Rehber Yapay zeka algoritmaları

Yapay zekâ algoritmaları arasındaki temel fark; veriyi nasıl kullandıkları, hangi tür çıktıyı ürettikleri ve öğrenme sürecinde geri bildirim alıp almadıklarıdır. Denetimli öğrenme etiketli örneklerden tahmin yapar, denetimsiz öğrenme verideki gizli grupları bulur, pekiştirmeli öğrenme ise ödül ve ceza sinyalleriyle eylem seçmeyi öğrenir. Derin öğrenme bu yöntemlerden bağımsız bir öğrenme amacı değil, çok katmanlı yapay sinir ağları kullanan bir modelleme yaklaşımıdır. Doğru algoritmayı seçmek için önce elinizdeki verinin etiketli olup olmadığını, beklenen çıktının ne olduğunu ve hatalı kararın maliyetini belirlemelisiniz.

Algoritmalar hangi ölçütlere göre ayrılır?​

Bir algoritmayı yalnızca “yapay zekâ” veya “makine öğrenmesi” olarak adlandırmak yeterli değildir. Aynı problem, farklı öğrenme yöntemleriyle çözülebilir; ancak her yöntemin ihtiyaç duyduğu veri, ürettiği sonuç ve kullanım sınırı farklıdır.
Bu sınıflar tamamen birbirini dışlamaz. Örneğin bir üretici model, denetimli veya denetimsiz tekniklerle eğitilmiş bir derin öğrenme modeli olabilir. Bu nedenle “üretici yapay zekâ” öğrenme biçimini değil, modelin yeni içerik oluşturma görevini anlatır.

Denetimli öğrenme: Etiketli örneklerden tahmin​

Denetimli öğrenmede her eğitim girdisinin beklenen sonucu bulunur. Bir e-postanın “spam” veya “normal” olarak işaretlenmesi sınıflandırmaya; bir evin metrekaresi, konumu ve yaşı kullanılarak fiyatının tahmin edilmesi regresyona örnektir.

Varsayımsal bir spam filtresine konu satırı, gönderen adresi ve ileti metni verildiğinde algoritma bu girdilerden “spam” ya da “normal” çıktısı üretir. Eğitim sırasında tahmini gerçek etiketle karşılaştırılır ve hata azaltılacak şekilde model güncellenir. Modelin eğitim verisinde başarılı olması, daha önce görmediği iletilerde de doğru çalışacağını kanıtlamaz; bu nedenle ayrı doğrulama ve test verisi gerekir.

Denetimli öğrenme için en önemli sınırlama, etiketlerin hazırlanmasının zaman ve maliyet gerektirmesidir. Etiketler hatalı veya dengesizse model de bu sorunları öğrenebilir.

Denetimsiz öğrenme: Verideki yapıyı keşfetme​

Denetimsiz öğrenmede verilerin önceden verilmiş doğru cevapları yoktur. Algoritma, birbirine benzeyen kayıtları aynı kümelerde toplayabilir, sıra dışı kayıtları işaretleyebilir veya çok sayıda özelliği daha az boyutla temsil edebilir.

Örneğin bir çevrim içi mağazanın müşteri kayıtlarında yaş, alışveriş sıklığı ve ortalama sepet tutarı bulunuyor; ancak müşterilerin hangi segmente ait olduğu önceden belirtilmiyorsa kümeleme kullanılabilir. Algoritma benzer davranışları olan gruplar çıkarır. Bu gruplar kendiliğinden “sadık müşteri” veya “fiyat duyarlı müşteri” anlamına gelmez; kümelerin iş anlamını insanın verileri inceleyerek yorumlaması gerekir.

Bu yaklaşım, sınıflandırma için hazır etiket üretmez ve tek başına neden-sonuç ilişkisini kanıtlamaz. Ayrıca seçilen özellikler veya küme sayısı, elde edilen yapıyı önemli ölçüde değiştirebilir.

Pekiştirmeli öğrenme: Eylemlerin sonucundan öğrenme​

Pekiştirmeli öğrenmede bir etmen, içinde bulunduğu duruma göre eylem seçer ve aldığı ödüle göre gelecekteki seçimlerini günceller. Burada her adım için doğru cevap verilmez; amaç, zaman içinde toplam ödülü artıran bir politika öğrenmektir.

Bir oyun ortamında etmen, mevcut konumunu gözlemleyip hamle yapar. Kazanmak yüksek, kaybetmek düşük veya negatif ödül olabilir. Başlangıçta deneme amaçlı kötü hamleler yapması normaldir; bu nedenle gerçek dünyadaki robot, trafik veya finans uygulamalarında güvenli sınırlar ve kontrollü simülasyon gerekir.

Pekiştirmeli öğrenme, sıradan bir veri tablosunda doğrudan “etiket girip tahmin üretme” yöntemi değildir. Ödülün yanlış tanımlanması, modelin istenmeyen ama kısa vadede ödüllendirilen davranışlar geliştirmesine yol açabilir.

Derin öğrenme ve klasik makine öğrenmesi arasındaki ayrım​

Derin öğrenme, çok katmanlı yapay sinir ağları kullanan bir model ailesidir. Metin, görüntü, ses ve karmaşık örüntülerde ham veriden yararlı temsilleri kendisi öğrenebilir. Buna karşılık klasik makine öğrenmesi yöntemlerinde verinin hangi özelliklerinin kullanılacağı çoğu zaman daha açık biçimde hazırlanır.

Derin öğrenme her problemde otomatik olarak daha iyi değildir. Büyük miktarda veri, daha yüksek hesaplama gücü ve daha uzun eğitim süresi gerektirebilir. Küçük ve düzenli tablolarda karar ağaçları, doğrusal modeller veya benzeri daha basit yöntemler daha kolay açıklanabilir ve yeterli olabilir.

Hangi algoritma yaklaşımı ne zaman seçilmeli?​

Seçimi modelin popülerliğine göre değil, problemin yapısına göre yapın. Elinizde doğru cevapları bulunan örnekler varsa denetimli öğrenme; cevap etiketleri yok ve amacınız benzerlikleri veya grupları keşfetmekse denetimsiz öğrenme daha uygundur. Bir sistemin art arda karar vermesi ve her kararın sonraki durumu etkilemesi gerekiyorsa pekiştirmeli öğrenme değerlendirilebilir.

• Beklenen çıktı bir sınıf veya sayıysa denetimli öğrenme yöntemlerini karşılaştırın.
• Amaç grupları, benzerlikleri veya sıra dışı kayıtları bulmaksa denetimsiz yöntemleri deneyin.
• Amaç yeni metin, görüntü, ses veya kod üretmekse üretici modellerin doğruluk, güvenlik ve doğrulanabilirlik sınırlarını ayrıca değerlendirin.
• Veri azsa veya açıklanabilirlik önemliyse daha basit modelleri; veri çok büyük ve örüntüler karmaşıksa derin öğrenmeyi değerlendirin.
• Modeli seçmeden önce başarı ölçütünü belirleyin; doğruluk tek başına yeterli olmayabilir, çünkü yanlış pozitif ve yanlış negatif hatalarının maliyeti farklı olabilir.

Aynı veri kümesinde farklı algoritmaların farklı sonuç vermesi, bunlardan birinin mutlaka gerçeği bulduğunu göstermez. Sonuçları ayrı test verisiyle, uygun başarı ölçütleriyle ve mümkünse insan incelemesiyle değerlendirmek gerekir. Özellikle üretici modellerin akıcı bir çıktı vermesi, çıktının doğru, güncel veya güvenli olduğunu kanıtlamaz.