How does artificial intelligence learn? - Briana Brownell

Çeviri: Cihan Ekmekçi Gözden geçirme: Nihal Aksakal

Today, artificial intelligence helps doctors diagnose patients,

Bugün, yapay zeka doktorların hastalık teşhis etmesine,

pilots fly commercial aircraft, and city planners predict traffic.

pilotların uçakları kontrol etmesine

ve şehir mimarlarının trafik tahmini yapmasına yardım ediyor.

But no matter what these AIs are doing, the computer scientists who designed them

Ancak yapay zeka ne yaparsa yapsın, onları tasarlayan bilgisayar bilimciler

likely don’t know exactly how they’re doing it.

muhtemelen nasıl çalıştıklarını tam olarak bilemiyor.

This is because artificial intelligence is often self-taught,

Bunun sebebi, yapay zekanın genellikle kendi kendine öğrenmesi,

working off a simple set of instructions

bunun için bir dizi talimattan yola çıkarak

to create a unique array of rules and strategies.

eşsiz bir kural ve strateji bütünü yaratıyorlar.

So how exactly does a machine learn?

Peki bir makine tam olarak nasıl öğreniyor?

There are many different ways to build self-teaching programs.

Self öğrenme programı inşa etmek için çok sayıda farklı yol var.

But they all rely on the three basic types of machine learning:

Ama hepsi üç temel makine öğrenimi türüne dayanıyor:

unsupervised learning, supervised learning, and reinforcement learning.

kontrolsüz öğrenme, kontrollü öğrenme ve teşvikli öğrenme.

To see these in action,

Bunları uygulamada görmek için

let’s imagine researchers are trying to pull information

binlerce hasta profili içeren bir tıbbi veri setinden

from a set of medical data containing thousands of patient profiles.

araştırmacıların bilgi edinmeye çalıştığını düşünelim.

First up, unsupervised learning.

Öncelikle kontrolsüz öğrenme.

This approach would be ideal for analyzing all the profiles

Genel benzerlikler ve faydalı örekler bulmak için

to find general similarities and useful patterns.

tüm profilleri analiz etmede ideal bir yaklaşım.

Maybe certain patients have similar disease presentations,

Belki de bazı hastaların benzer hastalık semptomları vardır

or perhaps a treatment produces specific sets of side effects.

veya belki de bir tedavi belli yan etkiler gösteriyordur.

This broad pattern-seeking approach can be used to identify similarities

Bu örnek arayan geniş çaplı yaklaşım

hasta profilleri ve ortaya çıkan modeller arasında

between patient profiles and find emerging patterns,

benzerlik bulmak için kullanılabilir.

all without human guidance.

Hem de bir insanın rehberliği olmadan.

But let's imagine doctors are looking for something more specific.

Ama doktorların daha spesifik bir şey aradıklarını varsayalım.

These physicians want to create an algorithm

Bu doktorlar belli bir hastalığı teşhis etmek için

for diagnosing a particular condition.

bir algoritma yaratmak istiyorlar.

They begin by collecting two sets of data—

İki veri seti toplayarak başlarlar—

medical images and test results from both healthy patients

hem sağlıklı hastalardan hem de bu tanının konduğu hastalardan

and those diagnosed with the condition.

tıbbi görseller ve tahlil sonuçları.

Then, they input this data into a program

Sonra bu verileri bir programa eklerler,

designed to identify features shared by the sick patients

program, sağlıklı olanların değil tanılı hastaların ortak özelliklerini

but not the healthy patients.

bulmak için tasarlanmıştır.

Based on how frequently it sees certain features,

Belli özellikleri ne sıklıkta gördüğüne dayalı olarak

the program will assign values to those features’ diagnostic significance,

program, o özelliklere teşhis için değer tanımlayacaktır,

generating an algorithm for diagnosing future patients.

bu da gelecekte hastaları teşhis eden bir algoritma yaratmış olur.

However, unlike unsupervised learning,

Ancak, kontrollü öğrenmeden farklı olarak

doctors and computer scientists have an active role in what happens next.

doktorlar ve bilgisayar bilimcilerin sonrasında aktif bir rolü var.

Doctors will make the final diagnosis

Doktorlar nihai tanıyı kendi koyar

and check the accuracy of the algorithm’s prediction.

ve algoritmanın tahmindeki doğruluğunu kontrol eder.

Then computer scientists can use the updated datasets

Bilgisayar bilimci ise güncel veri setlerini kullanarak

to adjust the program’s parameters and improve its accuracy.

programın parametrelerini ayarlar ve doğruluk payını iyileştirir.

This hands-on approach is called supervised learning.

Bu pratik yönteme kontrollü öğrenme denir.

Now, let’s say these doctors want to design another algorithm

Bir de doktorların tedavi önermek için

to recommend treatment plans.

başka bir algoritma tasarladığını düşünelim.

Since these plans will be implemented in stages,

Bu planlar aşamalı halde uygulanacağı

and they may change depending on each individual's response to treatments,

ve her bireyin tedaviye verdiği farklı yanıta göre değişebileceği için

the doctors decide to use reinforcement learning.

doktorlar güçlendirilmiş öğrenme kullanmaya karar veriyorlar.

This program uses an iterative approach to gather feedback

Bu program tekrarlı bir yaklaşım kullanıyor,

about which medications, dosages and treatments are most effective.

hangi ilaçların, dozun ve tedavinin en etkili olduğuyla ilgili dönüt topluyor.

Then, it compares that data against each patient’s profile

Sonra bu verileri her bir hastanın profiliyle karşılaştırıyor,

to create their unique, optimal treatment plan.

böylece eşsiz ve optimal bir tedavi planı ortaya çıkıyor.

As the treatments progress and the program receives more feedback,

Tedavi ilerledikçe ve program daha fazla dönüt aldıkça

it can constantly update the plan for each patient.

Her bir hasta için sürekli planı güncelleyebilir.

None of these three techniques are inherently smarter than any other.

Bu üç teknikten hiçbiri bir diğerinden daha zeki değil.

While some require more or less human intervention,

Bazıları daha az veya daha fazla insan müdahalesi gerektiriyor

they all have their own strengths and weaknesses

ama hepsinin güçlü ve zayıf yanları var,

which makes them best suited for certain tasks.

böylece belli amaçlar için daha uygun oluyorlar.

However, by using them together,

Ancak birlikte kullanıldıklarında

researchers can build complex AI systems,

araştırmacılar karmaşık yapay zeka sistemleri yapabilir

where individual programs can supervise and teach each other.

ve bireysel programlar birbirini kontrol edebilir.

For example, when our unsupervised learning program

Örneğin kontrolsüz öğrenme programımız

finds groups of patients that are similar,

benzer bir grup hasta bulabilir,

it could send that data to a connected supervised learning program.

bu veriyi bağlı olduğu kontrollü bir öğrenme programına gönderebilir.

That program could then incorporate this information into its predictions.

Sonra bu program bu bilgiyle tahminlerde bulunabilir.

Or perhaps dozens of reinforcement learning programs

Veya düzinelerce güçlendirilmiş öğrenme programı

might simulate potential patient outcomes

potansiyel hasta sonuçlarını simüle ederek

to collect feedback about different treatment plans.

farklı tedavi planları üzerine geri bildirim toplayabilir.

There are numerous ways to create these machine-learning systems,

Bu makine öğrenimi sistemlerini yaratmada çok sayıda yöntem var

and perhaps the most promising models

ve muhtemelen en umut verici modeller

are those that mimic the relationship between neurons in the brain.

beyindeki nöronların ilişkisini taklit edenler.

These artificial neural networks can use millions of connections

Bu yapay sinirsel ağlar, milyonlarca bağlantı kullanarak

to tackle difficult tasks like image recognition, speech recognition,

görsel tanıma, ses tanıma ve hatta dil çevirisi gibi

and even language translation.

zor işlerin bile üstesinden gelebilir.

However, the more self-directed these models become,

Ama bu modeller kendi kendini yönettikçe

the harder it is for computer scientists

kendi kendine öğrenen algoritmaların

to determine how these self-taught algorithms arrive at their solution.

çözümde ne kadar faydalı olduklarını anlamak zorlaşıyor.

Researchers are already looking at ways to make machine learning more transparent.

Araştırmacılar makine öğrenimini daha şeffaf yapmak için zaten uğraşıyorlar.

But as AI becomes more involved in our everyday lives,

Fakat yapay zeka günlük hayatımızla içe içe geçtikçe

these enigmatic decisions have increasingly large impacts

işimiz, sağlığımız ve güvenliğimiz üzerinde

on our work, health, and safety.

bu şifreli kararların etkisi giderek artıyor.

So as machines continue learning to investigate, negotiate and communicate,

Makineler araştırma, müzakere ve iletişim konusunda öğrenmeye devam ettikçe

we must also consider how to teach them to teach each other to operate ethically.

onlara birbirleriyle etik bir şekilde çalışmayı öğretmemiz gerekiyor.