İnsan hayatını kolaylaştırmak üzere tasarlanan yazılımlar, kimi zaman insan zekasının da ötesinde sonuçlar vererek bilim dünyasında heyecan yaratabiliyor. İşte, derin öğrenme de bu durumun en güncel ve en popüler örneklerinden biri. Derin öğrenmeyi, makine öğrenimi ya da orijinal adıyla “machine learning” kavramının daha gelişmiş bir versiyonu olarak düşünebilirsiniz. Derin öğrenme, makinelerin dünyayı algılamasında ve anlamasında kullanılan bir yaklaşım biçimi. Yapay zeka efsanesinin karşımıza çıkması da, yine ancak derin öğrenme ile mümkün. Bir posta kutusuna düşen gereksiz maillerin otomatik olarak taranmasından tutun da sürücüsüz ilerleyen otomobillere ya da doktorsuz yapılan kanser araştırmalarına kadar her şey işte bu algoritmalar zincirinin eseri. Üst düzey araştırma şirketlerinin yanı sıra üniversiteler, sosyal medya şirketleri ve teknoloji devleri de bu alana yapılan yatırımları gün geçtikçe daha da artıyor. Peki bir bilgisayar modelinin ses, metin ve görüntüleri tanıması, anlamlandırması ve dahası buna göre aksiyon alabilmesi nasıl mümkün olabilir? Derin öğrenmenin mevcut ve potansiyel kullanım alanları nelerdir? Tüm bu soruların cevabı için sizleri yazının devamına bekliyoruz.

Deep Learning (Derin Öğrenme) Nasıl Çalışır?

Derin öğrenmede hedeflenen; bir yazılımı adım adım kurgulamak yerine bu kurguyu bilgisayar modelinin yapabilmesi için zemin hazırlamak. Bu sayede alternatif senaryolar karşısında bilgisayar modeli çözüm üretebilir. Yazılım aşamasında programcıların üretebileceği senaryolar kısıtlı iken; derin öğrenen makinelerin sunabilecekleri sayısız çözüm mevcut. Dolayısıyla, bir bilgisayarın ne tür nesneleri tanıması isteniyorsa, önce o nesnelerin bir eğitim seti halinde bilgisayara yüklenmesi gerekiyor. Bu set katmanlardan oluştuğu için, insan beyninde etkileşim halinde olan sinir hücrelerine de benzetilebilir. Tanıtılmak istenen her bir obje, ilk iş olarak “etiketli veri” şeklinde sisteme yüklenmeli. İnsan vücudundaki derin sinir ağlarına atıfla; derin öğrenme algoritmaları zaman içinde kendi sebep sonuç ilişkilerini kurabilmeye başlıyor. Yararsız kodlar eliminasyona tabi olurken, yararlı kodlar giderek daha sık ve verimli kullanıma alınıyor. Çok basit bir örnekle; bir bilgisayara ağaç, siyah, beyaz, tişört, köpek, oyun ve çocuk kavramlarını tanıtarak “Siyah tişörtlü çocuk ile beyaz köpek ağacın altında oyun oynuyor.” yorumunu alabilirsiniz. Derin öğrenme, nesnelerin birbirleri ile ilişkilerini ortaya koyar. Trendleri tespit edebilir. Karmaşık durumları yazıya dökerek bunlara dikkat çekebilir. Daha gelişmiş kullanımlarda ise, yorum yapmaktan sonraki adıma geçmek mümkün olur. Örneğin yüz ya da ses tanıma işlemi kullanan program, doğru kişiyi algıladığında güvenlik kilitlerini ortadan kaldırabilir.

Derin Öğrenme Başarısını Artıran Faktörler Neler?

Derin öğrenmenin gelişimi, diğer tüm teknolojik gelişmelerle de yakın ilişki içinde. Fotoğraflardaki ya da videolardaki çözünürlüğün ve kullanılan GPU (Grafik İşleme Birimi) performansının artması bu bakımdan avantaj sağlayan başlıca faktörler. Örneğin, bundan on yıl önce bu kadar yüksek piksel seviyesinde fotoğraflama imkanı olmayacağı için bu kadar başarılı yüz tanıma sistemlerinden de söz edilemezdi. Aynı şekilde kullanılan veri miktarının artması da, derin öğrenme alanında yatırım yapanların işini büyük ölçüde kolaylaştırıyor. Yalnızca internet üzerinde bile herkesin erişimine açık korkunç büyüklükte bir veri deposu mevcut. Hastane, askeriye ya da okul gibi kuruluşlardaki verilerini de bu hesaba dahil edin. Bu kadar bilginin doğru şekilde işlenebilmesi ve yeni bilgileri doğurabilmesi için yalnızca doğru bir sınıflandırma gerekiyor. Derin öğrenme başarısındaki son faktör ise artan derinlik. Bundan yetmiş yıl önce bile ANN adı verilen “yapay sinir ağı” çalışmaları yapılmıştı. Ancak derin öğrenmeyi başarılı kılan, CNN adı verilen “derin sinir ağları” oldu. Derin öğrenmenin katmanlardan oluşması, katman sayısını artırarak bilgisayarı daha fazla besleyebilmeye yarıyor.

Derin Öğrenme İçin Kullanım Alanları Neler?

Teknolojinin ilerlemesi ile birlikte derin öğrenme pratiklerinin ulaşabileceği noktanın da bir sınırı yok. Şu anda derin öğrenme metodunun kullanılmasıyla gelinen nokta akıllı telefon teknolojilerinden sağlık bilimine kadar her alanda heyecan yaratsa da; gelecekte çok daha büyük bir potansiyel kullanım ağından söz ediliyor. Örnek verecek olursak, derin öğrenme sayesinde bir kişinin genetik geçmişi ve gen dizilimi incelenebilir ve tamamen kişiye özel tedaviler ve sağlık tedbirleri geliştirilebilir. Halihazırda derin öğrenme kullanan, en yaygın uygulamalar ise aşağıdaki gibi:

Yüz tanıma: Akıllı telefonlarda kullanılan, yüz tanıma ile kilit ekranının açılabilmesi özelliği ya da sosyal medyaya yüklenen bir fotoğrafta etiketlenecek kişinin program tarafından önerilmesi yüz tanıma kullanımına örnek olarak verilebilir.

Ses tanıma: Telefon bankacılığında, ses algılanarak gerekli hizmetlere yönlendirme yapılabilmesi bir ses tanıma örneği sayılabilir. Telefonlardaki sesli asistanlar da aynı şekilde, derin öğrenmeden ilham alıyor. Aynı şekilde uzun vadede tüm cihazların ve insanların ses tanıma sayesinde devamlı iletişim halinde kalacaklarını öngörmek hata olmaz.

Araçlarda kullanım: Otopilot özelliğinin yanı sıra; görüş alanının kısıtlı olduğu durumlarda dahi doğru karar alabilme ve şerit değiştirme sırasında güvenli alan yaratabilme gibi çalışmalar son hızla devam ediyor. Otomobil devlerinin çalışmaları arasında sürücüsüz araç da var.

Savunma ve güvenlik alanlarında kullanım: Derin öğrenme; video tanıma özelliği sayesinde güvenlik ve savunma alanlarında hizmet gösteren şirketlerin de işlerini kolaylaştırıyor. Kamera kayıtlarını sürekli kontrol etmek yerine, kayıt dökümlerinin yazılı olarak alınması ya da yalnızca olağandışı hareketlerde alarm sisteminin devreye girmesi gibi teknolojiler derin öğrenme sayesinde mümkün.

Sağlık alanında kullanım: Derin öğrenmenin en heyecan verici kullanım alanlarından biri, kesinlikle sağlık. Özellikle kanser araştırmalarında, zaman kaybını ortadan kaldıran çalışmalar yapılıyor. Kanserli hücre örneklerinin tanıtıldığı derin öğrenme algoritmaları, yeni hücrelerin kanserli olup olmadığı tanısını koymakta hem daha hızlı hem de daha başarılı.