hesabın var mı? giriş yap

  • ilk aşk gibi bir şey lan.

    bilgisayardan internetten önce bu vardı hayatımızda. gerçi tam olarak vardı diyemem kendi adıma, zira bizim televizyonun böyle über bir özelliği yoktu ve fakat akraba evlerinde denk geldiğimde saatlerimi geçirirdim başında. hava durumu desen var, fikstür desen var, güncel haberler desen var. internete ilk girdiğimde hissetiklerimi belki bir kademe düşüğüyle yıllar önce hissettirdi bu meret bana. sosyal statü belirleyicisiydi gözümde resmen. gerçi öyle hala, nerde teletext seven bir insan var, işte orada güzel bir insan vardır.

    şimdilerde boşladık biraz elbet ama yeri ayrıdır kalbimizde.
    unutulmadın teletext.

  • bu adamlar o kadar teknolojik uzay gemisi yapmislar hala bi otobus gibi tutma yeri koymamislar, bi torpil yiyince cikan sarsilmada hoop diye cihazlara tutunuyolar, bigun biri kiracak navigasyon kolunu, kalacaklar uzayin ortasinda dimdizlak

  • pitbullun sahibi 20li yaşlarında dövmeli bir delikanlıydı; kanı kaynıyordu. birden dudaklarına yapıştım, senin de istediğini biliyorum dedim.

  • en azindan yakin gelecekte gercek olmayacagini dusundugum onerme.

    halen bilgisayar ile goru* alaninda doktora yapiyorum, elektrik-elektronik muhendisiyim. tum bu alan, 2012 yilindan bu yana, kamuoyu nezdinde yapay zeka adi altinda parlatilan derin ogrenme* adi verilen teknik tarafindan domine edilmis durumda, ben de yalnizca derin ogrenme calisiyorum. cikan neredeyse her yeni algoritma derin ogrenme tabanli ve derin ogrenme tabanli olmayan algoritmalardan cok daha iyi performans gosteriyor. once isterseniz "yapay zeka" olarak nitelendirilen metodun ne oldugundan kisaca bahsedeyim devaminda neden bunun tip doktorlugunun alternatifi olamayacagini dusundugumu aciklayacagim.

    derin ogrenme, lineer ve lineer-olmayan donusumlerin birbirini izledigi kompleks bir matematiksel fonksiyon. bu fonksiyona ait parametreler* var. bu parametreler, daha onceden insan eli ile isaretlenmis veriler kullanilarak "ogreniliyor". ornek uzerinden anlatayim: elimizde yuz adet hayvan olsun. bu hayvanlar ya kedi, ya da kopek olsun. her bir hayvanin boyunu, kilosunu ve yasini olcelim, olcerken de hangisinin kediye, hangisinin kopege ait oldugunu bir kenara not edelim. daha sonra, bir kompleks matematiksel fonksiyon uyduralim (tabii ki matematiksel olarak anlamli dizayn oruntuleri var). bu fonksiyona ait ayarlanabilir parametreler olsun. ıste "ogrenme" fazinda, biz bu fonksiyona bu boy-kilo-yas verisini gosterecegiz ve bu fonksiyon bize rastgele bir cikti verecek. daha sonra da, parametreleri ayarlayarak, istedigimiz ciktiyi vermesini saglayacagiz. diyelim ki, kopek icin 1, kedi icin 0 sayilarini cikti vermesini istiyoruz. gosterdigimiz ornekler ile, olmasi gereken ciktiyi bildigimiz icin matematiksel optimizasyon metotlarini kullanarak uygun parametreleri belirliyoruz. daha sonra, kediye mi kopege mi ait oldugunu bilmedigimiz bir boy-kilo-yas verisi geldiginde, elimizdeki fonksiyonu, ogrenilmis parametreler ile calistiyoruz ve algoritma bize bir cikti veriyor. bu cikti, 0.5'in altinda ise, bilinmeyen ornegin bir kediye, ustunde ise kopege ait olduguna isaret ediyor. ıste, yapay zeka olarak adlandirilan derin ogrenme bu sekilde calisiyor.

    simdi gelelim neden derin ogrenmenin tip doktorlugunu neden yok edemeyecegine. bunun sebeplerini su sekilde siralayabilirim:

    1) derin ogrenmenin verdigi kararlar aciklanamaz. bu kisim oldukca onemli. derin ogrenme, bazi tip ile ilgili gorevlerde gercekten iyi bir performans sergiliyor. kimi zaman, deneyimsiz doktorlardan daha basarili patolojik tani koyabilmekte. ancak, mevcut hali ile, verdigi bir karari neden verdigi bilgisine ulasilamiyor. bir insana soruldugunda, burada bir ben* var ve ben bu benin seklinin yuvarlak olmamasindan ve icinde ton degisimleri olmasindan dolayi bunu supheli goruyorum aciklamasini alabilirsiniz. bir derin ogrenme algoritmasi ise size sadece suphelilik olasiligi gibi bir sayi verecektir. ıste bu yuzden halen, dunyanin ileri gelen saglik kuruluslari, derin ogrenme algoritmalarinin direkt olarak tibbi cihazlarda kullanimasina karsi cikiyor. tip temkinli yaklasilmasi gereken bir alan. yapilmasi muhtemel hatalarin bile neden yapildigina dair aciklama getirmenin onemli oldugu bir alan. daha aciklanabilir sonuclar alinana degin, derin ogrenme muhtemelen size tani koymayacak.

    2) suclanabilirlik. diyelim ki hastaneye gittiniz ve radyolojik muayene neticesinde riskli bir kitle tespit edildi. derhal biyopsi alindi ve patoloji laboratuvarina gonderildi. makroskopik incelemeden sonra patolog bu biyopsiyi mikroskopta incelenecek sekilde hazirladi ve boyadi. devaminda dunyanin en iyisi olan bir derin ogrenme algoritmasi mikroskopik fotograflari inceledi ve bu kitlenin iyi huylu olduguna karar verdi. diyelim ki, yanildi ve siz oldunuz. bu durumda kimi suclayacagiz? biyopsiyi hazirlayan doktoru mu, algoritmayi hazirlayan muhendisi mi, yoksa ogrenme icin kullanilan veri setini olusturan kisileri mi? cevap bunlarin hicbirisi, cunku bu sorunun bir cevabi yok. benzer bir durum surucusuz araba icin de gecerli. bu arac hatali bir karar verip, aslinda onlenebilecek bir kazayi yaptiginda, aracin icindeki yolcuyu suclayamazsiniz. bu hukuki cikmaz onemlidir ve derin ogrenme tabanli algoritmalarin gundelik hayatimiza girisini onemli olcude yavaslatmaktadir.

    3) derin ogrenme insanin isaretledigi veriden ogrenir. ınsanin isaretledigi veri hangi bilgiyi isaret ediyorsa, derin ogrenme onu ogrenir, dogru veya yanlis olmasi fark etmez. ornegin bir radyologun kolayca yakalayabilecegi bir kist, ogrenme datasinda yanlis isaretlenmis ise, derin ogrenme bu yanlisi ogrenebilir. ogrenmeyebilir de. aciklayamiyoruz (bkz: madde 1). ayrica, insanin isaretledigi veriden ogrenen bir algoritmanin, insandan daha basarili sonuc vermesi beklenmez. verse bile bunu tespit edemeyiz, cunku test icin kullanacagimiz veriler de bir insan tarafindan isaretlenmis olacak.

    4) derin ogrenme tibba dair bir takim rutin isleri devralabilir, ama bu tip doktorlugunu bitirecegi manasina gelmez. belki istihdam edilmesi gereken doktor sayisi bir miktar azalabilir, ancak her tip ana bilim dalinda arastirma yapacak, ya da hic olmazsa derin ogrenme icin kullanilacak verileri isaretleyecek insanlara ihtiyac olacak.

    5) genelleme yetenegi. halen en iyi algoritmalarin dahi genelleme yetenegi sinirli. ornegin, diyelim ki, bir hastanede calisan radyoloji uzmani bir doktor, kendi hastanesindeki y marka mr cihazinin goruntuleri ile calisiyor. ancak bu doktor baska bir hastanedeki z marka mr cihazinin sonuclarini da, bu markaya ait sonuclara daha once bakmamis olsa dahi anlayabilir ve performansinda ciddi dusus olmadan dogru taniyi koyabilir. aynisini bir derin ogrenme algoritmasi icin soylemek oldukca zor. dunyadaki tum mr cihazlarinin goruntulerini ogretseniz dahi, halen en guclu algoritmalar bile, veri seti spesifik ogretilmis versiyonlarindan kotu calisiyor.

    tum bu etkenler degerlendirilince, yakin gelecekte derin ogrenmenin doktorlugu yok edecegini dusunmuyorum, ki verdigim ornekler ozellikle yok olacagi dusunulen tip alt dallarina ait. eger illa bir doktor grubu issiz kalacaksa bu, teknolojiye ayak uyduramayan, onunla calismayi kaldiramayan grup olacak. cunku derin ogrenmenin avantajlarini kullanmayi bilen bir hekime kiyasla cok daha dusuk verimlilik saglayabilecekler.

  • aile ve sosyal politikalar bakanlığı'nın yürüttüğü “türkiye'de aile yapısı araştırması”nda yapılan anketler sonucu ortaya çıkmış oranmış bu. evet ülkemizin yüzde 82 si alkol kullanmıyormuş.
    ben şahsen bu sonuçları okuduğumda anketi yapanların da alkol kullanan yüzde 18 içinde olduğunu düşündüm. yoksa bu sonuçlar ayık kafayla çıkarılacak sonuçlar değil gibi gözüküyor. maksadının ne olduğu açıkça belli kerameti kendinden menkul anketler.