"yapay zeka ve makine öğrenmesi nedir" diye soruyorsanız önce aralarındaki ilişkiyi kurun: Yapay zekâ, bilgisayarlara algılama ve problem çözme gibi beceriler kazandırmayı araştıran geniş alandır. Makine öğrenmesi ise bu alanın içinde, örnek verilerden ilişkiler öğrenmeye dayanan yöntemleri kapsar. Birbirinden bağımsız iki rakip teknoloji değiller.
Derin öğrenme de makine öğrenmesinin bir alt alanıdır. Bu yüzden bir sistem aynı anda yapay zekâ, makine öğrenmesi ve derin öğrenme kullanıyor olabilir. Etikette üç terimin bulunması, uygulamada üç ayrı asistan olduğu anlamına gelmez.
Geniş alan ile kullanılan yöntemi ayırın
AWS'nin Türkçe karşılaştırması, yapay zekânın makine öğrenmesi dışında kural tabanlı sistemler ve arama yöntemleri de içerdiğini açıklıyor. Dolayısıyla "yapay zekâ kullanıyor" cümlesi tek başına sistemin veriden öğrenip öğrenmediğini söylemez.
Makine öğrenmesinde yazılımcı her olası durumun cevabını tek tek tarif etmez. Öğrenme yöntemi, verilen örneklerdeki düzenliliklerden yararlanır. TÜBİTAK'ın açıklamasında da geçmiş örneklerdeki ilişkilerin benzer yeni durumları ele almak için kullanılması üzerinde duruluyor.
Bir haber okurken şu ayrımı arayabilirsiniz: Yazı, sistemin yapmasını istediğimiz işi mi anlatıyor, yoksa o işi nasıl öğrendiğini mi? "Fotoğrafta koli buluyor" görevdir. "Etiketlenmiş fotoğraflardan öğrendi" ise kullanılan yaklaşım hakkında bilgi verir. Yalnızca sonucu görmek, yöntemi belirlemek için yetmez. Geniş kavrama giriş için yapay zekâ tanımına da bakabilirsiniz.
Aynı koliyi iki farklı yoldan ayırmak
Hayalî bir atölyede yeniden kullanılacak boş kolileri ayırdığımızı düşünelim. Aşağıdaki durumlar bir şirketin veya uygulamanın test sonucu değil; yöntem farkını görmek için kurulmuş örnekler.
İlk düzende kuralı biz yazalım: "Genişliği 30 santimetreyi aşan koliyi büyükler rafına koy." Sistem genişliği ölçüp bu koşulu uygular. Kurala göre 31 santimetrelik koli büyükler rafına gider, 30 santimetrelik gitmez. Daha önce bin koli geçmiş olsa da bu kural kendi kendine değişmez. Böyle basit bir otomasyonun varlığı, tek başına yapay zekâ kullanıldığını da göstermez.
İkinci düzende görevimiz farklı olsun: Fotoğraftaki koli yeniden kullanıma uygun görünüyor mu? Önceden insan tarafından "uygun" veya "inceleme gerekli" diye işaretlenmiş fotoğraflardan öğrenen bir model düşünelim. Model yeni fotoğrafa, öğrendiği görsel ilişkilerle bir etiket önerir. Yazılımcının olası her yırtık biçimini ayrı bir kurala dökmesi gerekmez.
Burada verilen etiket kesin kontrol sonucu değildir. Fotoğrafta sağlam görünen kolinin altı yırtık olabilir. Atölyedeki kişi koliyi çevirip bakar. Fotoğrafla öğrenen yöntemin bulunması, görünmeyen yüzey hakkında bilgi yaratmaz.
İki yöntem aynı iş akışında birleşebilir. Model görünür hasar için inceleme önerirken, genişliği 30 santimetreyi aşan koliyi hangi rafa koyacağımızı sabit bir kural belirleyebilir. Bu yüzden bütün uygulamayı tek kelimeyle etiketlemek yerine hangi parçanın ne yaptığını sormak daha açıklayıcıdır.
Derin öğrenme bu ilişkinin neresinde?
Derin öğrenme, çok katmanlı yapay sinir ağlarına dayanan bir makine öğrenmesi yaklaşımıdır. "Derin" sözcüğü burada insanın konuyu derinlemesine kavramasını anlatmaz. AWS'nin derin öğrenme rehberi, bu ağların birlikte çalışan çok sayıda katmandan oluştuğunu açıklıyor.
İç içe üç alan düşünebilirsiniz: En genişte yapay zekâ, onun içinde makine öğrenmesi, daha içeride derin öğrenme bulunur. Bu yerleşim bir kalite sıralaması değildir. Bir yöntemin daha dar bir alanın adı olması, her işte daha iyi sonuç vereceğini göstermez.
Koli örneğindeki fotoğraf modeli derin öğrenmeyle kurulmuş olabilir. Fakat yalnızca fotoğraf işlemesi, bunu kesin olarak söylememize yetmez; teknik açıklamaya bakmamız gerekir. "Makine öğrenmesi kullanıyor" ifadesinden de doğrudan "derin öğrenme kullanıyor" sonucunu çıkaramayız.
Üretken yapay zekâ ayrı bir basamak mı?
Üretken sözcüğü, sistemin yeni içerik oluşturmasına dikkat çeker. Koli fotoğrafına "inceleme gerekli" etiketi vermekle atölye için yeni bir duyuru yazmak farklı çıktılardır. Üretken yapay zekâ açıklamasında bu çıktı farkını daha ayrıntılı bulabilirsiniz.
Bir ürün tanıtımında "derin öğrenme" görmek, ürünün mutlaka yazı veya görsel ürettiğini söylemez. Benzer şekilde "üretken" etiketi de elinizdeki belirli işi ne kadar doğru yaptığına cevap vermez. Yöntemin adını, beklediğiniz çıktıyı ve kontrol edeceğiniz hatayı ayrı not edin.
Kavramları çalışırken bir asistandan "Koli örneğinde görev adını, kullanılan yöntemi ve ortaya çıkan sonucu ayrı cümlelerle açıkla" diye isteyebilirsiniz. Yapay Zeka'da yanıtların altında kaynaklar bulunur; açıp açıklamanın dayanağını kontrol edin. Cevap, verilmemiş bir model adını veya eğitim yöntemini kesinleştiriyorsa o kısmın hangi bilgiye dayandığını sorun.
