Page 95 - KobiEfor_Temmuz_2020

UZMAN

‹K ‹çeri¤inde Yapay Zeka Temelleri

Y apay Zeka Nedir? lefltirilmifl bir çal›flan deneyimi sa¤-
lanmas›d›r.
Yapay zeka, genellikle in-
san zekas› ile iliflkili bilifl-
Derin Ö¤renme nedir?
sel problemleri çözmeyi Derin ö¤renme, bir bilgisayar› sinir
amaçlayan bir bilgisayar bilimi ala- a¤ mimarisi yoluyla büyük miktarda
n›d›r. Baflka bir deyiflle, “yapay ze- veriden ö¤renmesi için e¤iten bir
Kadri Demir ka”, makinelerin “insanlar gibi dü- makine ö¤renim dal›d›r. Verileri so-
kadri.demir@poldy.com.tr flünmesini” sa¤lar ve ö¤renme, yutlama katmanlar›na ay›ran daha
problem çözme, ak›l yürütme ve dil geliflmifl bir makine ö¤renme flekli-
iflleme gibi görevleri yerine getirir. dir. Önceden tan›mlanm›fl denklem-
Bugün, “yapay zeka” iki temel tekno- lerle çal›flacak verileri düzenlemek
loji taraf›ndan yönetiliyor; makine yerine, derin ö¤renme verilerle ilgili
ö¤renmesi ve derin ö¤renme. temel parametreleri ayarlar ve bilgi-
Makine Ö¤renmesi nedir? sayar› ifllemek için birden fazla sinir
Makine ö¤renmesi, makinelerin veri- a¤› katman›n› (beyindeki nöronlar gi-
lerini ö¤renmelerini ve verilere daya-
“Yapay zeka”, bi) kullanarak kal›plar› tan›yarak
l› tahminler yapmalar›n› sa¤layan bir
makinelerin kendi bafl›na ö¤renmesi için e¤itir.
yapay zeka dal›d›r. Makine ö¤renme- Yeterli e¤itimden sonra derin ö¤ren-
“insanlar gibi nin kökleri, örüntü tan›ma ve algorit- me algoritmalar› çok karmafl›k veri-
düflünmesini” malar›n kaydedilen verilerden prog-
lerin tahminlerini veya yorumlar›n›
sa¤lar ve ö¤renme, ramlanmadan ö¤renebilecekleri kav- yapmaya bafllayabilir.
problem çözme, ramlara gömülüdür. Örne¤in; otomo- ‹K ba¤lam›nda derin ö¤renmenin
billeri tan›mlamas› gereken bir algo-
ak›l yürütme ve dil anahtar kullan›m örnekleri:
ritma, kendine araba gibi göründü¤ü-
iflleme gibi Görüntü ve video tan›ma: Derin ö¤-
nü ö¤retmek için di¤er otomobillerin
görevleri yerine renme algoritmalar› nesne s›n›flan-
görüntülerine dayanacakt›r.
getirir. ‘‹nsan Kaynaklar›’ ba¤lam›nda ‘Ma- d›rmadaki insanlardan daha iyi per-
Bugün, kine Ö¤renimi’nin kilit kullan›m du- formans gösterir. Binlerce aday›n vi-
deosu ve foto¤raflar› göz önüne al›n-
“yapay zeka” rumlar›: d›¤›nda, derin ö¤renme sistemleri
iki temel teknoloji Anomali tespiti: Beklenen bir pater- nesnel verilere dayanarak adaylar›
taraf›ndan ne veya bir veri kümesindeki di¤er belirleyebilir ve s›n›fland›rabilir.
maddelere uymayan ö¤eleri, olaylar›
yönetiliyor; Konuflma tan›ma: Ço¤u insan için in-
veya gözlemleri tan›mlanmas›d›r.
makine ö¤renmesi san sesini ve say›s›z vurguyu anla-
Arka plan do¤rulamas›: Makine ö¤-
ve derin ö¤renme. renmeye dayal› tahmin modelleri, mak zor olsa da insan sesi girifllerini
tan›mak ve bunlara yan›t vermek için
baflvuru sahiplerinin özgeçmifllerin-
derin ö¤renme algoritmalar› tasar-
den yap›land›r›lm›fl ve yap›land›r›l-
lanabilir. Sanal asistanlar, insan se-
mam›fl veri noktalar›na dayanarak
sini ifllemek ve buna göre yan›t ver-
anlam ç›karabilir ve k›rm›z› bayrak-
lar oluflturabilir. mek için konuflma tan›ma algorit-
Çal›flanlar›n y›pranmas›: Y›pratma malar›n› kullan›r.
riski yüksek olan çal›flanlar› bulun, Öneri motorlar›: Dijital ö¤renme de-
‹K’n›n proaktif olarak onlarla etkile- neyimleri genellikle beceri düzeyleri
flimde bulunmalar›n› sa¤lay›n. ve mesleki ilgi alanlar›yla ilgili kifli-
‹çerik kiflisellefltirme: Kariyer yolla- sellefltirilmifl ö¤renme önerilerini
r›, mesleki geliflim programlar› içerir. ‘Büyük Veri’ ve ‘Derin Ö¤ren-
önermek veya önceki baflvuru ey- me’ kullanarak, ö¤renme deneyimi
lemlerine dayanarak bir kariyer site- platformlar›, bireysel çal›flanlar›n il-
sini optimize etmek için tahmine da- gisini çekebilecek ö¤renme yollar›n›
yal› analitik kullanarak daha kiflisel- belirleyebilir.

Temmuz 2019 KobiEfor 95