Yapay sinir ağları genel amaçlı bir araçtır. Ancak bu ağdaki nöronların nasıl düzenlendiği, sistemin hangi tür verilerle ne kadar başarılı çalışacağını büyük ölçüde değiştirir.
Yıllar boyunca araştırmacılar, belirli veri türleri için bazı ağ yapılarının diğerlerinden çok daha başarılı olduğunu keşfetti. Bu özel tasarımlara mimari adı veriliyor. Son on yılda yapay zekanın gelişiminde önemli rol oynayan bazı mimariler ise bugün hâlâ teknolojinin temel taşları arasında yer alıyor.
Mimari neden önemli?
Bunu bir atölyedeki aletler üzerinden düşünebiliriz. Çekiç de tornavida da birer alettir ancak ikisini aynı iş için kullanmayız. Yapacağımız işe göre doğru aleti seçeriz.
Yapay sinir ağlarında da benzer bir durum söz konusu. Görüntüleri analiz etmek için tasarlanmış bir ağ, bir cümleyi anlamlandırmak için ideal olmayabilir. Aynı şekilde dil verisi üzerinde başarılı olan bir ağın görüntü işleme konusunda aynı sonucu vermesi beklenmez.
Bu nedenle doğru mimariyi doğru veri türüyle eşleştirmek, yapay zeka sistemlerinin başarısında oldukça önemli bir rol oynuyor.
Görmeyi öğrenen ağlar: CNN
Evrişimsel sinir ağları, yani CNN’ler, bilgisayarların görüntüleri anlamlandırma konusunda büyük bir sıçrama yapmasını sağlayan mimarilerden biri.
CNN’lerin temel yaklaşımı, görüntünün tamamını tek seferde değerlendirmek yerine küçük bölümler üzerinden inceleme yapmaktır. Ağın ilk katmanları kenarlar, çizgiler ve renk geçişleri gibi basit özellikleri yakalamaya çalışır.
Daha sonraki katmanlar bu basit özellikleri bir araya getirerek dokular ve şekiller gibi daha karmaşık yapıları öğrenir. Daha ileri katmanlarda ise bu şekiller bir araya gelerek nesneler ortaya çıkar.
Örneğin bir fotoğraftaki kediyi düşünelim. Ağ ilk aşamada kulakların kenarlarını veya göz çevresindeki çizgileri fark edebilir. Daha ileride bu özellikleri birleştirerek göz, burun ve kulak gibi parçaları ayırt edebilir. Sonunda bütün bu bilgileri bir araya getirerek görüntüde bir kedi olduğunu anlayabilir.
CNN’lerin önemli özelliklerinden biri, görüntünün farklı bölgelerinde aynı özellikleri arayabilmesidir. Bu nedenle bir nesnenin görüntünün ortasında veya köşesinde bulunması, sistem açısından büyük bir sorun oluşturmaz.
Bu mimarinin kullanıldığı alanlar oldukça geniş:
- Telefon kameralarındaki yüz tanıma sistemleri
- Tıbbi görüntülerde tümör veya diğer anormallikleri tespit eden sistemler
- Otonom araçların çevreyi algılamasını sağlayan görüntü işleme sistemleri
Hatırlayan ağlar: RNN ve LSTM
Görüntüler çoğunlukla sabit bir yapıdadır. Ancak bazı veri türlerinde sıralama büyük önem taşır.
Bir cümlede kelimelerin sırası anlamı değiştirir. Bir müzik parçasında notalar belirli bir sırayla gelir. Finansal verilerde de geçmişte yaşanan değişimler sonraki değerleri anlamlandırmak için önemli olabilir.
Bu tür sıralı verilerle çalışmak için geliştirilen yapılardan biri tekrarlayan sinir ağları, yani RNN’lerdir.
RNN’ler veriyi tek seferde değerlendirmek yerine sırayla işler. Her adımda elde ettiği bilgilerin bir kısmını sonraki adıma aktarır. Böylece daha önce gördüğü bilgiler, sonraki verileri yorumlarken kullanılabilir.
Bu özellik RNN’leri özellikle dil gibi sıralamanın önemli olduğu alanlar için kullanışlı hale getirdi. Bir cümledeki bir kelimenin anlamı çoğu zaman kendisinden önce gelen kelimelere bağlıdır. RNN de bu önceki bilgileri taşıyarak yeni kelimeleri yorumlamaya çalışır.
Ancak RNN’lerin önemli bir sorunu vardı.
Uzun diziler söz konusu olduğunda sistem, çok daha önce karşılaştığı bilgileri zamanla kaybetmeye başlayabiliyordu. Bir cümlenin başındaki önemli bir bilgi, cümlenin sonuna gelindiğinde etkisini yitirebiliyordu.
Bu problemi azaltmak için LSTM, yani uzun kısa süreli bellek ağları geliştirildi.
LSTM’ler hangi bilgilerin korunması, hangilerinin unutulması gerektiğini daha iyi kontrol edebilen bir yapı sundu. Bu sayede uzun süreli ilişkileri RNN’lere göre daha başarılı şekilde takip edebildiler.
Bir dönem makine çevirisi ve konuşma tanıma gibi alanlarda LSTM’ler oldukça yaygın olarak kullanıldı.
Sınırlar yeni bir dönemin önünü açtı
CNN ve RNN gibi mimariler yapay zekanın gelişiminde büyük bir rol oynadı. Ancak her birinin kendi sınırları vardı.
Özellikle RNN’lerin veriyi adım adım işlemesi, uzun metinlerde hem hesaplama açısından yavaş kalmasına hem de uzak bilgiler arasındaki ilişkileri yakalamakta zorlanmasına neden oluyordu.
Araştırmacılar daha uzun metinleri daha etkili şekilde işleyebilen ve verinin farklı bölümleri arasındaki ilişkileri aynı anda değerlendirebilen yeni bir mimariye ihtiyaç duyuyordu.
Bu ihtiyaç, yapay zeka tarihinde önemli bir dönüm noktasına yol açtı.
Transformer mimarisi.
Modern yapay zekanın gelişimini anlamak için transformerların neden bu kadar önemli olduğunu anlamak gerekiyor.
Tüm projelerim ve üzerinde çalıştığım konuları incelemek istersen https://hub.barisgunduz.com/ adresini ziyaret edebilirsin.
