btbilgi

Son zamanlarda BT haberlerinde sıkça duyduğumuz terimlerden üçü yapay zeka, makine öğrenme ve derin öğrenme. Peki bunların arasındaki farkı biliyor muyuz? ABD kökenli bir işletme ve muhasebe danışmanlığı firması olan Sage bu konuda bir araştırma gerçekleştirmiş. Rapora göre katılımcıların yüzde 43’ü yapay zekanın ne olduğu konusunda bilgiye sahip değil. Birleşik Krallık’da yapılan başka bir araştırma ise katılımcıların yüzde 47’sinin konuyla ilgili fikri olmadığını ortaya çıkartmış.

Bu üç kavramın karıştırılması için bariz sebepler var. Henüz çok yeni olan bu teknolojiler, çözüm üreticileri tarafından halen hazır olmayan müşterilere satılmaya çalışılıyor. CIO’lar ve teknoloji liderleri ise henüz tam kavrayamadıkları bu konuyla ilgili soru sorulduğunda yetersiz kalabiliyorlar. Şu anda bilişim sektöründeki herkes bunların ne olduğunu öğrenme çabasında. Aşağıda Tech Republic yazarı Mary Shacklett’in konuyla ilgili güzel bir özetini bulabilirsiniz.

Yapay Zeka, Makine Öğrenme ve Derin Öğrenme

Bu teknolojinin ilk aşamasında, verileri analiz eden ve hızlı bir şekilde kullanıcılara analitik sonuçlar veren yapay zeka (Artificial Intelligence – AI) bulunmakta. Makine öğrenme teknikleri ikinci aşamada yer alıyor ve hem ham verileri analiz edebiliyor, hem de verilerde daha fazla bilgi verebilecek modelleri aramaya yarıyor. Derin öğrenme ise verileri ve veri kalıplarını analiz eden üçüncü aşamadaki uygulamalar. Yapay zekalar bu aşamada veri bilimcileri tarafından geliştirilen ve veriler hakkında daha fazla içgörü edinebilmek için daha fazla soru sormaya yarayan gelişmiş algoritmalar kullanır.

Bu üçünün yer aldığı karmaşık analitik katmanlarını göstermenin en iyi yolu, hepsinin faydalarını belirtecek bir iş örneği bulmak deniliyor. Makalede trafik planlama örneği ele alınmakta:

Birinci seviye: Yapay Zeka

Trafik mühendislerine ve şehir planlayıcılara, ana trafik sıkışıklığı noktalarının görülebileceği bir yapay zeka uygulaması verirsiniz. Bu uygulama yol onarımları, trafik ışıkları ve tıkanıklığı giderebilecek altyapıların planlanmasında onlara yardımcı olur.

İkinci seviye: Makine Öğrenme

Analitik tekniklerini daha da geliştirirsiniz, böylece verilerdeki kalıpları aramaya başlarsınız. Böyle bir uygulama belirli kavşaklardaki trafiğin sabah saat 6 ile 8 arasında yoğunlaştığını fark edebilir. Veya trafiğin önemli bir spor karşılaşması öncesinde belli bölgelerde her seferinde sıkıştığını saptayabilir. Planlayıcılar artık sadece basit trafik sorunlarını çözmekle kalmazlar, ayrıca çeşitli etkinlikler için önceden önemler de alabilirler.

Üçüncü seviye: Derin Öğrenme

Derin öğrenme, ham verilerin ve veri kalıplarının ötesine geçmeye yarar. Bu aşamada trafik analizine eklenebilecek algoritmalarla şunları yapabilirsiniz: Önümüzdeki on yıl içinde şehrin hangi bölgeleri en yüksek nüfus artışına maruz kalabilir? Gelcek beş yıl içinde hangi yolların büyük onarımlara ihtiyacı olacak? Hava tahminleri önümüzdeki beş yıl içinde en çok karın nereye yağacağını söylüyor? Bu algoritmalar şablon tarama ve veri analizlerinin üstüne eklenir. Böylece kullanıcılar değerlendirmeye çalıştıkları durumun, daha bütüncül ve öngörüsel bir resmini elde edebilirler.

Yorumlar
btbilgi
PAYLAŞ
blank
xTRlarge, Türkiye'nin (TR) üretici ve yenilikçi potansiyelini sergilemek; farklı bakış açılarını, yeni tarzları, x sayıda yeni değeri, girişimi, fikri yansıtmak; teknolojiden doğaya, iş yönetiminden tasarıma, insana dair faaliyetlerin en geniş ufkunu sizlerle mümkün olduğu kadar geniş 'large" paylaşabilmek için yola çıktı. Geleceğe inancı olanlarla birlikte mesafe katetmeyi planlıyor.