Yapay zekâ, makine öğrenmesi ve derin öğrenme: Aralarındaki fark ne?

Bu üç terim eş anlamlıymış gibi kullanılıyor ve bu durum, şu anda teknoloji dünyasında neredeyse her şeyden daha fazla kafa karıştırıcı ürün toplantısına yol açıyor. Bunlar eş anlamlı değil; iç içe geçmiş kategoriler. Gerçekte hangisinden bahsettiğinizi bilmek, sormanız gereken soruları da değiştirir.

Yapay zekâ en geniş terimdir

Yapay zekâ, normalde insan zekâsı gerektiren bir işi — akıl yürütme, dili anlama, görselleri tanıma, belirsizlik altında karar verme — yapan bir bilgisayar sistemi anlamına gelir. Bu çok geniş bir şemsiyedir. 1990'lardan kalma, olası hamleleri tarayan bir satranç programı yapay zekâdır. Sizin için e-posta yazan modern bir model de öyle. Gelen kutunuzdaki spam filtresi de öyle. Tamamen farklı şekillerde çalışırlar, ancak standart tanıma göre üçü de yapay zekâ sayılır.

Dikkat çekici olan şu: Her yapay zekâ verilerden öğrenmeyi içermez. Bazı eski yapay zekâ sistemleri yalnızca özenle elle yazılmış kurallardan ve arama algoritmalarından oluşur. Yapay zekânın iç halka değil, dış halka olmasının sebebi budur.

Makine öğrenmesi, yapay zekâ geliştirmenin yollarından biridir

Makine öğrenmesi, sistemin kurallarla açıkça programlanmak yerine davranışını verilerden öğrendiği yapay zekâ alt kümesidir. Modern yapay zekânın büyük kısmı aslında bu kategoriye girer. Dolandırıcılık tespiti, spam filtreleme, öneri motorları, talep tahmini: Bunların hepsi makine öğrenmesidir ve dolayısıyla hepsi yapay zekâdır. Ancak insanlar sohbet ederken bunlara pek “yapay zekâ” demez, çünkü bu kelime daha belirli bir şeyin kısaltması hâline geldi.

Derin öğrenme, makine öğrenmesi geliştirmenin yollarından biridir

Derin öğrenme, makine öğrenmesi içinde sinir ağlarını kullanan belirli bir tekniktir. Sinir ağları, beyindeki nöronların birbirine bağlanma biçiminden gevşek bir şekilde esinlenen katmanlı matematiksel yapılardır; “katmanlar” üst üste dizilir ve her biri bir öncekinden daha soyut bir örüntü öğrenir. “Derin” denmesinin sebebi belirsiz bir anlamda daha akıllı olması değil, katman sayısıdır.

Bugünkü yapay zekâ dalgasını mümkün kılan derin öğrenmedir: Görüntü tanıma, sesi metne dönüştürme ve ChatGPT gibi araçların arkasındaki büyük dil modelleri, temelde derin öğrenmedir. Ancak her makine öğrenmesi derin öğrenme değildir. Günlük iş hayatındaki makine öğrenmesi uygulamalarının çoğu — müşteri kaybını tahmin etmek, potansiyel müşterileri puanlamak, talebi öngörmek — daha hızlı eğitilen, daha az veri gerektiren ve modelin neden belirli bir karar verdiğini bilmek isteyen bir paydaşa çok daha kolay açıklanabilen daha eski ve daha basit tekniklerle (karar ağaçları, regresyon modelleri) gayet iyi çalışır.

Bu ayrım neden gerçekten önemli?

• Veri gereksinimleri çok farklıdır. Derin öğrenme modelleri iyi performans göstermek için çoğu zaman devasa veri kümelerine ihtiyaç duyar. Daha basit makine öğrenmesi modelleri birkaç bin satırla çalışabilir.
• Maliyet ve hız katbekat farklıdır. Bir derin öğrenme modelini — özellikle büyük bir dil modelini — eğitmek ve çalıştırmak, hem geliştirme hem de canlı ortamda çalıştırma aşamasında geleneksel bir makine öğrenmesi modeline göre belirgin şekilde daha fazla işlem gücüne mal olur.
• Derine indikçe açıklanabilirlik azalır. Bir karar ağacı genellikle bir kararı neden verdiğini tam olarak söyleyebilir. Milyonlarca parametreye sahip derin bir sinir ağı ise genellikle bunu bir insanın satır satır takip edebileceği herhangi bir biçimde yapamaz.

Ürününüz için gerçekten önemli olan soru

Biri “Yapay zekâ ekleyelim” dediğinde sorulacak yararlı soru “Hangi sağlayıcı?” değil, “Bu üçünden hangisinden bahsediyoruz ve sorun buna değer mi?” sorusudur. Gerçek iş sorunlarının çoğu basit makine öğrenmesiyle, hatta düz kurallarla, sizin sorununuzdan çok daha zor bir sorunu çözmek için tasarlanmış bir derin öğrenme sisteminin maliyetinin ve karmaşıklığının çok küçük bir kısmıyla mükemmel şekilde çözülür.

Burncode'un herhangi bir yapay zekâ çalışmasına başlamadan önce yaptığı kapsam belirleme konuşması tam olarak budur: Tekniği gerçek soruna uydurmak, tersini değil. Böylece daha basit bir modelin (ya da hiç modelin) aynı derecede iyi halledebileceği bir iş için derin öğrenme düzeyinde bir karmaşıklığın bedelini ödemezsiniz.