"derin öğrenme nedir" sorusunun kısa cevabı, çok katmanlı yapay sinir ağlarıyla verilerdeki ilişkileri öğrenen bir makine öğrenmesi yaklaşımıdır. Katmanlar, kendilerine gelen sayısal bilgiyi işleyip sonraki katmana aktarır. Ağın sonunda fotoğraf için bir sınıf tahmini veya başka bir çıktı oluşur.

Buradaki "derin", insanın düşünce derinliğini ölçmez; ağdaki katmanlarla ilgilidir. Kavramı anlamak için bir düğmenin fotoğrafından başlayalım. Kullanacağımız atölye ve model hayalî. Bu örnek, herhangi bir uygulamayla yapılmış bir deneyin sonucu değildir.

Bir fotoğraf katmanlardan nasıl geçer?

Bir dikiş grubunun düğmeleri fotoğraflarına göre ayırmak istediğini düşünün. Görevimiz yalnızca görüntüde düğme bulunup bulunmadığını söylemek olsun. Fotoğraf bilgisayara renk ve parlaklık değerlerinden oluşan sayılarla girer. Modelin önünde bizim gördüğümüz gibi elde tutulabilir bir nesne yoktur.

AWS'nin Türkçe açıklaması, giriş, gizli katmanlar ve çıktı katmanı üzerinden bu yapıyı anlatıyor. Görüntü tanıyan bir ağda erken katmanlar basit görsel örüntülere, ilerleyen katmanlar bunların birleşimlerine duyarlı olabilir. Düğmenin kenarını ve deliklerinin düzenini böyle bir birleşimin anlaşılır örnekleri olarak düşünebilirsiniz.

Ancak "ilk katman kesin kenarı, ikinci katman kesin deliği bulur" diye bir iş bölümü yazmayın. Bu, kavramı anlatmak için kurduğumuz basitleştirme. Gerçek ağın hangi özelliği nasıl temsil ettiği kullandığımız yapıya ve eğitimine bağlıdır.

Son katmanın "düğme" sonucuna katkı veren bir değer üretmesi, düğmenin hangi ceketten düştüğünü bildiği anlamına gelmez. Örnekte istenen çıktı baştan dar tutuldu. Sistemin verdiği etikete sonradan hikâye eklemeyin.

Öğrenirken hangi sayılar değişir?

Sinir ağındaki bağlantıların etkisini belirleyen sayılara ağırlık denir. Microsoft Learn'ün açıklamasında, işlem birimlerinin girdilerden ağırlıklı toplam hesapladığı ve bunları dönüştürdüğü anlatılıyor. Katmanlar bu hesapları birbirine bağlar.

Düğme örneğimizde eğitim fotoğraflarının doğru etiketlerini önceden hazırladığımızı varsayalım. Ağın tahminiyle bu etiket karşılaştırılır. Yanlış tahminin büyüklüğünü bir kayıp hesabıyla ifade ederiz. Eğitim süreci, kaybı azaltacak yönde ağırlıkları ayarlamaya çalışır.

Google'ın Türkçe eğitim rehberi, geri yayılımın çok katmanlı ağlarda bu ayarlamayı hesaplamaya yardım ettiğini açıklıyor. Hesap, hataya hangi ağırlığın ne yönde katkıda bulunduğunu bulmak için kullanılır. Ağın her fotoğrafa insan gibi bakıp kendine sözlü ders verdiğini düşünmek yanıltır.

Eğitilmiş modeli kullanırken yeni düğme fotoğrafını verip bir tahmin alabiliriz. Bu tek tahmin işlemi, ağırlıkların yeniden eğitildiğini göstermez. "Fotoğraf gönderdim, artık benim düğmemi öğrendi" sonucunu yalnızca yanıttan çıkaramayız. Öğrenme süreciyle eldeki modeli çalıştırmayı ayrı tutun.

Düğme yerine masa örtüsünü öğrenirse

Hayalî eğitim fotoğraflarımızda bütün düğmeler kırmızı örtü üzerinde, diğer nesneler de beyaz masada çekilmiş olsun. Bu düzenin bir sakıncası var: Renkli zemin, istenen etiketle birlikte değişiyor. Model, düğmenin biçimi yerine arka plandaki bu kolay ipucuna yaslanabilir.

Bunu düşünmek için aynı düğmeyi beyaz masaya taşıyalım. Nesne aynı kaldı. Yalnızca zemin değişince tahmin bozuluyorsa düğmeyi tanıma iddiasını yeniden incelemek gerekir. Tersini de sorun: Kırmızı örtüye düğmesiz bir makara koyunca ne oluyor? Bunlar burada gerçek ölçümler değil, hangi hatayı arayacağımızı belirleyen kontrol soruları.

Kendi değerlendirme notunuzda değişen şeyi açık yazın. "Kötü tanıdı" yerine "aynı düğmenin zeminini değiştirince etiket değişti" daha işe yarar. Tek örnek de modelin bütün davranışını kanıtlamaz; başka düğmelerde ve farklı çekimlerde bakılması gereken bir sorun gösterir.

Etiketleri de gözden geçirin. Dikiş grubundaki biri çıtçıtı düğme sayarken diğeri ayrı tutmuşsa, modele verdiğimiz hedef baştan karışır. Biz bu örnekte yalnızca deliklerinden dikilen düğmeleri kabul edelim. Çıtçıtları ve boncukları ayrı not edelim. Böylece yanlış çıktıya bakarken önce hangi cevabı beklediğimizi bilebiliriz. Bulanık bir fotoğrafta delikler görünmüyorsa o kaydı kesin etiketlemek yerine yeniden çekmek daha yerinde olur. Kontrolün bu kısmını tamamlamadan katman sayısını artırmayı çözüm saymayın; insanın henüz kararlaştırmadığı sınıf sınırını ağın bizim yerimize belirlemesini beklemiş oluruz.

Bir ürün açıklamasında neyi aramalısınız?

"Derin öğrenme kullanıyor" ifadesi, fotoğraftaki her nesnenin doğru tanınacağına dair sonuç vermez. Açıklamada hangi görev için denendiğini ve hangi koşullarda hata yaptığını arayın. Yöntemlerin geniş alan içindeki yerini yapay zekâ ve makine öğrenmesi rehberinde bulabilirsiniz.

Kavramı çalışırken asistana şu soruyu sorun: "Düğme örneğinde katmanın yaptığı hesapla eğitim sırasında değişen ağırlığı ayrı ayrı açıkla. Kırmızı zeminle düğmeyi karıştıran bir model için kontrol sorusu öner." Yapay Zeka'nın yanıtları altında kaynaklar bulunur. Açıp açıklamayı kontrol edin; örnekte verilmemiş bir mimariyi kesin olarak adlandıran cevabın dayanağını ayrıca sorun.