Resimleri anlamaları için bilgisayarları nasıl eğitiyoruz

Küçük bir çocuk resimlere baktığında, onları kolaylıkla tanımlayabilir : " Kedi", "kitap", "sandalye". Bugün, bilgisayarlar da bunu yapacak kadar akıllı hale geliyor. Peki ya sonrasında? Bu heyecan verici konuşmada, bilgisayar algılama uzmanı Fei-Fei Li teknolojinin geldiği bu başarılı aşamayı - 15 milyonluk bir fotoğraf veri tabanı ile çalışma ekibinin bir bilgisayarı resimleri algılaması için nasıl "eğittiğini" - açıklıyor ve ileriye dönük bazı sezilerinden bahsediyor.

Müsadenizle size bazı şeyler göstermek
istiyorum.

(Video) Kız: Tamam, burada yatağın üzerinde
oturan bir kedi var.

Çocuk fili okşuyor.

Buradaki insanlar uçağa gidiyorlar.

Bu büyük bir uçak.

Fei-Fei Li: Üç yaşında
küçük bir kız çocuğu

fotoğraflarda ne gördüğünü
anlatıyor.

Henüz, dünya hakkında öğrenmesi
gereken çok şey var

fakat çok önemli bir alanda
uzman olmuş bile:

gördüklerini anlamlandırma.

Toplumumuz teknolojik olarak her
zamankinden daha fazla ilerlemiş durumda.

İnsanları aya gönderiyoruz, bizimle
konuşabilen ya da radyo kanallarını

sadece sevdiğimiz müzikleri çalması
için düzenleyebilen telefonlar yapıyoruz.

En gelişmiş makinelerimiz
ve bilgisayarlarımız

hâlâ bu özelliği elde etmeye çalışıyorlar.

Bugün, bilgisayar görme yetisi üzerine
yapılan ileri düzeydeki

araştırmalarımızın işleyişi hakkında size
bilgi vermek için buradayım.

Bilgisayar biliminde, en önde ve devrim niteliğinde

olan teknolojik gelişmelerden biri.

Evet, kendini sürebilen araçların
prototiplerine sahibiz,

fakat akıllı görme yetisine sahip olmadan,
üzerinden geçilebilecek buruşmuş bir

kağıt torba ile sakınılması gereken aynı
boyuttaki bir kaya

arasındaki farkı söyleyebilmeleri
mümkün değil.

Mükemmel çözünürlükte kameralar
yapmamıza rağmen,

görebilmelerini sağlayamamıştık.

İnsansız hava araçları koca bir araziyi
uçabilirler,

ama yağmur ormanlarındaki değişimleri
izlememize yardımcı olabilecek

düzeyde yeterli bir görüş kabiliyetine
sahip değiller.

Güvenlik kameraları her yerde,

fakat bir çocuk havuzda boğuluyorken
bizi uyaramıyorlar.

Fotoğraf ve videolar gündelik hayatın
bir parçası haline geliyorlar.

Herhangi bir insan veya bazı
grupların görme umuduyla

hızlı bir şekilde çoğalıyorlar,

buradaki TED konuşmaları ile
sizler ve ben de buna katkı sağlıyoruz.

En iyi yazılımımız hala bu devasa içeriği

anlamaya ve yönetmeye çabalıyor.

Başka bir anlamda,
toplumun tamamı olarak

büyük bir görme kaybına sahibiz

çünkü en iyi makinelerimiz hala
göremiyorlar.

"Neden bu kadar zor ki bu?"
diye soracaksınız.

Kameralar burada da olduğu gibi
fotoğraf çekebilirler,

ışığın iki boyutlu sayı dizilerine
çevrilmiş hali ile,

ki bunlara pikseller diyoruz.

Fakat burada sadece ölü sayılar
bulunmakta.

Kendi içlerinde herhangi bir anlam
taşımıyorlar.

Nasıl ki duymak ile dinlemek aynı
anlama gelmiyorsa

fotoğraf çekmek ile görmek de
aynı şeyi ifade etmiyor.

Görmek derken ciddi manada "anlamayı"
kastediyoruz.

Aslında, bu yetiye sahip olabilmemiz

tabiat ananın 540 milyon yılını aldı.

Bu çabanın çoğu, beynin görsel

işleme bölümünün gelişimine gitti

sadece gözlerin kendisine değil.

Yani görmek gözlerde başlıyor,

ama asıl olarak beynin bir bölümünde
anlam kazanıyor.

15 sene önce, Caltech'deki doktorama
başladığımda

ve sonra Stanford Görsel Laboratuvarını
yönlendirdiğimde

mentorlerim, iş ortaklarım ve
öğrencilerimle birlikte

bilgisayarlara görmeyi öğretmek için
çalışıyorduk.

Araştırma alanımız bilgisayar görme yetisi
ve makine öğrenimi olarak anılıyordu.

Yapay zeka bölümünün genel bir dalı
olarak geçiyordu.

Nihayetinde, makinelere tıpkı bizim gibi
görebilmelerini öğretmek istedik,

nesnelerin isimlendirilmesi, insanların
tanımlanması, 3B geometrileri tahmin

ilişkileri anlama, duygular, olaylar
ve şiddet.

Şu anda insanların, yerlerin ve
eşyaların bütün hikayesini

gözler önüne serip beraber dokuyalım.

Bu amaca doğru atılacak ilk adım
bilgisayara gördüğü şeyleri öğretmek,

sanal dünyanın yapı taşı bu.

Basit anlamda bu öğretme
sürecini bi hayal edin,

bilgisayara belirli bir nesnenin
ya da bir kedinin diyelim

deneme amaçlı resimlerini göstermek
gibi

ve bu resimlerden öğrenilmiş bir model
tasarlamayı.

Bu ne kadar zor olabilir ki?

Sonuç olarak, bir kedi sadece
şekillerin ve renklerin bir derlemesi

ve bu ilk zamanlarda yaptığımız
nesne modellemesi.

Algoritmasını sayısal bir dille
bilgisayara öğretmemiz gerekiyordu

bu kedi yuvarak bir yüze,
dolgun bir vücuda

iki noktada kulaklara ve uzun bir kuyruğa
sahip

her şey yolunda gibi.

Peki, ya bu kedi?

(Gülüşmeler)

Hepsi iç içe.

Bu nesne için için farklı bir şekil
ve farklı bir bakış açısı eklemeniz gerek.

Peki ya kediler gizlenirse?

Bu absürd kedilere ne demeli?

Şimdi ne demek istediğimi anladınız.

Evdeki kedi gibi basit bir şey için bile

sonsuz çeşitlilikte nesne modellemesi
yapmak mümkün

ve bu sadece bir nesne.

Yaklaşık sekiz yıl önce,

oldukça basit ama yoğun bir gözlem
fikrimi değiştirdi.

Hiç kimse bir çocuğa nasıl görebileceğini
öğretmez,

özellikle de erken yaşlarda.

Gerçek dünya tecrübeleri ve örnekleriyle
öğrenirler bunu.

Bir çocuğun gözlerini düşünecek olursanız

sanki bir çift biyolojik kameraymış gibi,

yaklaşık her 200 milisaniyede
bir fotoğraf çekerler,

göz hareketinden oluşmuş ortalama
bir zaman dilimi.

Yani üç yaşında bir çocuk, gerçek hayatta
yüz milyonlarca

fotoğraf görmüş olacak.

Bu oldukça fazla deneme örneği.

Sadece daha iyi algoritmalara
odaklanmak yerine,

sezilerim algoritmalara bir tür
eğitici veri vermek üzerineydi,

tıpkı bir çocuğa sayıca ve kalitece

deneyimleri yoluyla verilmiş gibi.

Bunu anlayınca,

bir tür veri havuzuna

sahip olduğumuz resimlerden daha
fazla, hatta binlerce kat daha fazla

ihtiyacımız olduğunu biliyorduk.

Princeton Üniversitesinden Prof. Kai Li
ile birlikte

2007 senesinde ImageNet projesini
başlattık.

Şanslıyız ki başımızın üzerine bir
kamera alıp

yıllarca beklememize gerek kalmadı.

İnternete başvurduk.

İnsanların oluşturduğu en büyük
resim definesi.

Yaklaşık bir milyar resim indirdik

ve crowdsourcing teknolojisini kullandık.
Resimleri tanımlamada bize yardımcı olmada

Amazon Mechanical Turk platformu gibi.

ImageNet, Amazon Mechanical Turk
çalışanlarına işveren en büyük

kurumlardan biri oldu.

Dünya genelinde 167 ülkeden

neredeyse 50,000 çalışan

yaklaşık bir milyar resmi

eleyip, sınıflandırma ve tanımlamada bize
yardımcı oldu.

Bu çaba, erken gelişim dönemindeki

bir çocuğun algıladığı görüntülerin
sadece belli bir bölümünü

elde edebilmemiz içindi.

Nihayet, bilgisayar algoritmalarını
eğitmek için

big datanın kullanılması fikri
şu anda mümkün hale geldi,

fakat 2007 senesine dönersek,
bu mümkün değildi.

Bu yolculukta uzun bir süre tam
anlamıyla kendi başımızaydık.

Samimi bazı arkadaşlarım kadrom için daha
kullanışlı şeyler yapmamı tavsiye ettiler,

ve aynı zamanda araştırma fonu oluşturmak
için durmaksızın çabalıyorduk.

Hatta, master öğrencilerime ImageNet fonu

için kuru temizleme mağazamı tekrar açma
konusunda şaka yapıyordum.

Üniversite yıllarımda bu şekilde
geçiniyordum.

Sonra devam ettik.

2009 senesinde, ImageNet projesi

her gün ingilizce kelimelerle 22,000

nesne ve eşya sınıfı ile

15 milyonluk bir resim veritabanına
ulaştı.

Sayı ve kalite olarak,

emsalsiz bir ölçekti bu.

Örneğin, kedi kategorisinde,

görünüş ve poz

ile evcil ve yaban türlerinin tümüyle

62 binden fazla kedi bulunmakta.

Bunları ImageNet olarak toparladığımızdan
heyecanlıydık

ve sonra bütün dünya araştırmalarında
bunlardan faydalanılsın istedik,

bu yüzden TED fashion'da bütün veri
havuzumuzu

global araştırma topluluklarına ücretsiz
bir şekilde açtık.

(Alkış)

Artık, bilgisayarımızın beynini besleyecek
veriye sahibiz,

algoritmaların kendilerine
dönecek kadar da hazırız.

ImageNet projesinin sağladığı
bilgi zenginliği, sonunda

"evrişimli sinirsel ağ" olarak ifade
edilen makine öğrenme algoritmalarının

özel bir sınıfıyla mükemmel bir şekilde
eşleşmişti,

öncülüğünü Kunihiko Fukushima,
Geoff Hinton ve Yann LeCun'un yaptığı

1970 ve 80'lerin öncesindeki bir alan.

Beyinde meydana gelen milyarlarca
yüksek bağlantılı sinirler gibi,

sinir ağının basit bir çalışma birimine

"nöron benzeri" düğümü deniyor.

Başka düğümlerden girdi alıyorlar

ve diğer düğümlere gönderiyorlar.

Dahası, bu yüzbinlerce hatta milyonlarca
düğüm

hiyerarşik tabakalarla düzenleniyorlar

tıpkı beyin gibi.

Normal bir sinir ağında nesne tanıma
modelimizi eğitmek için,

24 milyon düğüm,

140 milyon değişken,

ve 15 milyar bağlantı kullandık.

Bu muazzam bir modeldi.

ImageNet'den elde edilen büyük veri ile

oldukça muazzam bir modeli eğitmek için
kullanılan modern CPU ve GPU'lar sayesinde

evrişimli sinirsel ağ

hiçbirimizin hayal edemeyeceği bir şekilde
gelişti.

Nesne tanımlamada etkileyeci
yeni sonuçlar üretmek için

başarılı bir mimari olmaya başladı.

Bu bilgisayarın bize söylediği,

bu fotoğrafta bir kedinin olduğu

ve kedinin nerede olduğu.

Elbette orada kedilerden daha fazlası var,

burada ise bilgisayar algoritmasının
bize söylediği

resimde bir çocuk ile oyuncak bir ayının;

bir köpeğin, bir kişinin ve arkaplanda
küçük bir uçurtmanın;

ya da çok karışık bir resimin

bir adam, bir kaykay, korkuluklar, lamba
direği v.b. gibi şeyler olduğu.

Bazen, bilgisayar ne gördüğü hakkında emin
olamayınca

çok fazla düşünmek yerine yeterince

mantıklı bir cevap vermesini öğrettik,

tıpkı bizim yapacağımız gibi

fakat başka zamanlarda bilgisayar
algoritmamız bize dikkate değer şeyler

tam olarak nesnelerin ne olduğunu

marka, model ve üretim yılı gibi şeyleri
söylüyor.

Bu algoritmayı Google Sokak Görüntüleme
ile yüzlerce Amerika şehrinden

alınmış resimlere uyguladık

ve gerçekten ilginç şeyler öğrendik:

öncelikle, hepimizin bildiği gibi araç

fiyatlarının aile gelir düzeyiyle

doğrudan ilişkili olduğunu teyit etti

fakat ilginçtir ki, araç fiyatları aynı
zamanda

şehirdeki suç oranları

ya da posta kodlarından oy verme alanları
ile de bağlantılı.

Peki biraz düşünün, bu oldu mu?

Bilgisayar henüz insan kabiliyetlerine
erişebildi mi hatta daha üstün geldi mi ?

Hayır, o kadar hızlı değil.

Şu ana dek, sadece bilgisayara nesneleri
görmesini öğrettik.

Bu küçük bir çocuğun bir kaç kelime
söylemesini öğrenmesi gibi bir sey.

İnanılmaz bir başarıdır bu,

fakat bu sadece ilk adımdır.

Sonrasında, başka bir gelişimsel dönüm
noktası açığa çıkar,

ve çocuk cümlelerle iletişim kurmaya
başlar.

Yani, "bu resimdeki bir kedidir"
demek yerine

dinlediğiniz gibi küçük kız bize "bu
yatağın üzerinde uzanan bir kedidir" diyor

Bilgisayarı resimleri görmek ve cümle
kurmak için eğitmek,

big data ile makine öğrenim algoritmasının
beraberliği için

bir adım daha atılmalı.

Şimdilik, bilgisayarın her resimden

insanlar tarafından oluşturulmuş kadar

iyi cümleler öğrenmesi gerek.

Beynin görsellik ve dili bütünleştirdiği
gibi,

biz de ufak görsel parçacıklar
gibi görsel şeylerle

cümlelerdeki kelime ve ifadeleri

birleştirecek bir model geliştirdik.

Yaklaşık dört ay önce,

sonunda bütün bunları bağladık

ve bir fotoğrafı ilk kez gördüğünde

bir insan gibi cümle kurabilme
yeteneğine sahip

ilk bilgisayar görme modelinden
bir tane yaptık.

Şu anda, bilgisayarın konuşmamızın başında

küçük kızın gördüğü resimleri gördüğünde

neler söylediğini size göstermeye hazırım.

(Video) Bilgisayar:
Bir adam filin yanında duruyor.

Geniş bir uçak, uçak pistinin üstünde
oturuyor.

FFL: Tabii, hala sıkı bir şekilde
algoritmamızı geliştirmek için çalışıyoruz

ve henüz öğreneceği çok sey var.

(Alkış)

Bilgisayar henüz hatalar yapmakta.

Bilgisayar: Bir kedi battaniyenin içinde
yatakta uzanıyor.

FFL: Tabii, oldukça fazla kedi
gördüğünden

herşeyin kediye benzeyebileceğini
düşünüyor.

Bilgisayar: Genç erkek bir beysbol
sopasını tutuyor.

(Gülüşmeler)

FFL: Ya da, henüz bir diş fırçası
görmemişse, beysbol sopasıyla karıştırıyor

Bilgisayar: Bir adam binanın kenarından
atını sokak aşağı sürüyor.

(Gülüşmeler)

FFL: Henüz bilgisayarlara Sanat 101
dersini öğretmedik.

Bilgisayar: Bir zebra otlukların içinde
duruyor.

FFL: Ve henüz doğanın büyüleci güzelliğini

takdir etmeyi bizim gibi öğrenmedi.

Uzun bir yolculuktu.

Sıfırdan üç yaşına getirmek oldukça zordu.

Asıl zor olan üç yaşından on üç yaş ve
daha ötesine götürebilmek.

Size bu resmi tekrar hatırlatmak istiyorum,
çocuk ve kekin olduğu.

Şu ana dek, bilgisayara nesneleri
görebilmesini

hatta gördüğü resimden küçük bir hikaye
anlatmasını bile öğrettik.

Bilgisayar: Biri yaş pastanın olduğu
masada oturuyor.

FFL: Fakat bu resimde sadece bir kişi ve
pastadan

daha fazlası var.

Bilgisayarın göremediği şey,
onun sadece Paskalya süresince

servis edilen özel bir İtalyan pastası
olduğu.

Çocuk, babası tarafından Sidney gezisinden
sonra kendisine hediye edilen

en sevdiği tişörtünü giyiyor,

hepimiz onun nasıl mutlu olduğunu

ve şu anda kafasından geçenleri
söyleyebiliriz.

Bu benim oğlum Leo.

Görsel zeka araştırmalarımda,

durmaksızın Leo'yu

ve içinde yaşayacağı geleceği düşünüyorum.

Makineler görebildiğinde,

doktor ve hemşireler, tanı koymak ve
hastalarla ilgilenmek için

ek olarak yorulmayan
göz çiftlerine sahip olacaklar.

Arabalar yollarda daha güvenli
daha akıllı bir şekilde gidecek.

Robotlar, sadece insanlar değil,

enkaz bölgelerinde tutsak ve yaralıları
kurtarmada bizimle göğüs gerecekler.

Yeni tür, daha iyi malzemeler bulacak

ve makinelerin yardımıyla, görünmeyen
sınırları keşfedeceğiz.

Azar azar, makinelere görme yetisini
veriyoruz.

Önce, biz onlara görmeyi öğretiyoruz.

Sonra, onlar daha iyi görebilmemiz için
bize yardım ediyor.

Öncelikle, dünyamızı keşfetmek
ve düşünmek için gözlerimiz

sadece insan gözleri olmayacak.

Makineleri sadece zekaları için
kullanmıyor,

aynı zamanda hayal bile edemeyeceğimiz bir
şekilde onlarla iş birliği yapıyoruz.

Benim araştırmam bu:

bilgisayarlara görsel zekayı vermek

ve Leo için, dünya için daha iyi bir
gelecek oluşturmak.

Teşekkürler.

(Alkış)