ENDÜSTRİ 4.0
AI (YAPAY ZEKA)
YAPAY ZEKA: AI İLİŞKİLİ TERMİNOLOJİNİN TANIMI VE AÇIKLANMASI
Yapay Zeka (Artificial Intelligence), Makine Öğrenimi (Machine Learning), Veri Bilimi (Data Science) ve Gelişmiş Analitik (Advanced Analytics), çok kullanılan, çoğu zaman karışık ve rastgele birbirleriyle ilişkili terimlerden sadece bazılarıdır.
Sizi bir üniversite sınıfında altı haftalık bir öğrenme sürecine dahil etmeden, bu terimlerin bazılarını basitçe açıklamaya çalışacağız. Daha da önemlisi, IFS'te bunları nasıl yorumladığımızı anlatacağız.
Bu metinde emeği geçen IFS Lab Yöneticisi Bas de Vos ve IFS Yapay Zeka Mühendisi Martijn Loos’a teşekkür ederiz.
YAPAY ZEKANIN TANIMLANMASI
Yapay zeka, bilgisayar sistemlerinin görevleri insanlar kadar iyi hatta daha iyi yerine getirebilmesi teorisi ve gelişimidir.
Yapay zekanın geleceği Genel Zeka (G Factor) olsa da, bugünkü yapay zeka versiyonunun spesifik bilgilerle ilgili olduğunu, şirketlerin de yatırım yapması gereken yer olduğunu belirtmek gerek.
İş süreçleri ve uygulamalarında yapay zeka ile uyumlu belirli görevler verip performans artırmak mümkün mü?
Bunun örneği ise doktorların bir hastayı teşhis ederken MRI veya EKG görüntülerini yorumlamasına yardımcı olmak için AI teknolojilerini kullanmak olabilir. Bu doktorun kapasitesini artırmakla alakalıdır, onu bir makine ile değiştirmekle değil.
Yapay zeka alanında birden fazla alt disiplin vardır. AI içeren birçok uygulama bunlardan birden fazlasını kullanır.
Örneğin
Bilgisayar Görüşü (Computer Vision)
Bilgisayar görüşü, dijital görüntü ve videoları içeren görevleri otomatikleştirmeye odaklanır. Örneğin, fotoğraflardan veya videolardan yüz tanıma (Fotoğraflarınızdaki arkadaşlarınızı otomatik olarak sosyal medyada etiketleyebilme), fotoğraflardan 3D bir görüntüyü yeniden oluşturma veya kişilerin video görüntüleri üzerindeki takibini yapabilme.
Doğal Dil İşlemesi (Natural Language Processing)
Doğal dil işlemesi, yazılı bir metinin veya konuşmanın yorumlanması veya oluşturulması gerektiğinde uygulanır. Örnekleri ise “Siri” veya “Cortana” gibi genel uygulamalardan “KLM Messenger Bot” gibi belirli sohbet botlarına, bir makalenin veya Tweet'in arkasındaki duyguyu yorumlayabilecek duygu analizi algoritmalarına kadar uzar.
Otonom Ajanlar (Autonomous Agents)
Otonom Ajanlar müdahale olmadan hedeflerine doğru ilerleyebilirler. Bunun iyi bir örneği dronlardır. Dronlar, hiç kontrol gerektirmeden belli bir hedefe doğru uçabilecek veya belirli kişiye mümkün olduğunca yakın kalabilecek şekilde programlanabilirler. Aynı anda da çevresinde nesnelerden kaçabilirler.
Tabii yukarıda belirtilen tüm disiplinleri kullanan uygulamalar da var. İnsansız arabaları düşünün. Bu, tanım gereği, “Otonom bir Ajandır” çünkü arabayı kontrol eden kimse yoktur, ancak yine de trafik kurallarına uymak zorundadır. Bunu, çevrenin görüntülerini sürekli olarak işleyen bilgisayar görme teknikleri kullanarak yapar. Hedefimizi söylemek için araba ile konuşabiliriz, nereye gideceğini ve oraya gitmek için en kısa rotayı haritalandıracak, bu da “Doğal Dil İşlemesi” kullanılarak yapılır.
Önceki açıklamalarımızdan bazılarını vurgulamak için, özetleyelim. Aynı zamanda kendi kendini süren bir otomobilin her görevini anlayan tek bir AI değil, her biri ayrı ayrı çok özel bir ihtiyacı ele alan daha küçük, spesifik AI özelliklerini kullanan karmaşık bir bilgisayar sistemi olduğu anlamına geliyor.
Anahtar Yapay Zeka Disiplini: Makine Öğrenimi (Machine Learning)
Şimdiye kadar, en önemli Yapay Zeka disiplininden henüz bahsetmedik: Makine Öğrenimi. Çok fazla sözü geçen terimlerden biri, peki aslında ne anlama geliyor?
Makine Öğrenimi, kendi başlarına öğrenebilecek bir dizi algoritmayı tanımlayan bir terimdir. Algoritmayı, gerçekleştirmesi gereken görevin farklı örnekleri (verileri) ile besleyerek elde edilir. Böylelikle Yapay Zeka hedefine ulaşmak için doğru kalıpları çıkarabilir. Kalıbını oluşturduktan sonra, algoritmanın daha önce görmediği verilere de uygulanabilir. Örneğin, tahminlerde bulunabilir.
Sinirsel ağlar (Neural networks)
Sinirsel Ağlar, şu an sıklıkla konuşulmakta. Ancak, kendi başına bir teknik olmaktan ziyade, birçok makine öğrenimi algoritmasından biridir.
İnsan beyninin davranışını taklit etmek için bir sinir ağı modellenmiştir. İnsan beyninde birbirlerine sinyal gönderebilen sinapslarla bağlantılı nöronlarda, sinir ağlarına benzeyen ve diğer nöronlara sinyal gönderebilen yapay nöronlar vardır. Bu nöronlar genellikle katmanlar halinde sıralanırlar; tipik bir yapıda bir giriş katmanı, belirli sayıda gizli katman ve bir çıkış katmanı bulunur.
Bu yöntemi kullanmanın bir örneği, bir resmin bir kedi içerip içermediğini belirlemeye çalışmaktır. Ağın bunu öğrenmesine izin vermek için, kedileri içeren birçok resim model için girdi olarak kullanılır. Gizli katmanlar, bıyık, kulak, kuyruk vb. gibi kedilerin farklı özelliklerini öğrenmek ve tanımlamak için kullanılır.
Görselin aslında bir kedi içerip içermediğinin sonucu da çıkış katmanındadır.
Derin Öğrenme (Deep Learning)
Bir ağ ne kadar gizli katman içeriyorsa, o kadar "derin" olur ve süreçte daha karmaşık kalıpları temsil eder.
Derin öğrenme üzerine konuşurken, aslında birçok gizli katmanı olan sinir ağlarını kastediyoruz.
Makine öğrenimi kendi başına bir disiplini olmasına rağmen, AI'ın diğer tüm disiplinleriyle de iç içedir. Resimlerdeki kedileri tanımlamak için bir sinirsel ağı öğrenmeye çalışmak, makine öğrenimi ve bilgisayarın görüntü işlemesinin arasındaki ilişkiye güzel bir örnektir.
Yapay zeka ile ilgili terimler: veri bilimi ve gelişmiş analiz
Veri bilimi, verilerden bir anlam elde etmek için çeşitli yöntem ve tekniklerin uygulanmasıdır. Makine öğrenimi ise bunu başarmak için en önemli tekniklerden biridir, ancak başka araçlar da bulunmaktadır.
Bir Yapay Zeka uygulaması geliştirirken, veri bilimi gereklidir. Verilerden anlam elde etmeden, uygun, kullanışlı bir model geliştirmek imkansızdır. Bir veri bilimcisi, verileri kullanmak, yapılandırmak ve temizlemek, parametreleri optimize etmek ve sonuçları yorumlamak için en uygun algoritmayı bulmaya çalışır.
İlgili diğer bir terim de gelişmiş analizdir. Genellikle, verilerden bağımsız olarak anlam kazanabilen ve İş Zekası (Business Intellegence) veya geçmiş veri analizi gibi geleneksel analitik araçlardan daha "gelişmiş" araçlar ve teknikler için bir kapsayıcı bir terim olarak kullanılır. Düşünebileceği teknikler veri madenciliği, grafik analizi, büyük veri analizi ve makine öğrenmesidir.
Veri bilimini gelişmiş analitikle karşılaştırdığımızda kendimize bu ikisi arasında gerçek bir fark olup olmadığını sorabiliriz. Terimlerin birbirine çok benzediğini düşünüyoruz. Genellikle, veri analizinin bir etkinlik olarak (ör. Veri Bilimini Uygulama) kullanılırken, gelişmiş analitiklerin bir ürün bağlamında (örn. Gelişmiş Analiz Platformu) kullanıldığını görürsünüz.
Yapay zekanın tanımlamaları için IFS Lab’in aşağıdaki yazılarını da inceleyebilirsiniz: