Müasir texnologiya dünyasında ən çox eşitdiyimiz terminlərdən biri Maşın Öyrənməsidir (Makine Öğrenmesi). Bəs bu termin əslində nəyi ifadə edir?
Ən sadə tərifi ilə desək: Maşın öyrənməsi, kompüterə bir işi necə görəcəyini addım-addım diktə etmək (proqramlaşdırmaq) əvəzinə, ona çoxlu sayda nümunə (data/veri) verərək bu nümunələrdən özünün nəticə çıxarmasını təmin etməkdir. Ənənəvi proqramlaşdırmada biz kompüterə qaydalar toplusu veririk. Maşın öyrənməsində isə biz ona «datadan qayda çıxarmaq» səlahiyyəti veririk.
Maşın öyrənməsi konsepsiyasının pioneri kimi adətən Artur Samuel qəbul edilir. 1952-ci ildə o, öz-özünə şahmat (dama) oynamağı öyrənən ilk proqramı yaratmışdır. Lakin elmi termin olaraq “Maşın öyrənməsi” (Machine Learning) ilk dəfə Samuel tərəfindən 1959-cu ildə IBM tərəfindən nəşr olunan “Some Studies in Machine Learning Using the Game of Checkers” adlı məqalədə istifadə edilmişdir (IBM Journal of Research and Development).
Samuel kompüterlərin “açıq şəkildə proqramlaşdırılmadan öyrənmə qabiliyyəti” olduğunu sübut etdi. Onun yaratdığı alqoritm keçmiş oyun təcrübələrindən nəticə çıxararaq qalibiyyət ehtimalını hesablayırdı. Bu tədqiqat, süni intellektin statik qaydalardan dinamik öyrənməyə keçidinin təməlini qoymuş və müasir alqoritmlərin inkişafı üçün zəmin yaratmışdır.
Maşın öyrənməsinin fəlsəfəsi: niyə ona ehtiyacımız var?
Dünyadakı bütün qaydaları kod sətirləri ilə yazmaq qeyri-mümkündür. Məsələn, bir insana “it” ilə “pişiyi” ayırmağı öyrətmək üçün “itlərin burnu belə olur, pişiklərin qulağı belə” kimi minlərlə qayda yazsanız belə, kompüter hələ də səhv edə bilər. Çünki dünyada minlərlə müxtəlif it və pişik cinsi var.
Maşın öyrənməsi burada dövrəyə girir. Biz sistemə 1000 dənə pişik, 1000 dənə it şəkli göstəririk. Alqoritm bu şəkillər arasındakı fərqləri (piksel səviyyəsindəki nümunələri) analiz edir. Nəticədə, o, əvvəllər heç görmədiyi 2001-ci şəkli görəndə böyük dəqiqliklə “bu itdir” deyə bilir.
Maşın öyrənməsi bu çətin suallara cavab tapmaq üçün vacibdir:
Maliyyə: “Bu kredit müraciəti edən şəxs borcunu qaytaracaq, yoxsa yox?” (Kredit skoru analizi)
Tibb: “Bu rentgen şəkli ağciyər xərçənginin ilkin əlamətidirmi?” (Diaqnoz qoyma)
Kənd Təsərrüfatı: “Bu bitki xəstədir, yoxsa sadəcə suya ehtiyacı var?” (Ağıllı Kənd Təsərrüfatı)
İnsan beyni və maşın: uşağın öyrənmə modeli
Maşın öyrənməsinin məntiqi uşaqların dünyanı kəşf etmə prosesinə çox bənzəyir. Bir uşağa heç vaxt “pişiyin anatomik quruluşu belədir” deyə mühazirə oxumuruq. Uşaq ətrafında pişiyi görür, onun miyoldamasını eşidir, tüklərinə toxunur. Bir neçə təcrübədən sonra beynində “pişik” modeli formalaşır. Maşın öyrənməsi alqoritmləri də “Süni Neyron Şəbəkələri” vasitəsilə məhz bu bioloji prosesi təqlid edir. Maşın öyrənməsinin əsas növləri
Maşın öyrənməsi tətbiq olunma formasına və datanın növünə görə üç ana kateqoriyaya bölünür:
1.Nəzarətli öyrənmə (denetimli öğrenme / supervised learning) Bu modeldə datanın etiketi (label) var. Yəni biz kompüterə həm sualı, həm də cavabı veririk.
Misal: Sisteme 5000 elektron poçt veririk və hər birinə “bu spamdır” və ya “bu normaldır” etiketi vururuq.
Məqsəd: Giriş datası ilə çıxış nəticəsi arasında bir funksiya (əlaqə) qurmaqdır.
İstifadə sahəsi: Qiymət proqnozlaşdırılması (regressiya) və obyektlərin sinifləndirilməsi (klasifikasiya).
2.Nəzarətsiz öyrənmə (denetimsiz öğrenme / unsupervised learning) Burada datanın etiketi yoxdur. Biz kompüterə sadəcə yığınla data veririk və “buradakı gizli naxışları tap” deyirik.
Misal: Bir marketin 1 milyon müştərisinin alış-veriş datası. Sistem özü müştəriləri qruplara ayırır: “qənaətcillər”, “lüks sevənlər”, “tez-tez alış-veriş edənlər”.
Məqsəd: Datanı qruplaşdırmaq (kümeleme / clustering) və ya ölçüsünü azaltmaqdır.
İstifadə sahəsi: Müştəri seqmentasiyası, genetik analizlər.
3.Möhkəmləndirmə öyrənməsi (pekiştirmeli öğrenme / reinforcement learning) Bu, ən maraqlı və dinamik növdür. Sistem “sınaq və səhv” üsulu ilə öyrənir. Bir agent (robot və ya proqram) mühitdə hərəkət edir, düzgün addım atanda “mükafat”, səhv addım atanda “cərimə” alır.
Misal: Şahmat oynayan bir süni intellekt. O, milyonlarla oyun oynayır və hər qələbə ona hansı gedişlərin daha effektiv olduğunu öyrədir.
İstifadə sahəsi: Robototexnika, avtonom avtomobillər (sürücüsüz maşınlar), oyun strategiyaları.
Maşın öyrənməsi haradadır? (gündəlik həyatımızdan misallar)
Fərqində olmasaq da, günümüzün böyük bir hissəsi bu alqoritmlərin idarəsində keçir:
Tövsiyə Sistemləri (Öneri Sistemleri): YouTube, Netflix və ya TikTok-un sizə “bunu da bəyənərsən” dediyi videolar. Onlar sizin keçmiş davranışlarınızdan (datadan) qayda çıxararaq zövqünüzü öyrəniblər.
Maliyyə Təhlükəsizliyi: Bank kartınızla xarici ölkədə şübhəli əməliyyat aparıldıqda bankın dərhal zəng etməsi. Maşın öyrənməsi sizin “normal” xərcləmə profilinizi bilir və kənaraçıxmaları anında tutur.
Biometrik Təhlükəsizlik: Telefonunuzun üzünüzü tanıması (FaceID). Bu, minlərlə nöqtəni analiz edən bir sinifləndirmə modelidir.
Təbii Dil Emalı (NLP): Google Translate-in cümləni bir dildən digərinə çevirməsi. O, sözbəsöz deyil, konteksti öyrənərək tərcümə edir.
Maşın öyrənməsi və yaradıcı süni intellekt (Generative AI)
Çox vaxt bu iki anlayış qarışdırılır. Gəlin fərqi dəqiqləşdirək:
Klassik Maşın Öyrənməsi: Analiz edir və tanımaq
(classification) üçün nəzərdə tutulub. “Bu şəkildəki xər çəngdirmi?” sualına cavab verir.
Yaradıcı Sİ (GenAI): Analiz etdiyi datalardan tamamilə yeni məzmun (mətn, şəkil, musiqi) yaradır.
Lakin unutmaq olmaz ki, Yaradıcı Sİ əslində maşın öyrənməsinin bir alt qolu olan Dərin Öyrənmə (Derin Öğrenme / Deep Learning) üzərində qurulub. Yəni Maşın Öyrənməsi bünövrədir, Yaradıcı Sİ isə o bünövrə üzərində ucalan möhtəşəm bir binadır.
Praktik Tapşırıq və Təcrübə
Maşın öyrənməsinin gücünü real vaxtda görmək üçün süni intellekt modelləri ilə (məsələn, ChatGPT) dialoqa girin.
Addım 1: ChatGPT-yə bu sualı verin:
“Mənə maşın öyrənməsinin (machine learning) tibb, kənd təsərrüfatı və logistika sahələrindəki tətbiqlərinə aid 3 real ssenari yaz.”
Addım 2: Aldığınız cavabları analiz edin. Görəcəksiniz ki, hər üç sahədə də sistem “əvvəlki datalara baxır” və “gələcək üçün qərar verir”.
Xülasə: Maşın öyrənməsi — kompüterə “balıq vermək” (qaydaları yazmaq) deyil, ona “balıq tutmağı” (datadan qayda çıxarmağı) öyrətmək sənətidir.
Yekun Söz: Müəllifin Qeydi
Maşın öyrənməsi sehrli bir çubuq deyil. Onun keyfiyyəti ona verilən datadan asılıdır. Əgər data yanlışdırsa, çıxarılan qayda da yanlış olacaq (“Garbage in, garbage out” – Zibil daxil olarsa, zibil çıxar).