Dolar 9,3218
Euro 10,8357
Altın 529,53
BİST 1.418
Adana Adıyaman Afyon Ağrı Aksaray Amasya Ankara Antalya Ardahan Artvin Aydın Balıkesir Bartın Batman Bayburt Bilecik Bingöl Bitlis Bolu Burdur Bursa Çanakkale Çankırı Çorum Denizli Diyarbakır Düzce Edirne Elazığ Erzincan Erzurum Eskişehir Gaziantep Giresun Gümüşhane Hakkari Hatay Iğdır Isparta İstanbul İzmir K.Maraş Karabük Karaman Kars Kastamonu Kayseri Kırıkkale Kırklareli Kırşehir Kilis Kocaeli Konya Kütahya Malatya Manisa Mardin Mersin Muğla Muş Nevşehir Niğde Ordu Osmaniye Rize Sakarya Samsun Siirt Sinop Sivas Şanlıurfa Şırnak Tekirdağ Tokat Trabzon Tunceli Uşak Van Yalova Yozgat Zonguldak
İstanbul 16 °C
Sağanak Yağışlı

Makine öğrenimi veya Yapay zekanın karmaşıklığı

05.03.2021
125
Makine öğrenimi veya Yapay zekanın karmaşıklığı

Makine öğrenimi veya yapay zeka, özçekimlerde daha iyi görünmemizi sağlar, Alexa‘dan istediğimizde bize itaatkar bir şekilde hava durumunu söyler ve sürücüsüz arabalar çıkarır. Makinelerin deneyimlerden öğrenmesini ve insan benzeri görevleri yerine getirmesini sağlayan teknolojidir.

Yapay zeka, bir bütün olarak, doğal dil işleme, bilgisayarla görme ve derin öğrenme dahil olmak üzere birçok alt alanı içerir. Çoğu zaman, iş yerindeki özel teknoloji, verileri analiz eden ve tahminler yapan ve büyük ölçüde insan denetimine dayanan algoritmaların geliştirilmesine odaklanan makine öğrenimidir.

SMU Bilgi Sistemleri Yardımcı Doçenti Sun Qianru, küçük ölçekli bir yapay zeka modeli eğitimini küçük bir çocuğa çevresindeki nesneleri tanımayı öğretmeye benzetiyor. “İlk başta bir çocuk etrafındaki pek çok şeyi anlamıyor. Bir elma görebilir ama onu bir elma olarak tanımaz ve sorabilir,” Bu bir muz mu? “Ailesi onu düzeltir,” Hayır, bu muz değil. Bu bir elma. “Beyninde böyle bir geri bildirim daha sonra bilgisine ince ayar yapmak için sinyal veriyor.”

Profesör Sun’ın araştırması, derin evrişimli sinir ağlarına, meta öğrenmeye, artımlı öğrenmeye, yarı denetimli öğrenmeye ve bunların görüntü ve videoları tanımadaki uygulamalarına odaklanıyor.

Yapay zeka modeli eğitme

Yapay zeka modeli eğitme

Yapay zekanın karmaşıklığından dolayı Profesör Sun, araştırma projelerine dalmadan önce bu alandaki genel kavramları ve güncel eğilimleri araştırıyor.

Denetimli makine öğreniminin, etiketli bir veri kümesi üzerinde kendi kendini eğiten modelleri içerdiğini açıklıyor. Yani veriler, modelin belirlemek için oluşturulduğu ve hatta modelin veri olarak sınıflandırması gereken şekillerde sınıflandırılabilecek bilgilerle etiketlenir. Örneğin, bir elmayı tanımlamak için tasarlanmış bir bilgisayar görme modeli, çeşitli etiketli elma görüntülerinden oluşan bir veri kümesi üzerinde eğitilebilir.

“Verileri verin ve verilerin etiketleri olsun” diye açıklıyor. “Bir görüntü bir elma içerebilir ve görüntü derin yapay zeka modelinden geçer ve bazı tahminler yapar. Tahmin doğruysa sorun değil. Aksi takdirde, model hesaplama kaybına uğrayacak veya parametrelerini değiştirmek için geri yayınlama cezası alacaktır ve böylece model güncellenir.”

Profesör Sun, şu anda son teknoloji ürünü veya en iyi performans gösteren yapay zeka modellerinin neredeyse tamamı derin öğrenme modellerine dayanıyor, diyor. Gelen derin öğrenme, model öğrenme birçok katmanları ihtiva derin sinir ağı mimarileri dayanan görüntüler, metin veya sesten tanıma görevleri gerçekleştirmek için yada giriş bir görüntü ise, örneğin, görüntünün farklı uzamsal ölçeklerle veya özellik katmanlarıyla tanımlanabileceğidir.

Profesör Sun şöyle anlatıyor: “Örneğin yüzümü alın, yerel özellikler olarak gözlerim, burnum, ağzım ve küresel özellikler olarak yüz şeklim ve ten rengim beni diğer insanlardan ayıran özelliklerdir. Tanımlama için kullanabilirim bu özellikleri, “Bu benim” diyecek. Bir makine modeli için, bu tür yerel ve global özellikleri farklı katmanlarında kodlar ve böylece aynı tanımlamayı yapabilir.”

Yapay zeka modellerini eğitmek, doğru tanıma için çok fazla veri gerektirir. Bir Yapay zeka modelinde bir kişinin yüzünün yalnızca bir görüntüsü varsa, o kişiyi diğerinden ayıran diğer yüz özelliklerini görmediği için bu kişiyi tanımakta hata yapar. “Görünümlerin farklılıkları vardır ve yapay zeka, görüntünün tüm farklılıklarını öğrenmek için çok çeşitli bir veri kümesine bağlıdır.”

Sağlığı Geliştirme Kurulu uygulaması

Profesör Sun’ın üzerinde çalıştığı projelerden biri, Singapur’un Sağlığı Geliştirme Kurulu (HPB) için bir uygulama olan Food AI ++. Kullanıcılar, yedikleri yiyeceklerin fotoğraflarını telefonlarıyla çekerek basitçe gıda bileşimi verilerini belirleyebilirler. Uygulamanın amacı, kullanıcıların tükettikleri gıdanın beslenmesini takip etmelerine ve bilgileri sağlıklı, dengeli bir diyet elde etmek için kullanmalarına yardımcı olmaktır.

Profesör Sun ve ekibi, kullanıcıların yemeklerini çektikleri resimlerin verilerini toplar ve bunları uygulamaya yükler. Gözlem, farklı kültürleri yansıtan yiyecek görüntülerinin çok gürültülü ve çeşitli olmasıdır.

“Örneğin Singapur’daki Çin ve Malayların farklı beslenme alışkanlıkları, yemek stilleri ve farklı yiyecek kategorileri var” diye açıklıyor. “Bir modeli eğittiğimizde, sınırlı bir kategori listesiyle başlarız, ancak yemek uygulaması için, kategorileri Uygulama Programlama Arayüzünde veya API’de her zaman genişletmemiz gerektiğini gördük. Singapur’daki zengin kültürel çeşitlilik, bu projedeki en büyük zorluklardan biridir.”

Ekip, daha çeşitli veriler toplamanın yanı sıra, alan adaptasyonu öğrenme algoritmaları üzerinde de çalışıyor. Farklı kültürlerde farklı alanlar vardır, bu nedenle önceden eğitilmiş modellerini etkili öğrenme algoritmalarından yararlanarak onlara nasıl hızlı bir şekilde uyarlayacaklarını düşünmeleri gerekir. Bunu gıda görüntüleri için yapmak için, gıdaya özgü alan uyarlama algoritmaları geliştirmeleri gerekir. Ayrıca, çok alanlı modellerin genel verimliliğini artırmak için gıda bilgilerini dahil etmeyi düşünmeleri gerekir.

Profesör Sun, “Bu uyarlamayı yeni alanda küçük bir veri kümesi kullanarak yapmak istiyoruz” diyor. “Bu zorlu bir görev ve farklı kültürlerden Singapurlu kullanıcılara fayda sağlayacaktır.”

AME’de FANN

Profesör Sun şu anda “Gelişmiş Yapay Zeka Sistemleri için Hızlı Uyarlanmış Sinir Ağları (FANN)” adlı üç yıllık bir projenin ilk aşamalarında. Advanced Manufacturing and Engineering Young Individual Research Grant (AME YIRG) kapsamında Science, Technology and Research (A * STAR) tarafından finanse edilen proje, görüntü işleme, görüntü tanıma veya nesne algılama gibi bilgisayar vizyonuna odaklanıyor. Bilgisayar görme algoritmaları genellikle konvolüsyonel sinir ağlarına veya onun uzmanlık alanı olan CNN’lere dayanır.

Profesör Sun, ” Araştırmanın temel hipotezi, istatistiksel düzeyde bilgi öğrenimine dayalı olarak model uyarlamasının akıl yürütme düzeyini oluşturmanın mümkün olmasıdır” diye açıklıyor. “Bu hipotezi doğrulayarak, AME alanlarındaki uygulamalar için insan benzeri zeka ile makine modellerini eğiten gelişmiş yapay zeka sistemlerinin hedefine de yaklaşıyoruz.”

Araştırma, otomatik görsel denetimde yüksek sağlamlık ve hesaplama verimliliği ve hassas üretim ile gelişmiş görüntü tanıma teknikleri arasında disiplinler arası bilgi sağlamayı amaçlamaktadır. Profesör Sun, hızlı adapte edilen denetim cihazları üretim hatlarının tasarım, yerleşim, imalat, montaj ve test süreçlerinde yaygın olarak kurulduğunda, araştırmanın sonuçlarının verim oranını büyük ölçüde artıracağından ve üretim maliyetlerini düşüreceğinden emin.

Singapore Managment University tarafından sağlanmıştır.

ZİYARETÇİ YORUMLARI - 0 YORUM

Henüz yorum yapılmamış.