PLATİN TEMMUZ SAYISINI İNDİRMEK İÇİN TIKLAYIN

1-COVID-19 İLE MÜCADELEDE YAPAY ZEKA VE MAKİNE ÖĞRENMESİ

YAPAY ZEKA, BÜYÜK VERİ GİBİ YENİ NESİL TEKNOLOJİLER SUNDUKLARI AVANTAJLARLA, HALK SAĞLIĞI SORUNLARINA YANIT VERMEDE ÖNEMLİ BİR ROLE SAHİP

-Termal kameralar ve benzer teknolojiler; toplu taşıma sistemleri, resmi daireler ve diğer önemli yerler gibi kalabalık alanlara girişte bireylerin ateşini ölçmek için kullanılıyor. Singapur’da bir hastane, akıllı telefonlar ve termal sensörler ile hareket halindeki kişilerin ateşlerini ölçen KroniKare teknolojisinden faydalanıyor.

-Çin teknoloji şirketi Baidu, Beijing’in Qinghe Tren İstasyonu’nda yolcuların ateşini ölçmek için kızıl ötesi teknolojisinden faydalanan bir yapay zeka sistemi geliştirdi.

-Karantinada yaşayan bireylere ‘temassız teslimat’ yapmak, önemli alanların güvenliği, dezenfekte edilmesi açısından robotlardan faydalanılıyor.

-E-ticaret sitesi Alibaba, Covid-19 sürecinde devreye soktuğu StructBERT, NLP modelini geliştirdi. Bu platform, mevcut platformları ve arama motorunun özelliklerini kullanarak sağlık verilerini analiz ediyor ve ülke genelinde tıbbi kayıtların çok daha hızlı bir şekilde paylaşılmasına yardımcı oluyor. 

2-MAKİNE ÖĞRENMESİ ALANINDA REKABET

PYTORCH, ARAŞTIRMALARDA ÇOK DAHA İYİ BİR SEÇENEK ÇÜNKÜ PYTHON PROGRAMLAMA DİLİ İLE KOLAYCA ENTEGRE OLUYOR. KULLANIMI BASİT VE KOLAY

2019’da makine öğrenmesi alanında PyTorch ile TensorFlow arasındaki rekabete şahit olduk. PyTorch, açık kaynaklı bir makine öğrenme kütüphanesi… Bilgisayarla görme ve doğal dil işleme gibi uygulamalar için kullanılıyor. TensorFlow ise bir dizi görev arasında veriş akışı ve türevlenebilir programlama için kullanılan ücretsiz ve açık kaynaklı bir yazılım kütüphanesi. Sembolik bir matematik kütüphanesi olarak sinir ağları gibi makine öğrenimi uygulamaları için tercih ediliyor. Zaman içinde PyTorch, yapay zeka araştırmalarında TensorFlow’un önüne geçerek yarışı kazandı. PyTorch, araştırmalarda çok daha iyi bir seçenek çünkü Python programlama dili ile kolayca entegre oluyor. Kullanımı basit ve kolay. Buna karşılık TensorFlow, API’lerini üst üste birçok kez değiştirerek uygulamanın kullanımı zorlaştırmış durumda. Performans açısından PyTorch’un hızı ise TensorFlow aşağı yukarı aynı… Bu nedenle teknolojik açıdan daha üstün. 

3-İŞE YÖNELİK TAHMİNLERDE YAPAY ZEKA İLE ANALİZ

KULLANDIĞINIZ YAPAY ZEKA AĞINI DOĞRU ŞEKİLDE EĞİTTİĞİNİZDE, PERAKENDE SEKTÖRÜNDE TALEBE YÖNELİK TAHMİNLER YAPILIRKEN MEVSİMSELLİK VE ÇAPRAZ KORELASYON GİBİ FARKLI İÇERİKLER DE HESAPLAMALARA DAHİL EDİLEBİLİYOR

2020’nin en popüler yapay zeka trendi; makine öğrenmesine dayalı zaman serileri analizi olarak öne çıkıyor. Bu teknik; doğru şekilde kullanıldığında verileri biriktiriyor. Ardından bu verileri yöneticilerin kararlarını, verilere dayanarak kolaylıkla vermesini sağlayacak şekilde analiz ediyor. Makine öğrenmesi ile güçlendirilen bu analiz yöntemi yüzde 90-95 aralığında doğruluk oranına sahip tahminler yapabilme olanağı sunuyor. 2020’de zaman serisi analizi ve tahminler yapılırken yinelenen yapay sinir ağlarının kullanımında artış gözlemlenecek. Derin öğrenme ile ileriye yönelik döviz kuru tahminlerini yüksek doğruluk oranı ile yapmak mümkün. Son yıllarda, zaman serisi uygulamaları alanında yürütülen araştırmalarda önemli bir gelişme kaydedildi. Yakın zamanda geliştirilen bir diğer yapay zeka türü ise evrişimli sinirsel ağ… (CNN-convolutional neural network) Bu tip bir makine öğrenme ağı, zaman serisi analizlerinde kullanılacak girdi verileri üretmek için gerekli dahili yapıyı belirliyor ve kullanıyor. Geniş çapta uygulanabilecek bir diğer teknoloji ise denetimsiz öğrenme algoritmaları çerçevesinde yapay sinir ağlarını çalıştırılması ve otomatik kodlayıcılara dayanarak otomatik tespit yapılması… Bu sistemler, ortak kalıpları yakalarken gereksiz kalıpları göz ardı etmeyi başarıyor. Kodlanmış özellik vektörleri; işletmelere, finansal, politik ve hatta sosyal veriler gibi anormallikleri ayrı tutabilme olanağı tanıyor.

4-YAPAY ZEKAYA DAYALI BİYOMETRİK GÜVENLİK ÇÖZÜMLERİ

2020’DE TAM KAPSAMLI BİR GÜVENLİK ÇÖZÜMÜ SUNABİLMEK İÇİN MAKİNE ÖĞRENMESİ İLE DESTEKLENEN ÇEŞİTLİ BİYOMETRİK ÇÖZÜMLERLE KARŞILAŞACAĞIZ

Biyometrik tanımlama alanında önemli gelişmeler kaydediliyor. Biyolojik kimlik tespiti, artık bir bilim kurgu filmi sahnesi olmaktan çıkmış durumda. Makine öğrenmesinin büyük veri setlerini toplama, işleme ve analiz etme yaklaşımından faydalanarak biyometrik sistemlerinizin performansını artırabilirsiniz. Etkili bir biyometrik sistem işletmek, eşleşen görevleri hızlı ve doğru bir şekilde yapabilmek anlamına geliyor. Bu da makine öğrenme ağının en başarılı olduğu görevlerden biri… Yapay zekaya dayalı biyometrik güvenlik sisteminin güvenilirliği her geçen gün artıyor. Buna örnek olarak derin öğrenmeye dayalı ‘face anti-spoofing’ sistemi verilebilir. Başka uygulama ise Amazon’un Alexa sistemi… Bu sistem konuşan kişinin, önceden belirlenmiş ses profillerini karşılaştırarak konuşan kişinin tespit edilmesini sağlıyor. Doğru eğitilmiş sinirsel bir ağın, konuşan kişiyi tespit edebilmesi için ek bir donanıma da ihtiyaç duyulmuyor. 

5- REINFORCEMENT LEARNING=PEKİŞTİRMELİ ÖĞRENME

DENEYİMLERİNE DAYANARAK, KENDİNİ GELİŞTİREN ÖZEL BİR DERİN ÖĞRENME UYGULAMASI OLARAK DİKKAT ÇEKEN RL’DE ALGORİTMALAR İŞLEYEREK ÖĞRENİYOR

Pekiştirmeli öğrenme (RL), 2020 yılında bizi önemli bir noktaya taşıyacak. Deneyimlerine dayanarak, kendini geliştiren özel bir derin öğrenme uygulaması olarak dikkat çeken RL’de algoritmalar işleyerek öğreniyor. Başlangıçta bazı eylemler rastgele yapılırken ilerleyen süreçte bu işlem, belli bir hedefe ulaşmaya çalışan mantıksal bir sürece dönüşüyor. Operatör bu eylemleri ödüllendiriyor veya cezalandırıyor. Bu noktada önceden tanımlanmış önerilerde bulunulmuyor. Yapay zeka, sürecin başında tamamen rastgele hareket eder. Tekrar tekrar aynı eylemleri yaparak elde edilen sonucu maksimum seviyeye çıkarır. Algoritmanın sofistike stratejiler geliştirmesine olanak verir. Bir makinede mümkün olduğunda fazla senaryoyu deneme yoluyla bireylerin yaratıcılığını simüle etmek için kullanılabilecek en iyi yöntemlerden biri. Bu model davranışlarla ilgili kompleks görevlere uyarlanabilir. Optimizasyon sorunlarını çözmek açısından ise ideal bir çözüm sunar. Kendi kendini geliştiren sohbet robotları, pekiştirmeli öğrenmenin etkisine verilebilecek başarılı bir örnek. Bir hedef doğrultusunda çalışan sohbet robotu, randevu almak veya bir etkinliğe bilet ayırtmak gibi kullanıcının belirli bir problemi çözmesine yardımcı olmak için tasarlanıyor. 

6-OTOMATİK MAKİNE ÖĞRENİMİ

AUTOML, İŞLENMEMİŞ VERİLERİ SİSTEMATİK SÜREÇLERLE İŞLEYEREK EN ANLAMLI MODELİN TESPİT EDİLMESİNİ SAĞLIYOR

AutoML, yani otomatik makine öğrenimi; geçmişte profesyonel veri bilimcilerinin haftalar hatta aylar süren zorlu modelleme görevlerini gerçekleştirmek için geliştirildi. AutoML, işlenmemiş verileri sistematik süreçlerle işleyerek en anlamlı modelin tespit edilmesini sağlıyor. AutoML’in görevi ise girdi verilerindeki kalıbı belirleyerek buna uygulanacak en iyi modelin hangisi olduğuna karar vermek... Bu görevler daha önceleri teker teker elle yapılıyordu. AutoML ise birçok farklı makine öğrene tekniğini kullanarak bunu başarıyor. Google’ın AutoML teknolojisi buna örnek olarak verilebilir. Arka arkaya yapılan çok sayıda tekrar sonucunda otomatik olarak yüksek doğruluk oranına ulaşılıyor. Önemli bulut bilgi işlem sistemleri de bir çeşit AutoML kullanıyor. Peki, AutoML etkili mi? Pratikte çoğu zaman bunun cevabı, ‘evet’tir. Örneğin Lenovo’nun model hazırlama süresini 3-4 haftadan 3 güne düşürmek için AWS tarafından geliştirilen DataRobot sistemini kullandığı gözlemleniyor. Bu modellerde tahminlerin doğruluk oranında da artış kaydedildiği dikkat çekiyor.

7-NESNELERİN INTERNETİ İLE YAPAY ZEKANIN BULUŞTUĞU NOKTA

GERÇEK ZAMANLI TESPİTLER YAPABİLMEK GEREKTİĞİNDE BULUT SİSTEMİNE BEL BAĞLAMAK HER ZAMAN GÜVENİLİR OLMUYOR

Nesnelerin interneti odaklı trendler, işletmelerin makine öğrenmesinin potansiyelini kabul ettiğini gösteriyor. Rolls Royce markasının bulut ve nesnelerin interneti cihazlarını kendisine yararlı olacak şekilde kullanabilmek için Azure IoT Solutions ile iş birliğine gittiği görülüyor. Önleyici bakımın gücü hafife alınmamalı. Nesnelerin interneti ile yapay zekanın bir araya geldiği uygulamalara yönlenen bir diğer şirket de Hershey… Hershey’in üretim tesislerinde, ürün ağırlığında 51’lik bir fark bile çok ciddi maliyetler doğurabiliyor. Hershey, ürün ağırlıklarındaki farklılıkları ciddi oranda düşürmeyi başararak önemli bir tasarruf elde etti. Bilginin damıtılmasına örnek olarak insanların cinsiyetini kameradan gerçek zamanlı olarak tespit etmeye yarayan güvenlik kamera sistemleri verilebilir. Bir kişinin cinsiyetini belirlemek için büyük bir sinirsel ağa ihtiyaç duyuluyor. Böyle bir ağ ise en iyi, bulut sisteminde çalışır. Ancak gerçek zamanlı tespitler yapabilmek gerektiğinde bulut sistemine bel bağlamak her zaman güvenilir olmuyor. Daha büyük ağdaki bilgiyi damıtarak aynı cinsiyet tespiti işlemini, küçük bir mobil cihaza sığabilen daha küçük bir ağda yapmayı başarabilir ve böylelikle ciddi bir tasarruf elde edilebilir. 

8-ANLAŞILABİLİR YAPAY ZEKA 

HESAP VERME YÜKÜMLÜLÜKLERİNİ DÜZGÜN BİR BİÇİMDE YERİNE GETİRMEK İSTEYEN ŞİRKETLERİN,  ANLAŞILABİLİR YAPAY ZEKA TEKNOLOJİLERİNE YÖNELMELERİ GEREKECEK

Avrupa Birliği tarafından görevlendirilen, ‘Right to Explanation-Açıklama Hakkı’ adıyla tanınan makine öğrenmesi tasarımcıları; yapay zekayı, tüketiciler ve kullanıcılar açısından daha şeffaf hale getirebilme hedefiyle çalışıyor. Anlaşılabilir yapay zeka, bu kriterlere uyacak şekilde tasarlanmış bir teknoloji... Anlaşılabilir yapay zekanın, ML ağlarının kararları nasıl aldığını görsel bir şekilde göstererek süreci basitleştirmek için tasarlandığı görülüyor. Ağın verdiği cevabın arkasındaki neden açıklanıyor. Örneğin ağ; kredi talebini onaylama ve reddetme kararıyla ilgili nedenini de açıklıyor. Gartner, büyük işletmelerin yaklaşık yüzde 30’unun 2025 yılına kadar bu çözümleri kullanmayı talep edeceğini öngörüyor. 

9-KARŞILIKLI İLETİŞİME DAYALI YAPAY ZEKA

BUGÜN SESLİ KOMUTLARLA ÇALIŞAN AMAZON ECHO VE GOOGLE HOME GİBİ CİHAZLAR BİRÇOK EVDE BULUNUYOR. SESLİ DESTEK TEKNOLOJİSİNDEKİ GELİŞMELER, BU SEKTÖRDEKİ İŞLERİN DE GELİŞMESİNİ SAĞLAYACAK 

Yapay zekada, yazı yazmak gibi günlük işler söz konusu olduğunda insan beyniyle yarışabilecek bir seviyeye kadar ilerleme kaydedildiği gözlemleniyor. OpenAI şirketi, yapay zekaya dayalı metin üretme sistemlerinin, gerçekçi hikayeler, şiirler ve makaleler yazabildiğini öne sürüyor. ‘Bidirectional Encoder Representations from Transformers’ (BERT) tekniği, yapay zeka alanındaki bir diğer önemli gelişme. Metni kullanarak modelleri önceden eğitmeye odaklanan farklı bir yapay zeka tekniği… Buradaki önemli gelişme BERT’in metni işleyiş şekli… Metni soldan sağa veya sağdan sola okuyan ancak hiçbir şekilde iki yönde okuyamayan daha önceki yaklaşımlardan farklı olarak çift yönde eğitime olanak veren bir dil modeli sunuyor. BERT; kendisine sorulan soruları aynen bir insan gibi doğru bir şekilde anlayıp cevaplandıracak yapay zeka teknolojisine ulaşmada önemli bir adım daha atılmasını sağladı. Bir diğer uygulama da ses ile etkinleştirilen yapay zeka… Ses aktivasyonu ve sesli komutların hepsi, bilgisayar tarafından konuşmadaki sesin metne dönüştürülmesi özelliğine dayanıyor. 

10-ÜRETKEN ÇEKİŞMELİ AĞLAR

ÜRETKEN ÇEKİŞMELİ AĞLAR, İKİ SİNİRSEL AĞ MODELİ KULLANILARAK EĞİTİLMİŞ BİR ÜRETİM VE BİR AYIRT ETME MODELİ… YAKIN ZAMANDA BU AĞLAR, EMNİYETTE ROBOT RESİMLERİN ÇİZİLMESİ GİBİ ALANLARDA KULLANILACAK

Generative adversarial networks (GAN) yani ‘üretken çekişmeli ağlar’, mevcut verileri, yeni ürünlerin orijinaline benzemesini sağlayacak şekilde kullanarak yeni veri üretmenin bir yolu… Bu başlangıçta çok da etkileyici gelmeyebilir, ne de olsa kopyalamak oldukça kolay bir işlem. Ama aslında bu sandığınız kadar basit değil. Üretken çekişmeli ağlar, aynı olmayan ancak benzer veriler yaratarak, insan yüzünün, gerçek bir yüzden ayırt edilemeyecek sentetik fotoğrafı gibi inanılmaz veriler hazırlayabiliyor. Üretken çekişmeli ağlar, 2014’te Ian Goodfellow tarafından geliştirildiği günden bu yana, sentetik yüz üretimi alanında önemli bir gelişme kaydetti. Nvidia tarafından sahte bir yüz üreticisi tasarlandı. ‘Bu kişi aslında gerçek değil’ adıyla çıkarılan bu teknoloji, online ortamda önemli bir ivme yarattı. Bu alandaki diğer bir örnek ise mevcut bir fotoğrafı kullanarak kişiyi yaşlandırabilen veya cinsiyetini değiştirebilen yüz geliştirme uygulamaları… GAN, iki sinirsel ağ modeli kullanılarak eğitilmiş bir üretim ve bir ayırt etme modeli. Bu modellerden üretim modeli, yeni veri örnekleri hazırlar. Ayırt etme modelinin görevi ise hazırlanan verilerin, gerçek veri örneklerinden ayırt edilebilir olup olmadığına karar vermek. Eğitim sırasında bu iki model birbiriyle yarışıyor, üretim modeli sürekli olarak ayırt etme modelini kandırmaya çalışıyor.