GENEL DEEP LEARNING BİLGİSİ

Sanayi Devrimi’ ni 19. yüzyıl sonlarında bırakmadık tabi. Halen evrilip gelişiyoruz. En son nerede kalmıştık? DİJİTAL DEVRİM…Kablosuz ağlar, akıllı telefonlar, akıllı saatler, bulutlar( SaaS, PaaS), Big Data, SNC, LTE, 4G, mobil internet, AI( yapay zeka)…Tüm bunlarla beraber 3. devri tamamladık. Şimdi yeni bir devrim başlıyor; dijital devrimin ilerlemesi ve gelişmesiyle 4IR’a gelmiş bulunmaktayız. Artık bundan sonra yepyeni teknolojiler karşımıza çıkacak Deep Learning ve Machine Learning yeni gelen bu teknolojilerin gelişmesi için ana kuvvet olacaklar. Öyle bir devrim ki biyolojik, dijital ve fiziksel dünyalar yeni teknolojilerle , adete metaller gibi birbiri içinde eriyecek, var olan tüm disiplinler etkilenecek, insan nedir sorusuna verilen cevapları bile değişecektir.

Bilgi toplama, büyük veri analizi, gerçek zaman tahminleri, çok değişkenli sistemlerde model tahmini ve kontrolü vb. gibi alanlarda DL & ML kullanılacaktır. DL & ML’ nin büyük etkilerini görmek için bir örnek verelim, şu an insanlığın elinde, birçok farklı veri tiplerinden oluşmuş, junk data dediğimiz çöp veriler dahil büyük veritabanları var. Temiz veri tabanları oluşturmak için filtre kullanmamız lazım. Bu filtre görevini de DL & ML görüyor olacaktır. Sadece filtre görevini görmeyecek , veri toplama, verilerin analizini ve kontrolünü de gerçekleştirecektir.

AI, DL, ML arasındaki farklardan bahsedelim;

AI( Artificial Intelligence) : Türkçesi yapay zeka , makineleşme yani otomasyon AI sayesinde gerçekleşiyor. 1950'lerin ortalarında kullanılmaya başlanmıştır.

ML( Machine Learning) : Türkçesi makine öğrenmesi, makinelere farklı durumlara adaptasyon yeteneğini geliştirmiş, daha gelişmiş bir otomasyon uygulamaları kazandırmıştır. 1980' lerin başında kullanıma geçilmiştir.

DL( Deep Learning) : Türkçesi derin öğrenme, karmaşık durumların ve problemlerin kesin çözümünü bulmamızı sağlar. Asıl konumuz da bu.

Deep Learning ne yapar?

Görüntü işleme,

El yazısı tanıma,

Ses tanıma( Apple Siri, Google Voice Search,

Data analizi & Bilgi çıkarmak,

Yönetim & Kontrol & Otomasyon,

Estimation( Data’lardan tahmin) & Prediction( Rastgele tahmin),

Programlama için kod havuzları oluşturma.

Şimdi de deep Learning ürünleri ve hizmetleri arasında, en iyi temsilcilerden biri olan IBM Watson’a odaklanacağız.

IBM tarafından geliştirilen, doğal dilde sorulan sorulara cevap vermek için tasarlanan yapay zeka programıdır. IBM Watson sistemi ile IBM Araştırma ve Geliştirme, IBM Sağlık hizmetleri, IBM Finans ve IBM Endüstriyel Çözümler kurulmuştur.

Watson, Jeopardy adı verilen 1964' ten beri Amerika’da yayınlanan bilgi yarışmasında, daha önce yarışmış ve şampiyon olmuş en iyi iki yarışmacıyı karşı 2 kez oynayıp kazanmıştır. Jeopardy maçından önce, 25 tam zamanlı araştırmacı ve mühendis tarafından 200'den fazla sekiz çekirdekli sunucu üzerinde 8.000'den fazla bağımsız oyun denemesi yapıldı.

IBM Watson’ da DeepQA işlemleri kullanılmaktadır. DeepQA, tip sınıflandırması, zaman, coğrafya, popülasyon, pasaj desteği, kaynak güvenilirliği, semantik(anlam bilimi) gibi çeşitli analiz algoritmalarının birleşimidir. Nasıl çalışıyor peki?
İlk olarak, doğal dil soru girişi gerçekleşiyor. Daha sonra cevap ve kanıt kaynaklarından içerik edinimi gerçekleşiyor. Bu süreci takiben, istatistiksel analiz ve sorunun domain analizi yapılacaktır. Bu analiz sonuçları gelen sorunun sınıflandırılması için kullanılmıştır.

Analizimizde , LAT ekstraksiyonu ve odak tespit etme içeren iki ana bileşen vardır. LAT, sözcüksel cevap türüdür. Şöyle ki sorunun içinde bir ipucu sözcüğüne göre kendi cevabını oluşturur. Odak ise, sorunun içinde seçilmiş bir sözcüktür.Bu sözcüğü anahtar cevap sözcüğü ile değiştirdiğinde soru cümlesi bağımsız bir ifadeye dönüştürülür. Bu iki sınıflandırma tekniğini kullanarak, önce sisteme girilmiş soruya kurala dayalı derin ayrıştırma ve daha sonra da istatistiksel sınıflandırma kullanarak bir diğer ayrıştırma uygulanıyor.

Bu işlemlerden sonra, veri tabanları ile ilişki tespit edilir. Bu aşamada, veritabanları çeşitli ilişkiler bulmak için kullanılır.

Sıra cevapla ilgili içeriklere ne yaptığımıza geliyor. Toplanan bu içerikleri kullanarak, yüzlerce aday cevaplarından hipotezler kuruluyor. Şimdi, bu oluşturulan aday cevaplar arasından, aday cevap seçimi yumuşak filtreleme teknolojisi kullanılarak gerçekleştirilmektedir.Ardından kanıt puanlaması yapılır.

Kanıt puanlama, aday cevapların kanıtlarını değerlendirme sürecidir. Ve kanıt puanlama derin skor analizi ve zamansal muhakeme içerir. Neden zamansal akıl yürütmeye ihtiyacımız var? Çünkü zamana dayalı olarak, cevabın yaratıldığı an, verilen cevap doğru olmayabilir. Bu nedenle, cevapların zamana dayalı olması gerekir. Bu yüzden zamansal akıl yürütmeye ihtiyaç vardır.

Bu süreci takiben, kanıt skorlama işleminin ardından, sonuçlara göre sıralama ve güven aralığı tahmini yapılır. Daha sonra tek en iyi cevabı oluşturmak için cevap birleştirme yapılır. İşte bu, IBM Watson’ın DeepQA’ sında kullanılan işlemdir.
Adapt Watson, Watson’ da kullanılan temel yapay zeka algoritmasıdır. Soru-cevap, aday cevap arama, kanıt toplama, cevap ve kanıt puanlama ile uğraşan 100'den fazla çekirdek algoritmik bileşenlerin entegre edilmesiyle geliştirilmiştir. Güven aralığı tespiti yanı sıra birleştirme ve sıralama özelliklerine de sahiptir.
IBM Watson’ın uygulamaları arasında sağlık hizmetleri, yasal araştırmalar, chatbot(yapay zeka ile konuşma programı), öğretim asistanı, hava durumu tahmini ve finansal hizmetler vardır.
Onkoloji için Watson, kanser teşhisi ve bireysel hasta özelliklerine dayalı tedaviler için yardımcı olan bir doktordur. Hasta semptomları, tıbbi kayıtlar ve genomik veriler analiz edilir. Doktorun bilmediği yeni tedavi yöntemlerini bildirirken tanı ve idari hatalar azaltılır, kanser teşhisi ve tedavisi için planlar oluşturur.
Hindistan’ın Bangalore şehrindeki Manipal Kapsamlı Kanser Merkezi’nde yürütülen kanser teşhis çalışmalarında Watson’un %90 doğruluk oranı bulunmaktadır.
Teşekkür ederim.