Az Veriyle Yapay Zeka Eğitmek İçin Yeni Yöntem: GenMix

Melbourne Üniversitesi'nden Khawar Islam ve ekibi, az sayıda etiketli görüntüyle yapay zeka eğitmenin yolunu arayan GenMix adlı yöntemi Expert Systems with Applications dergisinde yayımladı. Çalışmanın kodu herkesin erişimine açık bırakıldı.

Sorunun kaynağı basit bir sayı meselesi. Islam'ın anlattığı örnekte bir hastane, nadir görülen bir tümör tipine ait on yılda ancak 40 doğrulanmış vaka toplayabiliyor. Bu, deneyimli bir uzmanın örüntüyü tanıması için yeterli; ancak taramaları işaretleyecek yazılımın binlerce örneğe ihtiyacı var. Metin verisi bol ve neredeyse bedavayken görüntüde durum tersine dönüyor, çünkü etiketlemeyi yapacak uzmanın zamanı kıt. Aynı darboğaz üretim hattında en ender görülen kusuru yakalamak isteyen sistemde de, henüz ortaya çıkmamış bir bitki hastalığını erken tespit etmek isteyen çiftçide de karşımıza çıkıyor.

Bilgisayarlı görü alanında bugüne kadar kullanılan çareler görüntüyü çevirmek, kırpmak, parlaklığını değiştirmek ya da bir fotoğraftan kesilen dikdörtgeni başka bir fotoğrafa yapıştırmak. Islam bu sonuncusu için "Bir köpeğin yarısını bir kedinin yarısına dikmek" benzetmesini kullanıyor: sistem bir şey öğreniyor, ama öğrendiği şey her zaman doğru olmuyor. İkinci ve daha ağır sorun ise modellerin eğitildikleri fotoğraflara benzeyen görüntülerde iyi çalışıp kamera, ışık ya da mevsim değiştiğinde tökezlemesi.

Eksik görüntüleri üretken yapay zekaya ürettirmek akla gelen ilk çözüm, ancak Islam'a göre pratikte hayal kırıklığı yaratıyor. Modelden bin yeni kuş fotoğrafı istendiğinde kuşlar kayıyor; bir türü diğerinden ayıran ince ayrıntılar siliniyor veya uydurulmuş halleriyle geliyor. Bu malzemeyle eğitilen modeller kimi zaman hiç ek veri verilmemiş modellerden daha kötü sonuç veriyor.

GenMix bunun yerine gerçek bir fotoğrafı alıp sisteme gömülü dokuz komuttan birini uyguluyor: görüntüyü karlı yapmak, kuzey ışığı altına taşımak, suluboya ya da pastel çizim haline getirmek gibi. Fotoğraftaki özne yerinde kalıyor, yalnız çevresi değişiyor. Düzenlenmiş görüntü sonra dokunulmamış orijinaliyle harmanlanıyor. Bir filtreleme adımı her düzenlenmiş görüntüyü kaynağıyla karşılaştırıyor ve anlamı fazla kaymış olanları eliyor, böylece model başarısız üretimlerle eğitilmiyor.

Ekip yöntemi çeşitli açık görüntü koleksiyonlarında; gündelik nesne tanıma, 200 kuş türünü birbirinden ayırmak gibi ince ayrımlar gerektiren tanıma, çok küçük veri kümelerinden öğrenme ve eğitim ile hedef görüntülerin gözle görülür biçimde farklı kaynaklardan geldiği durumlarda denedi. Sonuçlar hepsinde iyileşti. Modeller, insan gözünün fark edemeyeceği küçük piksel oynamalarıyla kasıtlı olarak yanıltılmaya çalışıldığında da daha dayanıklı çıktı: GenMix ile eğitilenler standart modellere göre yaklaşık yüzde 30 daha az kandırıldı.

Islam sınırları da sayıyor. Deneyler hasta verisiyle değil açık fotoğraf koleksiyonlarıyla yapıldı; klinik kullanım kendi doğrulama ve onay sürecini gerektiriyor. Ekibin bundan sonraki hedefi yöntemi daha ucuz ve hızlı çalışır hale getirmek ve verinin en zor toplandığı alanlarda, tıbbi görüntülemede, çevre izlemede ve güvenlik açısından kritik sistemlerde sınamak.

Neden önemli?Bu durum, yapay zekanın tıp gibi kritik sektörlerdeki gelişimini ve etkinliğini doğrudan etkileyebilir; gelecekteki AI uygulamalarının kapsamını ve güvenilirliğini belirleyici bir rol oynayacaktır.

Şu ana kadar bildiklerimiz

• Yapay zeka modelleri, öğrenmek için büyük ve çeşitli veri setlerine ihtiyaç duyar.
• Nadir tıbbi durumlar gibi niş alanlarda yüksek kaliteli görsel veri miktarı sınırlıdır.
• Bu durum, AI'ın bu tür özel vakaları tanımasında zorluklar yaratmaktadır.

Cevabı beklenen sorular

• Yapay zeka, sınırlı ve nadir veri setlerinden nasıl daha etkin bir şekilde öğrenebilir?
• Sentetik veri üretimi, gerçek dünya verilerinin kalitesini ve çeşitliliğini ne ölçüde karşılayabilir?
• AI modellerinin, genelleme yeteneklerini artırmak için hangi yeni algoritmalar geliştirilecek?