Netflix'in size dizi önermesi, e-posta kutunuzun spam'i yakalaması, bir otomobilin dur tabelasını tanıması: üçü de iş başındaki makine öğrenimi. İsmi, bizim gibi öğrenen bir makineyi çağrıştırıyor. Öyle değil ve nedenini gördüğünüzde bu sistemlerin neyi yapıp neyi yapamayacağını değerlendirmek çok daha kolaylaşıyor.
Makineler öğrenmez, uydurur
İnsanlar öğrenirken bilgiyi alır, zaten bildikleriyle ilişkilendirir ve hiç görmedikleri durumlara uygular. Bir makine öğrenimi modeli çok daha dar bir şey yapar. Ona çok sayıda örnek gösterilir; o da girdileri olabildiğince sık doğru çıktılara dönüştüren matematiksel bir fonksiyon arar.
Andriy Burkov, The Hundred-Page Machine Learning Book adlı kitabında bu noktanın altını çiziyor. Eğitilmiş bir model, eğitildiği verilere benzeyen girdilerde iyi çalışan bir fonksiyondur. O verilerden yeterince uzaklaşırsanız çıktı hiçbir uyarı vermeden tamamen yanlış olabilir. El yazısı rakamları okumak için eğitilmiş bir model, el yazısıyla yazılmış bir harfi gözünü kırpmadan bir rakam olarak "okur", çünkü var olduğunu bildiği tek şey rakamlardır.
Bu, modelin işe yaramaz olduğu anlamına gelmiyor. Modelin, uydurulduğu veri kadar iyi olduğu ve o verinin dışına çıktığında bundan haberi olmadığı anlamına geliyor.
Makine öğreniminin üç temel türü
1. Denetimli öğrenme
Cevap anahtarıyla çalışan bir öğrenciyi düşünün. Model, örnekleri doğru cevaplarıyla birlikte alır: "kedi" ya da "kedi değil" diye etiketlenmiş binlerce fotoğraf, "spam" ya da "spam değil" diye etiketlenmiş e-postalar. Cevapları etiketlerle olabildiğince örtüşene kadar kendini ayarlar, sonra aynı fonksiyonu yeni örneklere uygular. Gündelik ürünlerin içindeki makine öğreniminin çoğu denetimlidir: spam filtrelerinden tıbbi görüntü analizine, konuşma tanımaya kadar.
2. Denetimsiz öğrenme
Şimdi de eline hiçbir açıklama olmadan bir yığın kitap verilen ve onları kendi başına gruplara ayırması gereken bir öğrenci düşünün. Denetimsiz öğrenme etiketsiz ham veriyi alır ve içindeki yapıyı arar. Tipik bir kullanım alanı müşteri segmentasyonudur: bir mağaza, grupların ne olacağını önceden bilmeden müşterilerini satın alma davranışlarına göre gruplar.
3. Pekiştirmeli öğrenme
Bu, deneme yanılma yoluyla öğrenmedir. Model bir ortamda hareket eder ve sonuca göre ödül ya da ceza alır. Oyun oynayan bir program hamleler yapar, sonunda kazanır ya da kaybeder ve stratejisini yavaş yavaş kazandıran hamlelere doğru kaydırır. AlphaGo gibi ünlü oyun sistemlerinin arkasında pekiştirmeli öğrenme var; robotikte ve büyük dil modellerinin ince ayarında da kullanılıyor.
Bir model veriden nasıl öğrenir: spam filtresi örneği
- Veri toplamak. Her biri spam ya da spam değil diye etiketlenmiş binlerce e-posta toplanır.
- Özellik çıkarmak. Her e-posta ölçülebilir sinyallere dönüştürülür: hangi kelimeler geçiyor, ne kadar uzun, kaç bağlantı içeriyor, kim göndermiş.
- Eğitmek. Karar ağacı ya da yapay sinir ağı gibi bir algoritma, spam'i geri kalan her şeyden en iyi ayıran özellik kombinasyonunu arar.
- Tahmin etmek. Yeni bir e-posta geldiğinde model bu fonksiyonu uygular ve kararını verir.
- Yeniden eğitmek. Spam gönderenler taktik değiştirdiği için model zaman zaman yeni etiketlenmiş e-postalarla yeniden eğitilir.
Bu biraz, o kadar çok deneme sınavına girmiş ki soru tiplerini tanır hâle gelmiş bir öğrenciye benziyor. Farkı şu: öğrenci sonunda konuyu anlar. Model ise hiçbir zaman anlamaz; yalnızca optimizasyonun bulduğu yolu izler.
"Öğrenme" kelimesi neden yanıltıcı?
Machine learning teriminin, IBM'de çalışan yapay zekâ öncülerinden Arthur Samuel tarafından 1959'da, dama oynayan bir program üzerindeki çalışmasında ortaya atıldığı kabul edilir. Burkov'a göre bu ifade baştan beri gerçeği birebir anlatan bir tanımdan çok, akılda kalıcı bir etiketti. "Yapay zekâ" insani anlamda zekâ demek olmadığı gibi, "makine öğrenimi" de insani anlamda öğrenme demek değil. "Otomatik örüntü tanıma" ya da "istatistiksel yaklaşıklık" çok daha az heyecan verici olsa da daha doğru olurdu.
İnsanlar ve modeller
- İnsanlar bağlamı anlar, mantıksal sıçramalar yapar ve tamamen yeni durumlarla başa çıkabilir.
- Modeller örüntü bulur ve çıktılarını optimize eder, ama eğitim verilerinin içerdiklerinin ötesinde hiçbir şey anlamaz.
Bunun sonuçları son derece somut. Çoğunlukla güneşli yollarda eğitilmiş bir sürüş sistemi, hiç görmediği karda zorlanabilir. Bir hastanenin taramalarıyla eğitilmiş tıbbi görüntüleme modelleri, başka bir hastanenin taramalarında defalarca daha kötü sonuç verdi; kısmen de hastalığı değil, cihazlar arasındaki farkları öğrenmiş oldukları için.
Peki ya büyük dil modelleri?
Büyük dil modelleri üzerine kurulu sohbet botları bir istisna gibi gelebilir, çünkü neredeyse her konuda akıcı yazıyorlar. Ama altında yatan fikir aynı, yalnızca devasa bir ölçekte: yazılı internetin büyük bir kısmına uydurulmuş, metnin bir sonraki parçasını tahmin etmek üzere eğitilmiş bir model. Bu ölçek onları bir spam filtresinden çok daha genel yapıyor. Yine de her uydurulmuş fonksiyonun hata yaptığı şekilde hata yapıyorlar. Bir soru verilerinin kapsamadığı bir alana düştüğünde "bilmiyorum" demiyorlar; kulağa makul gelen ama yanlış olabilecek bir şey üretiyorlar.
Güçlü, ama sonuçta bir araç
Makine öğrenimi tıbbı, finansı, lojistiği ve eğlence sektörünü değiştirdi ve değiştirmeye devam edecek. Ama bir araç. Hesap makinesi sayıların ne anlama geldiğini bilmeden herkesten hızlı çarpma yapar; bir model de örüntülerin ne anlama geldiğini bilmeden onları tanır.
Bunu akılda tutmak beklentileri gerçekçi kılar. İyi sonuçlar, model yeterince veri görünce problemi anlayacak umudundan değil; iyi seçilmiş verilerden, mantıklı algoritmalardan ve çıktıyı kontrol eden insanlardan gelir.
Yani bir dahaki sefere bir öneri aklınızı okuyormuş gibi geldiğinde, onun sizin hakkınızda insani anlamda hiçbir şey öğrenmediğini hatırlayın. Yalnızca davranışları sizinkine benzeyen insanlara uyan bir fonksiyon bulmuş.
Andriy Burkov'un The Hundred-Page Machine Learning Book kitabındaki fikirlerden esinlenilmiştir.
