İçeriğe atla
Arabaları tanımlayan makine öğrenmesi

Makine öğrenmesi nedir?

Makine öğrenmesi yapay zekanın (AI) bir alt kümesidir. Bilgisayarların verilerden öğrenmesi ve deneyimle gelişmesini öğretmeye odaklanır – bunu yapmak için açıkça programlanmak yerine. Makine öğrenmesinde algoritmalar büyük veri kümelerinde desenler ve korelasyonlar bulmak ve bu analize dayalı en iyi kararları ve tahminleri yapmak için eğitilir. Makine öğrenmesi uygulamaları kullanımla gelişir ve erişimlerinin o kadar fazla veriye sahip olduğu daha doğru hale gelir. Makine öğrenimi uygulamaları tüm çevremizde – evlerimizde, alışveriş sepetlerimizde, eğlence medyamızda ve sağlıkçılarımızda.

Açıklanan makine öğrenmesi

Makine öğrenmesi yapay zeka ile nasıl ilgilidir?

Makine öğrenmesi ve derin öğrenme ile nöral ağların bileşenleri - hepsi yapay zekanın eşmerkezli alt kümeleri olarak uygundur. Yapay zeka, karar ve tahminler almak için verileri işler. Makine öğrenmesi algoritmaları yapay zekanın yalnızca bu verileri işlemesine değil, herhangi bir ek programlamaya ihtiyaç duymadan öğrenip daha akıllı hale gelmek için kullanmasına olanak sağlar. Yapay zeka, altındaki tüm makine öğrenmesi alt kümelerinin üst öğesidir. İlk alt kümede makine öğrenmesi vardır; bunun içinde derin öğrenme ve ardından içindeki nöral ağlar.

Yapay Zeka ve makine öğrenmesi diyagramı

Yapay zeka ve öğrenen makineler arasındaki ilişkinin diyagramı

Nöral bir ağ nedir?

 

Yapay bir nöral ağ (ANN), biyolojik bir beyindeki nöronlar üzerinde modellenir. Yapay nöronlar düğüm olarak adlandırılır ve çoklu katmanlarda bir araya toplanır, paralel olarak çalışır. Bir yapay nöron sayısal sinyal aldığında bunu işler ve ona bağlı diğer nöronların sinyallerini verir. Bir insan beyninde olduğu gibi, nöral güçlendirme, örüntü tanıma, uzmanlık ve genel öğrenme ile sonuçlanır.

 

Derin öğrenme nedir?

 

Bu tür makine öğrenmesi, nöral ağın birçok katmanını ve karmaşık ve farklı verilerin büyük hacimlerini içerdiğinden "derin" olarak adlandırılır. Derin öğrenme sağlamak için sistem, ağda birden fazla katmanla etkileşime geçerek giderek daha üst düzey çıktıları ayıklar. Örneğin, doğa görüntülerini işleyen ve Gloriosa daisies'i arayan derin bir öğrenme sistemi – ilk tabakada – bir bitkiyi tanıyacaktır. Nöral tabakalarda ilerlerken daha sonra bir çiçeği, sonra daisiyi ve sonunda bir Gloriosa daisy'yi belirleyecektir. Derin öğrenme uygulamalarına örnek olarak konuşma tanıma, görüntü sınıflandırması ve farmasötik analiz verilebilir.

Makine öğrenmesi nasıl çalışır?

Makine öğrenmesi, çeşitli algoritmik teknikler kullanılarak farklı makine öğrenmesi modelleri türlerinden oluşur. Verilerin niteliğine ve istenilen sonuca bağlı olarak dört öğrenme modelinden biri kullanılabilir: denetlenmiş, denetlenmemiş, yarı denetimli veya takviye. Bu modellerin her birinde, kullanılan veri kümelerine ve amaçlanan sonuçlara göre bir veya daha fazla algoritmik teknik uygulanabilir. Makine öğrenmesi algoritmaları temelde olayları sınıflandırmak, örnekleri bulmak, sonuçları tahmin etmek ve bilinçli kararlar almak için tasarlanmıştır. Algoritmalar, karmaşık ve daha öngörülemeyen veriler söz konusu olduğunda mümkün olan en iyi doğruluğu elde etmek için tek seferde veya kombine olarak kullanılabilir. 

Makine öğrenmesinin nasıl çalıştığına ilişkin diyagram

Makine öğrenmesi sürecinin nasıl çalıştığı

Kontrollü öğrenme nedir?

 

Kontrollü öğrenme, dört makine öğrenmesi modelinin ilkidir. Kontrollü öğrenme algoritmalarında makine örnek alınarak öğretilir. Denetlenen öğrenme modelleri, çıktının istenilen değerle etiketlendiği "girdi" ve "çıktı" veri çiftlerinden oluşur. Örneğin, amacın makinenin papatya ve pansiyonlar arasındaki farkı söylemesi olduğunu belirtelim. Bir ikili giriş veri çifti hem bir daisy görüntüsünü hem de bir pansy görüntüsünü içerir. Belirli bir çift için istenen sonuç daisiyi seçmektir, bu nedenle doğru sonuç olarak önceden tanımlanacaktır.

 

Bir algoritma yoluyla, sistem tüm bu eğitim verilerini zaman içinde toplar ve göreceli benzerlikleri, farklılıkları ve mantığın diğer noktalarını belirlemeye başlar – bu da daisy-or-pansy sorularının yanıtlarını tek başına tahmin edebilene kadar. Bir çocuğa cevap anahtarı olan bir takım problemler vermek, sonra da çalışmalarını göstermelerini ve mantığını açıklamalarını istemenin eşdeğeridir. Günün farklı zamanlarında en hızlı rotayı tahmin eden Waze gibi ürünler için öneri motorları ve trafik analizi uygulamaları gibi her gün etkileşimde bulunduğumuz uygulamaların çoğunda denetimli öğrenme modelleri kullanılıyor.

 

Denetlenmeyen öğrenme nedir?

 

Kontrolsüz öğrenme, dört makine öğrenmesi modelinin ikincisidir. Denetlenmeyen öğrenme modellerinde cevap anahtarı yoktur. Makine girdi verilerini (çoğu etiketsiz ve yapılandırılmamış) inceler ve tüm ilgili, erişilebilir verileri kullanarak desenleri ve korelasyonları belirlemeye başlar. Birçok açıdan gözetimsiz öğrenme, insanın dünyayı nasıl gözlemlediği üzerine modellenir. Bir şeyleri birlikte gruplamak için sezgi ve deneyim kullanırız. Bir şeye ilişkin gittikçe daha fazla örnek deneyimlediğimiz için kategorize etme ve tanımlama yeteneğimiz giderek daha doğru hale geliyor. Makineler için “deneyim” giriş yapılan ve kullanıma sunulan veri miktarına göre tanımlanır. Denetlenmemiş öğrenme uygulamalarının ortak örnekleri arasında yüz tanıma, gen dizileri analizi, pazar araştırmaları ve siber güvenlik sayılabilir.

 

Yarı denetimli öğrenme nedir?

 

Yarı denetimli öğrenme, dört makine öğrenmesi modelinin üçüncüsüdür. Mükemmel bir dünyada, sisteme girilmeden önce tüm veriler yapılandırılır ve etiketlenir. Ancak bu mümkün olmadığından, yarı denetimli öğrenme, büyük miktarlarda ham, yapılandırılmamış veriler mevcut olduğunda çalışılabilir bir çözüm haline geliyor. Bu model, etiketlenmemiş veri kümelerini artırmak için az miktarda etiketlenmiş veri girmekten oluşur. Esasen etiketlenen veriler sisteme sürekli bir başlangıç yapmak için harekete geçer ve öğrenme hızını ve doğruluğu önemli ölçüde iyileştirebilir. Yarı gözetimli öğrenme algoritması, makineye etiketsiz verilere uygulanabilen bağıntı özellikleri için etiketlenmiş verileri analiz etmesi talimatını verir.

 

Bu MIT Press araştırma kağıdında derinlemesine araştırıldığı gibi, etiketlenen verilerdeki kusurların sistem tarafından öğrenildiği ve çoğaltıldığı bu modelle ilişkili riskler var. Yarı denetimli öğrenmeyi başarıyla kullanan şirketler, en iyi uygulama protokollerinin mevcut olmasını sağlar. Yarı denetimli öğrenme konuşma ve dil analizlerinde, protein kategorizasyonu gibi karmaşık tıbbi araştırmalarda ve üst düzey dolandırıcılık tespitinde kullanılır.

 

Güçlendirme öğrenimi nedir?

 

Takviye öğrenme dördüncü makine öğrenme modelidir. Kontrollü öğrenmede makineye cevap anahtarı verilir ve tüm doğru sonuçlar arasında korelasyonları bularak öğrenir. Güçlendirme öğrenme modeli bir cevap anahtarı içermez, bunun yerine izin verilen eylemler, kurallar ve olası bitiş durumlarını girer. Algoritmanın istenilen hedefi sabit veya ikili olduğunda makineler örnek alınarak öğrenebilirler. Ama istenilen sonucun değişebilir olduğu durumlarda sistemin tecrübe ve ödülle öğrenmesi gerekir. Güçlendirme öğrenme modellerinde “ödül” sayısal olup algoritmaya sistemin toplamak istediği bir şey olarak programlanır.

 

Birçok açıdan bu model, birine nasıl satranç oynayacağını öğretmekle benzerdir. Belli ki, onlara her potansiyel hamleyi göstermeye çalışmak imkansız olacaktır. Bunun yerine kuralları açıklarsınız ve uygulama yoluyla becerilerini geliştirirler. Ödüller sadece oyunu kazanmak değil, aynı zamanda rakibin parçalarını da almak şeklinde gelir. Güçlendirme öğrenimi uygulamaları arasında online reklam alıcıları için otomatik fiyat teklifi, bilgisayar oyunu geliştirme ve yüksek hisse senedi borsası ticareti yer alır.

İşlemde kurumsal makine öğrenmesi

Makine öğrenmesi algoritmaları desenleri ve korelasyonları tanır, yani kendi yatırım getirilerini analiz etmekte çok iyidir. Makine öğrenmesi teknolojilerine yatırım yapan şirketler için bu özellik operasyonel etkinin neredeyse hemen değerlendirilmesine olanak sağlar. Aşağıda, kurumsal makine öğrenmesi uygulamalarının büyüyen bazı alanlarından sadece küçük bir örnektir.

  • Öneri motorları: 2009'dan 2017'ye kadar video akış hizmetlerine abone olan ABD'li ev sayısı %450 arttı. Forbes dergisinde yayınlanan 2020 tarihli bir makalede, %70'e varan oranlarda video akışı kullanım rakamlarına yapılan bir artış daha yer alıyor. Tavsiye motorlarının birçok perakende ve alışveriş platformunda uygulamaları vardır, ancak müzik ve videoservisleri akışı ile kesinlikle kendi içlerine geliyorlar.
  • Dinamik pazarlama: Duyumları oluşturma ve bunları satış hunisi aracılığıyla kullanma, mümkün olduğunca müşteri verilerini toplama ve analiz etme olanağı gerektirir. Modern tüketiciler sohbet transkriptlerinden resim yüklemelerine kadar çok sayıda çeşitli ve yapılandırılmamış veri üretirler. Makine öğrenmesi uygulamalarının kullanımı pazarlamacıların bu verileri anlamasına ve bunları kişiselleştirilmiş pazarlama içeriği ile müşteriler ve aday müşteriler ile gerçek zamanlı etkileşim sağlamak için kullanmalarına yardımcı olur.
  • ERP ve süreç otomasyonu: ERP veri tabanları satış performansı istatistikleri, tüketici gözden geçirmeleri, pazar eğilimi raporları ve tedarik zinciri yönetimi kayıtlarını içerebilen geniş ve farklı veri kümeleri içerir. Bu tür verilerdeki korelasyonları ve desenleri bulmak için makine öğrenmesi algoritmaları kullanılabilir. Bu analizler, ağ içindeki Nesnelerin İnterneti (IoT) aygıtlarının iş akışlarını optimize etme veya yinelemeye veya hataya açık görevleri otomatikleştirmenin en iyi yolları dahil olmak üzere işletmenin her alanını hemen hemen bilgilendirmek için kullanılabilir.
  • Tahmine dayalı bakım: Modern tedarik zincirleri ve akıllı fabrikalar, IoT cihazlarının ve makinelerinin yanı sıra tüm filoları ve operasyonları arasında bulut bağlantısından giderek daha fazla faydalanıyor. Kırılma ve verimsizlikler muazzam maliyetlere ve aksamalara neden olabilir. Bakım ve onarım verileri manüel olarak toplandığında, olası sorunları tahmin etmek neredeyse imkansızdır; bu sorunları tahmin etmek ve önlemek için süreçleri otomatikleştirmeyi bırakın. IoT ağ geçidi sensörleri on yıllardır kullanılan analog makinelere takılarak işletme genelinde görünürlük ve verimlilik sağlanabilir.
placeholder

Bugün başlayın

Yapay zeka ve öğrenen makineler de dahil olmak üzere SAP akıllı teknolojilerini inceleyin.

Makine öğrenmesi zorlukları

Veri bilimci ve Harvard mezunu Tyler Vigan, Spurious CorRelationship adlı kitabında "Tüm korelasyonlar altta yatan nedensel bağlantının göstergesidir." Bunu göstermek için, margarin tüketimi ile Maine eyaletindeki boşanma oranı arasında görünüşte güçlü bir korelasyon gösteren bir grafik içerir. Tabii ki bu grafiğin mizahi bir nokta yapması hedefleniyor. Ancak, daha ciddi bir notta, makine öğrenmesi uygulamaları hem insan hem de algoritmik önyargılara ve hataya karşı savunmasızdır. Ve öğrenme ve adapte olma eğilimleri nedeniyle hatalar ve ani korelasyonlar sinir ağı boyunca hızlıca yayılabilir ve sonuçları kirletebilir.

 

Ek bir zorluk, algoritmanın ve çıkışının o kadar karmaşık olduğu makine öğrenmesi modellerinden gelir ki insanlar tarafından açıklanamaz veya anlaşılamaz. Buna “kara kutu” modeli denir ve bir algoritmanın belirli bir sonuca veya karara nasıl ve neden vardığını belirleyemeyeceklerini kendilerinin bulamadıklarında şirketleri riske atarlar.

 

Neyse ki veri kümelerinin karmaşıklığı ve makine öğrenmesi algoritmaları arttıkça, riski yönetmek için mevcut araçları ve kaynakları. En iyi şirketler, sağlam ve güncel yapay zeka yönetim yönergeleri ve en iyi uygulama protokolleri kurarak hata ve önyargıyı ortadan kaldırmak için çalışıyor.

placeholder

Makine öğrenmesinden
en iyi şekilde yararlanma

Alınan bu beş dersle “hızlı öğrenenlerin” izlerini takip edin.

Makine öğrenmesi SSS'leri

Makine öğrenmesi yapay zekanın bir alt kümesidir ve onsuz var olamaz. Yapay zeka, karar ve öngörüler almak için verileri kullanır ve işler – bilgisayar tabanlı bir sistemin beynidir ve makineler tarafından sergilenen “zeka”dır. Yapay zeka içindeki makine öğrenmesi algoritmalarının yanı sıra diğer yapay zeka destekli uygulamalar, sistemin yalnızca bu verileri işlemesine değil, bunu görevleri yürütmek, tahminler yapmak, öğrenmek ve daha akıllı hale getirmek için ek programlamaya ihtiyaç duymadan kullanmasına olanak sağlar. Yapay zeka'ya tüm o zeka ve verilerle ilgisi olan iyi odaklı bir şey verirler.

Evet, ancak iş çapında bir çaba olarak yaklaşılmalı, sadece BT yükseltmesi değil. Dijital dönüşüm projeleriyle en iyi sonuçları elde eden şirketler, mevcut kaynakları ve beceri setlerini net bir şekilde değerlendirir ve başlamadan önce doğru temel sistemlere sahip olmalarını sağlar.

Makine öğrenimine göre veri bilimi bir alt kümedir; istatistik ve algoritmalara odaklanır, regresyon ve sınıflandırma tekniklerini kullanır, sonuçları yorumlar ve iletir.  Makine öğrenmesi programlama, otomasyon, ölçekleme, dahil etme ve depolama sonuçlarına odaklanır.

Makine öğrenimi desenlere ve korelasyonlara bakar; onlardan öğrenir ve gittikçe kendini optimize eder. Veri madenciliği, makine öğrenmesi için bilgi kaynağı olarak kullanılır. Veri madenciliği teknikleri karmaşık algoritmalar kullanır ve makine öğrenmesi uygulamasının kullanılabilmesi için daha iyi organize edilmiş veri kümeleri sağlamaya yardımcı olabilir.

Yapay nöral ağa sahip bağlı nöronlara katmanlar halinde bağlanıp kümelenen düğümler denir. Bir düğüm sayısal sinyal aldığında, o zaman paralel çalışan diğer ilgili nöronları işaretler. Derin öğrenme, nöral ağı kullanır ve çok büyük hacimli veri kullandığı ve aynı anda nöral ağda birden fazla katmanla etkileştiği için "derindir". 

Makine öğrenmesi, istatistikleri içerebilen çeşitli öğrenme modellerinin, tekniklerinin ve teknolojilerin birleşimidir. İstatistiğin kendisi tahminler yapmak ve analiz için modeller oluşturmak üzere verileri kullanmaya odaklanır.

SAP Insights bülteni

placeholder
Bugün abone ol

Bültenimize abone olarak önemli öngörüler elde edin.

Ek okuma

Başa dön