Derin Öğrenme nedir?

Derin üretici öğrenme, öğrenilen girdilerden yeni çıktılar oluşturmaya odaklanan derin öğrenmedir. Geleneksel olarak derin öğrenme, veriler arasındaki ilişkileri belirlemeye odaklanmaktaydı. Derin öğrenme modelleri, veri kümesindeki düzenleri tanımak için büyük miktarda veriyle eğitilirdi.

Derin üretici öğrenme, düzen tanımaya üretim ekler. Bu tür modeller veri düzenlerini arar ve ardından kendi benzersiz düzenlerini oluşturur. Örneğin, birkaç kitaptaki metni analiz edebilir ve ardından orijinal kitaplarda bulunmayan yeni cümleler ve paragraflar oluşturmak için bu bilgileri kullanabilirler.

Derin üretici öğrenme, modern üretici yapay zeka ve altyapı modellerinin temelidir. Bu modeller soruları yanıtlamak, metinden görüntüler oluşturmak ve içerik yazmak gibi karmaşık görevleri gerçekleştirmek için büyük veriler üzerinde eğitilmiş geniş ölçekli derin öğrenme teknolojilerini kullanır.

Altyapı modellerine giriş videosunu izleyin

Derin öğrenmenin otomotiv, havacılık, imalat, elektronik, tıbbi araştırma ve diğer alanlarda çeşitli kullanım örnekleri vardır.

• Sürücüsüz otomobiller, nesne algılama için derin öğrenme modellerinden yararlanır.
• Savunma sistemleri, uydu görüntülerindeki ilgi alanlarını işaretlemek için derin öğrenmeyi kullanır.
• Tıbbi görüntü analizi, tıbbi tanı için kanser hücrelerini tespit etmek üzere derin öğrenmeyi kullanır.
• Fabrikalar, insanların veya nesnelerin makinelere güvenli olmayan bir mesafede olduğunu algılamak için derin öğrenme uygulamalarını kullanır.

Derin öğrenmenin bu çeşitli kullanım örnekleri; bilgisayarlı görü, konuşma tanıma, doğal dil işleme (NLP), öneri altyapıları ve üretici yapay zeka olmak üzere beş geniş kategoride gruplandırılabilir.

Görüntü işleme

Bilgisayarlı görü, görüntülerden ve videolardan otomatik olarak bilgiler ve öngörüler ayıklar. Görüntüleri insanların anladığı gibi anlamak için derin öğrenme teknikleri kullanılabilir. Görüntü işlemenin aşağıdakiler gibi çeşitli uygulama alanları vardır:

• Güvenli olmayan veya uygunsuz içerikleri görüntü ve video arşivlerinden otomatik olarak çıkarmak için içerik denetimi
• Yüzleri tanımak ve gözlerin açık olması, gözlük ve sakal gibi özellikleri ayırt etmek için yüz tanıması
• Marka logolarını, giysi, güvenlik ekipmanı ve diğer görüntü ayrıntılarını tanımlamak için görüntü sınıflandırma

Konuşma tanıma

Derin öğrenme modelleri, değişen konuşma kalıplarına, ses perdesine, tonuna, dile ve aksana rağmen insan konuşmasını analiz edebilir. Amazon Alexa gibi sanal asistanlar, metin seslendirme yazılımları ve konuşmayı metne dönüştürme yazılımları şu görevleri gerçekleştirmek için konuşma tanımadan yararlanır:

• Çağrı merkezi temsilcilerine yardımcı olma ve çağrıları otomatik olarak sınıflandırma.
• Klinik görüşmeleri gerçek zamanlı olarak belgelere dönüştürme.
• İçerik kapsamını genişletmek için videolara ve toplantı kayıtlarına düzgün şekilde alt yazı ekleme.
• Akıllı sesli yardım için komut dosyalarını istemlere dönüştürme.

Doğal dil işleme

Bilgisayarlar, belgelerden ve metin verilerinden anlam ve öngörü elde etmek için derin öğrenme algoritmaları kullanır. Doğal, insan tarafından oluşturulan metni işleme yeteneği, şunlar dahil olmak üzere çeşitli kullanım örnekleri içerir:

• Otomatik sanal temsilciler ve sohbet robotları
• Belgelerin veya haber makalelerinin otomatik olarak özetlenmesi
• E-posta ve form gibi uzun belgelerin iş zekası analizi
• Sosyal medyadaki olumlu ve olumsuz yorumlar gibi duyguları belirten anahtar ifadeleri dizine ekleme

Öneri altyapıları

Uygulamalar, kullanıcı etkinliğini izlemek ve kişiselleştirilmiş öneriler geliştirmek için derin öğrenme yöntemlerini kullanabilir. Kullanıcıların davranışlarını analiz edebilir ve yeni ürün veya hizmetler keşfetmelerine yardımcı olabilirler. Örneğin;

• Kişiselleştirilmiş videolar ve içerikler önerirler.
• Özelleştirilmiş ürün ve hizmetler önerirler.
• Kullanıcı konumuna ve davranışına göre alakalı içerikleri vurgulamak için arama sonuçlarını filtreleyin

Üretici Yapay Zekâ

Üretici yapay zeka uygulamaları yeni içerikler oluşturabilir ve son kullanıcılarla daha karmaşık şekilde iletişim kurabilir. Karmaşık iş akışlarını otomatikleştirmeye, beyin fırtınası yapmaya ve akıllı bilgi aramalarına yardımcı olabilirler. Örneğin Amazon Q İşletme ve Amazon Q Geliştirici gibi üretici yapay zeka araçlarıyla kullanıcılar:

• Doğal dil soruları sorabilir ve birden fazla dahili bilgi kaynağından özet cevaplar alabilir.
• Kod önerileri, otomatik kod tarama ve yükseltmeler alabilir.
• Yeni belgeleri, e-postaları ve başka pazarlama içeriklerini daha hızlı oluşturabilir.

Derin sinir ağının bileşenleri aşağıdaki gibidir.

Girdi Katmanı

Yapay sinir ağı, veri girdiği birkaç düğüme sahiptir. Bu düğümler sistemin girdi katmanını oluşturur.

Gizli Katman

Girdi katmanı, verileri işler ve sinir ağının derinlerindeki katmanlara iletir. Bu gizli katmanlar bilgileri farklı düzeylerde işler ve yeni bilgiler aldıkça bunlara ilişkin davranışı uyarlar. Derin öğrenme ağları, bir sorunu birkaç farklı açıdan analiz etmek üzere kullanabileceği yüzlerce gizli katmana sahiptir.

Örneğin, size sınıflandırmanız için bilinmeyen bir hayvanın görüntüsü verildiğinde, onu halihazırda tanıdığınız hayvanlarla karşılaştırırsınız. Örneğin, gözlerinin ve kulaklarının şekline, hayvanın büyüklüğüne, bacak sayısına ve tüylerinin desenine bakarsınız. Aşağıdaki gibi kalıpları belirlemeye çalışırsınız:

• Hayvanın toynakları vardır, bu yüzden bir inek veya geyik olabilir.
• Hayvanın kedi gözleri var, bu yüzden bir tür vahşi kedi olabilir.

Derin sinir ağlarındaki gizli katmanlar aynı şekilde çalışır. Derin öğrenme algoritması bir hayvan imajını sınıflandırmaya çalışıyorsa gizli katmanlarının her biri hayvanın farklı bir özelliğini işler ve onu doğru bir şekilde kategorize etmeye çalışır.

Çıktı Katmanı

Çıktı katmanı, çıktı verileri veren düğümlerden oluşur. "Evet" veya "hayır" yanıtlarını veren derin öğrenme modellerinin çıktı katmanında yalnızca iki düğüm bulunur. Öte yandan, daha geniş bir cevap yelpazesi verenler daha fazla düğüme sahiptir. 

Makine öğrenimi, derin öğrenme ve üretici yapay zeka terimleri, sinir ağı teknolojisindeki ilerlemeleri gösterir.

Makine öğrenimi

Derin öğrenme, makine öğreniminin bir alt kümesidir. Derin öğrenme algoritmaları, geleneksel makine öğrenimi tekniklerini daha verimli hale getirmek için çıkmıştır. Geleneksel makine öğrenimi yöntemleri, yazılımı eğitmek için önemli ölçüde insan çabası gerektirir. Örneğin, hayvan görüntüsü tanıma işleminde aşağıdakileri yapmanız gerekir:

• Yüz binlerce hayvan görüntüsünü manuel olarak etiketlemek.
• Makine öğrenimi algoritmalarının bu görüntüleri işlemesini sağlamak.
• Bu algoritmaları bir dizi bilinmeyen görüntü üzerinde test etmek.
• Bazı sonuçların neden yanlış olduğunu belirlemek.
• Sonuç doğruluğunu artırmak için yeni görüntüleri etiketleyerek veri kümesini geliştirmek.

Bu sürece denetlenen öğrenim denir. Denetimli öğrenmede sonuç doğruluğu yalnızca geniş ve yeterince çeşitli bir veri kümesiyle iyileşme gösterir. Örneğin, eğitim veri kümesi daha fazla siyah kedi görüntüsü içerdiğinden, algoritma siyah kedileri doğru şekilde tanımlarken beyaz kedileri tanımlayamayabilir. Bu durumda, makine öğrenimi modellerini tekrar eğitmek için daha fazla beyaz kedi görüntüsü etiketlemeniz gerekir.

Derin öğrenmenin makine öğrenimine kıyasla avantajları

Derin öğrenme ağı, geleneksel makine öğrenimine kıyasla aşağıdaki avantajlara sahiptir. 

Yapılandırılmamış verilerin verimli işlenmesi

Makine öğrenimi yöntemleri, eğitim veri kümesinin sonsuz varyasyonları olabileceğinden işlenmesi zor olan yapılandırılmamış verileri (metin belgeleri gibi) bulur. Öte yandan, derin öğrenme modelleri yapılandırılmamış verileri kavrayabilir ve manuel özellik ayıklama gerçekleştirmeden genel gözlemler yapabilir. Örneğin, bir sinir ağı bu iki farklı girdi cümlesinin aynı anlama sahip olduğunu fark edebilir:

• Nasıl ödeme yapacağımı söyleyebilir misin?
• Nasıl para transferi yaparım? 

Gizli ilişkiler ve düzen keşfi

Derin öğrenme uygulaması, büyük miktarda veriyi daha derinlemesine analiz edebilir ve eğitilmemiş olabileceği yeni öngörüler ortaya çıkarabilir. Örneğin, tüketici alımlarını analiz etmek için eğitilmiş bir derin öğrenme modelini düşünün. Model, yalnızca daha önce satın aldığınız ürünler için verilere sahiptir. Ancak yapay sinir ağı, satın alma düzeninizi diğer benzer müşterilerin düzenleriyle karşılaştırarak size henüz satın almadığınız yeni ürünler önerebilir.

Denetimsiz öğrenme

Derin öğrenme modelleri, kullanıcı davranışına bağlı olarak zaman içinde öğrenebilir ve gelişebilir. Etiketli veri kümelerinin büyük varyasyonlarına ihtiyaç duymazlar. Örneğin, tuşlama davranışınızı analiz ederek sözcükleri otomatik olarak düzelten veya öneren bir sinir ağı düşünün. Sinir ağının İngilizce dilinde eğitildiğini ve İngilizce sözcükler için yazım denetimi yapabildiğini varsayalım. Bununla birlikte, danke gibi İngilizce olmayan kelimeleri sık sık yazıyorsanız sinir ağı bu kelimeleri de otomatik olarak öğrenir ve otomatik olarak düzeltir.

Geçici veri işleme

Geçici veri kümeleri büyük varyasyonlara sahiptir. Bir örnek, bir bankadaki kredi geri ödeme tutarlarıdır. Bir derin öğrenme sinir ağı, finansal işlemleri analiz ederek ve bazılarını dolandırıcılık tespiti için işaretleyerek yollarla bu verileri kategorize edip sıralayabilir.

Derin öğrenme ve makine öğrenimi arasındaki farklar hakkında daha fazla bilgi edinin

Üretici Yapay Zekâ

Üretici yapay zeka, makine öğreniminin ve derin öğrenmenin sinir ağlarını bir sonraki seviyeye taşımıştır. Makine öğrenimi ve derin öğrenme tahmine ve örüntü tanımaya odaklanırken, üretici yapay zeka algıladığı düzenlere dayalı benzersiz çıktılar üretir. Üretici yapay zeka teknolojisi, veri düzenlerini benzersiz şekillerde birleştirmek için birkaç farklı sinir ağını birleştiren dönüştürücü mimarisi üzerine inşa edilmiştir. Derin öğrenme ağları önce metni, görüntüleri ve diğer verileri matematiksel soyutlamalara dönüştürür ve ardından bunları tekrar anlamlı yeni düzenlere dönüştürür.

Derin öğrenme ve üretici yapay zekanın uygulanmasındaki zorluklar aşağıda verilmiştir.

Büyük miktarlarda yüksek kaliteli veri

Derin öğrenme algoritmaları, bunları büyük miktarlarda yüksek kaliteli veri üzerinde eğittiğinizde daha iyi sonuçlar verir. Girdi veri kümenizdeki aykırı öğeler veya hatalar derin öğrenme sürecini önemli ölçüde etkileyebilir. Örneğin, hayvan görüntüsü örneğimizde derin öğrenme modeli, veri kümesine yanlışlıkla hayvan olmayan görüntüler eklendiğinde bir uçağı kaplumbağa olarak sınıflandırabilir.

Bu tür yanlışlıkları önlemek için, derin öğrenme modellerini eğitmeden önce büyük miktarda veriyi temizlemeli ve işlemelisiniz. Giriş verilerinin ön işlemesi, büyük miktarda veri depolama kapasitesi gerektirir.

Büyük işlem gücü

Derin öğrenme algoritmaları yoğun işlem gerektirir ve düzgün çalışması için yeterli bilgi işlem kapasitesine sahip bir altyapıya ihtiyaç vardır. Aksi takdirde, sonuçları işlemek uzun zaman alır. 

AWS Yapay Zeka ve derin öğrenme hizmetleri, yapay zeka yeniliklerinden oluşan bir sonraki dalgayı oluşturup ölçeklendirebilmeniz için bulut bilgi işlemin gücünden yararlanır. En kapsamlı amaca yönelik hizmetler, yapay zeka altyapısı, derin öğrenme teknolojisi ve üretici yapay zeka çözümleriyle müşteri deneyimlerini yeniden keşfedin. Örneğin;

• Amazon SageMaker, makine öğrenimi ve derin öğrenme geliştirmesi için tam olarak yönetilen altyapı, araçlar ve iş akışları sağlar.
• Amazon Bedrock, önde gelen yapay zeka şirketlerinin çeşitli yüksek performanslı altyapı modellerine erişmek ve bunları kullanmak için tek bir API sağlar.

AWS yapay zeka altyapısını herhangi bir yapay zeka uygulaması oluşturmak için kapsamlı, güvenli ve uygun fiyatlı yüksek bilgi işlem, depolama ve ağ bağlantısına erişmek için de kullanabilirsiniz. Hemen ücretsiz bir AWS hesabı oluşturarak AWS'de derin öğrenmeyi kullanmaya başlayın.