Uzman olmayan biri sinir ağlarını neden anlamalıdır?
Sinir ağlarını anlamanız gerekir; çünkü konuşmayı yazıya dökme araçlarından sohbet asistanlarına kadar kullandığınız yapay zeka araçlarının çoğunun temelinde bu ağlar bulunur. Bu araçları satın alma veya onlara güvenme kararları, neleri öğrenip neleri öğrenemediklerini bilmenize bağlıdır.
80 kişilik, hayali bir sigorta brokerliği şirketi olan Harbourline Insurance'ı düşünün. Bir tedarikçi, operasyon sorumlusu Daniel'a hasar taleplerini ön değerlendirmeden geçiren bir ürün sunuyor. Sunum slaydında şöyle yazıyor: 'Derin sinir ağı, 12 katman, milyonlarca hasar talebiyle eğitildi, 94% doğruluk, insan beyni gibi öğrenir.' Daniel'ın görüşme notlarında şunlar yazıyor: 'katmanların ne anlama geldiğinden emin değilim. kimin hasar talepleriyle eğitildi? neyin 94%'ü? bir müşteri şikâyet ederse verdiği kararı açıklayabiliyor mu?' Perşembeye kadar direktörünü bilgilendirmesi gerekiyor; slaytta yazanları olduğu gibi tekrarlamak da ürünü peşinen reddetmek de istemiyor.
Bir sinir ağı adım adım nasıl çalışır?
Sinir ağı, sayıları birimlerden oluşan katmanlardan geçirerek çalışır. Her birim girdilerini ayarlanabilir ağırlıklarla birleştirir. Ardından son çıktı doğru yanıtla karşılaştırılır; böylece bir sonraki sefer daha iyi sonuç almak için ağırlıklar küçük adımlarla ayarlanabilir. Aşağıdaki adımlar bir tahmini ve bir öğrenme turunu izler.
1. Girdiler sayılara dönüşür
Ağın gördüğü her şey önce sayılara dönüştürülür: görsellerde piksel parlaklığı, metinlerde sayısal kodlara dönüştürülmüş kelimeler veya hasar taleplerinde talep tutarı ve poliçenin yaşı gibi alanlar.
2. Her nöron girdilerine ağırlık verir
Düğüm olarak da adlandırılan nöron, gelen her değeri bir ağırlıkla çarpar, sonuçları yanlılık adı verilen bir sabitle toplar ve toplamı bir aktivasyon işlevinden geçirir. Aktivasyon işlevi, üst üste yerleştirilmiş nöronların yalnızca doğrusal örüntüleri değil, eğrisel ve doğrusal olmayan örüntüleri de öğrenmesini sağlar.
3. Katmanlar birbirinin üzerine kurulur
Nöronlar katmanlar halinde düzenlenir. Girdi katmanı ham değerleri tutar, bir veya daha fazla gizli katman bunları dönüştürür ve çıktı katmanı tahmini üretir; örneğin 'muhtemelen basit bir talep' veya 'uzman gerekiyor'. Çok sayıda gizli katmanı olan ağlara derin ağ denir; derin öğrenme terimi de buradan gelir.
4. Hata ölçülür
Eğitim sırasında ağ, doğru cevabı bilinen bir örnek için tahminde bulunur. Verdiği cevapla doğru cevap arasındaki fark, kayıp adı verilen sayısal bir değerle ölçülür.
5. Ağırlıklar ayarlanır
Geri yayılım adı verilen bir algoritma, her ağırlığın hataya ne kadar katkıda bulunduğunu hesaplar. Gradyan inişi adı verilen bir yöntem ise her ağırlığı, hatayı azaltacak yönde biraz değiştirir. Binlerce veya milyonlarca örnek üzerinde tekrarlanan bu küçük düzeltmeler, sonunda doğru tahminler yapan bir model ortaya çıkarır.
Bir sinir ağının yetersiz ve iyileştirilmiş açıklaması nasıl olur?
Yetersiz bir bilgilendirme, tedarikçinin söylediklerini tekrarlar: 'Beyin gibi öğrenen ve 94% doğruluğa sahip, 12 katmanlı bir derin sinir ağıdır.' Daniel'ın yöneticisi, harekete geçmesini sağlayacak hiçbir şey öğrenmez. Üstelik 'beyin gibi öğrenir' bir açıklama değil, bir benzetmedir. Gerçek nöronlarla bu birimlerin ortak noktası, aynı adı taşımaları ve birinin diğerine kabaca esin kaynağı olmasıdır; çalışma mekanizmaları aynı değildir.
Daha iyi bir bilgilendirme şöyle der: 'Ürün bir sinir ağıdır: tahminleri geçmiş kararlarla örtüşene kadar milyonlarca iç ağırlığı ayarlayarak tazminat taleplerini sınıflandırmayı öğrenmiş bir modeldir. Bu, modelin ancak öğrenmek için kullandığı geçmiş talepler kadar iyi olabileceği anlamına gelir. Dolayısıyla bu taleplerin kimlere ait olduğunu ve bizimkilerle benzerlik gösterip göstermediğini bilmemiz gerekir. 94% oranının tanımlanması gerekir: Hangi test verilerinde doğru sonuç veriyor ve karmaşık bir talebi ne sıklıkla yanlış biçimde basit olarak işaretliyor? Bu modellerin her bir kararını açıklamak zordur. Bu nedenle, bir müşteri sonuca itiraz ettiğinde tedarikçinin ne sunduğunu sormalı ve reddedilen her talebin bir insan tarafından incelenmesini sağlamalıyız.' Bu sürüm, slayttaki bilgileri dört net soruya dönüştürür.
Sinir ağları neden bu kadar çok veriye ihtiyaç duyar ve nerelerde kullanılır?
Sinir ağları, ayarlanması gereken çok fazla ağırlıkları olduğu ve her ağırlık bir kişi tarafından yazılmak yerine örneklerden öğrenildiği için çok miktarda veriye ihtiyaç duyar. Örnek sayısı çok az olduğunda ağ, genel bir örüntü öğrenmek yerine eğitim verilerini ezberleyebilir. Buna aşırı uyum denir.
Örüntülerin çok olduğu ancak kurallarla ifade edilmesinin zor olduğu alanlarda kullanılırlar: görüntülerdeki nesneleri tanıma, konuşmayı metne dönüştürme, diller arasında çeviri yapma, olağan dışı işlemleri tespit etme ve ChatGPT, Claude ve Gemini'nin arkasındaki asistanlar gibi büyük dil modellerini çalıştırma. Küçük ve düzenli iş tablolarında, daha basit modeller çoğu zaman aynı doğruluk düzeyini sunar ve çok daha kolay açıklanır.
Sinir ağlarının sınırları nelerdir?
Başlıca sınırlamalar şunlardır: sinir ağları, eğitim verilerindeki eksiklikler ve önyargılar dahil ne varsa öğrenir; tek tek kararlarını açıklamak zordur; eğitim sırasında karşılaşmadıkları türden durumlarda kendilerinden emin biçimde yanlış sonuç verebilirler. Doğruluk oranları tamamen test verilerine bağlıdır; bu yüzden her zaman hangi verilerin kullanıldığını sorun. Büyük ağları eğitmek de ciddi miktarda işlem gücü gerektirir. Bu nedenle çoğu kuruluş önceden eğitilmiş modeller kullanır.
Bir sinir ağıyla ilgili iddiayı nasıl kontrol edersiniz?
Bir sinir ağına ilişkin iddiayı kontrol etmek için hangi verilerden öğrendiğini, nasıl test edildiğini, hangi hataları yaptığını ve kararlarını kimin gözden geçirdiğini sorun. Bir tedarikçi bunlara açık yanıtlar veremiyorsa katman sayısının önemi yoktur.
Bu dersin Tosheo.ai içindeki yeri nedir?
Bu ders, makine öğrenmesi kategorisine aittir ve makine öğrenmesi kursunun sinir ağları ünitesini başlatır. Tosheo.ai'da ardından, bir modeli kurgusal bir paydaşa açıkladığınız uygulamalı bir görev yaparsınız. Puanlama kılavuzuna dayalı geri bildirim, belirsiz benzetmeleri ve dayanağı olmayan doğruluk iddialarını işaretler. Makine öğrenmesiyle çalışmak için mesleki bir temel sağlar; model oluşturmaya yönelik yoğun bir eğitim programı değildir. Kod yazarak ağlar oluşturmak istiyorsanız kayıt sonrasında isteğe bağlı kodlama programı bunu kapsar.