Derin Öğrenmenin Sınırlarını Anlamak

0
620
deeplearninglimits
deeplearninglimits

Yapay Zekâ tepe noktasına ulaştı. Haber kaynakları, şirketlerin IBM Watson ile çalışanların yerini aldığını ve bu algoritmaların teşhis konusundaki doktorları geçtiğini bildirdi. Her gün yeni yapay zeka girişimleri ortaya çıkıyor. Kişisel ve işle ilgili tüm problemlerinizi makine öğrenimi ile çözmeyi iddia ediyor.

Sıkacaklar ve Wifi yönlendiricileri gibi sıradan nesneler aniden kendilerini “yapay zeka tarafından güçlendirilmiş” olarak tanıtmaktadır. Akıllı ayakta duran masalar yalnızca yükseklik ayarlarınızı hatırlamakla kalmaz aynı zamanda öğle yemeği sipariş ettirebilirler.

Yapay zeka karmaşasının çoğu, bir sinir ağı eğitmemiş gazeteciler ve yeni iş kuranlar veya herhangi bir gerçek iş problemi çözülmemiş olmasına rağmen mühendislik yeteneği edinmek isteyen gazeteciler için üretiliyor. Yapay zekanın yapabileceği ve yapamayacağı konusunda pek çok yanlış düşünceler var.

Yapay sinir ağları 60’lı yıllarda keşfedildi ancak büyük veri ve hesaplama gücündeki yeni gelişmeler onları gerçekten yararlı kıldı. Karmaşık sinir ağı mimarilerini, verilerdeki kalıpları her zamankinden daha doğru modelleyebilmek için “derin öğrenme” adı verilen yeni bir disiplin ortaya çıkmıştır.
Sonuçlar inkar edilemez derecede etkileyicidir. Bilgisayarlar şuan görüntülerdeki ve videolardaki nesneleri tanıyabilir ve konuşmayı metinden insanlara göre daha iyi aktarabilir. Google, Google Translate’in mimarisini sinir ağıyla değiştirdi ve şimdi makine çevirisi, insan performansını da kapatıyor.

Pratik uygulamalar da akıl karıştırıcıdır. Bilgisayarlar, USDA’dan daha iyi ürün verimi tahmin edebilir ve gerçekten seçkin hekimlerden daha doğru bir şekilde kanseri teşhis edebilir.

DARPA’nın direktörü John Launchbury, üç yapay zekâ dalgasını açıklıyor:

  1. El yapımı bilgi, IBM’in Deep Blue veya Watson gibi uzman sistemleri.
  2. Makine öğrenmesi ve derin öğrenmeyi içeren istatistiksel öğrenme.
  3. İnsanlar gibi seyrek veriler kullanarak gerçek dünya olayları için güvenilir, açıklayıcı modeller oluşturmayı içeren bağlamsal uyarlama.

Mevcut ikinci dalga yapay zekanın bir parçası olarak, derin öğrenme algoritmaları Launchbury’nin “çok yönlü hipotez” dediği şeyden dolayı iyi çalışmaktadır (aşağıya bakınız). Basitleştirilmiş terimlerle bu, farklı boyutlu yüksek boyutlu doğal verilerin daha düşük boyutlarda görselleştirildiğinde kümelenme eğiliminde olduklarını ve farklı şekillerde şekillendirildiğini ifade eder.

DARPA Manifolds

Matematiksel olarak veri kümelerini manipüle edip ayırarak, derin sinir ağları farklı veri türlerini ayırt edebilir. Sinir ağı, nüanslı sınıflandırma ve öngörme kabiliyetleri elde edebilmesine rağmen, esasen Launchbury’nin “steroidler üzerindeki elektronik tablolar” dediği şeydir.

Kaynak: https://venturebeat.com/2017/04/02/understanding-the-limits-of-deep-learning/

Facebook Yorumları