Yapay zeka sözlüğü / Sinir ağı

🧠 Temeller

Sinir ağı, öğrenme sırasında parametreleri ayarlanarak giriş verilerini ihtiyaç duyulan çıktıya dönüştüren, birbirine bağlı birimlerden oluşan hesaplama modelidir.

Bursa çevresinde yaşayan ve elma fotoğraflarını görünür hasarı olmayanlar ile kontrol edilmesi gerekenler şeklinde ayırmak isteyen bir meyve yetiştiricisi düşünün. Etiketlenmiş örnekler sağlar ve sinir ağı, görüntü ile etiket arasındaki ilişkileri öğrenir. Bu, ağın meyveciliği anladığı ya da tadı değerlendirebildiği anlamına gelmez. Fotoğrafta görünenlere dayanarak belirli bir görevi yerine getirmesi gerekir.

Fotoğraf ile yanıt arasında neler olur?

Basit bir modelde giriş katmanı, verileri temsil eden sayıları alır. Sonraki katmanlar, ağırlıkları ve aktivasyon fonksiyonlarını kullanarak bu sayıları dönüştürür. Çıkış katmanı, örneğin iki kategoriden birine ait olma olasılığını verir. Aktivasyon fonksiyonları, modelin tek bir doğrusal hesaplamadan daha karmaşık ilişkileri modellemesini sağlar.

Eğitim sırasında program, tahmini beklenen sonuçla karşılaştırır, hatayı hesaplar ve parametreleri günceller. Bu işlemin tekrarlanması, eğitim örneklerine uyumu artırabilir. Ancak en önemli soru şudur: Model yeni verilerde çalışıyor mu? Daha önce gördüğü fotoğraflarda iyi sonuç vermesi tek başına yeterli değildir. Bu modellerin yapısını Google'ın sinir ağı katmanları kursunda görebilirsiniz.

Kendi örneğinizde bir fikri nasıl sınarsınız?

1. Verilecek kararı belirleyin. Elmalar için bu, genel bir “kaliteyi değerlendir” ifadesi yerine “manuel kontrole yönlendir” olabilir. Fotoğrafta görünmeyen bir kusuru olan meyveler, yalnızca görüntüyü analiz eden bir modeli sınamak için uygun değildir.

2. Tutarlı etiketler hazırlayın. Fotoğrafları açıklayan kişiler, ölçütü aynı şekilde anlamalıdır. Biri küçük bir lekeyi kusur sayarken diğeri saymıyorsa model çelişkili yönlendirmeler alır. Tartışmalı örnekleri önce görüşüp ayrı bir gruba ayırmak faydalı olur.

3. Eğitim verilerini değerlendirme verilerinden ayırın. Aynı elmanın fotoğrafları her iki grupta da bulunmamalıdır. Aksi takdirde, yeni gibi görünen bir örnek eğitim verilerindekine neredeyse tıpatıp benzeyebilir. Gerçek kullanımda farklı bir günden veya meyve partisinden alınmış örneklerle de test etmek önemlidir.

4. Sonuçları daha basit bir çözümle karşılaştırın. Tekrarlanabilir bir aydınlatma ve belirli bir rengi tespit eden bir kural yeterliyse sinir ağı gereksiz olabilir. Sorun daha karmaşık örüntülerin tanınmasını gerektiriyorsa verilerle eğitilen bir model daha anlamlıdır.

5. Hataları tek tek inceleyin. Sistemin hasarları gözden kaçırıp kaçırmadığını ya da sağlıklı meyveleri gereğinden fazla reddedip reddetmediğini not edin. Bu hataların maliyetleri farklıdır. İlk uygulamada sonuç, tüm hattı kendi başına yönetmek yerine bir insanın kontrol yapmasını önerebilir.

Sinir ağı hangi özelliği asıl özellik sanabilir?

Tüm hasarlı elmaları kırmızı bir tepside, sağlıklı olanları ise beyaz bir tepside fotoğraflarsanız model tepsinin rengini öğrenebilir. Benzer fotoğraflardaki mükemmel sonuç, bu kusuru gizler. Meyveleri farklı bir zemine taşıyıp değerlendirmenin hâlâ anlamlı olup olmadığını kontrol edin. Bu tür testler, sistemin kullandığı kestirme yolları ortaya çıkarmaya yardımcı olur.

Benzer bir sorun Türkiye'deki belgelerde de görülebilir. Faturaları sınıflandıran bir sinir ağı, belge türü yerine tedarikçinin logosuna dayanabilir. Yeni bir tedarikçi ortaya çıktığında kalite düşer. Yalnızca sunum için seçilmiş kolay örnekleri değil, gelecekteki işleyişi temsil eden verileri doğrulayın.

Uygulamada hangi sinir ağlarıyla karşılaşırsınız?

Evrişimli sinir ağları, verilerdeki yerel ilişkilerden yararlandıkları için görüntülerde sıkça kullanılır. Tekrarlayan mimariler, dizileri önceki durumu dikkate alarak işler. Transformer modelleri dikkat mekanizmalarından yararlanır ve diğerlerinin yanı sıra dil modellerinde de kullanılır. Bunlar çözüm aileleridir; metnin her zaman bir, görüntünün ise başka bir model gerektirdiğini söyleyen katı bir kural değildir.

Bir sinir ağından yararlanmak için onu sıfırdan oluşturmanız gerekmez. Hazır bir modeli çalıştırabilir, mevcut bir modeli daha dar kapsamlı bir göreve uyarlayabilir veya ayrıntıları gizleyen bir uygulama kullanabilirsiniz. Her durumda aynı işler önemini korur: amacı açıkça belirlemek, temsil gücü yüksek verileri sınamak ve hatanın sorumluluğunu kimin üstleneceğine karar vermek.

En sık yapılan hata: Sinir ağını beyinle bir tutmak

Adı ve tarihsel esin kaynağı, programın insan bilincine ya da sağduyuya sahip olduğu veya bir durumu insan gibi anladığı anlamına gelmez. Bir elmayı doğru tanıması, ona tüm çiftlik hakkında bilgi vermez. Belirli bir beceriyi yeni örneklerde değerlendirin ve koşullar değiştiğinde kontrolü tekrarlayın. Hatanın sonuçları ne kadar ağırsa, yalnızca etkileyici bir gösterime o kadar az güvenmelisiniz.