Page 61 - bilgem-teknoloji-dergisi-8

Yapay Zekâ BILGEM
TEKNOLOJI

Yapay zekâ 1950’lerden bu yana üzerinde

çalışılan bir alan olmasına rağmen günümüzde
hesaplama kapasitelerinin artmasıyla birlikte

kullanımı yaygınlaşmıştır.

Dr. Ali Rıza Ekti - Uzman Araştırmacı, Kadir Günel - Uzman Araştırmacı, Kürşat Tekbıyık -
Araştırmacı, Ömer Özdağ - Bursiyer / BİLGEM TDBY

apay zekâ insan zekâsıyla ilişkilendirilen sinir ağlarının yanı sıra tekrarlayan (recurrent) sinir
bilişsel fonksiyonların makineler tarafından ağları özellikle zaman serileri üzerinde ciddi başarılar
Ygerçekleştirilmesi temeline dayanmaktadır. göstermiştir. Bunlardan biri olan ve 1997 yılında Münih
Makine öğrenmesi bir yapay zekâ örneğidir ve Teknik Üniversitesi’nden Sepp Hochreiter tarafından
bilgisayar sistemlerinin herhangi bir açık yönergeye ortaya konan uzun-kısa vadeli bellek (LSTM) ağları,
ihtiyaç duymaksızın belirli bir görevi yerine getirmesi uzun dönemli bağımlılıkları öğrenme sürecine dâhil
için kullanılan algoritmalar sistemidir. Derin öğrenme ederek karar verme sürecinde çok daha yüksek
ise başka bir yapay zekâ örneği olup eldeki verinin hangi performansla veya başka bir deyişle daha az hata ile
özelliklerinin karar verme aşamasında kullanılacağını çıktı üretebilirler.
seçen algoritmalardan oluşur.
Uzun-kısa vadeli hafıza ağlarının en fazla uygulamasının
Yapay zekâ ve makine öğrenmesi 1950’lerden bu bulunduğu alan yapısına da uygunluğu itibariyle doğal
yana üzerinde çalışılan bir alan olmasına rağmen dil işleme problemleridir. Metin ve konuşma örüntüleri
günümüzde hesaplama kapasitelerinin artmasıyla zaman bağımlılıkları içermektedir ve bu örüntünün
birlikte kullanımı yaygınlaşmıştır. Özellikle grafik işlemci takip edilmesiyle gelecek adımın tahmini daha kesin ve
birimlerinin paralel hesaplama yeteneklerinin yapay doğru bir biçimde belirlenebilmektedir.
sinir ağlarında kullanılmasıyla birlikte modellerin hızlı
eğitilmesi mümkün olmuştur. Grafik işlemci birimlerinin
yaygın kullanılmasının yanı sıra, yüksek kaliteli ve
etiketli veri setlerine erişimin kolaylaşmasının ve bu
setlerin sayısının artmasının da makine öğrenmesinin
gelişmesine ve yaygınlaşmasına katkı sunduğunu
belirtmek gerekir. Makine öğrenmesinin günümüzde
hızlı yaygınlaşmasının başkaca sebepleri arasında yeni
mimarilerin ortaya konulması da sayılabilir.

Bu yazının konusu olan sinyal istihbarat uygulamalarına
geçmeden önce makine öğrenmesinin kullanıldığı
alanlara kısaca değinelim. Makine öğrenmesi deyince
ilk akla gelen uygulamalardan biri el yazısı rakam
sınıflandırma ve LeNet mimarisidir. 1998 yılında ortaya
çıkan bu mimari bir evrişimsel sinir ağıdır. MNIST veri
seti üzerinde başarımı test edilen model bu alanda ses
getiren ilk çalışmaların başında gelmektedir.

2012 yılında Alex Krizhevsky tarafından tasarlanan
AlexNet bir başka evrişimsel sinir ağı modelidir.
Stanford Üniversitesi tarafından hazırlanan Imagenet
veri seti üzerinde dikkat çekici başarı sağlayan
model birçok farklı alanda kullanılmıştır. Evrişimsel

58 59