Merhaba sevgili GazeteBilkent okurlarımız! Gazetemizde başlattığımız yeni uygulamamızla misafir yazarlarımızın çalışmalarını sizlerle paylaşıyoruz. Yazmayı seven ve çalışmalarını okuyucularımızla paylaşmak isteyen herkes için başlattığımız köşemizde sizler de yer alabilirsiniz. Sosyal medya hesaplarımızdan ya da gazetebilkent.gb@gmail.com adresinden bizlere ulaşarak yazılarınızı gönderebilirsiniz. Gazetemize sağlayacağınız katkıları büyük bir merak ve heyecanla bekliyoruz, keyifli okumalar dileriz!
Şimdi, sizleri misafir yazarımız Nurşen Erginsoy‘un ikinci yazısıyla baş başa bırakıyoruz…
Her gün veri üretiyoruz, günün her dakikasında 3.2 milyar kişi internette veri üretiyor. Bu veri, 5 milyon dizüstü bilgisayar içeriğine eşit. Her gün için üretilen 2.5 exabyte veriyi ifade ediyor. Makine Öğrenmesi kitabında Necmi Gürsakal bu veriyi, ortalama 250 bin ABD Kongre Kütüphanesi içeriğine eşit şekilde yorumluyor. Büyük miktarlarda veri ve bu veriyi yorumlayabilecek yetenek, yapay zekânın gelişimi konusunda önemli rol oynuyor. Yapay zekâ, verilerin belli algoritmalar ve istatistiksel yöntemler sayesinde fiziksel nesnelerin/makinelerin öğrenimine izin veriyor.
Makine öğrenimi, veri madenciliği, büyük veri analitiği teknolojileri bugünün veri odaklı küresel ekonomisinde özellikle dijital dönüşüm alanında gelişim noktalarıdır. Her işletme büyük miktarlarda veri ile uğraşmak, verileri analiz etmek, verilerden değer oluşturmak, sistem modellemek ve gelecek zaman için olası sonuçları tahminlemek zorundadır. Bu gibi sorumlulukların üstesinden gelebilmek için sürekli çözümler aranmaktadır. Makine öğrenimi, sürekli geliştirilen içerikleri ile yapılandırılmış ve yapılandırılmamış verileri ve bunlara bağlı sistemleri en etkin şekilde kullanmaya ve reaktif çözümler geliştirmeye yardımcı araçlardandır.
Makine öğrenimi, makinelerin çalışmasını belli bir yazılım tabanlı program bazında çalışmasının bir üst seviyesi olarak, doğrudan açık program yazılmasa da makinenin gelecekteki işlevlerini tahmin etmek üzere kurulan bir algoritma çeşididir. ‘Makine Öğrenmesi’ (‘Machine Learning’) denmesinin sebebi, giriş verisinin algılanabilmesi ve bu veri ile algoritma oluşturan ve yeni veriler oluştukça çıktılarını güncelleyebilme, yeni çıktıları tahmin etmeyi istatiksel bir analize dayandırarak başarmasındandır.
Makine öğrenimde bir sistemi yönlendirmek için özel bir kod yazmadan, veriler genel bir algoritma içerisine beslenir ve bu verilere dayanarak kendi mantığında bir sınıflandırma oluşturması beklenir. Bir çeşit sınıflandırma algoritması da denen bu sistem gelen verileri farklı gruplara koyabilir. Örneğin, el yazısıyla yazılan numaraları tanımak için kullanılan aynı sınıflandırma algoritması sayesinde, e-postaları spam koduna göre sınıflandırma ve bir kod satırını değiştirmeden spam olarak kaydetmeyi sağlayabilir. Aslında aynı algoritmadır ancak farklı eğitim verileriyle beslenir, böylece farklı sınıflandırma mantığı ile sisteme çıktı sağlar.
Makine Öğrenimi Kullanım Alanları
Makine öğrenimi algoritmalarının kullanım alanları düşüldüğünde, uzun vadede başarılı sonuçlar alınmış en iyi örnek Facebook haber kaynağıdır. Burada her kullanıcının kişileştirilmiş özet ara yüzü bulunmaktadır ve bu imkân makine öğrenimi ve veri modellemesi çözümleri ile sağlanır. Ayrıca, eğer kullanıcı farklı bir kullanıcının haber kaynağını sürekli olarak görüntülerse, kendi haber kaynağında da o arkadaşının etkinliklerini henüz o bakmadan da besleme alanında görüntüleyecektir. Bu haber akışlarındaki görüntüleme veya kişileştirilmiş alanların oluşturulması gibi uygulamaların ardında, kullanıcı verisindeki kalıpları tanımlayabilmek için istatistiki analizler yazılım uygulamaları aracılığıyla çalışır.
Müşteri ilişkileri yönetimi (CRM) sistemleri, e-posta önceliklendirme ve sıralama, iş zekası (BI) analitiği, insan kaynakları (İK) sistemleri, etkili çalışanların özelliklerini tanımlamak için öğrenme modelleri kurgulama ve açık pozisyonlara en iyi adayları bulmak ve sürücüsüz araçlar gibi alanlarda da makine öğrenimi algoritmaları geliştirilmektedir.
Sanal asistan teknolojisi de makine öğrenimi teknolojisi ile desteklenmektedir. Günlük konuşmaları yorumlamak, kullanıcıların kişisel programlarına veya tanımlanmış tercihlerine bağlı ortak alanlar oluşturmak için öğrenme modellerini birleştirir ve bu anlamda örneğin araba yol tariflerini çekmek gibi harekete geçer.
Belirsizlik Dünyası
İnsan-makine arasında ayrımın hızla belirsizleşmeye başladığı bir dönemdeyiz. Karar alıcıların kim olduğu, hangi ölçütlere bağlı ya da ne şekilde karar aldığı konuları eskiden olduğu kadar net değil. Yakın gelecekte de buna bağlı olarak, insan olarak bizleri ilgilendirecek bir takım derin meseleler şimdiden oluşuyor. Sürücüsüz bir otomobil -bir insana çarpma şeklinde-bir kaza yaptığında sorumlu kim olacak, sorumluluğu ne olacak? Makine-insan ilişkilerinde hangi eylemin nerede başladığı, nerede bittiği, hangi kararları kimin nasıl verdiği ve neyi nasıl yaptığı gibi konular ciddi tartışmalara sebep olacak ve gelecek zamanda şimdiden çok daha bulanık olacak görünüyor.
Bu belirsizlik veya tartışmalar ortamında –karar veren algoritmalar, insansılar, algoritmalar ve insanın etkileşimi ile- belirlemelere, düzenli/standart kural ve yaptırımlara ihtiyacımız olacak. Daha da önemlisi karar veren veya karar alıcıların bulunduğu her coğrafyada standart kuralların belirlenmiş ve düzenin sağlanmış olması gerekmektedir. Öyle ki, insanlık tarihi boyunca, insanoğlu yaşadığı coğrafyada çok çeşitli başarılara imza atarken, aynı zamanda büyük felaketlerin de sebebi olmuştur. Makineler konusunda da hayata geçirilen çalışmaların geniş çerçevede kendisine ne şekilde geri döneceği konusu da – makine-insan iletişiminin bu denli belirsizlik, karmaşasında – ciddi şekilde merak uyandırırken, karmaşık bir geleceğin de insanoğlu için çoktan çizildiğini gösteriyor.
Öne çıkan görsel: https://salesmask.com/blog/wp-content/uploads/2019/01/Salesmask.machinelearning.jpg.jpg
