaktadır. Bu sayede kullanıcılar, günlük yaşamlarının ne kadar sağlıklı olduğuna ilişkin bilgiler elde etmiş olur.

Makine Öğrenimi, gelecekle ilgili tahminler yapmak amacıyla da kullanılabilmektedir. Örneğin, hava tahmini uygulamalarında mevcut hava durumu verileri ve geçmiş veriler işlenerek geleceğe yönelik hava koşulları hakkında bilgiler çıkarılabilmektedir.

Geleceğe yönelik tahmin uygulamalarına bir diğer örnek, ATM’lerde bulunan nakit para optimizasyonudur. ATM içerisinde bulunan para, müşteriler tarafından kullanılmadığında bir banka için faydalı bir kaynak olmaktan çıkmaktadır. Bu durumda nakit para, hem müşteri hem de banka için kullanılamaz. Haftalık veya aylık olarak ATM içerisinde bulunması gereken en uygun miktarı tahmin etmek için akıllı bir sistem geliştirilirse, bankalar bu parayı başka amaçlarla kullanarak bu parayı değerlendirebilirler. Bu konu ile ilgili son zamanlarda yapılan çalışmalar, ATM’lerde bulunması gereken optimum para miktarını tahmin edecek akıllı bir sistem oluşturulması ile ATM’lerde bulunan toplam para miktarını değiştirmeden ATM sayısının iki katına çıkarılabildiğini göstermektedir. Geleceğe yönelik tahmin için bir başka örnek ise konut fiyat tahmini örneğidir. Bu tür problemlerde sistem; ev, ev konumu, yakınlardaki ulaşım araçları bilgisi veya arazi değeri gibi bilgileri kullanarak evin gerçek değerini tahmin etmeye çalışır. Geleceğe yönelik yapılan tahminler Makine Öğrenmesi alanında üzerine sıklıkla çalışılan bir konudur. Örnekler çoğaltılabilir.

Görüntü işleme, makine öğrenmesi tekniklerinin sıklıkla kullanıldığı bir başka uygulama alanıdır. Görüntü işleme, makine öğrenmesi tekniklerinin herhangi bir biçimini kullanarak görüntülerden bazı bilgilerin elde edilmesini sağlar. Bu yöntemler, algoritma girdisi olarak; resim, fotoğraf veya fotoğraf serisinden oluşan bir video olabilir. Algoritma çıktısı ise bir görüntü veya görüntüyle ilgili bir dizi özellik veya parametre olabilir. Makine öğrenmesi tekniklerinin kullanıldığı bazı görüntü işleme uygulama örnekleri şunlardır; yüz tanıma, parmak izi tanıma, hareketli nesne tanıma, tıbbi uygulamalar. Ayrıca, hareketli nesne tanıma gibi özellikler, askeri amaçlar için veya trafik yoğunluğu tespit edilmesine yönelik uygulamalarda da yaygın olarak kullanılmaktadır. Bu alanda yürütülen bir çok akademik ve iş dünyasına yönelik çalışmalar vardır.

Görüntü pixellerden oluşur, artan görüntüleme teknolojileri sayesinde daha net görüntüler elde edilebilmektedir. Görüntülerin işlenebilmesi için pixel bazlı işlemler uygulanmalıdır. Artan görüntü çözünürlükleriyle birlikte bu görüntülerin işlenmesi için yüksek işlemci gücüne ihtiyaç duyulmaktadır. Bu nedenle son yıllarda yapılan çalışmalarda; görüntü işleme uygulamalarında Derin Öğrenme tekniği uygulanmaya başlanmıştır. Bu sayede yüksek hızda çalışma kapasitesi ile yüksek başarı oranları elde edilebilmektedir. Bu durum, gerçek zamanlı görüntü işleme uygulamalarının gerçekleştirilmesine ve performanslarının artırılabilmesine olanak sağlamıştır.

Makine öğrenme alanının bir diğer önemli konusu Otonom Araçlardır (Autonomous Car). Otonom Arabalar; şoförsüz araba (driverless car), kendi kendine çalışan otomobil (self-driving car), robotik araba(robotik car) olarak da bilinir. Bu araçlar, bir insandan alacağı direktiflere ihtiyaç duymaksızın çevreyi algılayabilen ve algıladığı çevreye uygun bir sürüş modeli gerçekleyebilen özel araçlardır. Bu işlem için  radar, lidar, GPS, odometri sensörlerinden alınan veriler ve görüntü işleme tekniklerinin kullanılması sayesinde mümkün olabilmektedir. Bu alanda geliştirilmekte olan birçok ticari ürün bulunmaktadır. Örneğin; Google bunlardan bir tanesidir. Otonom bir aracın oluşturulması için elbette kuvvetli bir yapay zeka ile donatılmış olması gerekmektedir. (Görüntü kaynağı: https://waymo.com/ )

Proje 2009 yılında başlamış ve 2015 yılında tamamlanmıştır. Bu proje, kamuya açık olmayan yollarda ilk sürücüsüz sürüşünü tamamlamıştır. Bu proje şu an Austin Texas’ta halen test edilmektedir. Aralık 2016’da Google, projeyi Google’ın ana şirketi Alphabet’ın altında yer alan Waymo adlı yeni bir şirkete aktardı. Alphabet, Waymo’yu “insanların ve eşyaların güvenli ve kolay dolaşımını sağlamak için kendi kendine çalışan bir teknoloji şirketi” olarak tanımlıyor. Yeni şirket, otonom araçlarını 2020’de halka açmayı planlıyor. Google’ın otonom aracı, sürücüsüz bir seyahat için tasarlandığından, bu otomobilin içinde pedal veya direksiyon bulunmamakta. Tüm karar verme işlemleri sensörlerden elde edilen bilgilerin makine öğrenmesi teknikleri ile işlenmesi sayesinde gerçekleştirilmektedir.

(görüntü kaynağı: McKinsey & Company)

Google bu alanda tek firma değil elbette. Otomobil sektöründeki birçok firma ve birçok teknoloji firması bu alanda çalışmalar yapmaktadır. Klasik araçların yerini otonom araçların aldığı bir gelecek çok da uzak değil…

 

Add a Comment

Your email address will not be published. Required fields are marked *