Son yıllarda popülerliği artan ve dijitalleşen dünyanın gündemindeki konulardan biri machine learning, yani makine öğrenmesidir. Bankacılık ve yapay zekâ teknolojileri açısından da önemli bir kavram olan,bankacılık sektörüne pek çok avantaj sunan makine öğrenmesi nedir?
Makine Öğrenmesi Nedir?
Bilgisayar programlarının eğitim verileri ve algoritmalar aracılığı ile kalıpları öğrenebildiği bir çeşit uygulama olarak tanımlanabilen makine öğrenmesi, yapay zekânın bir alt dalıdır. İnsan hareketlerini taklit eden uygulama, programlama olmaksızın, deneyim yoluyla öğrenmeyi amaçlar. Eğitim verileri ve algoritmalar sayesinde verileri algılar ve tahminler yaparak görevleri otomatik şekilde tamamlar.
İlk kez IBM araştırmacısı Arthur Samuel tarafından 1959 yılında kullanılan yapay zekâ makine öğrenmesi, bugün kullanılan Google Assistant ve Siri gibi uygulamaların temelini oluşturur. Yapay zekânın bir alt dalı olarak değerlendirilen makine öğrenmesi, bilgisayarın insan gibi düşünmesine destek olarak, görevlerini kendi başına gerçekleştirebilmesini sağlar.
Bilgisayarın insan gibi düşünebilmesi için, insan beyni temel alınarak modellenen algoritmalardan oluşan bir sinir ağı kullanılır.
Makine Öğrenmesinin Kullanım Alanları Nelerdir?
Teknolojinin geliştiği ve dijitalleşme sürecinin hızla yayıldığı günümüz dünyasında makine öğrenmesi uygulamaları hemen her alanda kullanılabilir. Online alışveriş, sosyal medya uygulamaları, bankacılık ve finans sektörü, sağlık ve eğitim başta olmak üzere birçok alanda makine öğrenmesi ile karşılaşabilirsiniz. Makine öğrenmesinin kullanım alanlarını daha yakından tanıyabilmek için birkaç örneği sizler için listeledik:
- ASR (Otomatik Konuşma Tanıma): İnsan seslerini metne dönüştürmek için NLP teknolojisinden (NLP içeriğine link bağlanabilir) faydalanılarak tasarlanan ASR, mobil cihazlardan sesli arama yapılabilmesini ya da konuşmaların mesaj şeklinde karşı tarafa ulaşabilmesini sağlar.
- Müşteri Hizmetleri: Müşteri iletişimi için tasarlanan çevrimiçi konuşma robotları, makine öğrenmesinin en çok uygulandığı alanlardan biridir. Çevrimiçi konuşma robotları, müşteriler tarafından sıkça sorulan soruları yanıtlayabilir ve kullanıcılara kişiselleştirilmiş tavsiyelerde bulunabilir. E ticaret sitelerinde yer alan mesajlaşma robotları, sanal ve sesli asistanlar makine öğrenmesi kullanımına iyi birer örnektir.
Derin Öğrenme Nedir?
Makine öğrenmesinin bir alt dalı olarak kabul edilen derin öğrenme, insan müdahalesi olmaksızın, algoritmalar ve devasa veri kümeleri kullanarak kalıplar yaratan, bu kalıplara uygun yanıtlar veren bir tekniktir. Veri bilimciler, derin öğrenme yazılımlarını genellikle büyük ve karmaşık verileri analiz etmek, komplike görevleri yerine getirmek ve resimlere, metinlere, seslere insanlardan daha hızlı yanıt vermek için kullanır.
Derin öğrenme tekniği, cihazlara ses, metin ya da görüntü girdilerini filtrelemeyi, sınıflandırmayı ve tahminlerde bulunmayı öğretir. Akıllı ev cihazlarının sesli komutları anlayıp uygulayabilmesi, sürücüsüz araçların yayaları diğer nesnelerden ayırt edebilmesi derin öğrenme sayesinde gerçekleşir. Derin öğrenme tekniği, makinelerin insan faktörü olmadan doğru karar verebilme yeteneğine sahip olması için programlanabilir bir sinir ağı kullanır. Her geçen gün kullanım alanı artan derin öğrenme; ses ve yüz tanıma sistemleri, araç oto pilotları, sürücüsüz araçlar, alarm sistemleri, sağlık sektörü, görüntü iyileştirilmesi, siber tehdit analizleri gibi pek çok alanda söz sahibidir.
Makine Öğrenmesi ve Derin Öğrenme Arasındaki Farklar Nelerdir?
Makine öğrenmesi ve derin öğrenme kavramları, genellikle birbirinin yerine kullanılsa da farklı özelliklere sahiptir. En temel fark, işlenen verilerin miktarıdır. Makine öğrenmesinde tahmin yapmak için küçük miktarlarda veriler yeterlidir. Derin öğrenmede ise tahmin edebilme yeteneğinin gelişmesi için çok büyük miktarlarda veriye ihtiyaç duyulur. Buna bağlı olarak makine öğrenmesinde yüksek hesap gücüne gerek yoktur, oysa derin öğrenme tekniğinde çok sayıda matris çarpım işlemi kullanılır.
Makine öğrenmesinde beceri kazanma işlemi için özelliklerin, kullanıcılar tarafından tanımlanması ve oluşturulması gerekir. Derin öğrenme tekniğinde ise özellikler verilerden öğrenilir ve yeni özellikler, sistemin kendisi tarafından oluşturulur. Makine öğrenmesinde çıktı; sınıflandırma ya da puan gibi sayısal değerlerden oluşurken, derin öğrenme tekniğinde çıktı; metin, ses ya da puan şeklinde farklılaşabilir.
