İçerik
- Derin Öğrenmenin İş Uygulamaları
- Büyük Veri ve Derin Öğrenmenin Öncüleri
- Hata Yok, Stres Yok - Hayatınızı Yok Etmeden Hayat Değiştiren Yazılım Yaratma Adım Adım Kılavuzunuz
- Kara Kutu İkilemi
- düzenleme
Kaynak: Agsandrew / Dreamstime.com
Paket servisi:
Derin öğrenmenin işletmelere sunacağı çok şey var, ancak birçoğu hala onu benimsemekte tereddüt ediyor. Burada en büyük acı noktalarından bazılarına bakacağız.
Derin öğrenme, (genellikle konuşan) insan beyninden ve işlevlerinden ilham alan bir teknoloji olan makine öğreniminin bir alt alanıdır. İlk olarak 1950'lerde tanıtılan makine öğrenmesi, yapay zekanın temelini oluşturan, birbirine bağlı veri düğümlerinin bir bolluğu olan yapay sinir ağı olarak bilinen şey tarafından toplu olarak bilgilendirilir. (Makine öğrenmenin temelleri için, Makine Öğrenimi 101'i inceleyin.)
Makine öğrenmesi, temel olarak, harici veriler veya programlama tarafından istendiğinde bilgisayar programlarının kendilerini değiştirmesine izin verir. Doğası gereği, bunu insan etkileşimi olmadan başarabilir. Veri madenciliği ile benzer işlevselliği paylaşır, ancak insanlardan ziyade makineler tarafından işlenecek mayınlı sonuçları vardır. İki ana kategoriye ayrılmıştır: denetimli ve denetimsiz öğrenme.
Denetimli makine öğrenmesi, önceden belirlenmiş işlemlerin etiketli eğitim verileri yoluyla çıkarımını içerir. Başka bir deyişle, denetlenen sonuçlar önceden (insan) programcısı tarafından bilinir, ancak sonuçları çıkaran sistem bunları “öğrenmek” için eğitilir. Denetimsiz makine öğrenmesi, aksine, genellikle bilinmeyen kalıpları tespit etmenin bir aracı olarak, etiketlenmemiş girdi verilerinden çıkarımlar yapar.
Derin öğrenme, makine öğreniminin doğrusal algoritmalarının aksine, hiyerarşik algoritmalar yoluyla kendini yetiştirme becerisi bakımından benzersizdir. Derin öğrenme hiyerarşileri, geliştikçe (veya “öğrendiklerinden”) giderek daha karmaşık ve soyuttur ve denetlenen mantığa dayanmazlar. Basitçe söylemek gerekirse, derin öğrenme oldukça gelişmiş, doğru ve otomatik bir makine öğrenmesi biçimidir ve yapay zeka teknolojisinin ön saflarında yer almaktadır.
Derin Öğrenmenin İş Uygulamaları
Makine öğrenmesi zaten çeşitli endüstrilerde yaygın olarak kullanılmaktadır. Örneğin sosyal medya, içerik akışlarını kullanıcı zaman çizelgelerinde iyileştirmek için kullanır. Google Brain, birkaç yıl önce, teknoloji geliştikçe Google’ın hizmet yelpazesinde derin öğrenmeyi üretmek amacıyla kurulmuştur.
Tahmine dayalı analitik odağı ile pazarlama alanı özellikle derin öğrenme inovasyonuna yatırılmaktadır. Veri birikimi, teknolojiyi yönlendiren şey olduğundan, satış ve müşteri desteği (zaten zengin ve çeşitli müşteri verilerine sahip olan) gibi endüstriler, temel düzeyde benimsemek için benzersiz bir şekilde konumlandırılmışlardır.
Derin öğrenmeye erken adaptasyon çok iyi bir şekilde sektörün teknolojiden ne kadar fayda sağladığını, özellikle de en erken aşamalarında belirleyici olabilir. Bununla birlikte, birkaç spesifik acı noktası, birçok işletmeyi derin öğrenme teknolojisi yatırımına atmaktan alıkoyuyor.
Büyük Veri ve Derin Öğrenmenin Öncüleri
2001 yılında, Doug Laney adlı META Group (şimdi Gartner) adına çalışan bir analist, araştırmacıların büyük verilerin üç ana zorluğu olarak algıladıklarını belirledi: hacim, çeşitlilik ve hız. On yıldan bir buçuk yıl sonra, internete erişim noktalarındaki hızlı artış (büyük ölçüde mobil cihazların çoğalması ve IoT teknolojisinin yükselmesi nedeniyle), bu sorunları büyük teknoloji şirketlerinin yanı sıra küçük işletmeler için ön plana çıkardı. ve aynı şekilde başlangıçlar. (Üç v hakkında daha fazla bilgi için, bkz. Bugünün Büyük Veri Mücadelesi Çeşitlilik, Hacim veya Hıztan Kaynaklanmamaktadır.)
Hata Yok, Stres Yok - Hayatınızı Yok Etmeden Hayat Değiştiren Yazılım Yaratma Adım Adım Kılavuzunuz
Hiç kimse yazılım kalitesini önemsemediğinde programlama becerilerinizi geliştiremezsiniz.
Küresel veri kullanımı ile ilgili son istatistikler şaşırtıcı. Araştırmalar, dünya verilerinin kabaca yüzde 90'ının yalnızca son birkaç yıl içinde oluşturulduğunu gösteriyor. Dünya çapında mobil trafik, bir tahmine göre, 2016 yılına göre ayda yaklaşık kabarık yedi exabyte oldu ve bu rakamın önümüzdeki on yıl içinde yaklaşık yedi kat artması bekleniyor.
Hacmin ötesinde çeşitlilik (yeni medya geliştikçe ve genişledikçe veri türlerindeki hızla artan çeşitlilik) ve hız (elektronik medyanın veri merkezlerine ve merkezlere gönderilme hızı) işletmelerin gelişen alana uyum sağlamadaki ana faktörlerdir. derin öğrenme Anımsatıcı aygıtı genişletmek için, son yıllarda büyük veri ağrıları listesine birkaç başka v-kelime daha eklendi:
- Geçerlilik: Büyük veri sistemlerinde giriş veri doğruluğunun ölçümü. Algılanamayan geçersiz veriler, makine öğrenme ortamlarında zincirleme reaksiyonların yanı sıra önemli sorunlara da neden olabilir.
- Güvenlik açığı: Büyük veriler, yalnızca ölçeğinden dolayı doğal olarak güvenlik endişelerini uyandırır. Ve makinenin öğrenmesiyle sağlanan güvenlik sistemlerinde büyük potansiyel görülmesine rağmen, mevcut enkarnasyonlarındaki sistemler, özellikle yanlış alarmlar üretme eğilimleri nedeniyle, verimsizliklerinden dolayı kaydedilmiştir.
- Değer: Büyük verilerin potansiyel değerini (iş dünyasında veya başka yerlerde) kanıtlamak, herhangi bir nedenden ötürü önemli bir zorluk olabilir. Bu listedeki diğer ağrı noktalarından herhangi biri etkili bir şekilde ele alınamazsa, o zaman aslında felaket etkisi olsa bile, herhangi bir sisteme veya organizasyona negatif değer katabilirler.
Listeye eklenmiş olan diğer alliteratif ağrı noktaları değişkenlik, doğruluk, uçuculuk ve görselleştirmedir - hepsi de büyük veri sistemlerine kendi benzersiz zorluklarını sunar. Ve daha fazlası hala mevcut liste (muhtemelen) zaman içinde azalıyorsa eklenebilir. Anlaşılan “v” listesi, bir kısmına biraz itiraz edilmiş gibi görünmekle birlikte, derin öğrenmenin geleceğinde önemli bir rol oynayan büyük verilerin karşı karşıya kaldığı ciddi sorunları içermektedir.
Kara Kutu İkilemi
Derin öğrenme ve yapay zekanın en çekici özelliklerinden biri, her ikisinin de insanların çözemediği sorunları çözme amaçlı olmasıdır. Buna izin vermesi beklenen aynı fenomen, aynı zamanda “kara kutu” olarak bilinen biçiminde ortaya çıkan ilginç bir ikilem de ortaya koyuyor.
Derin öğrenme sürecinde ortaya çıkan sinir ağı çok karmaşık ve karmaşıktır, karmaşık işlevleri insan gözlemine esasen esrarlıdır. Veri bilim adamları ve mühendisleri, derin öğrenme sistemlerine neyin girdiğine dair kapsamlı bir anlayışa sahip olabilirler, ancak çıktı kararlarına nasıl tam olarak açıklanamayacaklarından daha sık gelirler.
Bu, pazarlamacılar veya satıcılar için (neyi pazarladıklarına veya sattıklarına bağlı olarak) önemli bir sorun olmasa da, diğer endüstriler, sonuçlardan herhangi bir şekilde faydalanabilmek için belirli miktarda süreç doğrulaması ve muhakeme gerektirmektedir. Örneğin bir finansal hizmetler şirketi, yüksek verimli bir kredi puanlama mekanizması oluşturmak için derin öğrenmeyi kullanabilir. Ancak, kredi puanları çoğu zaman, gerçek kredi puanlama denkleminin tamamen opak ve açıklanamadığı durumlarda oluşması zor olacak bir tür sözlü veya yazılı açıklama ile gelmelidir.
Bu problem, özellikle sağlık ve güvenlik alanlarında olmak üzere, diğer pek çok sektöre de yayılmaktadır. Tıp ve ulaşım, hem derin öğrenmeden büyük ölçüde faydalanabilir, hem de kara kutu şeklinde önemli bir engelle karşı karşıya kalabilir. Bu alanlardaki herhangi bir çıktı, ne kadar faydalı olursa olsun, temel algoritmalarının tamamen belirsizliği nedeniyle tamamen atılabilir. Bu bizi belki de hepsinin en tartışmalı acı noktasına getiriyor…
düzenleme
2016 baharında, Avrupa Birliği (diğer şeylerin yanı sıra) vatandaşlara kendilerini “önemli ölçüde etkileyen” makine öğrenme sistemleri tarafından oluşturulan otomatik kararlar için “açıklama hakkı” veren Genel Veri Koruma Yönetmeliği'ni (GDPR) geçti. 2018’de yürürlüğe girmesi planlanan yönetmelik, çoğu durumda GSYİH’nın öngördüğü açıklamayı engelleyecek olan, karamsar olduğu için derin öğrenime yatırım yapan teknoloji şirketleri arasında kaygı uyandırıyor.
GSYİH'nın sınırlamak istediği “otomatik bireysel karar alma” derin öğrenmenin temel bir özelliğidir. Ancak, bu teknolojiyle ilgili endişeler, ayrımcılık potansiyeli çok yüksek ve şeffaflık çok düşük olduğunda kaçınılmazdır (ve büyük ölçüde geçerlidir). Amerika Birleşik Devletleri'nde, Gıda ve İlaç İdaresi benzer şekilde bu işlemlerin denetlenebilir kalmasını zorunlu kılarak ilaçların test edilmesini ve pazarlanmasını düzenlemektedir. Bu, FDA kuralı nedeniyle yorumlanamayan derin öğrenme yöntemlerinin kullanılması engellenen Massachusetts merkezli biyoteknoloji şirketi Biogen için olduğu gibi ilaç endüstrisi için engeller sundu.
Derin öğrenmenin (ahlaki, pratik ve ötesi) etkileri görülmemiş ve açıkçası oldukça derindir. Endişelenme, teknolojiyi, büyük ölçüde, yıkıcı potansiyelinin ve opak mantığının ve işlevselliğinin bir birleşimi nedeniyle çevreler.İşletmeler, düşünülebilecek herhangi bir tehdit veya tehlikeyi aşan derin öğrenme içerisinde somut değerin varlığını ispatlayabilirlerse, yapay zekanın bir sonraki kritik aşaması boyunca bize yol göstermeye yardımcı olabilirler.