Makine Öğreniminde Yeni Yaklaşım, Kaosu Daha Öngörülebilir Hale Getirebilir

Yapay zekâ sistemlerinin muazzam yetenekleri, kaotik sistemlerin geleceğini daha iyi tahmin edebileceğimiz anlamına geliyor ve sürece daha da fazla doğruluk katıyor.

Makine öğrenimine daha dinamik ve daha hızlı bir yaklaşım getiren yeni nesil rezervuar hesaplama teknikleri ile geliştirilen yeni algoritma, küresel hava tahmini gibi karmaşık fiziksel süreçlerin tahminlerini iyileştiriyor.

Mekân-zamansal kaotik sistemler olarak bilinen bu süreçlerin hesaplamaları artık çok daha kısa sürede, daha yüksek doğrulukla, daha az hesaplama kaynağı kullanılarak ve daha az eğitim verisine dayalı olarak yapılabilir.

Ohio State Üniversitesi'nden fizikçi Wendson Barbosa, "Bu, makine öğrenimi alanında veri işleme verimliliği ve tahmin doğruluğu açısından önemli bir ilerleme olduğuna inandığımız için çok heyecan verici" diyor.

Makine öğrenimi tam olarak şudur: Büyük veri arşivlerine (geçmiş hava durumu modelleri gibi) dayalı tahminler (gelecekteki hava durumu modelleri gibi) yapmak için bir keşif sürecini kullanan bilgisayar algoritmaları.

Rezervuar hesaplama yaklaşımı, insan beynini daha yakından taklit etmeye çalışır ve yararlı kalıpları keşfetmenin bir yolu olarak rastgele bağlanmış yapay nöronlardan oluşan bir 'rezervuara' bilgi besler. Sonuçlar daha sonra gelecekteki öğrenme döngülerini bilgilendirmek için kullanılır.

Zamanla, bu sistemler daha akıcı ve verimli hale geldi. Makine öğrenimindeki bir yenilik, tahmine dayalı modelin farklı bileşenlerinin paralel olarak gerçekleşmesine izin verdi. Bu tür bir mimariyi en son rezervuar hesaplama teknolojisiyle kullanmak, algoritmaların, aksi halde kaotik bir bilgi karmaşası olan şeyde potansiyel simetrileri tespit etmesine olanak tanır.

Araştırmacılar yeni yaklaşımlarını atmosferik bir hava modeli üzerinde test ettiler. Windows yazılımı çalıştıran normal bir dizüstü bilgisayar kullanarak, daha önce bir süper bilgisayara ihtiyaç duyan bir saniyenin çok kısa bir sürede tahminlerde bulunabildiler. Bu özel durumda, hesaplamalar geleneksel algoritmalardan 240.000 kat daha hızlı yapılmıştır.

De sa Barbosa, "Bir sistem için bu benzersiz süreçlerin nasıl gelişeceğini doğru bir şekilde tanımlayan denklemler biliniyorsa, davranışı yeniden üretilebilir ve tahmin edilebilir" diyor.

Makine öğrenimi algoritmaları, gelecekteki her türlü olayı tahmin etmek için kullanılabilir, sosyal mühendislik kadar endişe verici olanlara yeni kaynaklar çıkarmak gibi sıradan alanlarda uygulamalar bulabilir.

Bu senaryolar daha karmaşık hale geldikçe, dikkate alınması gereken daha fazla değişken var ve bu da hesaplama kaynaklarının sınırlarını zorluyor. Makine öğrenimi sistemleri, geçmiş verilerdeki, insanın tespit etmesi imkânsız olan kalıpları tespit edebilir ve ardından bu kalıpların tekrarlanmasına dikkat edebilir. Ayrıca zaman içinde doğruluklarını artırmak için kendilerine geri bildirimde bulunabilirler.

Araştırmacılara göre, bu yeni ve geliştirilmiş algoritmalar, kalp atışı modellerini izlemek, aksi takdirde gözden kaçabilecek sağlık sorunlarını tespit etmek gibi çok çeşitli durumlarda kullanılabilir.