Makine Öğrenmesi (Machine Learning – ML) teknolojisinin erken uygulamalarına biz hala şaşırırken, ML hızlıca evrim geçirmeye ve bizi Derin Öğrenme (Deep Learning) gibi daha gelişmiş algoritmalara ve dallara tanıtmaya devam ediyor.

Derin öğrenmeyi (Deep Learning) kısaca açıklayacak olursak; derin öğrenme, beyin gibi biyolojik sinir sistemlerinin bilgi işleme yönteminden esinlenen Yapay Sinir Ağları (Neural Networks) olarak bilinen algoritmaları kullanır. Ve bilgisayarların her bir verinin temsil ettiği şeyi tanımlamasına ve modelleri öğrenmesine olanak tanır.

Derin öğrenmenin birincil yazılım aracı TensorFlow’dur. TensorFlow, bir açık kaynak yapay zeka kitaplığı olarak, modeller oluşturmak için veri akış grafikleri kullanır ve yazılımcıların çok katmanlı ve geniş ölçekli yapay sinir ağları oluşturmalarına olanak tanır. TensorFlow en çok: Sınıflama, Algılama, Anlama, Keşfetme, Öngörü ve Yaratma için kullanılır.

TensorFlow’un Temel Kullanım Alanları

1.Ses Tanıma/Algılama

TensorFlow’un en iyi bilinen kullanımlarından biri Ses tabanlı uygulamalardır. Doğru veri beslemesiyle, yapay sinir ağları ses sinyallerini anlayabilecek kapasitededir. bunlar;

• Ses tanıma – Çoğunlukla Nesnelerin İnterneti (Internet of Things- IoT), Otomotiv, Güvenlik ve UX/UI’da kullanılır
• Ses Vasıtasıya Arama (Voice Search) – Çoğunlukla Telekom ve Cep Telefonu Üreticileri kullanır
• Duygu Analizi (Sentiment Analysis) – En çok CRM (Müşteri İlişkileri Yönetimi) için kullanılır
• Kusur Tespiti (motor gürültüsü) – Genellikle Otomativ ve Havacılıkta kullanılır

Günlük hayatımızdaki kullanımlardan bahsetmek gerekirse de;  yeni yaygınlaşmaya başlayan akıllı telefonların ses vasıtasıyla arama yapan ve sesle aktifleştirien asistanları Apple Siri, Android Google Now ve Windows Phone için geliştirilen Microsoft Cortana’yı sayabiliriz. Bunlar şu an hemen hemen hepimizin hayatında yer alıyor.

Dilleri anlama yeteneği, Ses Tanınması için yaygın olarak kullanılan bir başka alandır. Sözlü dilden direk metne aktaran uygulamalar (Speech-to-text applications), oldukça büyük ses dosyalarındaki ses parçalarını belirlemek ve sözlü kelimeyi metin olarak yazmak için kullanılmaktadır.

Ses tabanlı uygulamalar ayrıca CRM’de de kullanılabilir. Bu uygulamaya örnek vermek gerekirse TensorFlow algoritmaları müşteri temsilcilerinin yerine kullanıldığında, çok fazla sayıda müşteriye ihtiyaç duydukları bilgilere insanlardan daha hızlı cevap verebilmekte ve müşterileri yönlendirmektedirler.

2. Metin Tabanlı Uygulamalar

TensorFlow’un başka sıkça kullanıldığı alanlar da, metin tabanlı uygulamalar aracılığıyla Duyu Analizi (CRM, Sosyal Medya), Tehdit Tespiti (Sosyal Medya, Devlet) ve Dolandırıcılık Tespitidir (Sigorta, Finans).

Dil Algılama, metin tabanlı uygulamaların en popüler kullanımlarından birisidir.

• Hepimiz, 100’den fazla dilin ve cümle kalıplarının birbirine çevirisini yapabilen Google Translate’i biliyoruz. Bu teknolojinin gelişmiş sürümleri, örneğin sözleşmelerdeki terminolojileri düz dile tercüme etmek gibi birçok komplike durumda kullanılabilir.
• Metin Özetleme

Google ayrıca, kısa metinlerin özetlenmesi için, dizi sırasıyla (sequence-to-sequence) öğrenme olarak adlandırılan bir teknik kullanmaya başladı.

Bu teknik, örneğin haber makalelerine başlıklar üretmek için kullanılabilir. Aşağıda, modelin makale metnini okuduğu ve uygun bir başlık yazdığı bir örneği görebilirsiniz.

• Başka bir Google kullanım durumu da SmartReply’dir. SmartReply, otomatik olarak e-posta yanıtları üretmekte kullanılır- yakın gelecekte bizim adımıza bizim işimizi yapan geliştirilmiş versiyonunu görmek de hiç fena olmaz!

3.Görsel Tanıma

Çoğunlukla Sosyal Medya, Cep Telefonu Üreticileri ve Telekom sektörleri tarafından kullanılan Yüz Tanıma, Görsel Arama, Hareket Algılama, Makine Görmesi/Vizyonu ve Fotoğraf Kümeleme; ayrıca Otomotiv, Havacılık ve Sağlık Sektörlerinde de kullanılmaya başlandı. Görüntü Tanıma, görüntülerdeki insanları ve nesneleri tanımayı/ tanımlamayı ve içeriği ve kapsamı anlamayı amaçlar.

TensorFlow nesne tanıma algoritmaları, daha büyük görüntüler içindeki rastgele nesneleri sınıflandırır ve tanımlar. Bu algoritmalar genellikle mühendislik uygulamalarında modelleme amaçları için şekilleri tanımlamak (2 boyutlu resimlerden 3boyutlu inşaat), ve fotoğraf etiketleme için sosyal ağlar (Facebook’un Deep Face’i) için kullanılır. Örneğin bu teknoloji ağaçların binlerce fotoğrafını analiz ederek, daha önce hiç bilinmeyen bir ağacı tanımlamayı öğrenebilir.

TensorFlow algoritmalarının, insanlara oranla daha fazla bilgi işleyebilir ve daha fazla modelleme yapabilir hale gelmesiyle birlikte Görsel Tanıma, Sağlık sektöründe de yayılmaya başladı. Bilgisayarlar artık taramaları eksiksiz olarak ve hızlıca gözden geçirebiliyor ve insanlardan daha fazla hastalığı tespit edebiliyorlar.

4. Zaman Serileri

Zaman serileri (Time Series) verilerinin analizinde anlamlı istatistikler elde etmek için TensorFlow Zaman Serisi algoritmaları kullanılır. Bunlar zaman serilerinin alternatif sürümlerini üretmenin yanı sıra, spesifik olmayan zaman aralıklarını tahmin edilmesine yardımcı olurlar.

Zaman serisi için en yaygın kullanım örneği “Tavsiye”’dir. Amazon, Google, Facebook ve Netflix’ın çok sık başvurduğu bu yöntemde, müşterinin aktivitesi ve seçilmeri analiz edilir ve bu veriler milyonlarca diğer kullanıcı verileriyle karşılaştırır. Bu yöntem, müşterinin satın almak veya izlemek istediği ürünlerin tespitinde ve müşterilere bu ürünleri önermede çok sık kullanılır. Bu öneriler atık, örneğin size hediye olarak (kendiniz için değil) veya aile üyelerinizin beğenebileceği TV şovlarını size sunmak gibi daha zeki ve komplike şekillerde de karşımıza çıkabiliyor.

TensorFlow Zaman Serisi algoritmalarının diğer kullanımları da, esas olarak, Risk Tespiti, Öngörüsel Analiz (Predictive Analysis) ve Kaynak Planlaması aracılığı ile Finans, Muhasebe, Hükümet, Güvenlik ve Nesnelerin Interneti (IoT) alanlarında görülmektedir.

5. Video Algılama

TensorFlow yapay sinir ağları video verileri üzerinde de çalışır. Bu, esas olarak Oyun/Kumar, Güvenlik, Havaalanları ve UX / UI alanlarında Hareket Algılama ve Gerçek Zamanlı Olay Algılamalarında (Real-Time Thread Detection) kullanılır. Son zamanlarda üniversiteler, büyük ölçekli video anlayışı (large-scale video understanding), temsil öğrenimi (representation learning), gürültülü veri modellemesi, aktarım öğrenmesi ve video için domain adaptasyon yaklaşımları üzerinde araştırma yapmayı hızlandırmayı amaçlayan YouTube-8M gibi Geniş Ölçekli Video Sınıflandırma veri kümeleri üzerinde çalışmaktadır.

Bonus: Genel kullanımlara ek olarak, Nasa da asteroitlerin yörüngede sınıflandırılması ve nesne kümelenmesi için TensorFlow ile bir sistem tasarlıyor. Dünya çapında en iyi 20 projeden biri olarak seçilen (Global Finalist) bu sistem ile NEO’ları (Dünyaya Yaklaşan Nesneler) sınıflandırabilir ve öngörebilecekler. Bu ortak bir kullanım olmasa da – az çok Amerikan filmlerine aşinaysanız ölüm kalım meselesi diyebiliriz!