Yapay Zeka Nedir Hakkında Bilgi

Genellikle Yapay Zeka (AI) ‘nin etrafındaki pek çok yutturmaca olsa da, pazarlama tüyünü yok ettikten sonra, ortaya çıkarılan, hayatımızı zaten değiştiren, hızla gelişen bir teknolojidir. Ama potansiyelini tam olarak değerlendirmek için, ne olduğunu ve ne olmadığını anlamak zorundayız!

Samsung tarafından markalı oyun ‘Magichestra’

“Zekayı” tanımlamak zordur, ancak temel özellikler arasında mantık, akıl yürütme, kavramsallaştırma, öz-farkındalık, öğrenme, duygusal bilgi, planlama, yaratıcılık, soyut düşünme ve problem çözme bulunmaktadır. Buradan, benlik, cümle ve varlık düşüncelerine geçiyoruz. Yapay Zeka bu nedenle bu özelliklerden bir veya daha fazlasına sahip olan bir makine..

 

Ancak, nasıl tanımladığınıza bakılmaksızın, AI’nın merkezi yönlerinden biri. Bir makinenin her türlü zekayı göstermesi için öğrenmesi gerekir.

Çoğu teknoloji şirketi AI hakkında konuştuğunda, aslında Makine Öğrenimi’nden (ML) bahsediyorlar – makinelerden gelecekteki kararların sonucunu değiştirmek için geçmiş deneyimlerden öğrenme yeteneği. Stanford Üniversitesi, makine öğrenimini “bilgisayarları açık bir şekilde programlanmadan harekete geçirme bilimi” olarak tanımlar.

Bu bağlamda geçmiş deneyimler, eğitim platformları olarak kullanılabilecek mevcut örneklerin veri kümeleridir. Bu veri setleri çeşitlidir ve uygulama alanına bağlı olarak büyük olabilir. Örneğin, bir makine öğrenme algoritması, köpekler hakkında farklı köpek ırklarını tanımak için öğretme amacı ile, köpekler hakkında geniş bir dizi görüntü beslenebilir.

Benzer şekilde, gelecekteki kararlar, daha önce karşılaşmadığı verilerle birlikte sunulduğunda, makinenin vermiş olduğu yanıtı ifade eder, ancak eğitim seti ile aynı türdendir. Köpek ırk örneğimizi kullanarak, makine daha önce görülmemiş bir Spaniel görüntüsüyle sunulur ve algoritma köpeği bir Spaniel olarak doğru bir şekilde tanımlar.

Eğitime ve Çıkarım

Makine Öğreniminin iki farklı aşaması vardır: eğitim ve çıkarım. Eğitim genellikle uzun bir zaman alır ve kaynak ağır olabilir. Yeni veriler üzerinde çıkarım yapmak nispeten kolaydır ve bilgisayar görüşü, ses tanıma ve dil işleme görevlerinin ardındaki temel teknolojidir.

Derin öğrenme olarak da bilinen Derin Sinir Ağları (DNNs), bugün Makine Öğrenimi için kullanılan en popüler tekniklerdir.

Nöral ağlar

Geleneksel olarak, bilgisayar programları test koşullarını (eğer, ve, veya vs) test eden mantıksal ifadeler kullanarak inşa edilir. Ancak bir DNN farklıdır. Tek başına veri ile bir nöron ağını eğiterek inşa edilmiştir.

DNN tasarımı karmaşıktır, ancak basitçe, ağdaki nöronlar arasında bir dizi ağırlık (sayı) vardır. Eğitim süreci başlamadan önce, ağırlıklar genellikle rastgele küçük sayılara ayarlanır. Eğitim sırasında, DNN birçok giriş ve çıkış örneğini gösterecek ve her bir örnek ağırlıkların daha hassas değerlere göre düzeltilmesine yardımcı olacaktır. Son ağırlıklar DNN tarafından gerçekten öğrenilenleri temsil eder.

Sonuç olarak, belirli bir güven derecesiyle giriş verisi verilen çıkış verisini tahmin etmek için ağı kullanabilirsiniz.

Bir ağ eğitildikten sonra, temelde bir dizi düğüm, bağlantı ve ağırlıktır. Bu noktada artık gerekli olan her yerde kullanılabilen statik bir model.

Şu anki statik model üzerinde çıkarsama yapmak için, çok sayıda matris çarpımına ve nokta ürün işlemlerine ihtiyacınız vardır. Bunlar temel matematiksel işlemler olduğundan, güç verimliliği değişse de CPU, GPU veya DSP üzerinde çalıştırılabilir.

Bulut

Bugün, DNN eğitimi ve çıkarımının çoğu bulutta gerçekleşiyor. Örneğin, akıllı telefonunuzda ses tanıma özelliğini kullandığınızda, sesiniz cihaz tarafından kaydedilir ve bir Makine Öğrenimi sunucusunda işlenmek üzere buluta gönderilir. Çıkarım işlemi gerçekleştiğinde, sonuç akıllı telefona geri gönderilir.

Bulutu kullanmanın avantajı, servis sağlayıcının nöral ağı daha iyi modellerle daha kolay güncelleyebilmesidir; ve derin, karmaşık modeller daha az şiddetli güç ve termal kısıtlamalar ile özel donanım üzerinde çalıştırılabilir.

Bununla birlikte, zaman gecikmesi, gizlilik riski, güvenilirlik ve talebi karşılamak için yeterli sunucu sağlama dahil olmak üzere bu yaklaşımın bazı dezavantajları vardır.

Cihaz içi çıkarım

Çıkarımı yerel olarak çalıştırmak için, bulutta değil akıllı telefonda söylemek için argümanlar var. Her şeyden önce ağ bant genişliği kaydeder. Bu teknolojiler daha her yerde olduğu için, AI görevleri için buluta geri ve geri gönderilen verilerde keskin bir artış olacaktır.

İkincisi, telefona ve sunucu odasına güç tasarrufu sağlar, çünkü telefon artık mobil radyoları (Wi-Fi veya 4G / 5G) veri almak veya almak için kullanmaz ve bir sunucu kullanılmaz işleme.

Yapılan çıkarım yerel olarak daha hızlı sonuç verir

Ayrıca gecikme konusu da var. Çıkarım yerel olarak yapılırsa, sonuçlar daha hızlı teslim edilir. Ayrıca, kişisel verileri buluta göndermek zorunda kalmamak için sayısız gizlilik ve güvenlik avantajı vardır.

Bulut modeli ML’nin ana akım alanına girmesine izin verirken, ML’nin gerçek gücü yerel cihazlar bulut sunucularıyla birlikte çalışabileceği zaman elde edilen dağıtılmış istihbarattan gelecektir.

Heterojen bilgisayar

DNN çıkarımı farklı işlemcilerde (CPU, GPU, DSP, vb.) Çalıştırılabildiğinden, gerçek heterojen hesaplama için idealdir. Heterojen bilgi işlemin temel unsuru, görevlerin farklı donanım türlerinde gerçekleştirilebilmesi ve farklı performans ve güç verimliliği sağlamasıdır.

Örneğin Qualcomm, üstün kademe işlemcileri için Yapay Akıllı Motor (AI Motor) sunmaktadır. Qualcomm Neural Processing SDK ve diğer yazılım araçlarıyla birleşen donanım, farklı türde DNN’leri heterojen bir şekilde çalıştırabilir. 8 bitlik tamsayılar (INT8 ağları olarak bilinir) kullanılarak oluşturulan bir Neural Network ile sunulduğunda, AI Engine bunu ya CPU’da ya da DSP’de daha iyi enerji verimliliği için çalıştırabilir. Ancak, model 16 bit ve 32 bit kayan nokta sayıları (FP16 & FP32) kullanıyorsa, GPU daha iyi bir uyum sağlayacaktır.

AI ile güçlendirilmiş akıllı telefon deneyimlerinin olanakları sınırsızdır

AI Engine’in yazılım tarafı, Qualcomm’un araçlarının Tensorflow ve Caffe2 gibi tüm popüler çerçeveleri, ONNX gibi takas formatlarını ve Android Oreo’nun yerleşik Neural Network API’sini desteklediği konusunda agnostiktir. Bunun üzerine Hexagon DSP’de DNN’leri çalıştırmak için özel bir kütüphane var. Bu kitaplık, birinci sınıf Snapdragon işlemcilerinde bulunan Hexagon Vector eXtensions (HVX) ‘den yararlanır.

AI tarafından desteklenen akıllı telefon ve akıllı ev deneyimleri olanakları neredeyse sınırsızdır. Geliştirilmiş görsel zeka, geliştirilmiş ses zekası ve belki de en önemlisi, tüm bu görsel ve işitsel veriler yerel kaldığı için daha iyi bir gizlilik.

Ancak AI yardımı sadece akıllı telefon ve IoT cihazları için değildir. En ilginç gelişmelerden bazıları otomobil endüstrisinde. AI, arabanın geleceği konusunda devrim yaratıyor. Uzun vadeli hedef, yüksek düzeyde özerklik sunmaktır, ancak bu tek amaç değildir. Sürücü yardımı ve sürücü farkındalığı izleme, yollarımızdaki güvenliği büyük ölçüde artıracak olan tam özerkliğe yönelik temel adımlardan bazılarıdır. Ayrıca, daha iyi doğal kullanıcı arayüzleri ile genel sürüş deneyimi yeniden tanımlanacaktır.

Sarmak

Nasıl pazarlanacağına bakılmaksızın, Yapay Zeka, mobil bilgi işlem deneyimlerimizi, evlerimizi, şehirlerimizi, otomobillerimizi, sağlık sektörünü yeniden düşünebiliriz. Cihazların (görsel ve işitsel olarak) algılayabilme, bağlamı ortaya çıkarma ve ihtiyaçlarımızı tahmin etme yeteneği, ürün yaratıcılarının yeni ve gelişmiş özellikler sunmasına olanak tanır.

Makine Öğrenimi, mobil bilgisayar deneyimlerimizi yeniden tanımlamaktadır

Yerel olarak, bulutta değil, yerel olarak çalışan bu yeteneklerin daha fazlası ile, daha fazla yapay zeka ürünü, gizliliğimizi korurken daha iyi yanıt süreleri ve daha fazla güvenilirlik sunacak.