Google uzun zamandır Google Cloud sunucuları üzerinden elinde bulunan yapay zeka olanaklarını müşterilerine kullandırıyordu. Bunların başında, Vision Api ve Dil Algılama temelli makine öğrenmesi modelleri bulunuyordu.

Şimdilerde ise Google bu ürünlerini bir adım öteye taşıdı ve işletmelerin ihtiyaçlarına göre eğitilip modellenebilir AutoML hizmetini satmaya başladı.

Konuya derinlemesine aşina olmayanlar için olayı bir örnekle açıklayalım:

Eğitimli K9 köpeklerini bilirsiniz. K9 başta olmak üzere pek çok köpek cinsi özellikle güvenlik güçleri ve desteğe ihtiyaç duyan kişiler tarafından kullanılıyor.

Google tarafından kullanılan eski modelde, Google kendi elinde olan belirli bir model için eğitilmiş makine öğrenmesi teknolojisini müşterilerine kullandırıyordu. Örneğimizden devam edersek; sizin kayıp bir kişiyi ormanda aramak için eğitimli bir köpeğe ihtiyacınız varsa, Google bu iş için eğitilmiş köpeği olay yerine getiriyor ve o köpek kullanılarak sorun çözülüyordu.

Google uzun zamandır Google Cloud sunucuları üzerinden elinde bulunan yapay zeka olanaklarını müşterilerine kullandırıyordu. Bunların başında, Vision Api ve Dil Algılama temelli makine öğrenmesi modelleri bulunuyordu. Şimdilerde ise Google bu ürünlerini bir adım öteye taşıdı ve işletmelerin ihtiyaçlarına göre eğitilip modellenebilir AutoML hizmetini satmaya başladı. Konuya derinlemesine aşina olmayanlar için olayı bir örnekle açıklayalım: Eğitimli K9 köpeklerini bilirsiniz. K9 başta olmak üzere pek çok köpek cinsi özellikle güvenlik güçleri ve desteğe ihtiyaç duyan kişiler tarafından kullanılıyor. Google tarafından kullanılan eski modelde, Google kendi elinde olan belirli bir model için eğitilmiş makine öğrenmesi teknolojisini müşterilerine kullandırıyordu. Örneğimizden devam edersek; sizin kayıp bir kişiyi ormanda aramak için eğitimli bir köpeğe ihtiyacınız varsa, Google bu iş için eğitilmiş köpeği olay yerine getiriyor ve o köpek kullanılarak sorun çözülüyordu.
Yeni sistemde yani AutoML Api ile işler bir hayli değişti ve yapay zeka uygulamalarının en temelinde bulunan makine öğrenmesi teknolojisinin nasıl geliştiği ve paketlenmiş, içeriği belirlenmiş bir ürün olarak nasıl satılabileceği ortaya çıktı. Yine örneğimizden devam edersek bu yeni sistemde yani AutoML Api'de ortada kayıp bir kişinin herhangi bir eşyasını koklayarak bulacak bir köpek yoktur. Bunun yerine, böyle bir ihtiyaçla sürekli karşılaşabilecek ve kendilerine özgün problemleri olan kurumlar ve kişiler için temel eğitimi tamamlanmış ve özel bir görev için "eğitilmeye hazır" köpekler vardır. Google size böyle bir köpek verir ve siz o köpeği ihtiyaçlarınız doğrultusunda eğitirsiniz. İster uyuşturucu madde arayın isterseniz aklınıza gelebilecek ve koku ile bulunabilecek herhangi başka bir şey. Eğitilmiş bir köpekle yapılabilecek her türlü özel görev için kullanabilirsiniz. Eski sistemde model ve görev bellidir. Mesela Vision Api ile, bir fotoğrafta bulunan nesneler, logolar, yazılar deşifre edilebilir. O fotoğrafın güvenli arama için uygun olup olmadığı, cinsellik, medikal ürün, şiddet gibi unsurlar barındırıp barındırmadığı tespit edilebilir. Siz, sınırları belirli olan bu yazılımı kullanarak, bu sınırlar içerisinde hizmet alırsınız. Fakat mesela, içinde sadece X nesnesi olan fotoğrafların ayıklanması, kategorize edilmesi gibi spesifik, sizin ihtiyaçlarınıza özel görevler için bu hizmet uygun değildir.
Dil temelli makine öğrenmesi hizmetleri de böyleydi. Bir metindeki dili algılamak, o metni başka bir dile çevirmek, bir metni okumak veya bir sesteki sözcükleri yazılı metinlere döndürmek gibi görevlerle sınırlı idi. AutoML Api ile ise, bunlardan çok farklı ve kurum ihtiyaçlarına göre özelleştirilmiş görevler için makine öğrenmesi modelleri geliştirmeniz, diğer bir tabirle temel bir modeli kendi ihtiyaçlarınıza göre eğitmeniz mümkün. Tabi ki bu teknoloji yeni bir teknoloji değil. Farkı şu ki, Google; normalde büyük bir ekiple neredeyse sıfırdan başlayarak yapmanız gereken karmaşık bir işi, daha küçük ekipler çok daha ucuz maliyetlerle yapmanıza olanak sağlayacak hale getirdi. Bu hizmet bir bakıma, eskiden PTT şubesinde bulunan bir ankesörlü telefon yerine "şimdilik" evinizde bir telefon bulundurmanız gibi. Sanırım ileride bu hizmetler, kişisel asistanlar yoluyla daha da basitleşecek ve neredeyse cebimizde bir telefon taşımak gibi, kişilerin kişisel, basit, sınırlı ve hatta geçici ihtiyaçları için kullanılabilecek. Belki, yaşadığınız bir olayın hukuki (ve belki psikolojik) çözümlemesi gibi size özel ve geçici bir ihtiyaç için model oluşturulup işletilecek.
Google AutoML Api ile sunduğu hizmetleri şu şekilde tanımlıyor: AutoML Model Türleri Makine öğrenimi (ML) modelleri, modelin eğitilmediği veriler için sonuçların nasıl çıkarılacağını öğrenmek için eğitim verilerini kullanır. Vertex AI üzerinde AutoML, sağladığınız eğitim verilerine dayalı olarak kodsuz bir model oluşturmanıza olanak tanır. Bu belge, AutoML kullanarak çözebileceğiniz bazı sorun türlerini açıklamaktadır. AutoML kullanarak oluşturabileceğiniz model türleri Oluşturabileceğiniz model türleri, sahip olduğunuz veri türüne bağlıdır. Aşağıdaki bölümlerde görüntü verileri, tablo verileri, metin verileri ve video verileriyle oluşturabileceğiniz model türleri açıklanmaktadır. Aşağıdaki bölümlerdeki sorun türleriyle eşleşmeyen karmaşık bir sorunu çözmek için, sorununuzu bir dizi daha küçük soruna bölmenin yollarını arayın. Birden çok modeli birleştirmek, özellikle karmaşık bir sorunu çözmenize yardımcı olabilir.
Görüntü Verileri AutoML, görüntü verilerinin içeriğini analiz etmek için makine öğrenimini kullanır. Görüntü verilerini sınıflandırmak veya görüntü verilerindeki nesneleri bulmak için bir ML modelini eğitmek için AutoML'yi kullanabilirsiniz. Bir sınıflandırma modeli, görüntü verilerini analiz eder ve görüntüye uygulanan içerik kategorilerinin bir listesini döndürür. Örneğin, görüntüleri kedi içeren veya içermeyen olarak sınıflandıran bir modeli eğitebilir veya köpek görüntülerini cinslerine göre sınıflandırmak için bir modeli eğitebilirsiniz. Bir nesne algılama modeli, görüntü verilerinizi analiz eder ve bir görüntüde bulunan tüm nesneler için, her nesne için bir etiket ve sınırlayıcı kutu konumundan oluşan açıklamaları döndürür. Örneğin, görüntü verilerinde kedilerin konumunu bulmak için bir model eğitebilirsiniz. Tablo Verileri AutoML, tablo verilerinin içeriğini analiz etmek için makine öğrenimini kullanır. Sayısal bir değer bulmak üzere regresyon kullanmak üzere bir ML modelini eğitmek için AutoML'yi kullanabilir veya tablo verilerinizden kategorik bir sonucu tahmin etmek için sınıflandırmayı kullanabilirsiniz. Bir regresyon modeli, tablo verilerinizi analiz eder ve sayısal bir değer döndürür. Örneğin, bir evin değerini tahmin etmek için bir model eğitebilirsiniz. Bir sınıflandırma modeli, tablo halindeki verilerinizi analiz eder ve verileri tanımlayan bir kategori listesi döndürür. Örneğin, bir müşterinin satın alma geçmişinin bir abonelik satın alıp almayacağını tahmin edip etmeyeceğini tahmin etmek için bir model eğitebilirsiniz. Bir tahmin modeli (Önizleme), geleceğe uzanan bir dizi sayısal değeri tahmin etmek için geçmişten zamana bağlı birden çok tablo verisi satırı kullanır. Örneğin, bir perakende kuruluşu, gelecekteki ürün talebini tahmin ederek, o ürünün fazla stoklanması veya satılması olasılığını azaltmak için tedarik zincirini optimize edebilir.
Metin Verileri AutoML, metin verilerinin yapısını ve anlamını analiz etmek için makine öğrenimini kullanır. Metin verilerini sınıflandırmak, bilgileri ayıklamak veya yazarların duygularını anlamak için bir ML modelini eğitmek için AutoML'yi kullanabilirsiniz. Bir sınıflandırma modeli, metin verilerini analiz eder ve verilerde bulunan metne uygulanan bir kategori listesi döndürür. Vertex AI, hem tek etiketli hem de çok etiketli metin sınıflandırma modelleri sunar. Bir varlık çıkarma modeli, verilerde referans verilen bilinen varlıklar için metin verilerini inceler ve metindeki bu varlıkları etiketler. Bir duygu analizi modeli, özellikle bir yazarın tutumunu olumlu, olumsuz veya tarafsız olarak belirlemek için metin verilerini inceler ve içindeki hakim duygusal görüşü tanımlar. Video Verileri AutoML, çekimleri ve segmentleri sınıflandırmak veya video verilerinizdeki birden çok nesneyi algılamak ve izlemek için video verilerini analiz etmek için makine öğrenimini kullanır. Bir sınıflandırma modeli, video verilerinizi analiz eder ve kategorize edilmiş çekimlerin ve bölümlerin bir listesini döndürür. Örneğin, videonun bir futbol, beyzbol, basketbol veya futbol maçına ait olup olmadığını belirlemek için video verilerini analiz eden bir model eğitebilirsiniz.
Bir nesne izleme modeli, video verilerinizi analiz eder ve bu nesnelerin algılandığı çekimlerin ve bölümlerin bir listesini döndürür. Örneğin, topu tanımlamak ve izlemek için futbol oyunlarından alınan video verilerini analiz eden bir model eğitebilirsiniz. Bir eylem tanıma modeli, video verilerinizi analiz eder ve eylemlerin gerçekleştiği anlarla birlikte kategorilere ayrılmış eylemlerin bir listesini döndürür. Örneğin, bir futbol golü, bir golf vuruşu, bir gol veya çak bir beşlik içeren aksiyon anlarını belirlemek için video verilerini analiz eden bir model eğitebilirsiniz. Konu hakkında daha detaylı bilgi ve yapılandırma pratikleri için Google Cloud AutoML Api sayfasını ziyaret edebilirsiniz. Gördüğünüz gibi, mesela bir gazete editörü yayınlanmak üzere kendisine gönderilen yazıları teker teker okumak yerine, makine öğrenmesi modelini eğiterek, örneğin yazıda saldırgan bir dil, olumlu olumsuz bir tutum gibi "sadece insan zekasının algılayabileceğini zannettiğimiz" bir çok özelliği hem de çok çok kısa bir zaman diliminde açığa çıkarabilir. Bir makine saniyeler içerisinde binlerce sayfalık yazıları okuyup detaylı bir analiz yapabilir. Bir polis şefi, Google AutoML Api ile koskoca bir şehirdeki tüm güvenlik kamera kayıtlarını belirli bir insan veya nesne hareketini bulabilecek biçimde eğitip kullanabilir. Saatler boyu sürecek izleme faaliyeti makineler vasıtası ile saniyeler içinde tamamlanabilir. Görüntüleri anlık olarak işleyip spesifik olay her ne ise (mesela araçların fiziki şeklinin % x oranında değiştiği veya araçların değdiği herhangi bir şeyin yön değiştirmesi veya araçtan bir nesnenin fırlaması gibi) henüz olmakta iken bunu tespit edebilir. Düşünsenize, bir kapkaç olayı henüz olmakta iken tespit ediliyor... Önceden belirlenmiş durumun tespiti halinde, tetiklenmiş bir dizi komut ile bölgedeki birimler hemen harekete geçirilebilir. Google belgelerinde, makine öğrenmesi modelleri için "eğitebilirsiniz" ibaresini her gördüğümde "eğitim şart" demekten kendimi alamadım. Ali Aksoy - 17.10.2021