Yapay Zeka Algoritmaları: Bilmeniz Gereken Her Şey

Telefonunuz ne yazacağınızı sizden önce bilir. Netflix bir dahaki sefere ne yiyeceğini bilemezsin. Bankalar Bir krediyi geri ödeyip ödeyemeyeceğinizi bilmek. Spotify tekrar tekrar çalacağınız şarkıları bilir.

Ama nasıl? Kim gizlice hepimizi izliyor?

Psişik güvercinler mi? Zihin okuyan insanlardan oluşan gizli bir topluluk mu? Ya da anneniz - çünkü o bir şekilde her zaman bilir?

Hayır. Yapay zeka algoritmaları.

Bu sistemler ürkütücü derecede doğru tahminler Tonlarca veriyi okuyarak ve kalıpları analiz ederek.

Peki ama yapay zeka algoritması tam olarak nedir? Nasıl çalışır?

Farklı türleri nelerdir ve gerçek dünya uygulamalarında nasıl kullanılmaktadır? Her şey ve çok daha fazlası bugünkü blogumuzda. 

En baştan başlayalım.

Yapay Zeka Algoritmaları Nedir?

Yapay zeka algoritmaları günlük hayatta kullanılıyor Teknoloji - Google Arama, Siri, Netflix önerileri - ama aynı zamanda dolandırıcılık tespiti, sürücüsüz arabalar ve tıbbi teşhislerde de kullanılıyorlar. 

Yapay zekanın kökleri Alan Turing'in bir soru sorduğu 1940'lara kadar uzanıyor, "Makineler düşünebilir mi?" 

1950'lerde Turing Makinesi'ni geliştirdi ve bu makine daha sonra Turing Testi. Makinelerin sorunları çözmek için nasıl mantıklı adımlar izleyebileceğini gösterdi. 

1950'ler ve 60'larda bazı programlar (Mantık Teorisyeni) matematik teoremlerini kanıtlayabiliyordu. 

Ancak bir sorun vardı - öğrenemiyorlardı. Her bir kuralın elle programlanması gerekiyordu.

Özünde, yapay zeka sadece bir dizi talimat-Makinelerin karar vermesine yardımcı olan bir algoritma.

Bazıları spam e-postaları filtrelemek gibi basittir. Diğerleri ise tıbbi kayıtlara dayanarak hastalık risklerini tahmin etmek gibi daha karmaşıktır.

Ama açık olalım, yapay zeka kendi kendine düşünmez. O bağlıdır insan programlama ve tutarlı öğrenme Yaptığı işte daha iyi olmak için.

Bunu bir örnekle açıklayalım Örnek, 

Yapay zeka daha büyük kararlarda yardımcı olur. Bir krediyi onaylayan bir bankayı ele alalım. Bir yapay zeka kullanabilir. Karar Ağacı (akış şeması gibi çalışan basit bir yapay zeka modeli):

• Başvuru sahibinin sabit bir geliri var mı? Hayır → Krediyi reddedin. Evet → Kredi puanını kontrol edin. 
• Kredi puanınız iyi mi? Hayır → Tekrar gözden geçirin. Evet → Mevcut kredileri kontrol edin.
• Çok fazla kredi mi? Yüksek risk. Az kredi? Düşük risk. 

Sürecin sonunda yapay zeka, yapılandırılmış mantığa dayalı olarak krediyi onaylar ya da reddeder.

Şimdi bir sonraki bölüm geliyor. 

Yapay Zeka Algoritmaları Makine Öğrenimi ve Otomasyonu Nasıl Mümkün Kılar?

Şöyle düşünün. 

Bir çocuğa köpekleri nasıl tanıyacağını öğrettiğinizi düşünün.

Bir öğretmen onlara resimler gösterecek, temel özellikleri işaret edecek ve zamanla gerçek hayatta bir tanesini tespit etmede daha iyi olacaklardı. 

Yapay zeka algoritmaları aynı şekilde öğrenir - Tahminler yapmak ve görevleri otomatikleştirmek için büyük miktarda veriden öğrenme.

1 - Tahmin

Bir regresyon algoritması, gerçek zamanlı otomatik tahminler yapmak için geçmiş bilgileri inceler. 

Örneğin, Netflix, tahminlere göre size diziler öneriyor. Eğer sevdiyseniz Stranger Things, şunu önerebilir Karanlık ya da Şemsiye Akademisi Çünkü diğerleri Stranger Things onları da izledim.

2 - Makine Öğrenimi

Ancak yapay zeka sadece tahminlerden ibaret değildir - uyum sağlar. 

Makine öğrenimi, bilgisayarların açıkça programlanmadan deneyimlerden öğrenmesini ve gelişmesini sağlar. 

Örneğin, Ya Stranger Things'i sadece bilimkurgu öğeleri için seviyor ama korkudan nefret ediyorsanız? Ya kısa, hızlı tempolu dizileri yavaş ilerleyen dramalara tercih etseydiniz? Netflix'in algoritması derin seviyedeki aktivitelerinizi analiz edecek ve önerileri ayarlayacaktır. 

3 - Otomasyon

Bir de otomasyon var. 

Otomasyon, minimum insan müdahalesi ile görevleri yerine getirmek için teknolojiyi kullanma sürecidir. 

Örneğin, Kendi kendine giden arabalar da benzer bir şey yapıyor; yolu "görmek", dur işaretlerini tanımak ve gittikleri her kilometreden bir şeyler öğrenmek için bilgisayar görüşünü kullanıyor. 

Ne kadar çok veri işlerlerse o kadar akıllı olurlar.

Yapay Zeka Algoritmaları Nasıl Çalışır (Adım Adım)

Tıpkı yeni bir beceri öğrenen bir insan gibi, yapay zeka da işleri adım adım öğrenir.

Google arama motorundaki görüntü tanıma özelliğini kullanarak bunu parçalara ayıralım.

Adım # 1 - Veri Toplama

Her şey veri ile başlar. Yapay zeka öğrenmek için yüz binlerce örneğe ihtiyaç duyar. Görüntü tanımada, şunları içerir:

• Milyonlarca etiketli görüntü (örneğin, "kedi" etiketli kedi resimleri, "köpek" etiketli köpek resimleri).

• Işıklandırma, açılar ve kalitede değişkenlik.

• Aynı nesnenin farklı boyutları, renkleri ve şekilleri. 

• Kenar durumlar (bulanık görüntüler, kısmen gizlenmiş nesneler, düşük kontrast).

Adım # 2 - Ön İşleme

Ham görüntüler, bulanık veya düşük kaliteli görüntüler, ilgisiz nesneler ve dağınık görüntüler gibi birçok gereksiz bilgi içerir.

Yapay zekayı eğitmeden önce verilerin temizlenmesi ve standartlaştırılması gerekir. Bu şunları içerir: 

• Tutarlı bir şekilde işlenebilmeleri için görüntüleri tek tip bir boyuta yeniden boyutlandırma.

• Parlaklık ve kontrastın yapay zekayı yanıltmamasını sağlamak için gri tonlama veya renk normalleştirme. 

• Nesne tanımlamaya katkıda bulunmayan gereksiz arka plan öğeleri gibi gürültünün giderilmesi.

Adım # 3 - Eğitim

Yapay zeka "gör" insanların yaptığı gibi görüntüler. Onları sayılar olarak görür - her biri parlaklık ve rengi temsil eden bir değere sahip binlerce piksel. 

Bunu anlamlandırmak için yapay zeka, görüntü tanıma için oluşturulmuş özel bir derin öğrenme modeli türü olan Evrişimsel Sinir Ağı (CNN) kullanır.

İşte CNN'lerin bir görüntüyü nasıl parçaladığı:

• Konvolüsyon Katmanları: Yapay zeka görüntüyü parçalar halinde tarar, önce basit şekilleri (çizgiler, eğriler) tespit eder ve daha sonra karmaşık özellikleri (gözler, kulaklar, bıyıklar) tanır.
  
• Havuzlama Katmanları: Bunlar, gereksiz pikselleri atarken temel ayrıntıları koruyarak görüntüyü küçültür.
  
• Tam Bağlantılı Katmanlar: Yapay zeka, nihai bir tahminde bulunmak için algılanan özellikleri birbirine bağlar; sivri kulaklar ve bıyıklar görürse, bir kediyi tanımlar.

Bu süreç şunları içerir çağlar. 

Farklı kuş türlerini tanımayı öğrendiğinizi düşünün. İlk kez bir serçe ve bir güvercin gördüğünüzde, onları karıştırabilirsiniz. 

Ancak resimlere baktıktan, özelliklerini inceledikten ve geri bildirim aldıktan sonra gelişirsiniz.

Yapay zeka da aynı şekilde öğrenir. 

Bir epok, yapay zekanın tüm eğitim verilerine baktığı, tahminlerde bulunduğu, hataları kontrol ettiği ve ayarlamalar yaptığı tam bir döngüdür. 

Bunu tekrar tekrar yapar - tıpkı bir beceride daha iyi olmak için defalarca pratik yaptığınız gibi.

Adım # 4 - Test

Yapay zeka gerçek dünyada kullanıma hazır hale gelmeden önce test edilmesi gerekir. Bu şunları içerir:

• Onu daha önce hiç görmediği görüntülerle beslemek.
  
• Doğruluğunu ölçmek - bir kediyi doğru bir şekilde kedi olarak etiketliyor mu?
  
• Yapay zekanın eğitim verilerini ezberlediği ancak yeni görüntülerle mücadele ettiği aşırı uyumun kontrol edilmesi.
  

Yapay zeka çok sık başarısız olursa, daha önce hiç karşılaşmadığı görüntüleri güvenilir bir şekilde tanımlayana kadar daha fazla eğitim için geri döner.

Adım # 5 - Dağıtım

Yapay zeka modeli eğitildikten ve test edildikten sonra konuşlandırılır. Onu bir görüntü ile beslediğimizde. O da: 

1. Piksel değerlerine ayırın
2. Öğrenilen tüm katmanlardan geçirin
3. Her olası etiket için bir olasılık puanı oluşturun
4. En olası sınıflandırmayı seçin

Tipik bir sonuç şöyle görünebilir:

• Cat: 99.7% olasılık
• Köpek: 0.2% olasılık
• Diğer: 0.1% olasılık

YZ Algoritma Türleri ve Nasıl Kullanıldıkları

Tıpkı insanların farklı öğrenme yöntemlerine sahip olması gibi - bazıları okuyarak, bazıları yaparak - yapay zeka da her biri belirli görevler için uygun olan farklı algoritma türlerine sahiptir.

1 - Gözetimli Öğrenme

Elma ve portakalları tanımayı öğrenen bir çocuk hayal edin. Öğretmen resimleri şöyle etiketliyor:

"Bu bir elma."

"Bu bir portakal."

Zamanla aradaki farkı anlamayı öğrenirler. Bu denetimli öğrenmedir - yapay zeka etiketli veriler üzerinde eğitilir ve tahminler yapmayı öğrenir.

Örneğin,

Yapay zeka algoritması spam filtreleri "spam" veya "spam değil" olarak etiketlenmiş binlerce e-postayı tarar ve kalıpları öğrenir. 

• E-posta belirli anahtar kelimeler içeriyor mu? 
• Şüpheli bir göndericiden mi geliyor? 

Zamanla, gelen kutunuza ulaşmadan önce spam yakalamada daha iyi hale gelir.

Denetimli öğrenme, konut fiyatları gibi şeyleri tahmin eden regresyon modellerine ve bir e-postanın spam'e mi yoksa ana gelen kutunuza mı ait olduğuna karar veren sınıflandırma modellerine güç verir.

2 - Denetimsiz Öğrenme

Şimdi aynı çocuğa bir sepet meyve verdiğinizi ama hangilerinin elma ya da portakal olduğunu söylemediğinizi düşünün. 

Bunun yerine, onları benzerliklerine-renklerine, şekillerine, dokularına göre gruplandırırlar.

Bu, denetimsiz öğrenmedir - yapay zeka, etiketler olmadan verilerdeki örüntüleri bulur.

Örneğin,

Bankalar bir işlemin sahte olup olmadığını her zaman anında bilemezler, ancak Yapay zeka dolandırıcılığın önlenmesine yardımcı olabilir.

Milyonlarca satın alma işlemini tarayarak her bir müşteri için neyin "normal" olduğunu ve neyin olmadığını öğrenir.

Diyelim ki her hafta market alışverişi ve benzin alıyorsunuz. Sonra aniden başka bir ülkede $5,000 lüks bir araba satın almak istiyorsunuz. 

Yapay zeka bunu şüpheli olarak işaretler ve kartınızı dondurabilir veya size hızlı bir "Bu sen miydin?" Mesaj.

3 - Pekiştirmeli Öğrenme

Şimdi diyelim ki çocuğa bir meydan okuma verdiniz - her doğru elma seçtiklerinde bir şeker alıyorlar. Yanlış meyveyi seçerlerse, bir tane kaybederler. 

Zamanla, en çok şekeri almanın en iyi yolunu öğrenirler.  İşte bu. pekiştirmeli öğrenme. 

Yapay zeka da aynı şeyi yapar - farklı eylemleri test eder, hatalardan ders çıkarır ve ödül ve cezalara göre ayarlama yapar.

Örneğin,

Sürücüsüz araçlar araba kullanmayı bilmeden başlamayın. 

Ancak milyonlarca mil yol verisini analiz ettikten sonra frenleme, trafiğe birleşme ve engellerden kaçınma konusunda daha iyi hale geliyorlar. 

Her hata bir derstir. Her başarı onları daha akıllı yapar.

4 - Sinir Ağları ve Derin Öğrenme

Bazı sorunlar basit kurallar için fazla karmaşıktır. İşte bu noktada sinir ağları devreye girer. 

İnsan beyni gibi çalışmak, kalıpları tanımak ve her küçük talimatın açıklanmasına gerek kalmadan karar vermek üzere tasarlanmıştır.

Örneğin,

A geleneksel bilgisayar farklı açılar, ışıklandırma veya ifadelerle mücadele edebilir. 

Ancak bir derin öğrenme modeli (çok katmanlı bir sinir ağı) koşullar ne olursa olsun yüzleri tanımayı öğrenebilir.

Tıpkı insanların farklı öğrenme yöntemlerine sahip olması gibi - bazıları okuyarak, bazıları yaparak - yapay zeka da her biri belirli görevler için uygun olan farklı algoritma türlerine sahiptir.

Gerçek Dünya Uygulamalarında Yapay Zeka Algoritmaları

Yapay Zeka Görüntü Dedektörü Yapay Zeka Tarafından Oluşturulan Görüntüleri Tespit Etmek İçin Algoritmaları Nasıl Kullanıyor?

Yapay zeka tarafından üretilen görüntüler artık o kadar gerçekçi ki, insanlar bunları gerçek fotoğraflardan zar zor ayırt edebiliyor. 

Ancak yapay zeka görüntü algılayıcıları yüzeyin ötesini görmek üzere eğitilmiştir.

Teknik # 1 - Anomali Tespiti

Süreç, ait olmayan her şeyi arayan anomali tespiti ile başlar.

Bir görüntüde doğal olmayan dokular, tutarsız aydınlatma veya bulanık kenarlar varsa. AI Görüntü Dedektörü kırmızı bayrak kaldırır.

Teknik # 2 - Üretken Çekişmeli Ağlar

Yapay zeka tarafından üretilen görüntüleri tespit etmenin bir yolu, onları oluşturan teknolojinin bıraktığı gizli desenlere bakmaktır.

Bu desenler, çoğu yapay zeka görüntüsüne güç veren Generative Adversarial Networks'ten (GAN'lar) gelmektedir.

Tıpkı her sanatçının kendine özgü bir tarzı olması gibi, GAN'lar da gerçek dünya fotoğraflarında bulunmayan desenler yaratır.

AI Görüntü Dedektörü bir görüntünün Yapay Zeka tarafından oluşturulup oluşturulmadığını belirlemeye yardımcı olan bu kalıpları tanımak için eğitilmiştir.

Teknik # 3 - Meta Veriler

Sadece piksellere bakmanın ötesinde, bir AI Görüntü Dedektörü ayrıca bir görüntünün dijital parmak izi gibi davranan meta verileri de inceler.

Bu veriler, bir fotoğrafın ne zaman ve nerede çekildiği ve hangi cihaz tarafından çekildiği gibi ayrıntıları içerir. 

Bir görsel 2010 yılına ait olduğunu iddia ediyorsa ancak aslında geçen hafta bir yapay zeka aracı tarafından oluşturulduysa, AI Görüntü Dedektörü şüpheli olarak işaretleyecektir. 

Yapay Zeka Algoritmalarında Önyargı ve Nasıl Azaltılacağı

Yapay zekanın adil olması gerekiyor, ancak bazen adil olmayabiliyor. YZ önyargısı iki şekilde ortaya çıkabilir:

• Veri Önyargısı - Bu durum, eğitim verilerinde belirli gruplar yeterince temsil edilmediğinde ortaya çıkar.
  
• Model Önyargısı - Yapay zeka bir grup için diğerinden daha fazla hata yaptığında ortaya çıkar ve adil olmayan sonuçları güçlendirir.

Amazon'un Önyargılı İşe Alım Aracı

2014 yılında, Amazon yapay zekalı işe alım aracını iptal etmek zorunda kaldı çünkü kadınlara karşı önyargılıydı. 

Sistem, teknoloji rolleri için daha fazla erkeğin işe alındığı geçmiş işe alım verilerinden öğrendi, bu nedenle erkek adayları tercih etmeye ve "kadın" ("kadın satranç kulübü" gibi) gibi kelimeler içeren özgeçmişleri cezalandırmaya başladı. 

Yapay zeka adaletsiz olmaya çalışmıyordu, ancak önyargılı verilerden öğrendi ve bu önyargıyı ileriye taşıdı.

Yapay Zeka Veri Toplamada Gizlilik Endişeleri

Bir uygulamayı her kullandığınızda, web'de gezindiğinizde veya bir satın alma işlemi gerçekleştirdiğinizde veri toplanmaktadır. 

Bazıları açıktır - adınız, e-postanız veya ödeme bilgileriniz gibi. 

Ancak GPS konumu, satın alma geçmişi, yazma davranışı ve tarama alışkanlıkları gibi gizli veriler vardır. 

Şirketler bu bilgileri deneyimleri kişiselleştirmek, ürün önermek ve hizmetleri iyileştirmek için kullanır. 

Ortalıkta bu kadar çok veri dolaşırken riskler kaçınılmazdır: 

• Veri ihlalleri - Bilgisayar korsanları kullanıcı bilgilerini çalabilir.

• Yeniden tanımlama - Anonimleştirilmiş veriler bile bireylerle ilişkilendirilebilir. 

• İzinsiz kullanım - Şirketler verileri kâr veya etki için kötüye kullanabilir.

Şirketler verileri anonimleştirdiklerini iddia etseler bile, araştırmalar örüntülerin yeterli bilgi ile kullanıcı kimliklerini ortaya çıkarabileceğini göstermiştir. 

Kullanıcı gizliliğini korumak için şirketler kullanıyor:

• Anonimleştirme - Veri kümelerinden kişisel bilgileri kaldırır.

• Federe Öğrenme - Yapay zeka modelleri, ham verileri merkezi bir sunucuya göndermeden cihazınızda eğitilir. (örneğin, Google'ın Gboard'u).

• Diferansiyel Gizlilik - İzlemeyi önlemek için toplanmadan önce verilere rastgele gürültü ekler (örn. Apple'ın iOS sistemi).

Yapay Zeka Algoritmaları Tamamen Tarafsız Olabilir mi?

Yapay zeka bir boşlukta yaratılmamıştır. 

İnsanlar tarafından üretiliyor, insan verileriyle eğitiliyor ve insan toplumunda kullanılıyor. Peki gerçekten tarafsız olabilir mi?

Kısa cevap: Hayır. En azından henüz değil.

Yapay zeka gerçek dünya verilerinden öğrenir ve bu veriler, onu yaratan insanların tüm önyargıları, varsayımları ve kusurlarıyla birlikte gelir. 

COMPAS yeniden suç işleme aracını alın, Örneğin. 

Hangi suçluların yeniden suç işleme olasılığının daha yüksek olduğunu tahmin etmek için tasarlanmıştır. 

Kulağa basit geliyor, değil mi? 

Ancak araştırmalar, algoritmanın siyahi sanıkları beyaz sanıklara kıyasla orantısız bir şekilde yüksek riskli olarak işaretlediğini gösterdi. 

Birileri onu programladığı için değil, kusurlu bir ceza adaleti sisteminden kalıplar devraldığı için önyargılıdır.

Peki, yapay zeka hiç adil hale getirilebilir mi? 

Bazı uzmanlar öyle düşünüyor. 

Araştırmacılar, yapay zeka modellerini farklı gruplara daha eşit davranmaya zorlamak için tasarlanmış matematiksel teknikler olan adalet kısıtlamaları geliştirdiler. 

Önyargı denetimleri ve çeşitli eğitim veri setleri de çarpık sonuçların azaltılmasına yardımcı olur.

Ancak tüm bu önlemlere rağmen gerçek tarafsızlık zordur. 

Ve yapay zekayı tamamen yapabilsek bile "nötr," Yapmalı mıyız?

Yapay zeka bir balonun içinde karar vermez. Gerçek insanları gerçek şekillerde etkiler. 

Gerçek şu ki, yapay zeka bizim onu beslediğimiz dünyayı yansıtıyor. 

Eğer tarafsız bir yapay zeka istiyorsak, öncelikle sistemlerimizdeki önyargılarla mücadele etmeliyiz. 

Aksi takdirde, makinelere kusurlarımızı yansıtmayı öğretmiş oluruz - sadece daha hızlı ve daha büyük ölçekte.

Yapay Zeka Algoritmaları Hakkında SSS

Aşağıdaki widget'ta Yapay Zeka Dedektörümüzü ve İnsancıllaştırıcımızı deneyerek deneyiminizi geliştirin!

Son Düşünceler: Yapay Zeka Algoritmalarının Geleceği

Peki tüm bunlar bizim için ne anlama geliyor?

Yapay zeka her gün kararlarımızı etkiliyor. Ne izleyeceğimize, ne satın alacağımıza ve hatta banka hesabımızın ne kadar güvenli olduğuna karar veriyor.

Ama soru şu.

Yapay zeka bizden öğreniyorsa, biz ona ne öğretiyoruz?

Adil, tarafsız ve yardımcı olduğundan emin oluyor muyuz? Yoksa insanların yaptığı hataları yapmasına izin mi veriyoruz?

Ve eğer yapay zeka akıllanmaya devam ederse, bundan sonra ne olacak? Her zaman kontrol ettiğimiz bir araç mı olacak, yoksa bir gün tam olarak anlayamadığımız seçimler yapmaya başlayabilir mi?

Belki de en büyük soru yapay zekanın ne yapabileceği değil, bizim ona ne yapmasına izin vermemiz gerektiğidir.

Sen ne düşünüyorsun?