Derin Öğrenme: Bizi Yapay Zekaya Bir Adım Yaklaştırıyor

Derin Öğrenme: Bizi Yapay Zekaya Bir Adım Yaklaştırıyor Yorum Yap

Derin Öğrenme: Bizi Yapay Zekaya Bir Adım Yaklaştırıyor

Derin Öğrenme: Bizi Yapay Zekaya Bir Adım Yaklaştırıyor Makine öğrenimi, girdi verilerine dayalı olarak bir modelin geliştirildiği ve ardından yeni girdilerin modeli nasıl etkileyeceğini tahmin etmek için bu verileri kullanmak üzere eğitildiği bir süreçtir.

Model her yeni senaryo ile öğrenir. Tahminlerinin doğruluğu, ayarlanan parametrelere dayanmaktadır. Modelin parametreleri belirli bir tahmini desteklemek için ince ayar yapılırsa, daha önce doğru olarak kabul ettiği başka bir tahmini yanlış olarak işaretleyecektir. Bu, programı ayarlayan kişinin, geniş bir girdi verisi kapsamında tahminleri doğru tutmak için doğru dengeyi bulmak için çok sayıda yinelemeden geçmesi gerektiği anlamına gelir.

Derin Öğrenme

Derin öğrenme, alanı teknoloji geliştiricilerin yapay zeka hayallerine daha da yaklaştıran devrim niteliğinde bir makine öğrenimi araştırması dalıdır. Derin öğrenme algoritmaları, düşünce süreçlerimizin %80’inin gerçekleştiği neokortekste beynimizin nasıl çalıştığını taklit etmek için tasarlanmıştır. Yazılım, seslere, görüntülere ve diğer girdi verilerine dayanarak öğrenir ve daha sonra bu girdilerin ne anlama geldiğini anlamak için kendi algoritmalarını değiştirir, tıpkı beynimizin yeni deneyimler için yeni sinir yolları oluşturmasıyla aynı şekilde.

Derin öğrenmenin temeli onlarca yıldır var. Yazılım geliştiricilerini akıllı bilgisayarlar yaratmaktan alıkoyan şey, hesaplama gücünün ve matematiksel bilginin sınırlamalarıdır. Bir dizi ilerleme ve aksilikten sonra, bilgisayar bilimcileri artık sanal nöronları her zamankinden daha fazla katmanda modellemek için teknik bilgi ve donanıma sahipler.

Google, derin öğrenmenin ilerlemelerine yardımcı olmak için derinden yatırım yapan bir şirkettir. Derin öğrenme gelişmelerinin ön saflarında yer alan bir araştırma grubu olan DeepMind’i satın almak için yaklaşık 600 milyon dolar harcadılar.

Derin öğrenmedeki bu gelişmeler, konuşma ve yüz tanıma alanındaki ilerlemelerin yolunu açmıştır. Google, bu gelişmeleri kullanarak, YouTube videolarındaki kedi gibi görüntüleri tanımada %100 daha iyi bir algoritma geliştirebildi ve Android telefonlarda konuşma tanımanın verimliliğini artırdı.

Bunu mümkün kılan teknoloji

Derin öğrenme gelişimi 70’lerden bu yana olmuştur, ancak 80’lerde işlemci gücü ilerlemelerindeki yavaşlama programı dondurdu. Son zamanlarda derin öğrenme algoritmalarının gelişimini hızlandıran ana savunucu, NVIDIA’nın Tesla Range gibi grafik işlemci birimleri gibi güçlü hesaplama cihazlarının geliştirilmesidir . GPU’ların gücü, geliştiricilerin makinelerin eğitmek için harcadığı süreyi azaltmasını sağladı. Eğitim süresini haftalardan saatlere indirdiler.

GPU’lar isimlerini oyun bilgisayarlarına güç vererek yaptı. GPU pazarına hakim olan şirket NVIDIA, kaliteli grafikler ve mükemmel kare hızları ile oyuncular arasında eş anlamlıdır, ancak GPU’ların potansiyeli burada bitmiyor. Ayrıca Facebook’taki yüz tanıma yazılımı ve Audi’nin sürücüsüz arabalarının birbirine çarpmasını engelleyen araç algılama teknolojisi için de kullanılıyorlar.

Pakete ham güç açısından liderlik eden modeller, HPC-R2220-U2-G8 gibi 8x GPU raf tipi sunuculardır . NVIDIA çalışanları, onu özellikle derin öğrenme algoritmalarına yardımcı olmak için dünyanın en güçlü veri merkezi hızlandırıcısı olacak şekilde tasarladı.

Yapay Beyin

Derin öğrenme programları ve beyin işlevi arasında birçok karşılaştırma yapıldı, ancak araştırmacılar, ikisinin hala çok farklı olduğuna dikkat çekiyor. Derin öğrenme yazılımı, bir dili bir çocuğun öğreneceği şekilde öğrenebilir, ancak yeni bilgi ve deneyimler aramak için dışarı çıkmaz.

Derin Öğrenme

Derin öğrenmeyi yalnızca konuşmayı ve tanımayı tanımakla kalmayıp aynı zamanda verileri kendi çıktısı için manipüle eden uygulamalara uygulamak, mevcut işlemcilerin gücü ve girdilerin nasıl yönetilebileceği ile sınırlıdır.

Bu sorunların çözümleri, bilgisayarı dünyanın nasıl çalıştığına dair bir dizi kuralla beslemeyi içerir. Bu çok zaman alır ve o zaman bile sistem büyük miktarda belirsiz veriyle başa çıkamayabilir. Programcılar, belirli bir girdiyi tanımlamak ve belirli bir nöronla ilişkilendirmek için sinir ağlarını eğiterek bu sorunu çözdüler. Belirli girdilerin yaygınlığı, belirli nöronlara belirli ağırlıklar verilmesine yol açtı, tıpkı beynimizin sıklıkla kullanılan sinirsel bağlantıları güçlendirmesi gibi. Kaç tane nöral bağlantı yapılması gerektiğinin karmaşıklığı, onların tanıyabilecekleri modellerin karmaşıklığını şiddetle sınırladı.

Bugüne kadarki en büyük sinir ağı, bir milyardan fazla sinirsel bağlantıya sahiptir.

Derin Öğrenme için Sırada Ne Var?

Google, derin öğrenme alanında yaptıkları sıçramaların ve sınırların, kendi kendine giden arabalarını daha güvenli hale getirmelerine yardımcı olacağını umuyor. Bu gelecekte bir şekilde olabilir, bu yüzden şimdilik YouTube’da resim aramalarını daha verimli hale getirmeye odaklanıyorlar.

Derin öğrenme, bizi yapay zekanın ütopik rüyasına çok daha yaklaştırdı. Ne yazık ki, insan beynini modellemek sayısız karmaşıklık içeren bir görevdir, bu nedenle onu mükemmelleştirmeden önce birkaç teknik daha geliştirmemiz gerekebilir.

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

× Whatsapp Destek Hattı