10 Yaşındaki Oğlumla Nasıl “Yapay Zekâ” Çalışıyorum?

Epey bir süredir yapay zekâ teknolojileriyle uğraşıyorum. 30 yıllık programcılık tecrübemin üstüne çok zor gelmiyor konuları. Çünkü yapay zekanın da özünde Algoritma ve programlama var.

Çocuklarımız yapay zekanın kullanıldığı bir dönemde yaşıyor ve ileride çok daha yaygın kullanıldığı bir dünyada yaşayacaklar.

Hangi mesleği yaparlarsa yapsınlar yapay zekâ ile çalışacaklar veya kullanacaklar.

Ben de bu mantıkla öğrendiklerimi basitleştirerek oğluma aktarmaya çalıştım. Aynen kodlamada olduğu gibi.

Bence zor konu yoktur basit anlatılamayan konu vardır. Bir konuyu da basit anlatmak için o konuya hâkim olmalısınız. Onun için öğretmenlerin mutlak ve mutlaka yetkin olmaları gerekiyor.

Oğlum 10 yaşında. O da pek çok yaşıtı ve hemcinsi gibi futboldan hoşlanıyor (sanmayın ki kodlamadan, yapay zekâdan). Siri ile araları iyi elbette o ayrı veya bilgisayar oyunlarını sular seller gibi oynuyor, benim anlatmak istediğim, ilgisini çekmeyen şey; yapay zekayı geliştirme, tekniğini merak etmesi anlamında (Hangi çocuğun çeker ki?).

Bence zor konu yoktur basit anlatılamayan konu vardır. Bir konuyu da basit anlatmak için o konuya hâkim olmalısınız. Onun için öğretmenlerin mutlak ve mutlaka yetkin olmaları gerekiyor.

Yanına bile yanaşmıyor çoğunlukla. Şu an en çok ilgisini çeken şeyler futbol ve TIR şoförlüğü. TIR şoförlüğünü meşhur Euro Truck oyununda ustalıkla sergiliyor. TIR şoförü olmak konusunda hevesliydi bir ara ama mesela dolmuş şoförü olmam diyordu. Nedenini sorduğumda dolmuşlar hep aynı hatta gelip gidiyor, oysa TIR lar pek çok farklı yere gidiyor diyor. Anladım ki arkasında yeni yerler görme, keşfetme sevdası var. Sonra iş lojistikçi olacağım TIR filosu kuracağıma geldi; “Böylece hem daha fazla kazanırım hem de istediğimde bir TIR a atlayıp istediğim yere giderim” demeye başladı.

Şu an en çok ilgisini çeken şeyler futbol ve TIR şoförlüğü

Neyse biz konumuza dönelim dediğim gibi bu aralar futbola çok meraklı. Şu meşhur markanın futbolcu kartlarını hevesle biriktiriyor ve dünyadaki futbolcuları kendi akrabalarının isminden daha iyi biliyor.

Ben oğluma eğer gel seninle yapay zekâ çalışalım deseydim muhtemelen hala bunu diyor olurdum. Eğitimciler bilir, bir ebeveyn in otoritesi asla bir öğretmeninki gibi değildir. Çok daha rahatlar çocuklar ebeveynlerine karşı.

Onun için konuyu mutlaka cazip hale getirmeli onda merak duygusu uyandırmalı ve motivasyon yaratmalıydım.

Önce veri bilimi ve veri analizinden başladım. Zaten yapay zekaya giden yolda böyle başlar.

Her şeyi yaz tatilinde başlattım.

Az çok Excel biliyordu, okulda kullanmıştı. Biraz daha ileri seviyede öğrenmesi için kaynaklar oluşturdum. Ama bunlar sadece video veya dokümanlar değildi. Bunların iyi kurgulanmış bir müfredatıydı. Ben mentör oldum gerektiği yerlerde müdahale ettim ama esas öğrenme işini o yaptı.

Böylece formüller dahil Excel’de orta ve biraz üstü seviyeye geldi.

İlk aşama tamamlanmıştı.

İkinci aşama veri toplama aşamasıydı. Yapay zekâ çalışmalarında çok kullanılan çiçek tiplerini tahmin eden bir uygulama vardır. Benim 10 yaşındaki futbol aşığı oğluma bu uygulamayı yaptırmaya çalışsaydım muhtemelen bu konudaki kariyeri daha başlamadan bitecekti.

Elbette öyle yapmadım. Siz olsanız ne yapardınız?

Evet öyle yaptım.

Kendisi iyi bir Fenerbahçelidir. Aynen benim gibi. Tabi tahmin edeceğiniz gibi Fenerbahçe’yle ilgili olan bir konu ekstra ilgisini çeker. Bunu kullanarak veri toplama aşamasına geçtim.

İkinci aşama veri toplama aşamasıydı. Yapay zekâ çalışmalarında çok kullanılan çiçek tiplerini tahmin eden bir uygulama vardır. Benim 10 yaşındaki futbol aşığı oğluma bu uygulamayı yaptırmaya çalışsaydım muhtemelen bu konudaki kariyeri daha başlamadan bitecekti.
Yaz başında ona dedim ki, Fenerbahçe’nin kadrosundaki futbolcularla ilgili bütün bilgileri topla ve bir Excel Tablosuna yaz. Bu onu o kadar heyecanlandırdı ki, hatta “ben niye bunu daha önceden” düşünemedim deyip işe koyuldu hemen.

Bu süreç biraz uzun sürdü. Çünkü o kadar detaycı ki, futbolcuların bacak uzunluklarına kadar geldi olay.

Neyse sorun değil zaten yaz tatiliydi.

Aslında farkında olmadan yapılandırılmış data, etiketleme, veri madenciliği gibi temel konularda çalışmıştı.

Sonra sıra geldi verileri işlemeye. Artık elimizde yoğurabileceğimiz ve en önemlisi oğlumun ilgisini çeken bir veri kaynağı vardı. Bence işin zor kısmını geçmiştik.

Verileri pek çok yöntemle işlemesini gösterdim oğluma. Öncelikle istatistiksel olarak. Burada Excel bilgisini oldukça kullandı. Medyan, ortalama, standart sapma gibi kavramlarla tanıştı. Yani istatistiğe de bir giriş yaptı.

Sonra sıra geldi verileri işlemeye. Artık elimizde yoğurabileceğimiz ve en önemlisi oğlumun ilgisini çeken bir veri kaynağı vardı. Bence işin zor kısmını geçmiştik.
Ne anlama geldiklerini anladı. Daha önceden göremediği özelliklerin farkına vardı, analizler yaptı. Bazılarına şaşırdı, bazılarına kızdı, yöneticilere öneriler getirecek kıvama geldi. Tabii ki fenerli futbolcular üzerinden ?

Excel in sadece tablo tutmak için değil aslında pek çok iş için ne kadar güçlü bir araç olduğunu gördü.

Verilere başka bir açıdan yaklaşması için, yine veri biliminde yaygınca kullanılan görselleştirme kısmına geçtim.

Bunun için Microsoft’un veri görselleştirme aracı olan PowerBi’yi kullandım. PowerBi sanılanın aksine basit kullanımda Excel den bile daha kolay bir uygulama.

Bu uygulamaya Excel de oluşturduğumuz verileri yükledik ve çok farklı özellikleri çok farlı grafiklerle görüntüledik. Verinin görünümü Excel’deki kuru tablolardan çok daha fazla şey söylüyordu.

Oğlum buna bayıldı. Oluşturduğu verilerden bu şekilde farklı anlamlar çıkarması ona harika geldi.

Hele futbolcuların geldikleri ülkeleri ve şehirleri gösteren dünya haritasındaki görselleştirme onu mest etti.

Yapay zekâ çalışmasına giden ilk adımlar aşılmıştı. Veri toplama, veriyle haşır neşir olma. Küçük bir veri analizcisiydi artık.

Şimdi kafamda daha büyük bir plan vardı. Yazın Futbolda Dünya kupası oynandı. Ben de bunu hemen fırsata çevirdim.

Oğlum kartlardan dünya kupasında oynayan bütün futbolcuları zaten biliyordu. Bu kartların özelliği olarak her futbolcunun pozisyonlara göre puanları ve sonunda da toplam gücü var.

Ona şöyle bir öneriyle gittim. Dedim ki Dünya kupasında oynayan 4 takım seçelim. Bu takımlara ait ülke, puan, oynadığı pozisyon gibi bilgileri bir veri kaynağında toplayalım, yani Excel tablosunda. Daha sonra bu verileri yapay zekaya tanıtalım. Devamında seçeceğimiz herhangi bir futbolcunun puanının kaç olabileceği veya hangi takımdan olabileceği veya hangi pozisyonda olabileceğini yapay zekaya soralım.

“Nasıl yani dedi, benim verdiğim bilgilere dayanarak yeni şeyler sorduğumda bulabilecek mi?”

Aynen öyle dedim. Buna da çok heyecanlandı. Bir makineye öğretebilmek onu heyecanlandırmıştı. Ben zaten bu heyecanıyla amacıma ulaşmıştım.

Seçtiğimiz takımlar Kosta Rika, İran, Fransa ve Polonya idi. Oğlum bu futbolcularla ilgili bilgileri oluşturdu Excel de.

Ben yapay zekâ için IBM Watson’ı seçmiştim. (Bununla ilgili: “IBM Watson, Öğrenmeyi Öğrenmek, Kolektif Çalışma ve Öğrencilerim” makalem) Çünkü yeni başlayanlar için basit arabirimler sunuyordu ve kullanımı son derece kolaydı. Oğlumun oluşturduğu bilgilerin %80’ni IBM Watson’ı eğitmek amaçlı kullandık. (Makine öğrenmesindeki eğitim süreci). Bu süreci beraber yaptık.

Eğitim sürecinde doğru verileri seçmenin sonuçlar üzerinde ne kadar büyük etkisi olduğunu gözlemledi.

Sorduğu sorulara göre hangi tekniği uygulaması gerektiğini anladı: “Sınıflandırma mı?”, “Çoklu sınıflandırma mı?”, “Regression mu?”

Seçtiği tekniğe göre hangi algoritmayı kullanması gerektiğini anlattım.

Tekniğine derinlemesine girmeden onun anlayabileceği sadelik ve basitlikte “Linear Regression ”, “Decision Tree”, “Random Forest” algoritmalarından bahsettim. Tekrar ediyorum çok ama çok basit anlaşılabilir örneklerle. Burası önemli. Yoksa ürker, sıkılırdı. Belki bir daha yanına yaklaşmazdı.

IBM Watson’ın güzel bir özelliği; birden fazla algoritmayı otomatik olarak seçip size hangisinin hangi doğrulukta tahminler yapacağını söylüyor. Siz de içinden en doğru tahminleri yapan algoritmayı seçip yolunuza devam ediyorsunuz. Bütün bu süreçleri gözlemledi oğlum.

Tekniğine derinlemesine girmeden onun anlayabileceği sadelik ve basitlikte “Linear Regression ”, “Decision Tree”, “Random Forest” algoritmalarından bahsettim. Tekrar ediyorum çok ama çok basit anlaşılabilir örneklerle. Burası önemli. Yoksa ürker, sıkılırdı. Belki bir daha yanına yaklaşmazdı.

Artık Watson Kosta Rikalı, İranlı, Fransız ve Polonyalı futbolcuları tanıyordu. Ama elimizde olanları bilmiyordu. Onları tahmin etmesini isteyecektik zaten.

İşin heyecanlı kısmı da burasıydı. Watson’ın bilmediği verileri sorgulamak için sabırsızlanıyorduk, acaba bunları bile bilecek miydi? Heyecanlanan ben değildim sadece, oğlum benden çok daha fazla heyecanlıydı.

Sırayla sorgulamaya başladık. Mesela bir futbolcunun pozisyonunu ve puanını verip hangi ülkeden olabileceğini sorduk.

IBM Watson’ın güzel bir özelliği; birden fazla algoritmayı otomatik olarak seçip size hangisinin hangi doğrulukta tahminler yapacağını söylüyor. Siz de içinden en doğru tahminleri yapan algoritmayı seçip yolunuza devam ediyorsunuz. Bütün bu süreçleri gözlemledi oğlum.
Ülkesini ve puanını verip hangi pozisyonda oynayabileceğini sorduk.

Ülkesini ve pozisyonunu verip hangi puanda olabileceklerini sorduk.

Watson bunlara %93 doğrulukla cevap verdi. (Eğitmek için elimizde daha fazla veri olsaydı daha yüksek oranda doğruluk yakalardık)

Çok ama çok heyecanlıydı.

Bir makineyi oğlumla biz eğitmiş şimdi onu kullanıyorduk.

Aynen kendi ağacında yetiştirdiğin bir meyveyi yemek gibi.

Şimdiki hedefim siri benzeri bir yapay zekayı oğlumla birlikte oluşturmak (ben zaten yapıyorum).

Bu yazıda geçen tekniklerin detaylarını daha sonraki makalelerimde paylaşmayı planlıyorum.

Kaynak: Zafer Demirkol, linkedin.com