Bir şarkının listelerde yükselmesiyle belirli bir şehirdeki kahve satışlarının artması arasında ilişki olabilir mi? Ya da gece yarısı atılan müşteri destek talepleri, iki hafta sonra yaşanacak bir abonelik iptali dalgasını haber verebilir mi? İnsan zihni çoğu zaman bu tür bağlantıları ya tesadüf diye geçiştirir ya da tam tersine, olmayan anlamlar yükler. Derin öğrenme ise daha soğukkanlı bir üçüncü yol önerir: Önce veriye bak, örüntüyü ölç, sonra şüphe etmeye devam et.
Örüntü avcısı nasıl çalışır?
Derin öğrenme modelleri, milyonlarca hatta milyarlarca örneğin içindeki tekrarları bulmak üzere tasarlanmış katmanlı matematiksel sistemlerdir. Bir görüntü modelinin ilk katmanları kenarları ve renk geçişlerini fark eder; sonraki katmanları gözleri, tekerlekleri veya yaprak dokularını tanıyabilir. Daha üst katmanlar ise bunları birleştirerek bir kediyi, kırık bir makine parçasını ya da tümör şüphesi taşıyan bir bölgeyi ayırt etmeye çalışır. Buradaki sihir aslında sihir değildir: Çok sayıda küçük hesap, iyi seçilmiş bir hedef fonksiyonu ve devasa miktarda örnek.
Aynı mantık, görüntü dışındaki verilerde de işler. Banka hareketleri, hava durumu, trafik yoğunluğu, sosyal medya dili, cihaz sensörleri ve satış kayıtları bir araya geldiğinde model, insan gözünün kaçıracağı birleşik sinyalleri yakalayabilir. Örneğin tek başına önemsiz görünen düşük pil seviyesi, belirli uygulama kullanım sırası ve konum değişimi; bir kullanıcının uygulamayı terk etme olasılığına dair güçlü bir işaret hâline gelebilir. Algoritma bu işareti sezgiyle değil, tekrar eden istatistiksel düzenlerle öğrenir.
Korelasyon, nedensellik değildir
Yine de burada kritik bir fren mekanizması gerekir. Bir model iki olayın birlikte değiştiğini bulduğunda, bu olaylardan birinin diğerine neden olduğunu kanıtlamış olmaz. Dondurma satışları ile boğulma vakaları aynı dönemde artabilir; fakat dondurma kimseyi suya itmez. Ortak neden yaz sıcaklığıdır. Derin öğrenme, özellikle çok karmaşık veri kümelerinde, bu tür yanıltıcı ilişkileri son derece ikna edici biçimde keşfedebilir. Modelin yüksek doğruluğu, açıklamasının doğru olduğu anlamına gelmez.
Bu yüzden iyi bir sistem yalnızca tahmin üretmez; test edilir, farklı veri gruplarında sınanır ve mümkün olduğunda nedensel araştırmalarla desteklenir. Eğitim verisinde başarılı olan bir modelin gerçek dünyada da başarılı olması için zaman içinde tutarlı kalması, yeni koşullara uyum sağlaması ve gizli önyargıları taşımaması gerekir. Aksi hâlde algoritma geleceği görmüyor olabilir; yalnızca geçmişteki eşitsizlikleri yüksek hızla yeniden üretiyor olabilir.
Tesadüfün sınırında sorumluluk
Derin öğrenmenin en büyüleyici yanı, dünyayı daha düzenli göstermesidir. Rastgele sandığımız davranışların altında alışkanlıklar, çevresel etkiler ve görünmez ağlar bulunabilir. Fakat bu güç, insanları sadece olasılık puanlarına indirgeme riskini de taşır. Bir öğrencinin başarısız olacağını, bir çalışanın işi bırakacağını veya bir hastanın risk taşıdığını tahmin etmek; o kişi hakkında nihai hüküm vermek değildir.
En iyi yaklaşım, algoritmayı kâhin değil, güçlü bir mercek olarak görmektir. Mercek ayrıntıyı büyütür ama neye baktığımızı, hangi veriyi topladığımızı ve gördüğümüz şeyle ne yapacağımızı biz belirleriz. Derin öğrenme tesadüflerin arasındaki ipleri bulabilir. O iplerden anlamlı, adil ve güvenilir bir harita örmek ise hâlâ insan aklının sorumluluğundadır.