Return to Video

Öğrenebilen bilgisayarların müthiş ve ürkütücü uygulamaları

  • 0:00 - 0:02
    Eskiden bilgisayarınıza
  • 0:02 - 0:04
    yeni bir şeyler yaptırmak isteseniz
  • 0:04 - 0:06
    programlamanız gerekirdi.
  • 0:06 - 0:09
    Şimdi, programlama; burada hiç yapmayanlar
  • 0:09 - 0:12
    için söylüyorum, her adımı, her detayı
  • 0:12 - 0:15
    bilgisayarın yapmasını istediğin
    her şeyi amacına
  • 0:15 - 0:19
    ulaşman için tasarlaman gerekir.
  • 0:19 - 0:22
    Nasıl yapacağını bilmediğin bir şeyi
  • 0:22 - 0:25
    yapmak istiyorsan bu çok zorlu olacak.
  • 0:25 - 0:28
    Arthur Samuel de bunu yaptı.
  • 0:28 - 0:32
    1956'da bilgisayarının onu
  • 0:32 - 0:35
    damada yenebilmesini istiyordu.
  • 0:35 - 0:37
    Her detayıyla nasıl bir
    program tasarlayarak
  • 0:37 - 0:41
    damada senden daha iyi
    olmasını sağlayabilirsin?
  • 0:41 - 0:42
    Bu soruna bir çözüm buldu:
  • 0:42 - 0:46
    Binlerce kez bilgisayarıyla dama oynayacak
  • 0:46 - 0:48
    ve böylece bilgisayara damayı öğrenecekti.
  • 0:48 - 0:52
    Bu işe yaradı ve 1962'de bilgisayar
  • 0:52 - 0:56
    Connecticut eyaleti şampiyonunu yendi.
  • 0:56 - 0:59
    Bu şekilde Arthur Samuel,
    makine öğrenmenin
  • 0:59 - 1:00
    fikir öncüsüydü ve ona borçluyum,
  • 1:00 - 1:03
    çünkü bir makine öğrenimi uygulayıcısıyım.
  • 1:03 - 1:04
    200 bini aşkın uygulayıcıyı
  • 1:04 - 1:08
    biraraya getiren Kaggle'ın başkanıydım.
  • 1:08 - 1:10
    Kaggle yarışmalar düzenleyip çözülememiş
  • 1:10 - 1:14
    problemleri çözmeye çalışıyordu ve
  • 1:14 - 1:17
    yüzlerce kez başarılı oldular.
  • 1:17 - 1:20
    Bu açıdan bakıldığında, makine öğreniminin
  • 1:20 - 1:24
    geçmişte, günümüzde ve gelecekte planlanan
  • 1:24 - 1:26
    çalışmaları hakkında çok şey öğrendim.
  • 1:26 - 1:28
    Ticari anlamda belki de
  • 1:28 - 1:29
    makine öğreniminin
  • 1:29 - 1:31
    ilk başarısı Google'dır.
  • 1:31 - 1:33
    Google bilgisayar algoritması ile
  • 1:33 - 1:36
    bilgilere erişmeyi mümkün kılar ve
  • 1:36 - 1:38
    bu algoritma makine öğrenimini temel alır.
  • 1:38 - 1:42
    Bugüne kadar birçok ticari
    olarak başarılı uygulaması oldu.
  • 1:42 - 1:45
    Amazon, Netflix gibi bir çok
  • 1:45 - 1:47
    başarılı şirket makine öğrenimini
  • 1:47 - 1:48
    ürünlerini ve filmlerini
  • 1:48 - 1:50
    satmak için kullanmışlardır.
  • 1:50 - 1:52
    Bu bazen ürkütücü olabilir.
  • 1:52 - 1:54
    LinkedIn ve Facebook gibi
    şirketler bazen size
  • 1:54 - 1:56
    tanıyor olabileceğiniz kişileri
    gösterir ve siz
  • 1:56 - 1:58
    bunu nasıl yaptığını bilemezsiniz; işte
  • 1:58 - 2:01
    bu makine öğreniminin eseridir.
  • 2:01 - 2:04
    Bu sistem, programlanmak yerine datadan
  • 2:04 - 2:07
    öğrenen algoritmalardan oluşur.
  • 2:07 - 2:10
    Bu IBM'in Watson ile Jeopardy yarışmasında
  • 2:10 - 2:14
    oldukça zor ve karışık soruları doğru
  • 2:14 - 2:17
    cevaplayarak nasıl iki dünya şampiyonunu
  • 2:17 - 2:20
    yenmeyi başardığını açıklar.
  • 2:20 - 2:23
    İnsansız arabalar da
    bu sistem ile çalışır.
  • 2:23 - 2:26
    Yaya ile ağaç arasındaki farkı söylemek
  • 2:26 - 2:28
    isterseniz buyrun, söyleyin bu çok önemli.
  • 2:28 - 2:31
    Bu programların elle nasıl yazıldığını
  • 2:31 - 2:34
    bilmiyoruz ama makine öğrenimi ile mümkün.
  • 2:34 - 2:36
    Ve bu arabalar bir düz yolda
  • 2:36 - 2:39
    kaza yapmadan 1 milyon mili aştı.
  • 2:41 - 2:42
    Böylece bilgisayarların,
    öğrenebildiğini
  • 2:42 - 2:44
    ve bazen bizim yapmayı bilmediğimiz
  • 2:44 - 2:46
    şeyleri yapmayı öğrenebildiklerini
  • 2:46 - 2:49
    veya bizden bunları bizden daha
  • 2:49 - 2:52
    iyi yapabileceklerini görüyoruz.
  • 2:52 - 2:54
    Makine öğreniminin en iyi örneklerini
  • 2:54 - 2:58
    Kaggle'da yürüttüğümüz bir projede gördüm:
  • 2:58 - 3:02
    Toronto Üniversitesi'nden Geoffrey Hinton
  • 3:02 - 3:04
    ve ekibi otomatik uyuşturucu tespiti
  • 3:04 - 3:06
    alanında yarışmayı kazandı.
  • 3:06 - 3:07
    Burada ilginç olansa;
  • 3:07 - 3:10
    Merck veya uluslararası akademik çevrenin
  • 3:10 - 3:13
    geliştirdiği bütün algoritmaları kimya
  • 3:13 - 3:15
    ve biyoloji gibi alanlarda geçmişi
  • 3:15 - 3:18
    olmayan kişilerin algoritmayı
    çözmeleri değil bunu
  • 3:18 - 3:20
    2 haftada yapmış olmaları.
  • 3:20 - 3:22
    Peki bunu nasıl başardılar?
  • 3:22 - 3:25
    Derin Öğrenme denilen olağanüstü
    bir algoritma kullandılar.
  • 3:25 - 3:28
    Bu o kadar önemli bir başarıydı ki birkaç
  • 3:28 - 3:31
    hafta sonra New York Times'ın
    kapağında yer aldı.
  • 3:31 - 3:34
    Sol kenarda Geoffrey Hinton vardı.
  • 3:34 - 3:38
    Derin Öğrenme, insan beyninin
    çalışmasından
  • 3:38 - 3:40
    ilham alınarak
    oluşturulmuş bir algoritmadır
  • 3:40 - 3:44
    ve kapasitesi konusunda
    teorik kısıtlamalar içermez.
  • 3:44 - 3:46
    Ona ne kadar çok veri ve zaman verirseniz
  • 3:46 - 3:48
    o kadar iyi sonuçlar
    elde edersiniz.
  • 3:48 - 3:51
    New York Times'ın haberinde derin öğrenme
  • 3:51 - 3:52
    ile elde edilen
  • 3:52 - 3:53
    bir sonuç daha vardı;
  • 3:53 - 3:54
    onu da şimdi göstereceğim:
  • 3:55 - 3:56
    Sonuca göre:
  • 3:56 - 3:58
    Bilgisayarlar dinleyebilir
  • 3:58 - 4:01
    ve anlayabilir.
  • 4:01 - 4:03
    Richard Rashid:"Bu yöntemde
  • 4:03 - 4:05
    son aşamada gelebilmek
  • 4:05 - 4:07
    istediğim nokta
  • 4:07 - 4:10
    sizinle Çince konuşmak.
  • 4:11 - 4:12
    Olay şu ki;
  • 4:12 - 4:15
    bir çok Çinliden çok miktarda
  • 4:15 - 4:18
    bilgi alma imkanımız oldu
  • 4:18 - 4:21
    ve Çince bir metni alan ve
  • 4:21 - 4:25
    Çin diline çeviren yani yazıyı
  • 4:25 - 4:28
    konuşmaya dönüştüren
    bir sistem oluşturduk.
  • 4:28 - 4:32
    Sonra konuşmamın bir saatlik kısmını aldık
  • 4:32 - 4:34
    ve standart metni konuşma sistemine
  • 4:34 - 4:35
    modüle ettik sonuç olarak
  • 4:35 - 4:37
    benim konuşmam gibi olmalıydı.
  • 4:37 - 4:39
    Sonuç mükemmel olmadı elbette.
  • 4:39 - 4:42
    Hatta bir çok hata vardı.
  • 4:42 - 4:44
    (Çince)
  • 4:44 - 4:48
    (Alkışlar)
  • 4:49 - 4:53
    Bu alanda daha çok çalışılması gerekiyor.
  • 4:53 - 4:57
    (Çince)
  • 4:57 - 5:00
    (Alkışlar)
  • 5:01 - 5:05
    Bu, Çinde makine öğrenimi konferansıydı.
  • 5:05 - 5:07
    Genelde akademik konferanslarda
  • 5:07 - 5:09
    spontane alkışlamalar olmaz ancak
  • 5:09 - 5:12
    TEDx konferanslarında rastlanabilir.
  • 5:12 - 5:14
    Burada gördüğünüz her şey
  • 5:14 - 5:16
    derin öğrenme ile gerçekleşiyor.
  • 5:16 - 5:17
    (Alkışlar)
    Teşekkürler.
  • 5:17 - 5:19
    İngilizce uyarlama derin
    öğrenme ile yapıldı.
  • 5:19 - 5:23
    Çince çeviri ve sağ üstteki
    metin derin öğrenmeyle,
  • 5:23 - 5:26
    ve yine sesin entegre edilmesi
    de derin öğrenme ile yapıldı.
  • 5:26 - 5:29
    Derin öğrenme alışılmışın dışında bir şey.
  • 5:29 - 5:30
    Tek bir algoritma
    neredeyse
  • 5:30 - 5:32
    her şeyi yapabilecek gibi duruyor
  • 5:32 - 5:35
    ve geçen sene öğrendim ki
    görmeyi de öğrenmiş.
  • 5:35 - 5:38
    Almanya'da Alman Trafik
    İşaretleri Karşılaştırması
  • 5:38 - 5:40
    olarak adlandırılan yarışmada
  • 5:40 - 5:44
    derin öğrenme bu gibi
    işaretleri algılamayı öğrendi.
  • 5:44 - 5:46
    Diğer algoritmalardan daha iyi algılamakla
  • 5:46 - 5:48
    kalmayıp, yarışmanın
    sıralamasına bakıldığında
  • 5:48 - 5:50
    insanlardan da daha iyi tanıdı;
  • 5:50 - 5:52
    hatta iki katı daha fazla.
  • 5:52 - 5:54
    2011 yılında, bilgisayarların insanlardan
  • 5:54 - 5:57
    daha iyi görebildiğini anladık.
  • 5:57 - 5:59
    O zamandan beri sayısız çalışma yapıldı.
  • 5:59 - 6:03
    2012'de Google; Youtube
    videolarını izleyen
  • 6:03 - 6:05
    ve aylık 16.000 bilgisayardaki
    veriyi sıkıştırabilen
  • 6:05 - 6:08
    derin öğrenme algoritmaları
    olduğunu açıkladı.
  • 6:08 - 6:11
    Ayrıca bilgisayarlar
    ayrı ayrı insan ve kedi
  • 6:11 - 6:14
    gibi konseptleri izleyerek öğrendi.
  • 6:14 - 6:16
    Bu insanların öğrenmesine benziyor.
  • 6:16 - 6:19
    İnsanlar gördüklerinin
    anlatılmasıyla değil
  • 6:19 - 6:22
    kendileri başlarına öğrenirler.
  • 6:22 - 6:26
    Yine 2012'de az önce
    gördüğümüz Geoffrey Hinton
  • 6:26 - 6:30
    1.5 milyon fotoğrafa
    bakarak neyin fotoğrafları
  • 6:30 - 6:32
    olduğunu çözmeye çalışarak
  • 6:32 - 6:35
    popüler olan ImageNet yarışmasını kazandı.
  • 6:35 - 6:37
    2014 yılında görüntü tanımada
  • 6:37 - 6:39
    %6 lık hata payına düştük.
  • 6:39 - 6:41
    Bu da insanlardan daha iyi.
  • 6:41 - 6:44
    Makinalar gerçekten bu alanda
    harika işler yapıyor
  • 6:44 - 6:47
    ve artık endüstride de kullanılıyor.
  • 6:47 - 6:50
    Mesela Google, geçen yıl Fransa'daki
  • 6:50 - 6:52
    her bir konumu 2 saatte haritada
  • 6:52 - 6:54
    işaretlediğini duyurdu ve
  • 6:54 - 6:57
    cadde numaralarını okumak ve tanımlamak
  • 6:57 - 6:59
    için cadde görüntülerini
  • 6:59 - 7:02
    bir derin öğrenme
    algoritmasında kullandılar.
  • 7:02 - 7:05
    Bunun önceleri ne kadar sürdüğünü düşünün:
  • 7:05 - 7:07
    binlerce insan, bir çok yıl.
  • 7:09 - 7:10
    Bu Çin'de de oldu.
  • 7:10 - 7:14
    Baidu bir çeşit Çin'in Google'ı, sanırım,
  • 7:14 - 7:17
    sol üst köşede gördüğünüz Baidu'nun
  • 7:17 - 7:18
    derin öğrenme sistemine
  • 7:18 - 7:21
    yüklediğim görüntünün örneği
  • 7:21 - 7:24
    ve arkaplanda ise sistemin görüntüyü
  • 7:24 - 7:27
    tanımlayıp benzerlerini
    bulduğunu görebilirsiniz.
  • 7:27 - 7:29
    Benzer resimler gerçekten de
    benzer arka planlara,
  • 7:29 - 7:31
    benzer yüz açılarına sahip
  • 7:31 - 7:33
    hatta bazılarında dilleri dışarıda.
  • 7:33 - 7:36
    Tam olarak web sayfasının
    metnine bakmak gibi değil.
  • 7:36 - 7:38
    Tek yaptığım resim yüklemekti.
  • 7:38 - 7:40
    O halde gördüklerini anlayabilen ve
  • 7:40 - 7:42
    bu sayede gerçek zamanlı olarak yüz
  • 7:42 - 7:44
    milyonlarca görüntüyü veritabanlarında
  • 7:44 - 7:46
    arayabilen bilgisayarlar var.
  • 7:46 - 7:49
    Peki bilgisayarların görmesi
    ne anlama geliyor?
  • 7:49 - 7:51
    Sadece görebilmesini sağlamak değil
  • 7:51 - 7:54
    aslında derin öğrenme
    bundan daha fazlasını yaptı.
  • 7:54 - 7:57
    Bu gibi karmaşık ve incelikli cümleler
  • 7:57 - 7:59
    artık derin öğrenme
    algoritmalarıyla anlaşılabilir.
  • 7:59 - 8:01
    Gördüğünüz üzere;
  • 8:01 - 8:03
    Stanford-tabanlı sistem, üstteki kırmızı
  • 8:03 - 8:07
    noktanın negatif bir
    his ifade ettiğini anlıyor.
  • 8:07 - 8:09
    Derin öğrenme hatta
  • 8:09 - 8:11
    cümlelerin ne hakkında olduğunu
  • 8:11 - 8:13
    ve anlamlarını anlamada insan
  • 8:13 - 8:15
    performansına yaklaşmış durumda.
  • 8:16 - 8:18
    Aynı zamanda derin öğrenme Çin
  • 8:18 - 8:22
    anadil seviyesinde Çince
    okumada da kullanıldı.
  • 8:22 - 8:25
    Bu algoritma Çince konuşamayan ve
  • 8:25 - 8:28
    anlamayan insanlar
    tarafından İsviçre'de geliştirildi.
  • 8:28 - 8:31
    Bahsettiğim gibi derin
    öğrenme kullanma bu işte
  • 8:31 - 8:34
    dünyadaki en iyi sistem yerel insanların
  • 8:34 - 8:37
    anlama performansına göre bile.
  • 8:37 - 8:40
    Bu sistem şirketimde oluşturuldu
  • 8:40 - 8:42
    ve bu tarz şeyleri bir arada
    toplamayı gösteriyor.
  • 8:42 - 8:45
    Bu resimlere eklenmiş metin yok ve
  • 8:45 - 8:47
    ben buraya cümle yazarken gerçek
  • 8:47 - 8:50
    zamanlı olarak resimleri algılıyor,
  • 8:50 - 8:52
    ne hakkında olduklarını çözüyor ve
  • 8:52 - 8:54
    yazdığım metne benzer resimleri buluyor.
  • 8:54 - 8:57
    Görüyorsunuz, bu aslında
    cümlelerimi anlama
  • 8:57 - 8:59
    ve bu resimleri anlama.
  • 8:59 - 9:02
    Benzerini Google'da
    gördüğünüzü düşünüyorum;
  • 9:02 - 9:05
    bir şeyleri yazarken size
    resimler gösterir ama
  • 9:05 - 9:08
    asıl yaptığı web sayfalarında
    yazdıklarınızı aramaktır.
  • 9:08 - 9:11
    Bu aslında resimleri anlamaktan
    oldukça farklı.
  • 9:11 - 9:14
    Bu son bir kaç ayda ilk kez
  • 9:14 - 9:17
    bilgisayarların yapabildiği bir şey.
  • 9:17 - 9:19
    O halde görüyoruz ki bilgisayarlar
  • 9:19 - 9:21
    görebilmekle kalmıyor aynı zamanda
  • 9:21 - 9:23
    okuyabiliyor ve zaten duyduklarını
  • 9:23 - 9:25
    anlayabildiklerini de göstermiştik.
  • 9:25 - 9:27
    Belki yazabildiklerini söylesem
  • 9:27 - 9:29
    artık şaşırtıcı gelmez.
  • 9:29 - 9:31
    İşte burada dün derin
    öğrenme algoritmasıyla
  • 9:31 - 9:34
    oluşturduğum metin.
  • 9:34 - 9:37
    Ve burada algoritma tarafından
    geliştirilen metinler var.
  • 9:37 - 9:40
    Bu cümlelerin her biri
    resimleri tanımlamak
  • 9:40 - 9:43
    için derin öğrenme
    algoritmasıyla geliştirildi .
  • 9:43 - 9:45
    Algoritma daha önce siyah tişörtlü
  • 9:45 - 9:47
    gitar çalan birini hiç görmemişti.
  • 9:47 - 9:50
    Önceden adamı görmüştü, siyahi görmüştü,
  • 9:50 - 9:53
    gitarı görmüştü ama bu resmin roman
  • 9:53 - 9:55
    tasvirini ayrı olarak yaptı.
  • 9:56 - 9:59
    Hala tam olarak insan performansında
  • 9:59 - 10:00
    değiliz ama yakınız.
  • 10:00 - 10:02
    Testlerde 1/4 oranında
    insanlar, bilgisayar
  • 10:02 - 10:05
    tarafından oluşturulan yazıları seçiyor.
  • 10:05 - 10:07
    Bu sistem şuan sadece 2 haftalık
  • 10:07 - 10:09
    ama muhtemelen gelecek yıl içerisinde
  • 10:09 - 10:11
    bu oranlarda devam ederse
  • 10:11 - 10:12
    algoritma insan performansını
  • 10:12 - 10:14
    hayli geçmiş olacak.
  • 10:14 - 10:17
    Yani bilgisayarlar yazabiliyor da.
  • 10:17 - 10:18
    Tüm bunları birleştirdik
  • 10:18 - 10:20
    ve durum heyecan verici fırsatlar yarattı.
  • 10:20 - 10:23
    Örneğin; sağlık alanında
    Boston'da bir takım,
  • 10:23 - 10:26
    doktorların kanser teşhisine yardımcı
  • 10:26 - 10:29
    düzinelerce kliniksel
    olarak ilişkili tümör
  • 10:29 - 10:32
    özellikleri keşfettiklerini duyurdu.
  • 10:32 - 10:34
    Benzer olarak Stanford' da
  • 10:34 - 10:37
    büyüme altındaki dokulara bakan bir grup;
  • 10:37 - 10:40
    kanser hastalarının sağkalım
    oranlarını ölçmede
  • 10:40 - 10:43
    patoloji uzmanlarından daha iyi olan,
  • 10:43 - 10:47
    makine öğrenmesine dayalı
    bir sistem geliştirdi.
  • 10:47 - 10:49
    Bu iki durumda da tahminlerin daha
  • 10:49 - 10:51
    hatasız olmasının yanı sıra kavrama
  • 10:51 - 10:54
    açısından güçlü yeni
    bir bilim geliştirdiler.
  • 10:54 - 10:56
    Radyoloji vakasındakiler insanların
  • 10:56 - 10:58
    anlayabileceği yeni
    kliniksel indikatörlerdi.
  • 10:58 - 11:00
    Patoloji vakasında ise bilgisayar,
  • 11:00 - 11:04
    tanı yapılırken kanser
    etrafındaki hücrelerin kanser
  • 11:04 - 11:09
    hücreleri kadar önemli olduğunu keşfetti.
  • 11:09 - 11:12
    Bu patoloji uzmanlarına onlarca
  • 11:12 - 11:14
    yıldır öğretilenlerin tam tersi.
  • 11:15 - 11:18
    Bu iki vakada da tıp uzmanları ve
  • 11:18 - 11:20
    makine öğrenmesi uzmanlarının
  • 11:20 - 11:22
    birleşip geliştirdiği bir sistemdi
  • 11:22 - 11:24
    ancak geçen yıl bunu da geçtik.
  • 11:24 - 11:27
    Bu örnek mikroskop altındaki insan
  • 11:27 - 11:30
    dokusunun kanserli bölgelerini
    tanımlamak üzerine.
  • 11:30 - 11:33
    Burada gösterilen sistem bu alanları daha
  • 11:33 - 11:36
    isabetli olarak belirleyebiliyor,
  • 11:36 - 11:38
    ya da en az patoloji uzmanı kadar
  • 11:38 - 11:41
    ama tümüyle derin öğrenme kullanılarak ve
  • 11:41 - 11:43
    herhangi bir tıp geçmişi olmayan
  • 11:43 - 11:45
    insanlar tarafından geliştirildi.
  • 11:45 - 11:48
    Benzer olarak nöron segmentasyonu da.
  • 11:48 - 11:49
    Şu an nöronları insanlar kadar
  • 11:49 - 11:51
    isabetli segmentleyebiliyoruz
  • 11:51 - 11:52
    ki bu sistem derin öğrenme
  • 11:52 - 11:54
    kullanılarak hiç bir tıbbi geçmişi
  • 11:54 - 11:56
    olmayan kişiler tarafından geliştirildi.
  • 11:57 - 12:00
    Aynı şekilde ben de, hiç bir tıbbi geçmişim
  • 12:00 - 12:02
    olmadığı halde medikal alanında
  • 12:02 - 12:05
    yeni bir şirket açabilirim ki açtım da.
  • 12:06 - 12:09
    Şirketi açma konusunda
    biraz korkmuştum ama
  • 12:09 - 12:12
    teoride bu veri analiz
    tekniklerini kullanarak
  • 12:12 - 12:16
    yararlı ilaçlar yapmak mümkün görünüyordu.
  • 12:16 - 12:18
    Neyse ki geri dönüşler harikaydı
  • 12:18 - 12:20
    sadece medya değil tıp çevresinde de
  • 12:20 - 12:23
    ki aynı zamanda çok da destekleyicilerdi.
  • 12:23 - 12:26
    Teoride, medikal sürecin
    orta bölümünü alıp
  • 12:26 - 12:29
    mümkün olduğunca veri analizine çevirerek
  • 12:29 - 12:32
    doktorları en iyi oldukları
    alana yoğunlaştırabiliriz.
  • 12:33 - 12:35
    Bir örnek vermek istiyorum.
  • 12:35 - 12:37
    Yeni bir tıbbi teşhis testini
  • 12:37 - 12:40
    üretmek 15 dakikamızı alır
  • 12:40 - 12:42
    ve gerçek zamanlı olarak da göstereceğim
  • 12:42 - 12:44
    ama bazı parçalarını keserek
  • 12:44 - 12:46
    süreci 3 dakikaya indirdim.
  • 12:46 - 12:49
    Tıbbi teşhis testini oluşturmayı
    göstermek yerine
  • 12:49 - 12:50
    daha anlaşılır olduğu için
  • 12:50 - 12:54
    araba görüntülerini tanımlama
    testini göstereceğim.
  • 12:54 - 12:57
    Yaklaşık 1.5 milyon araba
    resmiyle başlıyoruz ve
  • 12:57 - 12:59
    çekildikleri açılara göre onları
  • 12:59 - 13:03
    ayırabilecek bir şey yaratmak istiyorum.
  • 13:03 - 13:05
    Bütün resimler etiketsiz bu yüzden
  • 13:05 - 13:06
    sıfırdan başlamak zorundayım.
  • 13:07 - 13:10
    Derin öğrenme algoritmamızla resimlerdeki
  • 13:10 - 13:12
    yapıların alanlarını otomatik
    olarak algılayabilir.
  • 13:12 - 13:14
    Güzel olan, şu andan itibaren
  • 13:14 - 13:16
    insan ile bilgisayar
    artık ortak çalışabilir.
  • 13:16 - 13:19
    Gördüğünüz gibi insan burada bilgisayara;
  • 13:19 - 13:21
    daha sonra deneyip, algoritmasını
  • 13:21 - 13:23
    geliştirmede kullanması için
  • 13:23 - 13:25
    ilgi alanlarını söylüyor.
  • 13:25 - 13:27
    Bu derin öğrenme sistemleri
  • 13:27 - 13:29
    aslında 16.000 boyutlu uzay
  • 13:29 - 13:31
    ve gördüğünüz gibi
    bilgisayar burada
  • 13:31 - 13:33
    uzay boyunca döndürüp yeni yapı
  • 13:33 - 13:35
    alanları bulmaya çalışıyor.
  • 13:35 - 13:38
    Başarıyla yapınca da daha sonra bunu süren
  • 13:38 - 13:41
    kişi ilgi çekici olan alanları gösteriyor.
  • 13:41 - 13:44
    Ve burada bilgisayar başarılı
    bir şekilde alanları buldu.
  • 13:44 - 13:46
    Örneğin: Açılar.
  • 13:46 - 13:48
    Bu süreç devam ederken,
  • 13:48 - 13:50
    bilgisayara aradığımız yapı türlerini
  • 13:50 - 13:52
    adım adım söylüyoruz.
  • 13:52 - 13:54
    Teşhis testinde pataloji uzmanının
  • 13:54 - 13:57
    patoz alanlarını tanımlaması
    gibi düşünebilirsin
  • 13:57 - 13:59
    ya da örneğin radyolojistin sıkıntı
  • 13:59 - 14:02
    yaratabilecek nodülleri göstermesi gibi.
  • 14:02 - 14:05
    Bazen algoritma için sıkıntılı olabilir.
  • 14:05 - 14:07
    Bu vaka da biraz kafası karışmış.
  • 14:07 - 14:10
    Arabaların önleri ve
    arkaları karmakarışık.
  • 14:10 - 14:12
    Burada biraz daha dikkatli olmalıyız,
  • 14:12 - 14:14
    arkalara karşılık önleri elle seçmekte ve
  • 14:14 - 14:17
    daha sonra bunun ilgilendiğimiz tipte
  • 14:17 - 14:20
    bir grup olduğunu söylemekte.
  • 14:22 - 14:24
    Bunu biraz yapıyoruz,
    biraz atlıyoruz bunu,
  • 14:24 - 14:26
    sonra makine öğrenmesi algoritmasını
  • 14:26 - 14:28
    bu yüzlerce kadar olan
  • 14:28 - 14:29
    şeylere dayanarak eğitiyoruz
  • 14:29 - 14:31
    ve daha iyi olmasını ümit ediyoruz.
  • 14:31 - 14:34
    Bazı resimlerin solmaya
    başladığını görebilirsiniz
  • 14:34 - 14:36
    ve bize bazılarını kendisinin önceden
  • 14:36 - 14:39
    nasıl anlaması gerektiğini
    farkettiğini gösteriyor.
  • 14:39 - 14:41
    Bu benzer resimler
    konseptini kullanabiliriz
  • 14:41 - 14:44
    ve benzer resimleri
    kullanarak bilgisayarın
  • 14:44 - 14:46
    bu noktada arabaların sadece
  • 14:46 - 14:48
    önlerini bulabildiğini görebilirsiniz.
  • 14:48 - 14:50
    Bu aşamada bilgisayar insana:
  • 14:50 - 14:52
    "Tamam, peki, iyi iş çıkardın." diyebilir.
  • 14:52 - 14:56
    Bazen, elbette, bu noktada bile
  • 14:56 - 14:59
    grupların arasından seçmek zor.
  • 14:59 - 15:02
    Bu durumda, bilgisayarın
    biraz çevirmesine izin
  • 15:02 - 15:05
    verdikten sonra bile sağ ve sol taraftaki
  • 15:05 - 15:08
    resimlerin karmakarışık
    olarak bulabiliriz.
  • 15:08 - 15:10
    Yine bilgisayara bir takım
    ipuçları verebiliriz,
  • 15:10 - 15:13
    ve diyebiliriz ki :"Tamam, derin
    öğrenme algoritmasını
  • 15:13 - 15:16
    kullanarak sağ ve sol tarafları mümkün
  • 15:16 - 15:18
    olduğunca ayırabilecek
    bir projeksiyon bulmaya çalış. "
  • 15:18 - 15:20
    Ve ipucunu verince başarılı oldu.
  • 15:20 - 15:23
    Objeleri birbirinden
    ayırabilmek için gereken
  • 15:23 - 15:25
    düşünme şeklini birlikte bulabildiler.
  • 15:26 - 15:28
    Yani buradaki fikri anladınız.
  • 15:30 - 15:34
    Buradaki durum; insanın
    yerine bilgisayarın geçmesi
  • 15:36 - 15:39
    değil birlikte çalışmaları.
  • 15:39 - 15:42
    Burada yaptığımız ise; 6 ya da 7 kişilik
  • 15:42 - 15:45
    bir takımın yaklaşık 7
    senede yapacağı bir şeyi,
  • 15:45 - 15:47
    bir kişinin yaklaşık 15 dakikada
  • 15:47 - 15:50
    yapacağı bir şeyle değiştirmek.
  • 15:50 - 15:54
    Bu süreç yaklaşık 4 ya da
    5 yineleme içeriyor.
  • 15:54 - 15:57
    Gördüğünüz gibi şuan 1.5 milyon resmimizin
  • 15:57 - 15:59
    %62 si doğru bir şekilde sınıflandırıldı.
  • 15:59 - 16:01
    Gelinen noktada, oldukça kolay bir şekilde
  • 16:01 - 16:03
    büyük bölümleri alıp hata olmadığına
  • 16:03 - 16:05
    emin olmak için kontrol edebiliriz.
  • 16:05 - 16:08
    Hata olan yerlerde ise
    bilgisayara bildirebiliriz.
  • 16:09 - 16:12
    Her farklı grup için bu tür
    bir süreç kullanarak
  • 16:12 - 16:15
    1.5 milyon görüntüyü sınıflandırmada
  • 16:15 - 16:17
    %80 başarı yüzdesine çıktık.
  • 16:18 - 16:20
    Bu noktada konu sadece
  • 16:20 - 16:21
    doğru sınıflandırılmamış olan
  • 16:21 - 16:23
    küçük numarayı bulmak ve
  • 16:23 - 16:26
    sebebini anlamaya çalışmak üzerine.
  • 16:26 - 16:29
    Bu yaklaşımı kullanarak; 15 dakikada
  • 16:29 - 16:32
    %97' lik sınıflandırma oranına ulaştık.
  • 16:32 - 16:34
    Bu tarz bir teknik bize çok önemli
  • 16:34 - 16:36
    bir problemi çözmeye izin verebilir;
  • 16:36 - 16:39
    dünyada tıbbi uzmanlığın
    olmadığı yerlerde.
  • 16:39 - 16:41
    Dünya Ekonomik Forumu'na göre;
  • 16:41 - 16:44
    gelişen dünyada doktor
    kıtlığı 10 ile 20 katı
  • 16:44 - 16:47
    arasında ve 300 yıl alacaktır bu problemi
  • 16:47 - 16:50
    çözmek için yeterli insan yetiştirmek.
  • 16:50 - 16:53
    Düşünün ki derin öğrenme
    yaklaşımını kullanarak
  • 16:53 - 16:57
    verimliliklerini artırmaya
    yardım edebilsek?
  • 16:57 - 16:59
    Fırsatlar konusunda oldukça heycanlıyım.
  • 16:59 - 17:01
    Aynı zamanda
    problemlerle de ilgileniyorum.
  • 17:01 - 17:04
    Buradaki problem ise; haritadaki
  • 17:04 - 17:06
    her mavi alanda servisler
  • 17:06 - 17:08
    istihdamın %80 den fazla.
  • 17:08 - 17:10
    Servisler nedir?
  • 17:10 - 17:11
    İşte servisler.
  • 17:11 - 17:13
    Bunlar aynı zamanda bilgisayarın
  • 17:13 - 17:15
    yapılma şeklini öğrendiği şeyler.
  • 17:15 - 17:18
    Yani gelişen dünyadaki
    istihdamın %80 'inin
  • 17:18 - 17:20
    yaptığı şeyler aynı zamanda bilgisayarın
  • 17:20 - 17:22
    nasıl yapılacağını öğrendiği şeyler.
  • 17:22 - 17:25
    Bu ne anlama geliyor?
    Tamam, bir şey olmayacak.
  • 17:25 - 17:27
    Başka işlerle yer değiştirilcekler.
  • 17:27 - 17:29
    Örneğin; Veri bilimciler
    için daha fazla iş olacak.
  • 17:29 - 17:30
    Aslında öyle değil.
  • 17:30 - 17:32
    Veri bilimcilerin bunları yapmaları
  • 17:32 - 17:34
    çok zamanlarını almaz.
  • 17:34 - 17:35
    Örneğin; bu 4 algoritma da aynı
  • 17:35 - 17:37
    adam tarafından geliştirildi.
  • 17:37 - 17:39
    Yani eğer; daha önceden de olmuştu,
  • 17:39 - 17:42
    yeni işlerin gelip yer değiştirdiği
  • 17:42 - 17:44
    zamanların sonuçlarını gördük.
  • 17:44 - 17:46
    Bu yeni işlere ne olacak?
  • 17:46 - 17:48
    Bunu kestirmek bizim için oldukça zor
  • 17:48 - 17:51
    çünkü insan performansı
    bu şekilde kademeli olarak
  • 17:51 - 17:53
    artıyor ama artık biz bir sisteme,
    derin öğrenmeye
  • 17:53 - 17:56
    sahibiz yani katlanarak
    büyüme kapasitesine
  • 17:56 - 17:58
    sahip olduğunu biliyoruz.
  • 17:58 - 17:59
    Ve burdayız.
  • 17:59 - 18:01
    Şu anda, etrafımızdaki
    şeyleri görüyoruz ve:
  • 18:01 - 18:03
    "Bilgisayarlar hala aptal." değil mi?
  • 18:03 - 18:05
    Ama 5 yıllık süre içinde bilgisayarlar
  • 18:05 - 18:07
    bu çizelgenin dışında olacak.
  • 18:07 - 18:10
    Yani bu kabiliyeti hemen
    düşünmeye başlamalıyız.
  • 18:10 - 18:12
    Bunu daha önceden görmüştük, elbette.
  • 18:12 - 18:15
    Sanayi devriminde, motorlar sayesinde
  • 18:15 - 18:17
    kapasitede kademe atlamayı gördük.
  • 18:17 - 18:20
    Mesele şu ki, yine de bir süre sonra
  • 18:20 - 18:21
    işler düzeliyor.
  • 18:21 - 18:23
    Sosyal bozulma vardı ama bir kez
  • 18:23 - 18:25
    motorlar güç üretmek için kullanıldı
  • 18:25 - 18:28
    ve tüm durumlar, her şey düzene oturdu.
  • 18:28 - 18:31
    Makine Öğrenmesi Devrimi
    Sanayi devriminden
  • 18:31 - 18:33
    çok daha farklı olacak çünkü
  • 18:33 - 18:36
    Makine Öğrenmesi Devrimi
    asla durulmayacak.
  • 18:36 - 18:38
    Bilgisayarlar entelektüel
    aktiviteler de iyiye gittikçe,
  • 18:38 - 18:40
    entelektüel kapasitede daha
  • 18:40 - 18:42
    iyi olan bilgisayarlar üretilecek.
  • 18:42 - 18:45
    Yani bu dünyanın daha önce tanık olmadığı
  • 18:45 - 18:47
    türde bir değişim olacak bu yüzden
  • 18:47 - 18:50
    neyin mümkün olduğu konusunda ki
  • 18:50 - 18:51
    önceki anlayışınız farklı.
  • 18:51 - 18:53
    Şimdiden bizi etkiliyor.
  • 18:53 - 18:56
    Son 25 yılda, kapital üretim arttıkça
  • 18:56 - 19:01
    işçi verimliliği sabitti
    hatta biraz inişteydi.
  • 19:01 - 19:03
    Bu yüzden bu konuyu tartışmaya
  • 19:03 - 19:05
    başlamamızı istiyorum.
  • 19:05 - 19:07
    İnsanlara bu durum hakkında çoğu kez
  • 19:07 - 19:09
    bahsettiğimde, insanlar
    oldukça ilgisiz olabiliyor.
  • 19:09 - 19:12
    Bilgisayarlar gerçek anlamda düşünemez,
  • 19:12 - 19:14
    duygusal davranmaz, şiirden anlamaz,
  • 19:14 - 19:16
    nasıl çalıştıklarını tam
    olarak anlamıyoruz.
  • 19:16 - 19:17
    Ne fark eder?
  • 19:17 - 19:20
    Bilgisayarlar şu an
    insanların ücret alarak
  • 19:20 - 19:22
    zamanlarının çoğunu
    harcadıkları şeyleri yapabiliyor.
  • 19:22 - 19:26
    O zaman sosyal ve ekonomik
    yapımızı nasıl uyduracağımızı
  • 19:26 - 19:28
    düşünmeye başlamamızın
    ve bu yeni gerçekliğin
  • 19:28 - 19:30
    farkında olmamızın tam zamanı.
  • 19:30 - 19:31
    Teşekkürler.
  • 19:31 - 19:32
    (Alkışlar)
Title:
Öğrenebilen bilgisayarların müthiş ve ürkütücü uygulamaları
Speaker:
Jeremy Howard
Description:

Bilgisayara nasıl öğreneceğini öğretirsek ne olur? Teknoloji uzmanı Jeremy Howard; bilgisayarlara Çince öğrenme ya da resimlerdeki nesneleri tanıma ve ya tıbbi teşhisleri düşünmede yardım etme yeteneğini veren tekniğin yani derin öğrenmenin akıcı alanındaki şaşırtıcı bazı yeni gelişmeleri paylaşıyor. (Bir derin öğrenme aracı saatlerce YouTube izledikten sonra kendisine "Kedi" konseptini öğretti.) Düşündüğünüzden daha erken etrafınızdaki bilgisayarların davranışlarını değiştirecek alana kendinizi kaptırın .
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
19:45

Turkish subtitles

Revisions

Our website uses cookies for analysis purposes.