Makine Öğrenmesine Nasıl Güvenebiliriz?

Beginner 06.01.2018

Yapay zekaya güvenmek için hakkında daha çok şey bilmemiz gerekiyor.

Makine öğrenmesinin temelini oluşturan istatistiksel yaklaşımlar, hemen hemen her sektörün iş planlama sürecinde başvurduğu araçlardır. Yıllık büyüme öngörüleri, döviz kuru tahminleri veya arz-talep çıktıları istatiksel verilerin en basit örnekleridir. Gelişmiş bir bilgi birikimi ve bilimsel yaklaşım gerektiren istatistik hesaplamaları, yapay zeka uygulamalarıyla birlikte yetkin veri uzmanları yerine makine öğrenmesi temelli yazılımlar tarafından yapılmaya başlandı. Yazılımların sunucu ara yüzleri de konunun uzmanı olmayan kişilerce kullanımını kolaylaştırmak için mümkün olduğunca basit tasarlanıyor. Böylece arkasında binlerce algoritma yatan bir CRM yazılımı, sadece işletme eğitimi almış bir pazarlama elemanı tarafından rahatlıkla kullanılabiliyor.

Makine Öğrenmesine Nasıl Güvenebiliriz?

Peki, akıllı yazılımlara nasıl güvenebiliriz?

"AI'nın en büyük tehlikesi, insanların anladığı kanısına çok erken varmasıdır. "

(Eliezer Yudkowsky)

Yapay zekanın gelecekte insanların felaketini getirebileceğini düşünmekten basit bir veri analizini doğru yapıp yapmadığına duyulan kuşkuya kadar her türlü endişemizi temel insani içgüdülerimize borçluyuz. Bilinmeyen karşısında duyulan güvensizlik hissi biz insanlar için oldukça olağan bir durumdur. Yapay zekaya duyduğumuz kuşku da onu tam olarak anlayamamamızdan kaynaklanıyor.

Yapay zekanın gelecekte başımıza ne işler açabileceği konunun uzmanları tarafından bile sadece bir öngörü özelliği taşıdığından yarattığı huzursuzluk alanı daha geniş olmakla birlikte; istatiksel hesaplamalardaki kuşkularımız, yazılımın neden ve nasıl o sonuca vardığını bilmememizden kaynaklanıyor. Bu yüzden, yapay zekaya güvenebilmemiz için yapay zekayı kompleks matematik denklemler yerine insana benzer davranışları (yaklaşımı ve bilinç düzeyi) üzerinden tanımlamamız gerekiyor.

Örneğin, bankacılık sektöründe kullanılan bir risk yönetim modellemesi yazılımını anlayabilmek için yazılımın şu sorulara verdiği cevabı bilmemiz gerekiyor:

"Kredi başvuru formundaki hangi bilgiler karar verme sürecinde en etkili oldu?"

"Hangi veriler riskleri belirliyor?”

“Belirli kredi başvurusu örneklerini kabul veya reddetmeye karar verirken risk verileri nasıl sınıflandırıldı?”

Makine Öğrenmesine Nasıl Güvenebiliriz?

Her bir soruya cevap veren yazılım algoritması da farklılık gösteriyor. Özellik etkisi adı verilen bir makine öğrenme tekniği kullanılarak; başvuranın geliri, döner hizmet düzeyi dengesi ve kredi sınıfının (kredinin hangi amaçla çekildiği) kredi yetkilisinin algoritmasında en etkili üç parametre olduğuna karar verilebilir. Neden kodları adı verilen bir yöntem kullanıldığında ise, kredi talebinde bulunan kişinin hangi bilgilerinin değerlendirildiğini görebiliriz. Kısmi bağımlılık adı verilen başka bir teknik ile de, algoritmanın daha yüksek gelirli kredi başvurularını daha düşük risk olarak puanladığını tespit edebiliyoruz. Tüm bu teknikler bütün olarak yazılımın çalışma prensibini anlamamıza yardımcı oluyor.

Yapay zekaya neden güvenmeliyiz?

Makine Öğrenmesine Nasıl Güvenebiliriz?

Güvenilirlik ve aykırı değer sorunlarının çözümü: Klasik istatiksel yaklaşımlarda sistemin güvenilirliği varsayımlar üzerine kuruludur. Ele aldığımız durum karmaşıklaştıkça elimizdeki veriler ve bu verilerin etki parametreleri de genişler. Bu veri yığının arasında bir sonuca varmak için istatistiksel modeller, tipik olarak, verilerin nasıl oluşturulduğu, o verinin altında yatan süreçler ve bu verilerin güvenilirliği hakkında varsayımları içerir. Örneğin, aykırı değer olarak adlandırılan, model içerisinde ortalama davranıştan yüksek sapmalar gösteren değerler güvenilirlik açısından sağlıklı değildir. Ancak sisteme etkisinin farklı koşullar altında değerlendirilmesi gerekebilir. Yüksek hassasiyet gerektiren bu durumlar klasik yaklaşımda çeşitli varsayımsal yöntemlerle kısıtlanır. Yapay zeka ise kullandığı esnek algoritmalarla, aynı anda çok fazla veriyi işlemede ve etki eden faktörleri belirlemede (yani bu aykırı değerleri veri analizinde daha yüksek bir hassasiyetle kullanmada) çok daha güvenilirdir.

Modern bilgisayarları ve büyük veri setlerini destekleme: Elle yapılan işlemlerin aksine, makine öğrenimi, verileri işlerken olayları tek yönlü ele almaz. Bunun yerine, denklemleri otomatik olarak en iyi kalıpları saptamak için ayarlar ve hangi algoritmaların ve kalıpların bağımsız doğrulama verilerine karşı daha iyi çalıştığını test eder.

Öngörüler için eksik verileri kullanmak: Makine öğrenimi veri havuzundaki eksik değerleri otomatik olarak tespit ederek, hangi algoritmaların değer yokluğunda ne şekilde etkileneceğini belirler. Eksik değerler yerine gelebilecek değerlerin atamasını yaparak veri varlığında ve yokluğunda sonuçtaki değişimleri tespit edebilir.

Yapay zeka uygulamalarıyla ilgili kuşkularımız, yapay zekanın arkasında yatan yaklaşımları öğrendikçe büyük ölçüde azalacaktır. Matematiksel doğruluk oranlarının bizlerden çok daha yüksek olduğu ortada. Sahip oldukları bu matematiksel yeteneklere kendimizi teslim etmek için önümüzdeki tek engel yaklaşımlarını bilmeyişimizdir. Bu sorunun cevabını öğrendikçe, yapay zekalara güvenmeye bir adım daha yaklaşıyoruz.

Kaynak:1
Görsel Kaynakları: 1, 2, 3, 4
Bizi Takip Edin

Çıkıyor Gibisiniz...

Blog'umuzu daha iyi bir seviyeye getirmek için bilmek isteriz:

  • Başka bir neden

Fikirleriniz Bizim İçin Önemli...

Blog'umuzu daha iyi bir seviyeye getirmek için bilmek isteriz:

  • Başka bir neden