Perseptronlar ve sinir ağları: Bilgisayarlı görünün temel ilkeleri

Son birkaç on yılda sinir ağları, yapay zekâdaki (AI) birçok önemli yeniliğin yapı taşları hâline geldi. Sinir ağları, insan beyninin karmaşık işlevlerini taklit etmeye çalışan hesaplamalı modellerdir. Makinelerin verilerden öğrenmesine ve bilinçli kararlar almak için örüntüleri tanımasına yardımcı olurlar. Böylece sağlık, finans ve otonom otomobiller gibi sektörlerde bilgisayarlı görü ve derin öğrenme gibi yapay zekâ alt alanlarını mümkün kılarlar.

Bir sinir ağının nasıl çalıştığını anlamak, yapay zekânın “kara kutusunu” daha iyi kavramanı sağlayabilir ve son teknoloji ürünlerinin günlük yaşamımıza nasıl entegre edildiğini açıklığa kavuşturabilir. Bu makalede sinir ağlarının ne olduğunu, nasıl çalıştıklarını ve yıllar içinde nasıl geliştiğini inceleyeceğiz. Ayrıca bilgisayarlı görü uygulamalarında oynadıkları role göz atacağız. Haydi başlayalım!

Yapay zekâda algılayıcı nedir?#

Sinir ağlarını ayrıntılı biçimde ele almadan önce algılayıcılara göz atalım. Algılayıcılar, sinir ağlarının en temel türüdür ve daha karmaşık modellerin temelini oluşturur.

Algılayıcı, denetimli öğrenme (etiketli eğitim verilerinden öğrenme) için kullanılan doğrusal bir makine öğrenimi algoritmasıdır. Tek katmanlı sinir ağı olarak da bilinir ve genellikle iki veri sınıfını birbirinden ayıran ikili sınıflandırma görevlerinde kullanılır. Bir algılayıcıyı gözünde canlandırmak için onu tek bir yapay nöron olarak düşünebilirsin.

Şekil 1. Algılayıcı, tek bir yapay nörondur.

Algılayıcının nasıl çalıştığını anlamak#

Bir algılayıcı birkaç girdi alabilir, bu girdileri ağırlıklarla birleştirebilir, hangi kategoriye ait olduklarına karar verebilir ve basit bir karar verici gibi çalışabilir. Dört ana bileşenden oluşur: girdi değerleri (düğüm olarak da adlandırılır), ağırlıklar ve yanlılıklar, net toplam ve bir aktivasyon fonksiyonu.

İşte çalışma şekli:

• Girdiler ve ağırlıklar: Birkaç bilgi parçasına (girdilere) sahip olduğunu ve her birinin ne kadar önemli olduğunu gösteren bir ağırlığı bulunduğunu varsayalım. Bunlara ek olarak yanlılık, algılayıcının karar verirken daha esnek olmasına yardımcı olur.
• Ağırlıklı toplamı hesaplama: Algılayıcı, her girdiyi kendi ağırlığıyla çarpar ve ardından yanlılık da dâhil olmak üzere tüm değerleri toplayarak ağırlıklı toplamı elde eder.
• Karar verme: Ardından algılayıcı, nihai çıktıyı belirlemek için bir aktivasyon fonksiyonu kullanır. Ağırlıklı toplamı alır ve algılayıcının etkinleşip etkinleşmeyeceğine karar verir. En basit durumda aktivasyon fonksiyonu, ağırlıklı toplam belirli bir eşiğin üzerindeyse bir, değilse sıfır çıktısı veren bir basamak fonksiyonudur. Böylece ağırlıklı girdi, evet-hayır kararına dönüştürülür.
• Öğrenme ve gelişme: Algılayıcı hata yaparsa bir dahaki sefere daha iyi sonuç vermek için ağırlıkları ayarlar. Bu süreç, modelin hatalarından ders çıkarmasına yardımcı olur.

Şekil 2. Algılayıcıya genel bakış. kaynak: indiantechwarrior.com

Bilgisayarlı görüde algılayıcıların rolü#

Algılayıcılar, bilgisayarlı görünün temellerini anlamamıza yardımcı olmada önemli bir rol oynar. Gelişmiş sinir ağlarının temelini oluştururlar. Algılayıcıların aksine sinir ağları tek bir katmanla sınırlı değildir. Birbirine bağlı algılayıcılardan oluşan birden fazla katman içerirler; bu da karmaşık doğrusal olmayan örüntüleri öğrenmelerini sağlar. Sinir ağları daha gelişmiş görevleri yerine getirebilir ve hem ikili hem de sürekli çıktılar üretebilir. Örneğin, gelişmiş bilgisayarlı görü görevlerinde örnek segmentasyonu ve poz tahmini için kullanılabilirler.

Sinir ağlarından bilgisayarlı görü teknolojisinin evrimine#

Sinir ağlarının geçmişi onlarca yıl öncesine uzanır ve araştırmalarla ilgi çekici keşiflerle doludur. Bu önemli olaylardan bazılarına daha yakından bakalım.

İşte ilk dönüm noktalarına kısa bir bakış:

• 1940'lar: Warren McCulloch ve Walter Pitts, beynin çalışma şeklini taklit eden basit bir devre geliştirdi.
• 1958: Rosenblatt algılayıcıyı tanıttı.
• 1970'ler: Paul Werbos geri yayılım kavramını ortaya attı (sinir ağının tahmin edilen ve gerçek çıktılar arasındaki farkı en aza indirerek öğrenmesine yardımcı olan bir eğitim yöntemi). Geri yayılım, çok katmanlı sinir ağlarının eğitilmesini mümkün kıldı ve derin öğrenmenin önünü açtı.
• 1980'ler: Geoffrey Hinton ve Yann LeCun gibi araştırmacılar, birbirine bağlı birim ağlarının bilişsel süreçleri nasıl oluşturabileceğini inceleyen bağlantıcılığı araştırdı. Çalışmaları modern sinir ağlarının temelini attı.
• 1990'lar: Jürgen Schmidhuber ve Sepp Hochreiter, dizi tahmini içeren görevler için vazgeçilmez hâle gelen uzun kısa süreli bellek (LSTM) ağını önerdi.

Şekil 3. Sinir ağlarının evrimi.

21. yüzyıla ilerlerken sinir ağları üzerine araştırmalar hız kazandı ve daha büyük ilerlemelerin önünü açtı. 2000'lerde Hinton'ın, verilerdeki örüntüleri bulan bir sinir ağı türü olan kısıtlı Boltzmann makineleri üzerine çalışması, derin öğrenmenin ilerlemesinde önemli bir rol oynadı. Bu çalışma, derin ağların eğitimini kolaylaştırarak karmaşık modellerle ilgili zorlukların aşılmasına yardımcı oldu ve derin öğrenmeyi daha pratik ve etkili hâle getirdi.

Ardından 2010'larda büyük verinin ve paralel hesaplamanın yükselişiyle araştırmalar hızla ivme kazandı. Bu dönemin öne çıkan gelişmelerinden biri, AlexNet'in ImageNet yarışmasını kazanmasıydı (2012). Derin bir evrişimli sinir ağı olan AlexNet, görüntüleri doğru biçimde sınıflandırma gibi bilgisayarlı görü görevlerinde derin öğrenmenin ne kadar güçlü olabileceğini gösterdiği için büyük bir atılımdı. Görsel tanıma alanında yapay zekânın hızla büyümesine katkıda bulundu.

Günümüzde sinir ağları, dizileri anlamada başarılı Transformer mimarileri ve verilerdeki karmaşık ilişkiler üzerinde etkili olan çizge sinir ağları gibi yeniliklerle gelişiyor. Aktarım öğrenimi (bir görev üzerinde eğitilmiş modeli başka bir görevde kullanma) ve modellerin etiketlenmiş verilere ihtiyaç duymadan öğrendiği öz denetimli öğrenme gibi teknikler de sinir ağlarının yapabileceklerini genişletiyor.

Sinir ağlarını anlamak: Temel bilgiler#

Temel konuları ele aldığımıza göre şimdi sinir ağının tam olarak ne olduğunu anlayalım. Sinir ağları, insan beynini andıran katmanlı bir yapıda birbirine bağlı düğümler veya nöronlar kullanan bir makine öğrenimi modelidir. Bu düğümler veya nöronlar verileri işler ve verilerden öğrenerek örüntü tanıma gibi görevleri yerine getirebilir. Ayrıca sinir ağları uyarlanabilir yapıdadır; hatalarından ders çıkarıp zamanla gelişebilirler. Bu özellik, yüz tanıma gibi karmaşık sorunları daha doğru biçimde çözmelerini sağlar.

Şekil 4. Bir sinir ağı.

Sinir ağları, katmanlar hâlinde düzenlenmiş ve paralel çalışan birden fazla işlemciden oluşur. Girdi katmanı, çıktı katmanı ve bunların arasında bulunan birkaç gizli katmandan meydana gelirler. Girdi katmanı, optik sinirlerimizin görsel bilgileri almasına benzer biçimde ham verileri alır.

Her katman, tıpkı beyindeki nöronların sinyalleri birbirine iletmesi gibi, doğrudan ilk girdiyle çalışmak yerine çıktısını bir sonraki katmana aktarır. Son katman, ağın çıktısını üretir. Bu süreç sayesinde yapay bir sinir ağı (ANN), görüntü sınıflandırma gibi bilgisayarlı görü görevlerini yerine getirmeyi öğrenebilir.

Bilgisayarlı görüde sinir ağlarının endüstriyel uygulaması#

Sinir ağlarının ne olduğunu ve nasıl çalıştığını anladığımıza göre, sinir ağlarının bilgisayarlı görü alanındaki potansiyelini ortaya koyan bir uygulamaya göz atalım.

Enerji sektöründe elektrik hatlarının denetlenmesi#

Sinir ağları, Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin temelini oluşturur ve elektrik hatlarını dronlarla görsel olarak denetlemek için kullanılabilir. Elektrik hizmetleri sektörü, geniş elektrik hattı ağlarının denetlenmesi ve bakımında lojistik zorluklarla karşılaşıyor. Bu hatlar, yoğun kentsel bölgelerden uzak ve engebeli arazilere kadar uzanabiliyor. Geleneksel olarak bu denetimleri saha ekipleri gerçekleştiriyordu. Etkili olsalar da bu manuel yöntemler pahalı, zaman alıcı ve çalışanları çevresel ve elektrik kaynaklı tehlikelere maruz bırakabiliyor. Araştırmalar, elektrik hattı çalışmalarının ABD'deki en tehlikeli on meslek arasında yer aldığını ve yıllık ölüm oranının her 100.000 çalışanda 30 ila 50 olduğunu gösteriyor.

Ancak drone ile denetim teknolojisi, hava denetimlerini daha uygulanabilir ve uygun maliyetli bir seçenek hâline getirebilir. Yeni dronlar, denetimler sırasında sık sık pil değiştirmeye gerek kalmadan daha uzun mesafeler uçabiliyor. Günümüzde birçok drone, yapay zekâ ve otomatik engelden kaçınma özellikleriyle entegre geliyor ve arıza tespit kabiliyetleri daha gelişmiş. Bu özellikler, çok sayıda elektrik hattının bulunduğu kalabalık alanları denetlemelerini ve daha uzak mesafelerden yüksek kaliteli görüntüler çekmelerini sağlıyor. Birçok ülke elektrik hattı denetimi için dronları ve bilgisayarlı görüyü kullanmaya başladı. Örneğin Estonya'daki elektrik hattı denetimlerinin tamamı bu tür dronlarla gerçekleştiriliyor. Hava görüntülerindeki iletim kulelerini ve elektrik hatlarını etiketleyen TTPLA gibi herkese açık veri kümeleri, bu modelleri eğitmek için kullanılabilir.

Şekil 5. Elektrik hatlarını denetlemek için drone ve yapay zekâ araçları kullanan bir teknisyen (soldaki görüntü) ve kullandığı drone (sağdaki görüntü) (suasnews).

Önemli çıkarımlar#

Sinir ağları araştırma aşamasından uygulamaya uzanan uzun bir yol katetti ve modern teknolojik gelişmelerin önemli bir parçası hâline geldi. Makinelerin öğrenmelerini kullanarak öğrenmesini, örüntüleri tanımasını ve bilinçli kararlar vermesini sağlarlar. Sağlık hizmetleri ve finanstan otonom araçlara ve imalata kadar bu ağlar yeniliği teşvik ediyor ve sektörleri dönüştürüyor. Sinir ağı modellerini keşfetmeye ve geliştirmeye devam ettikçe, günlük hayatımızın ve iş operasyonlarımızın daha fazla alanını yeniden şekillendirme potansiyelleri giderek daha belirgin hâle geliyor.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözümler sayfalarımızda üretim ve tarım alanlarındaki yapay zekâ uygulamalarını keşfet.