2021 Makine Öğrenimi (ML) Trendleri

Makine öğrenimi trendleri ve yapay zeka, son dönemin en moda sözcükleri oldu. Öncelikle makine öğrenimi (Machine Learning - ML) nedir bununla başlayalım. Makine öğrenimi, eğitimli algoritmalar ve sinir ağı modelleri ile etkinleştirilen makinelerin, verilerden bağımsız olarak öğrenebildiği ve belirli bir görevle ilgili performansı ve karar verme doğruluğunu sürekli olarak iyileştirebildiği bir yapay zeka alt kümesidir.

Yapay zeka ve makine öğrenimi, gelişmiş kuantum bilgi işlem sistemlerinden tutun da son teknoloji tıbbi teşhis sistemlerine, hatta tüketici elektroniği ve kişisel asistanlara kadar her şeye daha fazla girmeye başladı.

Gartner’a göre, incelenen tüm şirketlerin yaklaşık %37’si işlerinde bir tür makine öğrenimi kullanıyor ve modern ilerlemelerin yaklaşık %80’inin 2022’ye kadar yapay zeka ve makine öğrenimi üzerine kurulacağı tahmin ediliyor. Ancak makine öğrenimi ve yapay zeka alanında birçok yenilik olmasına rağmen, sadece birkaç kuruluş temel iş hedeflerini gerçekleştirmek için bunları uygulayabildi.

Hiperotomasyonda yapay zeka ve makine öğrenmesinin artan rolü

Pazar araştırma şirketi Gartner tarafından tanımlanan bir BT mega trend olan hiperotomasyon, bir kuruluşta otomatikleştirilebilen çoğu şeyin (eski iş süreçleri gibi) otomatikleştirilmesi gerektiği fikridir. Pandemi, dijital süreç otomasyonu ve akıllı süreç otomasyonu olarak da bilinen kavramın benimsenmesini hızlandırdı.

Yapay zeka ve makine öğrenimi, hiperotomasyonun (robotik süreç otomasyon araçları gibi diğer teknolojilerle birlikte) temel bileşenleri ve ana itici güçleridir. Başarılı hiperotomasyon girişimleri için statik paketlenmiş yazılımlara güvenemezsiniz. Otomatikleştirilmiş iş süreçleri, değişen koşullara uyum sağlayabilmeli ve beklenmedik durumlara yanıt verebilmelidir.

İşte bu noktada yapay zeka, makine öğrenimi modelleri ve derin öğrenme teknolojisi devreye giriyor. Hiperotomasyonun etkili olması için, statik paket yazılımlara bağlı olmaması gerekiyor. Otomatikleştirilmiş iş süreçleri, değişen koşullara uyum sağlayabilmeli ve ani koşullara tepki verebilmelidir.

Makine öğrenimi ve IoT’nin kesişimi

Pazar araştırmacısı Transforma Insights'ın küresel IoT pazarının 2030'da 24,1 milyar cihaza ulaşacağını ve 1,5 trilyon dolar gelir elde edeceğini tahmin etmesiyle birlikte, Nesnelerin İnterneti (IoT) son yıllarda hızla büyüyen bir alan oldu.

Yapay zeka (AI) ve makine öğrenimi kullanımı, IoT ile giderek daha fazla iç içe geçiyor. Örneğin yapay zeka, makine öğrenimi ve derin öğrenme, IoT cihazlarını ve hizmetlerini daha akıllı ve daha güvenli hale getirmek için zaten kullanılıyor. Ancak, AI ve ML'nin başarılı bir şekilde çalışması için büyük miktarda veri gerektirdiği göz önüne alındığında, her yönden avantajlı bir durum elde edilmiş oluyor.

Örneğin endüstriyel bir ortamda, bir üretim tesisi genelindeki IoT ağları, üretim sistemi performansını iyileştirmek, verimliliği artırmak ve makinelerin ne zaman bakıma ihtiyacı olacağını tahmin etmek için yapay zeka sistemleri tarafından analiz edilen operasyonel ve performans verilerini toplayabilir.

İş tahmini ve analizi

Zaman serisi analizi son dönemlerde ortaya çıkan yeni bir model olmasına rağmen oldukça yaygınlaştı. Bu strateji ile uzmanlar, belirli bir süre boyunca bir dizi veriyi topluyor, tarıyor ve daha sonra bu verileri inceleyerek doğru kararlar almak için kullanıyor. Makine öğrenimi ağları, çeşitli veri kümeleri kullanılarak eğitildiklerinde yaklaşık %95’e varan doğruluk oranıyla varsayımlar verebiliyor.

2021 ve sonrasında, kuruluşların yüksek doğrulukta tahmin için yinelenen sinir ağlarını birleştirmesi gerekebiliyor. Örneğin, gizli modelleri ve doğru tahminleri keşfetmek için makine öğrenimi çözümleri birleştirilebilir. Bunun gerçek bir örneği, potansiyel dolandırıcılıkları tespit eden sigorta şirketleridir. Fakat bu durum kuruluşlar için maliyetli olabiliyor.

Otomasyon

2021 yılı teknolojide yeni kalıpları hayata geçirmeyedevam ediyor ve bu yeniliklere ayak uyduramayan şirketler için teknoloji borçları ortaya çıkabiliyor. Bu borç ise eninde sonunda faiziyle geri ödeniyor. Öyle ki bu yıl geliştirme teknolojisinin benimsenmesiyle birlikte, teknoloji harcamalarında bir hareket söz konusu olabilir. Kurumsal bütçeler, BT’den daha kritik iş operasyonlarına geçmeye devam edecek. Liderlerin, en önemli DevOps metriği nedeniyle iş değerinin yerini hız faktörü aldıkça, gelirleri artıran faaliyetlere daha fazla yatırım yapması bekleniyor.

Yazılım geliştirme ve veri teknolojisi harcamalarının odak noktası, yapay zekanın uygulanması oluyor. 2021’in sayısız konularından biri de mevcut teknolojilerin otomasyonu olacak. Sonuç olarak Tamr, Paxata ve Informatica CLAIRE gibi yapay zeka tabanlı öğeler; aykırı değerleri tanıyan, düzelten, kayıtları kopyalayan ve farklı kusurları en iyi şekilde büyük verilerin saflaştırılması ve kalitenin ölçeklendirilmesi gerekçesiyle öğrenmeye devam ediyor.

Daha hızlı bilgi işlem gücü

Yapay zeka analistleri, yapay sinir ağlarının olanaklarını ve bunları düzenlemek için en iyi yaklaşımı bulmaya çok yakın. Bu, önümüzdeki yıl içinde algoritmik atılımların, pragmatik gelişmeler ve yeni problem çözme sistemleriyle ortaya çıkmaya devam edeceğini gösteriyor. Üçüncü taraf bulut hizmeti sağlayıcıları, bulutta ML algoritmalarını dağıtmayı teşvik ettiğinden, bulut makine öğrenimi çözümleri de benzer şekilde güç kazanıyor. Yapay zeka, iç görüler bulmayı ve kararlar almayı gerektiren sorunları kapsamlı olarak ele alabiliyor. Bununla birlikte, bir makinenin önerisini ele alma yeteneği olmadan, bireyler bu önermeyi kabul etmenin zor olduğunu düşünüyor. Belirli çizgilerle, yapay zeka algoritmalarıyla ilgili şeffaflığı ve açıklanabilirliği artıran ara dönemde sürekli büyüme öngörülebiliyor.

Güçlendirilmiş öğrenme

Güçlendirilmiş öğrenme, yakalanan verilerin etkinliğini artırmak için kendi deneyimlerini kullanan benzersiz bir derin öğrenim kullanımıdır ve önümüzdeki yıllarda şirketler tarafından yaygın olarak kullanılabilir. Güçlendirilmiş öğrenmede, AI programlama, yazılım tarafından ne tür bir faaliyetin gerçekleştirileceğini karakterize eden çeşitli koşullarla kuruluyor. Yazılım, farklı eylem ve sonuçların ışığında ideal nihai hedefi karşılamak için gerçekleştirilecek eylemleri kendi kendine öğreniyor.

Güçlendirilmiş öğrenmenin ideal bir örneği, selamlaşma, sipariş rezervasyonu, danışma aramaları gibi basit kullanıcı sorgularını ele alan bir sohbet robotudur.

Geçmişten Günümüze Makine Öğrenimi Teknolojisi

İlk yapay zeka örneklerini mümkün kılan makine öğreniminin kökeni, 1950'lerde öncü araştırmaların bilgisayarların öğrenme yeteneğini belirlediği bir dizi derin olaya kadar uzanabilir. 1950'de ünlü "Turing Testi" İngiliz matematikçi Alan Turing tarafından bir makinenin bir insana eşit veya benzer akıllı davranış sergileyip sergilemediğini belirlemek için geliştirildi. 1952'de veri bilimcisi Arthur Lee Samuel, IBM bilgisayar programına yalnızca dama oyununu öğretmekle kalmayıp, oynandıkça daha da gelişmesini başardı. Sonra 1957'de, bilgisayarlar için dünyanın ilk sinir ağı Amerikalı psikolog Frank Rosenblatt tarafından tasarlandı. 1960'larda, makine öğreniminde olasılıksal müdahale için Bayes yöntemleri tanıtıldı. Ve 1986'da bilgisayar bilimcisi Rina Dechter Derin Öğrenme tekniğini tanıttı.

Makine öğreniminin bilgi odaklı bir yaklaşımdan bugün aşina olduğumuz veri odaklı yaklaşıma geçmesi 1990’ları buldu. Bilim adamları, büyük miktarda veriyi analiz edebilecek ve sonuçlardan öğrenebilecek bilgisayar programları oluşturmaya başladılar. Bu dönemde vektör makinelerinin desteklenmesi ve tekrarlayan sinir ağlarının popülaritesi arttı. 2000'lerde, Destek Vektör Kümeleme gibi algoritma desen analizi için Kernal yöntemleri öne çıktı.

Bugün bildiğimiz şekliyle makine öğrenimini etkinleştirmeye yardımcı olan bir sonraki önemli olay, 2000'lerin başında meydana gelen donanım gelişmeleridir. Algoritma eğitimini haftalardan günlere önemli ölçüde hızlandırmakla kalmayıp, gömülü sistemlerde de kullanılabilen grafik işleme birimleri (GPU'lar) geliştirildi. 2009'da Nvidia'nın GPU'ları, Google Brain tarafından, YouTube'taki etiketlenmemiş kedi resimlerini tanımayı öğrenebilecek yetenekli derin sinir ağları oluşturmak için kullanıldı. Derin öğrenme gözle görülür şekilde uygulanabilir hale geldiğinde, yazılım hizmetleri ve uygulamaları için gelecek vaat eden yeni bir yapay zeka ve makine öğrenimi dönemi başladı.

Algoritma geliştirmeleri ve donanım performansındaki mevcut eğilimler bu şekilde ilerlemeye devam ederse, makine öğrenimi için pratik uygulamalar yakında önemli ölçüde genişleyecektir. Halihazırda, görüntülerdeki nesneleri ve metinleri, yüz görüntülerinden duygusal durumları ve daha fazlasını tanımak için derin öğrenme algoritmaları kullanılıyor. Bu, yakın gelecekte daha fazlasının yapılmasına yardımcı olacak.

Gelecekte Yapay Zeka Senaryoları

Teknoloji ve bilimi bir araya getiren yapay zeka çok sayıda insan tarafından hala keşfedilmeyi bekleyen gizemli bir kutu gibi. 1950’li yıllarda hayatımıza giren robot teknolojisi, gelişen teknolojiyle birlikte yavaş yavaş hayatın kontrolünü eline almaya başladı. Başlarda insanlara yardımcı olması amacıyla geliştirilmeye başlanan robotlar, zamanla aletlerin de yerini aldı. Peki robotlar teknoloji sayesinde daha da gelişirlerse gözlerini insanların yerine dikip, işlerini ellerinden alabilirler mi? Aslında burada hem olumlu hem de olumsuz senaryolara bakmak lazım.

Yapay zeka ile gelecekte mümkün olabilecek olumlu senaryolar:

Nükleer felaketleri ve trafik kazalarını önleyebilirler. Deprem, yangın vb. doğal afetlerden sonra yapılan çalışmalarda insanların hayatlarını kurtarabilirler.

İnsanlar, güçlerinin yetmedikleri yerlerde, daha ağır yükleri kaldırabilmek için özerk yapay zekaya sahip ek uzuvlar kullanacaklar.

Doğuştan veya sonradan herhangi bir uzvunu kaybetmiş insanların hayatları, yapay zekaya sahip mekanik uzuvlarla kolaylaşacak.

Erken teşhis koyarak insanların hayatlarını kurtaracak. Dünyanın en iyi cerrahlarından daha iyi ameliyat yapabilecekler.

İklim değişikliğinin etkilerini minimuma indirgeyecek akıllı bilgisayarlar tasarlanacak.

İnsan ilişkileri değişecek. İlerleyen dönemde insanların birbirleriyle iletişim kurmak yerine yapay zeka ile arkadaş oldukları görülebilecek.

Günümüzün evcil hayvanları, geleceğin dost canlısı robotları olacak.

Günlük rutin ve sıkıcı işleri yapay zeka üstleneceği için insanlara daha çok boş vakit kalacak.

Yapay zeka ile gelecekte mümkün olabilecek olumsuz senaryolar:

Yapay zekanın hayatımıza daha çok entegre edilmesiyle işsizlik artabilir. Buna bağlı olarak daha önce görülmemiş ekonomik krizler ve kaynak yetersizliği de baş gösterebilir.

İnsan nüfusunun büyük bir kısmı vasıfsız kalacağından, insan hayatının değeri daha da düşebilir.

Google'ın yapay zeka şirketi DeepMind tarafından geliştirilen ve zekasıyla rakiplerini alt eden AlphaGo oyunu, bilgisayar korsanları tarafından verilerde yeni örüntüleri ve kodlardan yararlanmanın yeni yollarını bulmak için kullanılabilir.

Kötü niyetli bir kişi bir insansız hava aracı satın alarak, belirli bir kişiyi hedef alması için onu yüz tanıma yazılımıyla eğitebilir.

Yazılım robotları otomatikleştirilebilir ya da sahte videolar siyasi manipülasyon için kullanılabilir.

Bilgisayar korsanları hedeflerin kimliğine bürünmek için ses sentezini kullanabilir.

Makine Öğrenimi ve Yapay Zeka

Sizin de bu terimler ile kafanız karıştıysa bilin ki yalnız değilsiniz. Uzmanlar bu kavramları yıllardır tartışmaya devam ediyor ve muhtemelen daha da edecekler. Kısa bir özet yapmak gerekirse;

Yapay zeka, 1950’lerde açığa çıkmış olup, makinelerin insanlar kadar kabiliyetli bir şekilde bazı işlemleri yapabilmesini sağlamaktadır. Yapay zeka, insan gibi davranan bir teknoloji düşüncesiyken, makine öğrenme algoritmaları, büyük veri desenlerini ve değişmezlerini bulmaya yöneliktir. Bu kendi kendine öğrenme kabiliyetine sahip algoritmalar, makinelerin veri kümelerinden (çıkarım istatistikleri) öğrenim yapmasını sağlar ve bir görevin tamamlanmasının yolunu açan bir dizi adımdır. Yapay zeka, makine öğrenimi dışında bilgi tabanları, doğal dil işleme, robotik vb. gibi başka alanları da kapsar.

Makine öğrenimi, 1980’lerde açığa çıkmış olup veri madenciliğin kullanılması ile beraber daha popüler hale gelmeye başladı. Sunmuş olduğunuz veriler ve parametreler ile benzetimler yaparak, sizden daha iyi tespitlerde bulunan, programlamadıklarınızı da açığa çıkarabilen, kendi kendini eğitebilen sistemlerdir.

Popülaritesi Giderek Artan Veri Mühendisliği

Makine öğrenimi ve yapay zekanın ardından en çok konuşulan diğer bir konu veri mühendisliğidir. Hatta “veri yeni petroldür” gibi bir ifadeyi veya bunun başka bir varyasyonunu da duymuş olabilirsiniz. Veri mühendisliği, veriyi seçen, toplayan, depolayan, işleyen ve gerekli yerlere sunan disiplinler arası bir mühendislik dalıdır.

Öte yandan şirketler bir veri hazinesinin üzerinde oturuyor. Dünyadaki verilerin yüzde 90'ının son iki yılda oluşturulduğu tahmin ediliyor. Örneğin, Facebook kullanıcıları her saat 10 milyon fotoğraf yüklüyor.

Veri bilimi, işletmelerin daha iyi kararlar almak, daha yenilikçi ürün ve servisler yaratmak üzere kullanabileceği iç görüleri üretir ve trendleri ortaya çıkarır. Belki de en önemlisi, verilerden neler keşfedebileceklerini görmek için genel olarak iş analistlerine güvenmek yerine, makine öğrenimi modellerinden ve bunlara yüklenen büyük miktarda verilerden öğrenmelerini sağlar.

Veri inovasyonun temel taşıdır. Ancak değeri, veri bilimcilerin verilerden elde edeceği bilgilerden ve buna dayalı olarak gerçekleştirilecek eylemlerden gelir.