SesAtolyesi
Kayıtlı Üye
Yapay zekâ, çok sayıda örneği inceleyerek girdiler ile doğru çıktılar arasındaki örüntüleri öğrenir. Eğitim sırasında model bir tahminde bulunur, tahminini beklenen sonuçla karşılaştırır ve hatasını azaltacak şekilde iç ayarlarını değiştirir. Bu işlem yeterli veri ve hesaplama gücüyle defalarca tekrarlandığında model, daha önce görmediği benzer girdiler için tahmin üretebilir; ancak öğrendiği şey insan gibi bilinçli bir anlayış değil, verilerdeki istatistiksel ilişkilerdir.
Bir yapay zekâ modelinin öğrenmesinde üç temel unsur bulunur: veri, model ve eğitim yöntemi. Veri; metin, görüntü, ses, ölçüm veya başka örneklerden oluşur. Model, bu örneklerdeki ilişkileri sayısal değerlerle temsil eden matematiksel yapıdır. Eğitim yöntemi ise modelin hatasını ölçüp içindeki parametreleri güncellemesini sağlar.
Örneğin bir modele, e-postaların “spam” veya “normal” olarak işaretlendiği örnekler verilebilir. Model başlangıçta bazı e-postaları yanlış sınıflandırır. Her tahminin hatası hesaplanır ve modelin iç ayarları, sonraki tahminlerde benzer hataları daha az yapacak biçimde değiştirilir. Bu işlem çok sayıda örnek üzerinde yinelenir.
Modelin ürettiği tahmin ile gerçek veya beklenen sonuç arasındaki fark, kayıp ya da hata değeriyle ölçülür. Eğitim algoritması bu değeri azaltmaya çalışır. Makine öğrenmesinde bunun için sık kullanılan yöntemlerden biri, hatanın model parametrelerine göre nasıl değiştiğini hesaplayıp parametreleri küçük adımlarla güncelleyen geri yayılım ve optimizasyon süreçleridir.
Bu süreçte modelin “doğru cevabı bildiği” söylenmez. Model, eğitim verilerindeki örüntüleri kullanarak hangi cevabın daha olası olduğunu hesaplar. Eğitim tamamlandıktan sonra yeni bir girdi verildiğinde bu hesaplamayı yapar ve bir çıktı üretir.
Öğrenme biçimi, modele verilen verinin yapısına ve hedefe göre değişir:
Denetimli öğrenmede veri etiketlerinin doğru olması özellikle önemlidir. Yanlış veya tek taraflı etiketler, modelin de yanlış ya da dengesiz örüntüler öğrenmesine yol açabilir. Denetimsiz öğrenme ise gruplar veya ilişkiler bulabilir; fakat bulunan grupların gerçek dünyada ne anlama geldiğini insanın yorumlaması gerekebilir. Pekiştirmeli öğrenmede de yalnızca ödülü artırmak, her zaman insanın istediği davranışın öğrenildiği anlamına gelmez; ödülün nasıl tanımlandığı sonucu belirler.
Bir metin modeli, eğitim sırasında çok sayıda cümlede kelimelerin hangi bağlamlarda birlikte kullanıldığını görür. Varsayımsal olarak modele “Bugün hava çok” girdisi verildiğinde model, eğitimdeki benzer kullanımlara dayanarak “güzel”, “sıcak” veya “soğuk” gibi devamların olasılığını hesaplayabilir. En olası devamı seçerek bir yanıt üretir; yanıtın doğru veya yararlı olması, yalnızca dil örüntüsünü iyi öğrenmesine değil, sorunun bağlamına ve kullanılan verilere de bağlıdır.
Bu örnek, modelin cümlenin anlamını insan gibi yaşadığı veya dünyayı doğrudan gözlemlediği anlamına gelmez. Modelin güncel olayları, kişisel bilgileri veya özel bir gerçeği kendiliğinden bildiği de varsayılamaz. Eğitim verisinde bulunmayan ya da sonradan değişen bilgiler için ayrıca güncel bir kaynağa veya doğrulamaya ihtiyaç duyulabilir.
Bir modelin eğitim başarısının yüksek olması, her yeni soruya doğru yanıt vereceğini kanıtlamaz. Model eğitim verilerini fazla ezberlediyse yeni örneklerde başarısı düşebilir; buna aşırı uyum denir. Veriler eksik, hatalı veya önyargılıysa model bu sorunları çıktılarında yeniden üretebilir. Ayrıca akıcı ve kendinden emin bir yanıt, yanıtın gerçek olduğu anlamına gelmez.
Bu nedenle yapay zekâdan alınan önemli bir bilgiyi, özellikle sağlık, hukuk, finans, güvenlik veya güncel olaylarla ilgiliyse, güvenilir ve güncel bir kaynaktan ayrıca kontrol etmek gerekir. En doğru yaklaşım, yapay zekâyı örüntüleri hızlıca değerlendiren bir araç olarak görmek; kesinlik, bilinç veya insan muhakemesi yerine koymamaktır.
Yapay zekânın öğrenme süreci
Bir yapay zekâ modelinin öğrenmesinde üç temel unsur bulunur: veri, model ve eğitim yöntemi. Veri; metin, görüntü, ses, ölçüm veya başka örneklerden oluşur. Model, bu örneklerdeki ilişkileri sayısal değerlerle temsil eden matematiksel yapıdır. Eğitim yöntemi ise modelin hatasını ölçüp içindeki parametreleri güncellemesini sağlar.
Örneğin bir modele, e-postaların “spam” veya “normal” olarak işaretlendiği örnekler verilebilir. Model başlangıçta bazı e-postaları yanlış sınıflandırır. Her tahminin hatası hesaplanır ve modelin iç ayarları, sonraki tahminlerde benzer hataları daha az yapacak biçimde değiştirilir. Bu işlem çok sayıda örnek üzerinde yinelenir.
Tahmin, hata ve düzeltme
Modelin ürettiği tahmin ile gerçek veya beklenen sonuç arasındaki fark, kayıp ya da hata değeriyle ölçülür. Eğitim algoritması bu değeri azaltmaya çalışır. Makine öğrenmesinde bunun için sık kullanılan yöntemlerden biri, hatanın model parametrelerine göre nasıl değiştiğini hesaplayıp parametreleri küçük adımlarla güncelleyen geri yayılım ve optimizasyon süreçleridir.
Bu süreçte modelin “doğru cevabı bildiği” söylenmez. Model, eğitim verilerindeki örüntüleri kullanarak hangi cevabın daha olası olduğunu hesaplar. Eğitim tamamlandıktan sonra yeni bir girdi verildiğinde bu hesaplamayı yapar ve bir çıktı üretir.
Yapay zekâ hangi yollarla öğrenir?
Öğrenme biçimi, modele verilen verinin yapısına ve hedefe göre değişir:
| Öğrenme biçimi | Veri ve hedef | Basit örnek |
|---|---|---|
| Denetimli öğrenme | Girdiler ve doğru cevaplar birlikte verilir. | Fotoğrafları kedi veya köpek olarak sınıflandırma |
| Denetimsiz öğrenme | Doğru cevaplar önceden verilmeden benzerlikler aranır. | Müşterileri davranışlarına göre gruplama |
| Pekiştirmeli öğrenme | Eylemlerin sonucuna göre ödül veya ceza alınır. | Bir sistemin oyunda daha iyi hamleler seçmesi |
Somut bir örnek: metin tahmini
Bir metin modeli, eğitim sırasında çok sayıda cümlede kelimelerin hangi bağlamlarda birlikte kullanıldığını görür. Varsayımsal olarak modele “Bugün hava çok” girdisi verildiğinde model, eğitimdeki benzer kullanımlara dayanarak “güzel”, “sıcak” veya “soğuk” gibi devamların olasılığını hesaplayabilir. En olası devamı seçerek bir yanıt üretir; yanıtın doğru veya yararlı olması, yalnızca dil örüntüsünü iyi öğrenmesine değil, sorunun bağlamına ve kullanılan verilere de bağlıdır.
Bu örnek, modelin cümlenin anlamını insan gibi yaşadığı veya dünyayı doğrudan gözlemlediği anlamına gelmez. Modelin güncel olayları, kişisel bilgileri veya özel bir gerçeği kendiliğinden bildiği de varsayılamaz. Eğitim verisinde bulunmayan ya da sonradan değişen bilgiler için ayrıca güncel bir kaynağa veya doğrulamaya ihtiyaç duyulabilir.
Öğrenmiş olması neyi kanıtlamaz?
Bir modelin eğitim başarısının yüksek olması, her yeni soruya doğru yanıt vereceğini kanıtlamaz. Model eğitim verilerini fazla ezberlediyse yeni örneklerde başarısı düşebilir; buna aşırı uyum denir. Veriler eksik, hatalı veya önyargılıysa model bu sorunları çıktılarında yeniden üretebilir. Ayrıca akıcı ve kendinden emin bir yanıt, yanıtın gerçek olduğu anlamına gelmez.
Bu nedenle yapay zekâdan alınan önemli bir bilgiyi, özellikle sağlık, hukuk, finans, güvenlik veya güncel olaylarla ilgiliyse, güvenilir ve güncel bir kaynaktan ayrıca kontrol etmek gerekir. En doğru yaklaşım, yapay zekâyı örüntüleri hızlıca değerlendiren bir araç olarak görmek; kesinlik, bilinç veya insan muhakemesi yerine koymamaktır.
