Feysbuk, Suni Zekada Eleştiri Bir Atılım Yapmış oldu
Denetimsiz öğrenme, suni zekâ sistemlerinin ham veriyi incelemek için kullandıkları göstergeleri otomatikman işlemelerini elde eden sistemdir. Feysbuk, kendi MoCo adlı sistemlerinin görsel işlemede denetimli öğrenme ile aynı seviyeye ulaştığını deklare etti.
Suni zekâ çalışmalarında kullanılan pek oldukca değişik yaklaşım ve sistem var. Bunlardan biri denetimsiz öğrenme olarak adlandırılan yöntem. Suni zekâ sistemleri, bu yolla ham veriyi iyi mi sınıflandırmaları icap ettiğini öğrenebiliyor. Bu yapının en büyük başarısı organik dil işleme yazılımları. Öte taraftan söz mevzusu görüntüler olduğunda bu sistemin problemler yaşamış olduğu da bir gerçek.
Suni zekâlara görüntüleri öğretme mevzusundaki emek harcamalar devam ediyor. Bu alandaki kim bilir en temel mesele, görüntülerin insanların bir şeyler öğrenmek ya da öğretmek yerine kendilerini ifade etmek için kullandıkları oldukca boyutlu ve sürekli yapılar olmasından kaynaklanıyor olması.
Feysbuk’tan emsalsiz yaklaşım:
Feysbuk araştırmacıları da bu durumu göz önüne aldı ve karşıtsal yitik adlı bir yaklaşım kullanarak çalıştı. Bu yaklaşımda temel olarak görüntülerden elde edilmiş anahtarlar, bir şifreleyici ile temsil ediliyor ve mevcud dizinlerle eşleştirilmeye çalışılıyor. Bu çalışmaların sonucunda da MoCo ya da Momentum Contrast adlı yapı geliştirildi. MoCo, görüntüleri öncesinden emek harcayarak elindeki göreve nazaran uygulanabileceği hâle getiriyor.
Tespit etme, segmentlere ayırma şeklinde 7 değişik alanda kabaca 1 milyar değişik görüntü ile çalışan sistem, bazı alanlarda denetimli olan ve tecrübe etme yanılmaya dayanmayan sistemleri geride bırakmayı başardı. Testte kullanılan görseller, Instagram’dan alındı.
MoCo, denetimliler kadar iyi:
Sistemin başarısını bir yazı ile duyuran Feysbuk çalışanları, bu sonuçların MoCo’nun denetimli ve denetimsiz yöntemler arasındaki uçurumu büyük oranda kapattığını gösterdi.
Genel olarak MoCo, oldukça kolay ve zekice bir ilke üstünden çalışıyor. Veri örneklerinden elde etmiş olduğu anahtar girdilerini bir devamlı veri dizisi hâline getiriyor. Bu da veri dizisindeki anahtarların yine yine kullanılabilmesini sağlıyor. Ek olarak sisteme esnekliği ve bağımsızlığı da bir hiperparametre (veri setine nazaran değişim gösterebilen parametre) olarak kullanma şansı veriliyor. Bu dinamik yapı yardımıyla de örnekler devamlı olarak değiştiriliyor.
MoCo’yu değerlendirmek için araştırmacı ekip ImageNet ve Instagram’dan 1,28 milyon veri setinin yer almış olduğu, 1.000 sınıftan ve 940 milyon her insana açık Instagram gönderisinden oluşan bir veri yığını kullandı. Modelin geliştirilmesi ve çalıştırılması, 64 grafik kartının altı gün süresince Instagram Corpora ile eğitimi yardımıyla mümkün oldu. Rapora nazaran MoCo, Instagram Corpora üstünde daha öncesinden eğitildi ve ImageNet örnekleri üstünde olduğundan oldukca daha başarıya ulaşmış performans gösterdi.
