Verilerle desteklenen, örüntüleri bulan algoritmaların ifadeleri olan ve bir insanın yapabileceğinden daha hızlı tahminler yapan makine öğrenimi (Machine Learning – ML) modelleri, yapay zekânın (Artificial Intelligence – AI) matematiksel motorlarıdır.
Bir araba satın almak istediğinizde akla ilk hangi model olacağı sorusu gelir. Düşük maliyetli bir ulaşım için Honda Civic mi, hızlı ve iyi bir görünüme sahip olan Chevy Corvette mi yoksa ağır yükleri taşımak için bir Ford F-150 mi?
Çağımızın en dönüştürücü teknolojisi olan yapay zekâ’ya olan yolculukta, ihtiyacınız olan motor, bir makine öğrenimi modelidir.
Bir makine öğrenimi modeli, örüntüleri bulmak veya tahminler yapmak için büyük bir veri grubunu tarayan bir algoritmanın ifadesidir. Verilerle desteklenen makine öğrenimi modelleri, yapay zekânın matematiksel motorlarıdır.
Örneğin, bilgisayar görüşü (Computer Vision) için olan bir ML modeli, arabaları ve yayaları gerçek zamanlı bir videoda tanımlayabilir. Bir diğeri, doğal dil işleme(NLP), kelimeleri ve cümleleri tercüme edebilir.
Daha yakından incelersek, bir makine öğrenimi modeli, nesnelerin ve birbirleriyle ilişkilerinin matematiksel bir temsilidir. Bu nesneler, bir sosyal ağ gönderisindeki “beğeniler”den, laboratuvar deneyindeki moleküllere kadar her şey olabilir. NVIDIA’nın geliştirici sayfasında örnek modellere göz atabilirsiniz.
Her Amaca Uygun ML Modelleri
Bir ML modelinde özellik haline gelebilecek nesneler üzerinde herhangi bir kısıtlama yoktur. Yapay zekâ (AI) kullanımlarının sınırı yoktur. Sayısız kombinasyonlar mevcuttur.
Veri bilimcileri, tüm makine öğrenimi modellerinin farklı kullanımları için aile sınıflandırması oluşturmuştur ve bu hummalı çalışmalara devam etmektedirler.
ML Modellerinin Kısa Bir Taksonomisi
| ML Model Türü | Kullanım Alanları |
| Doğrusal regresyon/sınıflandırma (Linear regression/classification) | Sayısal verilerdeki örüntüler, finansal tablolar gibi |
| Grafik modeller | Fraud tespiti veya duygusal farkındalık |
| Karar ağacı (Decision trees/Random forests) | Sonuçları tahmin etmek |
| Derin öğrenme sinir ağları (Deep learning neural networks) | Bilgisayar görüşü (Computer Vision), doğal dil işleme(NLP) ve dahası. |
Örneğin, doğrusal (linear) modeller, finansal projelerdeki değişkenlerin arasındaki ilişkiyi tahmin etmek için cebir kullanır. Grafik modeller, bir olasılığı diyagram olarak ifade eder, örneğin bir tüketicinin bir ürünü satın almayı seçip seçmeyeceği gibi. Dal metaforunu örnek alan bazı ML modelleri, karar ağaçlarının yada random forests(RF) olarak adlandırılan grupların şeklini alır.
2012 yılındaki Big Bang of AI ’da, araştırmacılar derin öğrenmeyi, örüntü bulma ve tahmin yürütme konusunda en başarılı tekniklerden biri olarak buldular. Bu model, beyin hücrelerinin örüntü ve işlevlerinden esinlendiği için sinir ağları (Neural Networks) adı verilen bir tür makine öğrenimi modelini kullanır.
Kitleler İçin ML Modeli
Derin Öğrenme (Deep Learning), ismini makine öğrenimi modellerinin yapısından alır. Tıpkı bir matematiksel sandviç gibi özelliklerin katman ve ilişkileri üzerine katman oluştururlar.
Örüntüleri bulmadaki olağanüstü doğruluğu sayesinde, iki tür derin öğrenme modeli her yerde karşımıza çıkıyor.
Bilgisayar görüşünde sıklıkla kullanılan evrişimli sinir ağları (CNNs), otonom araçlarda göz gibi davranır ve tıbbi görüntülemede hastalıkların tespit edilmesine yardımcı olabilir. Sözlü ve yazılı dili analiz etmek için ayarlanmış olan tekrarlayan sinir ağları ve transformatörler (RNNs), Amazon’un Alexa’sının, Google Asistanının Ve Apple Siri’nin motorlarıdır.
Derin öğrenme sinir ağları, adını çok katmanlı yapılarından almıştır.
Bir Tane Önceden Eğitilmiş Model (Pretrained Model) Seçin
CNN, RNN ya da bir transformatör gibi, doğru aile modellerinden birini seçmek harika bir başlangıç olacaktır. Fakat bu sadece bir başlangıç.
Eğer bir Baja 500 sürmek isterseniz, bir kumul arabasını sağlam lastik ve amortisörlerle değiştirebilir veya bu sınıftan yapılmış bir arabayı satın alabilirsiniz.
Makine öğreniminde, buna önceden eğitilmiş model (Pretrained Model) deniyor. Bu model, kullanım alanlarınızdaki veriye benzeyen, büyük eğitici veri kümelerine göre ayarlanmıştır. Makine öğrenimi için geliştirici araçlarından biri olan ‘weights and biases’ olarakta adlandırılan, veri ilişkileri bu amaç için optimize edilmiştir.
Bir modeli eğitmek, devasa bir veri kümesini ,çok fazla yapay zekâ uzmanlığını ve önemli derecede hesaplama gücünü gerektirir. Bilinçli satıcılar, zamandan ve paradan tasarruf etmek için bu önceden eğitilmiş modelleri satın alır.
Kime Başvurmalıyız?
Önceden eğitilmiş bir model satın alırken güvenebileceğiniz bir satıcı bulun.
NVIDIA’ya ait olan NGC kataloğu, önceden eğitilmiş modellerle dolu çevrimiçi bir kitaplıktır. Yapay zekâ işlerinin spektrumunu, bilgisayar görüşü, diyaloğa dayalı yapay zekâ (Conversational AI) gibi daha birçok yerden alıyor. Bu katalogdaki modeller özgeçmişlerle birlikte geldiğinden kullanıcılar ne elde edeceklerini biliyor. Bunlar bir nevi potansiyel işe alım belgeleri gibidir.
Model özgeçmişleri size modelin eğitildiği etki alanını, onu eğiten veri kümesini ve nasıl performans göstermesi gerektiğini gösterir. Kullanım alanlarınıza göre doğru modeli seçmeniz konusunda size şeffaflık ve güven sağlarlar.
ML Modelleri için Daha Fazla Kaynak
Ayrıca, NGC modelleri aktarımlı öğrenme (Transfer Learning) için oldukça hazırdır.
Bu, modellerin uygulama verilerinizi çalıştırmakta izleyecekleri yol haritasına göre modelleri torklayan son ayardır.
NVIDIA NGC modelinizi ayarlamanız için size bir framework bile temin ediyor.
TAO olarak adlandırılan bu framework’e bugün buradan erken erişim için kayıt olabilirsiniz.
