Derin Öğrenme Nedir ve Nasıl Çalışır?

Son birkaç yıla baktığımızda belki de dijital dünyanın en hızlı geliştiği bir dönemi tecrübe ediyoruz ve teknoloji, her geçen gün daha da karmaşıklaşıyor. Oyuncular olarak, bu teknolojilerin bir kısmını oyunlarda görüp deneyimliyoruz; grafiklerin inanılmaz derecede gerçekçi hâle gelmesi, yapay zekâyla kontrol edilen karakterlerin (NPC) dinamik ve akıllı tepkiler vermesi ya da oyun içi fizik motorlarının neredeyse gerçek hayattaki gibi çalışması, aslında arka planda işleyen inanılmaz güçlü algoritmalar ve teknolojilerle mümkün oluyor. İşte bu noktada, derin öğrenme sahneye çıkıyor. Derin öğrenme, oyun dünyasından yapay zekâya, sağlık sektöründen otomotiv endüstrisine kadar pek çok alanda devrim yaratan bir teknoloji olarak değerlendiriliyor. Tıpkı bir oyuncunun bir oyunda ustalaşması gibi önceki deneyimlerinden öğrenen ve kendini sürekli geliştiren bir sistem olan derin öğrenme büyük veri setleri üzerinde eğitildikçe daha doğru ve karmaşık problemleri çözebilir hâle geliyor. Dilerseniz, konunun ayrıntılarına yakından bakalım.

Son Yılların En Dikkat Çekici Teknolojisi Derin Öğrenme Nedir?

İnsan beynindeki nöronların işleyişine benzer şekilde çalışan ve yapay sinir ağları adı verilen bir yapıyı temel alan derin öğrenme, çok katmanlı sinir ağlarını kullanarak büyük miktarda veriden anlamlı kalıplar ve özellikler çıkarmaya yönelik bir makine öğrenimi tekniği olarak tanımlanıyor. Bu sistemde veriler, katmanlar arasında iletiliyor ve her katman, bir önceki katmandan daha karmaşık bilgiler çıkarıyor. Bunu, bir oyuncunun, oyunun ilk bölümlerinde temel hareketleri öğrenip ilerleyen bölümlerde zorlayıcı görevlerle karşılaştıkça kendini geliştirmesine benzetebiliriz.

Derin öğrenme, bu sinir ağlarının birçok katman kullanması nedeniyle “derin” olarak adlandırılıyor. Verilerin bu katmanlar boyunca işlenmesi sonucunda; görüntü tanıma, ses işleme, dil çevirisi gibi karmaşık görevlerde olağanüstü sonuçlar elde ediliyor. Örneğin, bir oyunda derin öğrenmeyle çalışan bir yapay zekâ, oyuncunun hamlelerini analiz ederek ona karşı daha akıllı stratejiler geliştirebiliyor. “Hangi oyunmuş bu?” diyecek olursanız, “canavar” gibi bilgisayarlarımıza uğramayan ama kendi alanında bir numara olan yarış simülasyonu Gran Turismo Sports için geliştirilen Gran Turismo Sophy adlı sistem, en başarılı oyunculara meydan okuyan ve onlara havlu attıran harikulade bir örnek. Tabii çok da uzak olmayan bir  gelecekte derin öğrenme sistemleri entegre edilmiş daha çok oyunla karşılaşacağımızı tahmin etmek zor değil. 

Derin Öğrenmenin Çalışma Prensipleri Oldukça İlgi Çekici

Verilerden anlamlı sonuçlar çıkarmak için büyük miktarda veri ve hesaplama gücüne gereksinim duyan derin öğrenme; yapay sinir ağları, ileri yayılım (forward propagation) ve geri yayılım (back propagation) adı verilen bir süreçle eğitiliyor. İleri yayılımda, veri katmanlar arasında işlenerek çıktı üretiliyor. Geri yayılımda ise modelin yaptığı hatalar analiz edilip ağırlıklar, yani bir yapay sinir ağındaki nöronlar arasındaki bağlantıların gücünü temsil eden değerler güncelleniyor, böylece model zamanla daha doğru sonuçlar veriyor. Kısacası derin öğrenme algoritmaları hatalarından ders çıkararak sonuçlarını iyileştiriyor. Biraz daha teknik detay isteyen “canavar” okurlarımız için adım adım derin öğrenmenin nasıl çalıştığına göz atalım:

• Veri Girişi: Derin öğrenme, öncelikle büyük miktarda veriyi alarak başlıyor. Bu veriler sistemin öğrenmesi için gerekli olan temel bilgileri oluşturuyor. Örneğin bir resim, bir ses dosyası ya da bir metin verisi, sinir ağına ilk katman üzerinden veriliyor.
• Ağırlıklar ve Bağlantılar: Sinir ağı içindeki her nöron, diğer nöronlarla bağlantı kuruyor ve bu bağlantılar, az önce izah ettiğimiz ağırlık adı verilen sayısal değerlerle güçleniyor. Bu ağırlıklar bir nörondan gelen bilginin ne kadar etkili olacağını belirliyor. Ağırlıklar, başlangıçta rastgele atanıyor ama süreç içinde doğru sonuçlar verecek şekilde güncelleniyor.
• Aktivasyon Fonksiyonları: Her nöron, aldığı veriyi bir aktivasyon fonksiyonu aracılığıyla işliyor. Bu fonksiyon, nöronun, sonucu nasıl etkileyeceğini belirliyor. En yaygın kullanılan fonksiyonlardan biri ReLU; çünkü büyük veri setleri üzerinde daha hızlı çalışıyor.
• İleri Yayılım: Girdi verileri, katmanlar boyunca yolculuğuna devam ediyor. Her katman, veriyi bir önceki katmandan aldığı bilgiyle işleyerek karmaşık sonuçlar üretiyor. Yani veriler, en sonunda bir tahmin ya da sonuç üretilene kadar adım adım işleniyor.
• Çıktı: Son katmana geldiğinde ağ bir sonuç üretiyor. Bu sonuç mesela bir görüntünün köpek mi yoksa kedi mi içerdiği olabiliyor, örnekleri çeşitlendirebiliriz.
• Hata Hesaplama: Modelin ürettiği sonuç, gerçek veriyle karşılaştırılıyor ve aradaki fark/hata hesaplanıyor. Bu hatanın büyüklüğü de modelin ne kadar doğru ya da yanlış sonuç verdiğini gösteriyor.
• Geri Yayılım: Hata hesaplandıktan sonra, modelin yaptığı yanlışlar üzerinden bir geri yayılım süreci başlıyor. Model, bu hatalara bakarak ağırlıkları güncelliyor, her bağlantıdaki gücü yeniden ayarlıyor.
• Ağırlık Güncelleme: Geri yayılımın etkisiyle model, ağırlıkları yeniden düzenliyor. Böylece her yeni döngüde daha doğru tahminler yapmaya başlıyor.
• Döngüsel Öğrenme: Bu süreç tahmin edeceğiniz üzere defalarca tekrarlanıyor. Model, her döngüde iyileşiyor ve hata oranını azaltıyor. Zamanla başlangıçtaki rastgele sonuçlardan çok daha doğru sonuçlar üretecek hale geliyor.

Oyuncuların En İyi Tanıdığı Derin Öğrenme Teknolojisi: DLSS

Oyun dünyasında derin öğrenmenin nasıl kullanıldığını görmek için NVIDIA’nın geliştirdiği DLSS (Deep Learning Super Sampling/Derin Öğrenme Destekli Süper Örnekleme) teknolojisi harika bir örnek olarak karşımıza çıkıyor. DLSS, oyunlardaki görüntü kalitesini artırmak için yapay zekâ ve derin öğrenme kullanıyor. Normalde yüksek çözünürlüklü grafikler, yüksek hesaplama gücü gerektiriyor ve bu da çoğu oyuncunun sistemini, özellikle de ekran kartını zorluyor. Ancak DLSS daha düşük çözünürlüklü bir görüntüyü alıyor, bunu yapay zekâ yardımıyla işleyerek yüksek çözünürlüklü bir hâle getiriyor. Böylece hem daha az donanım gücü kullanılıyor hem de oyuncular, neredeyse kusursuz grafiklerle oyun deneyimi yaşıyor. NVIDIA’nın bu teknolojiyi nasıl geliştirdiği incelendiğinde, derin öğrenmenin oyun dünyasında nasıl devrim yarattığı daha net anlaşılabiliyor. DLSS konusunda hazırladığımız kapsamlı yazıyı, Monster Notebook Blog sayfalarından okuyabileceğinizi anımsatalım.

Bugün derin öğrenme, sadece oyun dünyasında değil; sağlık, otomotiv, finans ve daha birçok sektörde kullanılıyor. Otonom araçlar, derin öğrenme sayesinde trafikteki diğer araçları, yayaları ve çevreyi tanıyarak güvenli sürüş sağlayabiliyor. Sağlık alanında ise medikal görüntülerin analiz edilmesinde kullanılan derin öğrenme algoritmaları, doktorların daha hızlı ve doğru teşhisler koymasına yardımcı oluyor​.

Oyun dünyasında derin öğrenme, grafiklerden yapay zekâya kadar birçok alanda daha dinamik ve gerçekçi tecrübeler yaşatmaya devam edecek gibi görünüyor. Belki de ileride, oyuncuların oyun içi davranışlarına uyum sağlayan, kendini sürekli geliştiren NPC’lerle dolu bir dünya göreceğiz. O gün gelene kadar siz kullandığınız oyuncu ekipmanlarını bir an güncelleyin zira buna çok ihtiyacınız olabilir. Monster tarafından geliştirilen “Oyunun Yeni Kahramanları” arasından dilediğiniz oyuncu ekipmanını satın alabilir, hem gerçek hem de yapay zekâlı rakiplerinize karşı meydan okuyabilirsiniz. 

Sıkça Sorulan Sorular