Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme Kavramları Arasındaki Fark Nedir?

Yapay zeka kavramı bilim kurgu ürünlerinde her zaman yerini bulmuş olsa da son 10 yılda daha önce hiç olmadığı kadar popülerlik kazanmıştır. Bu popülerleşme ile, önceden daha az bilinen "Makine Öğrenmesi" kavramı da halk arasında çokça duyulmaya başlanmış, gündelik sohbetlere daha önceden hiç duymadığımız "Derin Öğrenme" kavramı girmiştir.

Peki tüm bu terimlerin ne anlama geldiğini biliyor musunuz? Veya aralarındaki farkları? Bu yazımızda, temel yapay zeka kavramları hakkındaki soru işaretlerinizi gidermeye çalışacağız.

Yapay Zeka Nedir?

Yapay zeka, en basit tanımı ile, insan zekasının belli bir parçasını taklit etmeye çalışan sistemlerin genel adıdır. Bu açıdan bakıldığında, yapay zeka dendiğinde aklımıza insanın zekasını tamamen taklit edebilen veya amacı bu olan sistemler gelmemelidir.

Yapay zeka, kendini birçok farklı alanda gösterebilir: Günlük hayatta kullandığımız yazdıklarımızı tahmin ederek tamamlayan sistemler, Google'da elimizdeki bir görseli aratmamızı sağlayan arama motoru, Youtube'un video önerme sistemi ve bir zamanlar nasıl çalıştığı çok merak edilen Instagram'ın hikayeyi görenler sıralaması sık karşılaştığımız örnekleridir.

Fakat yapay zeka uygulamaları bu kadar karmaşık ve üst düzey olmak zorunda değildir: Rastgele bir sayı dizisini küçükten büyüğe sıralayan, A noktasından B noktasına giden en kısa yolu bulan, sudoku çözen basit diyebileceğimiz algoritmalar da esasında yapay zeka sayılır. Burada önemli olan nokta, otomatikleştirme yöntemi bariz olmayan ve zeka sahibi olmayan varlıkların çözmesini beklemediğimiz problemleri çözebiliyor olmasıdır.

Günümüzde yapay zeka terimi, akademik mecrada kendi başına pek bir şey ifade etmemektedir; zira uğraşılan birçok problem, halihazırda yapay zeka içermektedir. Bahsettiğimiz ve sizlerin de farkında olduğu bu popülerleşme, her gün kelimenin tam anlamı ile yüzlerce akademik yayına meyve verirken (bu konuda yayınlanan makalelerin bir kısmını buradan ve buradan takip edebilirsiniz), bu araştırmaların büyük bir kısmının dahil olduğu daha özelleşmiş bir kavram olan makine öğrenmesi kavramını kullanmak yerine, yapay zeka kavramını kullanmak, her ne kadar yanlış bir kullanım olmasa da, anlam kargaşasına ve yapay zeka alanına dahil birçok farklı alt dalın artık yapay zeka olarak algılanmamasına yol açmaktadır.

Gelin sizlerle, son 10 sene içinde karşılaştığnız heyecan verici çoğu yapay zeka uygulamasında bulunan ve yapay zekanın bir alt dalı olan makine öğrenmesine biraz daha yakından bakalım.

Makine Öğrenmesi Nedir?

Makine öğrenmesi, diğer yapay zeka uygulamalarından farklı olarak, bir yandan insan zekasını taklit ederken, diğer yandan bizim yorumlayıp elle gireceğimiz kurallara ihtiyaç duymayan algoritmalar bütünüdür. Nasıl ki bir insan gördükleri ve duydukları ile kavramları kendi kendine öğreniyor ve birilerinin bu kuralları beynine işlemesine ihtiyaç duymuyorsa, makine öğrenmesi uygulamaları da benzer bir şekilde, kendisine sunulan veri kümelerini özümseyerek yapılması istenen görevi öğrenir.

"Klasik" veya "geleneksel" algoritmalar diyebileceğimiz, makine öğrenmesi içermeyen yapay zeka algoritmaları ile, makine öğrenmesi algoritmaları arasındaki farkı şu basit örnek ile anlatabiliriz: Hayvanlar hakkında hiçbir bilgisi olmayan bir insan bebeğini hayal edin. Bu bebek, kediler ve köpekler arasındaki farkları ayırt edemeyecektir. Bu düşünce deneyinde bebeği yapay zeka algoritması, ona farkları öğretecek kişiyi ise bir bilgisayar bilimci olarak hayal edelim.

Klasik yapay zeka uygulamalarında bebeğe, kedi ve köpek arasındaki farkı öğretmek yerine ona kedi ve köpeği ayırt etmesini sağlayacak bir dolu yönerge veririz. Bu yönergelerin öyle bir şekilde hazırlanması gerekir ki, bu hiçbir şey bilmeyen bebek, hem o yönergeleri takip edebilmeli hem de kedi ve köpeği çoğunlukla doğru şekilde ayırt edebilmelidir. Bunun hem bebek için hem de öğreten kişi için ne kadar zor olduğunu ortadadır.

Öte yandan, fark etmiş olabileceğiniz gibi, bebeğin başarısını arttırmak için bunu yapmamıza aslında gerek yoktur: Bebeğe çok sayıda kedi ve köpek fotoğrafı verip, hangisinin hangisi olduğunu tekrar tekrar söylesek, bebek bir noktadan sonra yüksek bir doğruluk ile bu ikisini ayırt etmeye başlayacaktır. İşte makine öğrenmesi algoritmaları, adı üstünde, tam da bu şekilde çalışmaktadır. Elbette, ne yazık ki bilgisayarlar üretildiklerinde içlerinde bir öğrenme algoritması ile gelmezler. Bilgisayar bilimciler, her problem için en uygun makine öğrenmesi algoritmasını kendileri tasarlar ve uyarlarlar.

Evrim Ağacı'ndan Mesaj

Neden Desteğe İhtiyacımız Var?

Aslında maddi destek istememizin nedeni çok basit: Çünkü Evrim Ağacı, bizim tek mesleğimiz, tek gelir kaynağımız. Birçoklarının aksine bizler, sosyal medyada gördüğünüz makale ve videolarımızı hobi olarak, mesleğimizden arta kalan zamanlarda yapmıyoruz. Dolayısıyla bu işi sürdürebilmek için gelir elde etmemiz gerekiyor.

Bunda elbette ki hiçbir sakınca yok; kimin, ne şartlar altında yayın yapmayı seçtiği büyük oranda bir tercih meselesi. Ne var ki biz, eğer ana mesleklerimizi icra edecek olursak (yani kendi mesleğimiz doğrultusunda bir iş sahibi olursak) Evrim Ağacı'na zaman ayıramayacağımızı, ayakta tutamayacağımızı biliyoruz. Çünkü az sonra detaylarını vereceğimiz üzere, Evrim Ağacı sosyal medyada denk geldiğiniz makale ve videolardan çok daha büyük, kapsamlı ve aşırı zaman alan bir bilim platformu projesi. Bu nedenle bizler, meslek olarak Evrim Ağacı'nı seçtik.

Eğer hem Evrim Ağacı'ndan hayatımızı idame ettirecek, mesleklerimizi bırakmayı en azından kısmen meşrulaştıracak ve mantıklı kılacak kadar bir gelir kaynağı elde edemezsek, mecburen Evrim Ağacı'nı bırakıp, kendi mesleklerimize döneceğiz. Ama bunu istemiyoruz ve bu nedenle didiniyoruz.

Destek Ol

İşte makine öğrenmesi özünde bu mantık çerçevesinde inşa edilmiştir. Son zamanda gördüğümüz birçok yapay zeka uygulaması da aslında makine öğrenmesi uygulamalarıdır. Bilimkurgu filmlerinde de görmeye alıştığımız çoğu yapay zeka uygulaması için de makine öğrenmesi gerçek hayatta olmazsa olmazdır; o yüzden "makine öğrenmesi" ile "yapay zeka" kavramları birbirine daha fazla karışmaktadır.

Bu noktada makine öğrenmesi ve yapay zeka kavramları arasındaki farkı ortaya koyarak kavram kargaşasının büyük ölçüde önüne geçmiş olsak da, atmamız gereken bir adım daha var: Makine öğrenmesi, her ne kadar yapay zekaya göre daha dar bir kavram olsa da, yine içerisinde birçok farklı algoritma ve yöntem bulunduran bir alandır. Bu nedenle "makine öğrenmesi" kavramı, bahsettiğimiz popülerleşmenin ürünlerini hala yeterince iyi tanımlamaz. Bu nedenle şimdi, makine öğrenmesinin bir alt dalı olan derin öğrenmeden bahsederek hem popüler yayın seviyesindeki kavram kargaşasının önüne geçeceğiz, hem de neden yapay zekanın son 10 yıldır bu kadar popüler olduğunu daha iyi anlayacağız.

Derin Öğrenme Nedir?

Derin öğrenme, basitçe tanımlamak gerekirse, çok katmanlı yapay sinir ağlarının (İng: "Multi Layer Artificial Neural Networks") geri yayılım (İng: "backpropagation") isimli bir algoritma ile eğitilmesine verdiğimiz isimdir. Bu iki kavram bile başlı başına kitaplarca anlatılabilecek kadar geniş kavramlardır; o nedenle burada detaylarına girmeyeceğiz. Ancak yine de yapay zekanın popülerleşmesinden, derin öğrenme kavramının çıkışından ve bu popülerleşme ile ilişkisinden kısaca bahsederek genel bir kavrayışa erişebiliriz.

Yapay Sinir Ağları

2010 senesi, halk arasında süregelen yapay zeka furyasının miladı olarak kabul edilebilir. Bunun sebebi, o yıl geliştirilmiş bir yapay sinir ağıdır.

Yapay sinir ağları, makine öğrenmesinde kullanılan bir tür algoritma taslağıdır. Bu taslak, memeli beyninden esinlenilerek yaratılmıştır; fakat günümüzde biyolojik bir beyin ile pek bir alakası kalmamıştır. 2010 senesinde Toronto Üniversitesi'nden Alex Krizhevsky, Ilya Sutskever ve Geoffrey E. Hinton, AlexNet ismini verdikleri bir yapay sinir ağı modeli geliştirdiler. Bu modelin önemi, 1000 farklı sınıfa ait 1.2 milyon görselin bulunduğu hayal edilemeyecek büyüklükteki ImageNet veri kümesinde eğitilerek, ImageNet LSVRC-2010 yarışmasında görsel sınıflandırma alanında bugüne kadar eşi benzeri görülmemiş bir başarı elde etmesidir. İlk bakışta bu o kadar da önemli bir başarı olarak görülmeyebilir; fakat bu zorlu problemdeki müthiş başarı, dünyanın dört bir tarafında herkese yapay sinir ağlarının gücünü ispat etmiştir.

Yapay sinir ağları da, geri yayılım algoritması da 2010 senesinden önce de biliniyordu ve birçok farklı alanda kullanılıyordu; fakat AlexNet'e kadar hayatımıza çok girmemişlerdi ve sadece akademik mecralarda varlıklarını sürdürüyorlardı. AlexNet, gerçek hayata uyarlanabilirliğin artık mümkün olduğunu iki şeyi göstererek ispatladı:

1. İnternetin yaygınlaşması ve sosyal medya platformlarının popülerleşmesi kullanılabilecek devasa bir veri topluluğu oluşturmuştu. Eskiden ortada bu kadar fazla veri olmaması, veri sayısı ile doğru orantılı olarak başarılarını arttıran yapay sinir ağı modellerinin potansiyellerini tam olarak gösterememesine sebep oluyordu.
2. Bilgisayarların hesaplama gücünün artması artık eskiye kıyasla çok daha büyük, diğer bir deyişle "derin" yapay sinir ağlarının tasarlanabilmesini ve eğitilebilmesini sağlamıştı.

Bunun üzerine birçok büyük şirket ve akademisyen artık derin öğrenme olarak anılacak bu alan üstüne çalışmalar yaptı ve hala da yapmaya devam ediyor.

Yani özetle derin öğrenme, ismini çokça katmandan oluşan yapay sinir ağlarından almıştır, art arda katmanlardan oluştuğu için bu modellere "Derin Yapay Sinir Ağları", bu ağların geri yayılım algoritması ile eğitilmesine de "Derin Öğrenme" denmiştir.

Günümüzde popüler yazılarda ve haberlerde gördüğümüz inanılmaz yapay zeka ürünlerinin çoğu da bu derin öğrenme kavramının altında yer almaktadır. Yazının başında bahsettiğimiz Google, Youtube, Instagram'daki uygulamaları gibi; resim üreten yapay zekalar, çektiğiniz bir fotoğrafı Van Gogh'un tarzı ile tekrar yaratan yapay zekalar, çeviri yapan yapay zekalar ve bunun gibi görebileceğiniz çoğu yapay zeka uygulaması da aslında derin öğrenme uygulamalarıdır. Bu uygulamaların bir "yangına" dönüşmesini mümkün kılan kıvılcımın da, 2010'da kendini gösteren AlexNet'tir demek mümkündür.

Sonuç

Her ne kadar "yapay zeka" teriminin kullanımının belli muğlaklıklara yol açtığı açık olsa da, çeşitli şirket ve organizasyonların bu terimleri kullanması çok anormal değildir; çünkü en nihayetinde bu kurumlar, insanların bu kavramlarla en yaygın olarak ilişkilendirilen terimleri kullanarak cazibe yaratmayı, ilgi çekmeyi ve gereksiz sorulardan kaçınmayı hedeflemektedir. Örneğin 2019 yaz aylarında kurduğumuz "İTÜ Yapay Zeka" kulübünün ismi bu şekilde seçilmiştir; çünkü her ne kadar çoğunlukla derin öğrenme üzerine çalışıyor olsak da, henüz akademinin dışında çok da oturmamış "derin öğrenme" terimini kullanmak, okula yeni gelmiş ve bu kulüplere katılmak isteyen kişilerin kafasını karıştırabilecektir.

Bu terimleri genel kitleye tanıtmak konusunda da bu alanda çalışmalar yapan kişilere ve Evrim Ağacı olarak bizlere büyük görevler düşüyor. Umuyoruz bu yazı, bu kavramların doğru bir şekilde öğrenilmesi açısından faydalı olmuştur.