Garfield
YZF Admin
Yapay zekâ, bilgisayarların insan zekâsıyla ilişkilendirilen öğrenme, sınıflandırma, tahmin ve karar verme görevlerini yerine getirmesini sağlayan yöntemlerin genel adıdır. Yapay sinir ağları ise bu alanın içinde yer alan, verilerden örüntü öğrenen hesaplama modelleridir. Kısaca, her yapay sinir ağı yapay zekâ kapsamında değerlendirilebilir; ancak her yapay zekâ sistemi yapay sinir ağı kullanmaz.
Yapay zekâ en geniş kavramdır. Bir sistemin belirli bir görevi insan benzeri biçimde yerine getirmesini sağlayan kurallar, algoritmalar ve öğrenme yöntemleri bu kapsamda bulunabilir. Makine öğrenmesi, bilgisayarın açıkça yazılmış her kuralı uygulamak yerine örneklerden sonuç çıkarmasını sağlayan yapay zekâ yaklaşımıdır. Yapay sinir ağları da makine öğrenmesinde kullanılan model ailelerinden biridir.
Yapay sinir ağı, birbirine bağlı yapay düğümlerden oluşur. Bu düğümler genellikle giriş, gizli ve çıkış katmanları şeklinde düzenlenir. Her bağlantının bir ağırlığı vardır. Ağ, eğitim sırasında tahmini ile doğru sonuç arasındaki farkı hesaplar ve ağırlıkları bu hatayı azaltacak biçimde günceller. Bu süreç çok sayıda örnek üzerinde tekrarlandığında model, eğitim verisindeki ilişkileri kullanarak daha önce görmediği girdiler için tahmin üretebilir.
Örneğin bir e-posta sınıflandırma modeli düşünelim. Girdi olarak e-postadaki kelimeler, gönderen bilgisi ve bazı biçimsel özellikler verilir. Model, daha önce spam veya normal olarak etiketlenmiş e-postalardan örüntü öğrenir. Yeni bir e-postaya “spam olma olasılığı yüzde 92” çıktısını verdiğinde bu sonuç, modelin öğrendiği örüntülere dayalı bir tahmindir; e-postanın kesin olarak spam olduğunu kanıtlamaz. Son karar için eşik değeri, yanlış pozitiflerin maliyeti ve insan kontrolü gibi unsurlar ayrıca değerlendirilmelidir.
Aynı konu farklı terimlerle anlatıldığı için şu ayrım pratikte yararlıdır:
Bu sınıflandırma, “yapay zekâ” ile “yapay sinir ağı”nın eş anlamlı olmadığını gösterir. Kural tabanlı bir sistem yapay zekâ sayılabilir fakat eğitim verisinden ağırlık öğrenen bir sinir ağı kullanmayabilir. Derin öğrenme ise yapay sinir ağlarının özel, daha katmanlı ve çoğunlukla daha fazla veri ile işlem gücü gerektiren bir uygulamasıdır.
Bir ağın öğrenme süreci genel olarak şu mantıkla işler:
Yapay sinir ağları; görüntü, ses, metin ve sensör verilerindeki karmaşık örüntüleri yakalamada güçlüdür. Özellikle kuralların tek tek yazılmasının zor olduğu görevlerde işe yarar. Bunun karşılığında yeterli ve temsili eğitim verisine, uygun model tasarımına ve hesaplama kaynaklarına ihtiyaç duyabilir.
Modelin çıktısı, verinin kalitesi kadar güvenilirdir. Eğitim verisi eksik, hatalı veya belirli bir gruba karşı dengesizse model de benzer hataları öğrenebilir. Ayrıca sinir ağlarının karar gerekçesi çoğu zaman doğrudan anlaşılmaz. Bu nedenle sağlık, finans, işe alım veya güvenlik gibi yüksek etkili alanlarda model sonucu tek başına kesin karar olarak kullanılmamalı; performans, hata türleri, veri kapsamı ve insan denetimi birlikte değerlendirilmelidir.
Bir yapay sinir ağı olasılık veya sınıflandırma sonucu üretebilir, fakat bu sonuç kendiliğinden gerçek, tarafsız ya da nedensel bir açıklama değildir. “Bu model bir ilişki buldu” demek, “bir olayın nedenini kanıtladı” demekle aynı değildir. Kullanım amacına göre doğruluk, kesinlik, geri çağırma, hata maliyeti ve farklı gruplardaki performans ayrı ayrı ölçülmelidir.
Yapay zekâ ile yapay sinir ağları arasındaki ilişki
Yapay zekâ en geniş kavramdır. Bir sistemin belirli bir görevi insan benzeri biçimde yerine getirmesini sağlayan kurallar, algoritmalar ve öğrenme yöntemleri bu kapsamda bulunabilir. Makine öğrenmesi, bilgisayarın açıkça yazılmış her kuralı uygulamak yerine örneklerden sonuç çıkarmasını sağlayan yapay zekâ yaklaşımıdır. Yapay sinir ağları da makine öğrenmesinde kullanılan model ailelerinden biridir.
Yapay sinir ağı, birbirine bağlı yapay düğümlerden oluşur. Bu düğümler genellikle giriş, gizli ve çıkış katmanları şeklinde düzenlenir. Her bağlantının bir ağırlığı vardır. Ağ, eğitim sırasında tahmini ile doğru sonuç arasındaki farkı hesaplar ve ağırlıkları bu hatayı azaltacak biçimde günceller. Bu süreç çok sayıda örnek üzerinde tekrarlandığında model, eğitim verisindeki ilişkileri kullanarak daha önce görmediği girdiler için tahmin üretebilir.
Örneğin bir e-posta sınıflandırma modeli düşünelim. Girdi olarak e-postadaki kelimeler, gönderen bilgisi ve bazı biçimsel özellikler verilir. Model, daha önce spam veya normal olarak etiketlenmiş e-postalardan örüntü öğrenir. Yeni bir e-postaya “spam olma olasılığı yüzde 92” çıktısını verdiğinde bu sonuç, modelin öğrendiği örüntülere dayalı bir tahmindir; e-postanın kesin olarak spam olduğunu kanıtlamaz. Son karar için eşik değeri, yanlış pozitiflerin maliyeti ve insan kontrolü gibi unsurlar ayrıca değerlendirilmelidir.
Temel kavramları ayırmak
Aynı konu farklı terimlerle anlatıldığı için şu ayrım pratikte yararlıdır:
| Kavram | Ne ifade eder? | Örnek |
|---|---|---|
| Yapay zekâ | Akıllı davranış üreten geniş yöntem ve sistem alanı | Kural tabanlı teşhis sistemi |
| Makine öğrenmesi | Örneklerden ilişki öğrenerek tahmin veya sınıflandırma yapma | Kredi başvurusunun riskini tahmin etme |
| Yapay sinir ağı | Makine öğrenmesinde kullanılan, ağırlıkları eğitimle güncellenen model | Görüntüde kedi olup olmadığını sınıflandırma |
| Derin öğrenme | Birden fazla gizli katmana sahip büyük yapay sinir ağlarıyla öğrenme | Konuşma tanıma veya görüntü analizi |
Yapay sinir ağı nasıl öğrenir?
Bir ağın öğrenme süreci genel olarak şu mantıkla işler:
- Girdiyi alır. Sayısal hâle getirilmiş özellikler, görüntü pikselleri, ses örnekleri veya metin parçaları ağa verilir.
- Tahmin üretir. Girdiler, katmanlardaki ağırlıklar ve etkinleştirme işlevleri üzerinden işlenerek bir çıktı oluşturulur.
- Hatayı hesaplar. Modelin çıktısı, eğitim verisindeki doğru cevapla karşılaştırılır; aradaki fark kayıp değeriyle ölçülür.
- Ağırlıkları günceller. Geri yayılım ve bir iyileştirme yöntemi kullanılarak ağırlıklar hatayı azaltacak yönde değiştirilir.
- Ayrı verilerle kontrol eder. Eğitimde kullanılmayan doğrulama veya test verileriyle modelin ezberleyip ezberlemediği ve yeni örneklere ne kadar iyi uyduğu incelenir.
Ne zaman kullanışlıdır, sınırları nelerdir?
Yapay sinir ağları; görüntü, ses, metin ve sensör verilerindeki karmaşık örüntüleri yakalamada güçlüdür. Özellikle kuralların tek tek yazılmasının zor olduğu görevlerde işe yarar. Bunun karşılığında yeterli ve temsili eğitim verisine, uygun model tasarımına ve hesaplama kaynaklarına ihtiyaç duyabilir.
Modelin çıktısı, verinin kalitesi kadar güvenilirdir. Eğitim verisi eksik, hatalı veya belirli bir gruba karşı dengesizse model de benzer hataları öğrenebilir. Ayrıca sinir ağlarının karar gerekçesi çoğu zaman doğrudan anlaşılmaz. Bu nedenle sağlık, finans, işe alım veya güvenlik gibi yüksek etkili alanlarda model sonucu tek başına kesin karar olarak kullanılmamalı; performans, hata türleri, veri kapsamı ve insan denetimi birlikte değerlendirilmelidir.
Bir yapay sinir ağı olasılık veya sınıflandırma sonucu üretebilir, fakat bu sonuç kendiliğinden gerçek, tarafsız ya da nedensel bir açıklama değildir. “Bu model bir ilişki buldu” demek, “bir olayın nedenini kanıtladı” demekle aynı değildir. Kullanım amacına göre doğruluk, kesinlik, geri çağırma, hata maliyeti ve farklı gruplardaki performans ayrı ayrı ölçülmelidir.
Sık sorulan sorular
Her yapay zekâ sistemi yapay sinir ağı mıdır?
Hayır. Bazı yapay zekâ sistemleri önceden yazılmış kurallarla, arama yöntemleriyle veya başka makine öğrenmesi modelleriyle çalışabilir. Yapay sinir ağları, yapay zekânın içindeki yöntemlerden yalnızca biridir.
Daha büyük bir sinir ağı her zaman daha iyi midir?
Hayır. Daha büyük modeller daha karmaşık ilişkileri öğrenebilir; ancak daha fazla veri ve kaynak gerektirir, aşırı öğrenmeye daha açık olabilir ve hatalarının açıklanmasını zorlaştırabilir. Uygun model, göreve, veriye, hata maliyetine ve kullanılabilir kaynaklara göre seçilir.
