loader
banner

İnsanoğlunun otomasyon çabası ne günümüze ne de sanayi devrimine ait bir uğraşı. Otomasyon ve ona ilişkin faaliyetler genel olarak teknik bir mesele olarak ele alınıp değerlendirilsede aslında otomasyon sermaye teorisinin bir parçasıdır ve iktisatta toplam ekonomik kapasiteyi arttıran, emekten tasarruf sağlayan ve artık değeri yükselten yegane unsurdur.

Otomasyon TDK’ya göre sanayide, yönetimde ve bilimsel, teknik işlerde insan emeği olmaksızın, işlerin otomatik işleyen araçlarla yapılması. Şeklinde tanımlanmış. Buna göre hayvan evcilleştirerek tarlaları sürmek ya da suyun enerjisini kullanarak değirmen çarklarını çeviren makineler yapmakta otomasyon süreçlerine dahil.  Böylece otomasyona yönelik insan çabası her adımda daha fazla tasarruf, daha az emekle daha yüksek miktarlarda üretim yapmak gibi hedeflere hizmet ediyor.

Günümüzün otomasyon süreçlerine ilişkin tartışmalar ise endüstri 4.0 konseptinde ele alınıyor. 21.yy’da işgücünden tasarrufa ilişkin beklenen adım klasik mesainin sonlandırılarak makinelerin uzaktan idare edilmesi yönünde. Fabrikaya hiç gitmeyen bir ustabaşı ya da geçtiğimiz günlerde Mehran Anvari isimli cerrahın 400 km. uzaktan yaptığı ameliyat bu işin sadece başlangıcı.

Endüstri 4.0 dönüşümüne yazılım alanında hizmet eden kritik disiplinler ise büyük veri, yapay zeka üzerine geliştirmeler ve mekatronik/endüstriyel haberleşme gibi disiplinler olacak. Peki günümüzde herkesin diline doladığı ve farklı kavramsal temellerle tartışılan bu meselelerde temel ayrım ne? Örneğin yapay zeka ve makine öğrenimi neden iki farklı kavram ve öğrenme süreçleri eğer istatistiğe dayanıyorsa bu disiplinleri istatistikten ayıran şey ne?

Ana Kavramsal Çatı Dijital Otomasyon

Yapay zeka kavramı genel olarak dijital otomasyon çabalarında çatı unsur olarak kabul edildi ancak öğrenme süreçlerini içermeyen otomasyonlarda bulunuyor. Örneğin ilkel bir analog algılayıcıya giden elektronik sinyaller bir otomasyon sürecini tetikleyebilir ve bunu yapay zeka olarak tanımlamak doğru değil. Bu yüzden ana kavramsal çatı dijital otomasyon olmalı.

İstatistik ve Yapay Zeka

Makine öğrenimi ve yapay zekaya ilişkin çabaların farklı bir disiplinde ele alınması istatistikle uğraşan bilim adamları tarafından şiddetli bir şekilde eleştirildi. Onlara göre makinelerin öğrenme ve anlamlandırma için kullandığı nedensellik bağlarının tamamı makinenin istatistik süreçlerden elde ettiği bir öğrenmeydi. Aslında bu iddia doğru ancak eksik, makine algoritmalarla tasarlandığına ve her algoritma aslında matematik bir modelleme olduğuna göre, makinenin kuracağı bütün bağlantılar istatistik verilerden ya da programcının kendi tanımladığı matematik yargılardan oluşmalı, bu bilginin doğru kısmı. Eksik kısmı için verilmiş en iyi cevapsa şu “eğer kumdan kale yapmak mimarlık bilimi ise o zaman makine öğrenimi de istatistiktir.” Kumdan kale yapmanın mimarlığa bakan bir yönü olduğu doğru ama bunun devasa binaları ortaya çıkaran mimarlık bilimi ile mukayese edilemeyeceği aşikar.

Derin öğrenme ve İstatistik

Yapay zeka, Makine Öğrenimi ve Derin Öğrenme

Bu üç kavram ve aralarındaki farklar genellikle kapsayıcılık açısından ele alınmış. Genel kabule göre bu kavramlardan diğer ikisini kapsayan yapay zeka, insan davranışlarının makineler tarafından modellenmesi ve simüle edilmesidir. Yani makinelerin kodlanarak insan gibi davranması, onların yaptığı işleri yapabilmesi ve hatta onların kapasite olarak yapamadığı, vakıf olmadığı işleri de yapması için üretilen programlar bütünüdür.

Makine öğrenimi ve derin öğrenme

Bunun bir alt uygulaması olan makine öğreniminde ise anahtar kelime “veridir” ve makine öğrenimi çabaları genel olarak büyük veri setlerinin toplanarak bunlardan istatistik sonuçlar çıkarılması ve elde edilen sonuçlarla makinenin programcıdan bağımsız olarak öğrenmeye devam etmesi sürecidir. Bu faaliyette yapay zekanın bir alt fonksiyonu olarak değerlendirilmektedir ancak diğer yapay zeka uygulamalarından temel farkı, algoritmaların gelişme sürecinin yeni veri setlerine göre devam ediyor oluşudur.

Derin öğrenme ise makine öğrenimine giriş aşamasında benzerlik gösterir. O da büyük veri setlerini toplayarak ve işleyerek sonuçlar çıkarmaya ve bu sonuçlar üzerinden kendini güncellemeye devam eder. Aralarındaki temel fark ise derinliktir. Derin öğrenme programları insan beynindeki nöronların çalışma, haberleşme ve katman gibi özelliklerini tamamen taklit etmeye çalışır. Bu haliyle öğrenme ve genişleme metotları kompleks, katmanlı ve iç içedir. Makinenin vardığı yargılar lineer süreçlerden değil daha kompleks iç içe katmanlardan geçerek birbirine bağlanır. Yakın veri setlerine ilişkin yargılar katmanlarda farklı alanlara düşebilir ve farklı şekilde yorumlanabilir.

 

1 Comment

  1. Makine Öğrenimi Algoritmaları – 1 : Temel Kavramlar | intelkit.com

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir