şükela:  tümü | bugün
  • adından da anlaşılabileceği gibi (bkz: machine learning) dediğimiz olayın otomatize edilmiş hali.

    machine learning ya da en çok karşılaştığım türkçesi ile makine öğrenimi, insanlığın daha şimdiden büyük yol katettiği bir konu. ancak bütün gelişmelere rağmen makine öğrenimi alanının çok büyük bir eğitim, tecrübe ve yazılımcı gücü gerektirmesinden dolayı her projenin belirli limitleri ve ciddi maliyetleri var. işte bu noktada automl, yani makine öğrenimi algoritmaları tasarlayabilen makine öğrenimi modeli tasarlama işi devreye giriyor. terimlerin sıkıntılı türkçelerinden veya benim sıkıntılı türkçemden dolayı olay karmaşık gibi gelebilir. ama aslında işin özü çok basit; kısacası yapay zekanın yapay zeka üretmesi olayı.

    işin ilk başta ilginç görünen yanı ise automl'in daha şimdiden korkutucu derecede iyi çalışıyor olması. yapay zeka konusunda daha yolun başında sayılabileceğimiz bugünlerde bile insanların kendi elleriyle ürettiği yapay zeka, yapay zeka üretme konusunda insanlardan daha iyi. bunun temel sebeplerinden birisi, yapay zeka konusunun karmaşıklık katsayıları çok yüksek algoritma ve parametreler ve ayrıca hemen her projede çok büyük data setleri üzerinden yürüyor olması. makine ve yapay zekanın bu tarz işlerde insanlardan çok daha başarılı olduğu da uzun süredir bilinen bir gerçek. dolayısıyla yapay zekanın yapay zeka üretme konusunda da insandan daha iyi olmasına çok da şaşırmamak gerekiyor aslında.

    bu arada bu işin en önemli öncülerinden birisi tabii ki diğer pek çok alanda olduğu gibi google. google'ın automl mekaniği ile yapay zekaya ürettirdiği yapay zeka modeli, görsel sınıflandırma ve obje tespiti konusunda yapılan akademik yarışmalarda google mühendislerinin daha önce ürettiği yapay zeka modellerinden daha iyi skorlar almış: nasnet .

    (bkz: yapay zekanın yapay zeka üretmesi)
  • veri bilimcilerin işini kolaylaştırır ve makine öğrenimini demokratikleştirirler. cloud ya da on-prem kullanılabilir çoğu. özellikle veri temizleme, eda (exploratory data analysis), feature engineering alanlarında güzel işler yaparak normalde aylar sürecek süreci günlere indirir ve normalde görmenin zor olabileceği hipotezleri ortaya atabilirler oluşturdukları yeni 'feature'lar ile. hızlarının en büyük sebebi makine öğrenimi algoritmalarını paralel olarak deneyebilmeleridir. datarobot, dataiku, rapidminer, tibco, amazon sagemaker, google ai platform, microsoft azure automl, dotdata alandaki önemli isimlerden bazılarıdır. bir de tazi.ai var türkiye'den. o da sessiz sessiz büyüyor. akla gelen "ee o zaman veri bilimciye ne gerek var?" sorusunun cevabı ise basit. her ne kadar süreç kısmen otomatikleşmiş olsa da "no code" denilenler bile aslında "some code" ve şayet "loop"taki kişi konudan habersizse* automl'in pek de faydası olmaz. evet, açıklamalar da kurtarmaz.
hesabın var mı? giriş yap