İstatistiksel Yapay Zeka

İstatistiksel YZ, makinelerin verilerden öğrenmesini, kalıpları tanımlamasını, tahminlerde bulunmasını ve belirsizlik altında karar vermesini sağlamak için istatistik ve olasılık teorisinden yöntemler kullanan temel bir yapay zeka dalıdır. Sabit kodlanmış kurallara dayanan yaklaşımların aksine, İstatistiksel YZ geçmiş örneklerden genelleme yaparak yeni, görülmemiş verileri işleyebilen modeller oluşturur. Bu veri odaklı metodoloji, modern Makine Öğreniminin (ML) arkasındaki motordur ve yapay zeka alanında baskın paradigma haline gelmiştir.

Temel İlkeler

İstatistiksel YZ'nin özü, verilerden öğrenme fikri etrafında döner. Bir görev için açıkça programlanmak yerine, istatistiksel bir model bir veri kümesi üzerinde eğitilir. Model eğitimi sırasında algoritma, modelin tahminleri ile gerçek zemin gerçeği arasındaki farkı ölçen bir kayıp fonksiyonunu en aza indirmek için dahili parametrelerini ayarlar. Genellikle gradyan inişi gibi optimizasyon algoritmalarıyla elde edilen bu süreç, modelin verilerdeki altta yatan istatistiksel ilişkileri yakalamasını sağlar. Temel kavramlar arasında belirsizliğin ölçülmesini içeren olasılıksal çıkarım ve performansı değerlendirmek için doğruluk ve F1-skoru gibi ölçütlerin kullanıldığı model değerlendirmesi yer alır. Bu yaklaşım hem denetimli hem de denetimsiz öğrenmenin merkezinde yer alır.

İstatistiksel YZ ve Sembolik YZ

İstatistiksel YZ genellikle yapay zekaya daha eski bir yaklaşım olan Sembolik YZ ile karşılaştırılır.

• "Eski Moda Yapay Zeka" (GOFAI) olarak da bilinen Sembolik Yapay Zeka, problemlerin üst düzey sembolik gösterimleri üzerinde çalışır ve bunları işlemek için mantıksal çıkarım kuralları kullanır. Uzman sistemlerde olduğu gibi bilginin açıkça kodlanabildiği iyi tanımlanmış problemler için en uygun yöntemdir.
• İstatistiksel YZ, kuralların bilinmediği veya açıkça tanımlanamayacak kadar karmaşık olduğu problemleri çözmede başarılıdır. Bu kuralları verilerden dolaylı olarak öğrenir. Bir kediyi köpekten ayırt etmek buna bir örnektir; "kedi "yi mantıksal kurallarla tanımlamak yerine, istatistiksel bir model binlerce etiketli görüntüden kalıpları öğrenir.

YZ araştırmalarının ilk günlerinde Sembolik YZ baskın olsa da, büyük verilerin ve GPU 'lar gibi güçlü bilgi işlem kaynaklarının mevcudiyeti, İstatistiksel YZ'yi, özellikle de Derin Öğrenmeyi, çoğu modern YZ atılımının arkasındaki itici güç haline getirmiştir.

Uygulamalar ve Örnekler

İstatistiksel yapay zeka birçok alanda ilerleme kaydedilmesini sağlıyor. İşte öne çıkan iki örnek:

• Bilgisayarla Görme (CV): İstatistiksel öğrenme bilgisayarla görmenin temelidir. Evrişimsel Sinir Ağları (CNN'ler) gibi modeller piksellerden hiyerarşik özellikler öğrenmek için istatistiksel optimizasyon kullanır. Bu, aşağıdaki gibi görevleri mümkün kılar:

  • Nesne Algılama: Ultralytics YOLO gibi modeller tarafından otonom araçlardan(Waymo'nun teknolojisi bunun en iyi örneğidir) yapay zekaya dayalı envanter yönetimine kadar çeşitli uygulamalar için kullanılan, görüntülerdeki veya videolardaki nesnelerin tanımlanması ve konumlandırılması. Performans değerlendirmesi genellikle Ortalama Hassasiyet (mAP) gibi metrikleri içerir.
  • Tıbbi Görüntü Analizi: Radyologlara X-ışınları veya MRI gibi taramalardaki anormallikleri tespit etmede yardımcı olmak, Sağlık Hizmetlerinde Yapay Zekaya önemli ölçüde katkıda bulunmak ve teşhis doğruluğunu artırmak. Journal of Machine Learning for Biomedical Imaging gibi kaynaklar bu alandaki gelişmeleri sergilemektedir.

• Doğal Dil İşleme (NLP): İstatistiksel modeller, büyük miktarlardaki metin verilerindeki dilsel kalıpları analiz eder. Bu, aşağıdaki gibi uygulamalara güç sağlar:

  • Duygu Analizi: Pazar araştırması veya sosyal medya izleme için kullanılan metnin arkasındaki duygusal tonu belirleme. Stanford 'un temel NLP teknikleri büyük ölçüde kelime ve ifadelerin istatistiksel dağılımlarına dayanır.
  • Makine Çevirisi: Google Translate gibi araçlarda görüldüğü gibi, metni bir dilden diğerine otomatik olarak çevirme. Bu sistemler, ACL Antolojisi gibi kaynaklarda açıklanan temel bir kavram olan büyük paralel derlemlerden diller arasındaki istatistiksel karşılıkları öğrenir.

İstatistiksel yapay zeka, PyTorch ve TensorFlow gibi kütüphaneler ve görsel yapay zeka görevleri için model eğitimi ve dağıtım sürecini basitleştiren Ultralytics HUB gibi platformlar da dahil olmak üzere geliştiriciler tarafından kullanılan birçok araç ve çerçevenin temelini oluşturur.