Makine Öğrenimi (ML) Güvenilirliğinin Artması Blockchain Verileri için Önemli

ML olarak da bilinen Makine Öğrenimi'nde güvenilirliğin artması, blockchain verilerinin kullanılabilmesinde büyük önem arz ediyor.

Son güncelleme: 2 ay önce

Makine öğrenimi ile tüm alanlarla devrim yaşanacak. Bu, son birkaç yıldır duyduğumuz tutarlı bir hikaye. Uygulayıcılar ve bazı meraklılar dışında, çoğu insan ML’nin nüanslarının farkında değil. Makine öğrenimi kesinlikle Yapay Zeka (AI) ile ilgilidir. Saf bir alt küme mi yoksa yakından ilişkili bir alan mı olduğu, kime sorduğunuza bağlıdır. Makinelerin bilişsel becerileri kullanarak tüm alanlarda daha önce görülmemiş sorunları çözme hayali, bu yaklaşım kırk veya elli yıldan fazla sonuç vermediği için AI kışına dönüşmüştü. ML’nin yeniden dirilişi sahayı tersine çevirdi. Bilgisayarların beygir gücü arttıkça makine öğrenimi izlenebilir hale geldi ve farklı alanlar hakkında çok daha fazla veri, modelleri eğitmek için kullanılabilir hale geldi. ML, dar alanlarda istatistiksel yöntemler kullanarak tahminler yapmak için verileri ve sembolik mantığı kullanarak tüm dünyayı modellemeye çalışmaya odaklandı.

Kısaca makine öğrenimi

Genel olarak ML’de üç ayrı yaklaşım vardır. Bunların ilki denetimli öğrenme, ikincisi yarı denetimli öğrenme ve üçüncüsü denetimsiz öğrenmedir. Farklılıkları, öğrenme sürecine rehberlik etmek için insan katılımının derecesinden kaynaklanmaktadır. Derin öğrenme, bu yaklaşımların birden çok katmanıyla karakterize edilir. Makine öğreniminin başarısı, genel durumlarda tahminler yapmak için eğitim setleri adı verilen belirli bir alanda verilerle eğitilen modellerin yeteneğinden gelir. Herhangi bir ML ardışık düzeninde, veriler kullanılarak bir dizi aday model eğitilir. Eğitimin sonunda, modelde alanın temel yapısının önemli bir miktarı kodlanır. Bu, ML modelinin gerçek dünyada tahminler oluşturmak için genelleştirmesine olanak tanır. Örneğin, bir model kedi videolarını tanımak üzere eğitilmek için çok sayıda kedi videosu ve kedi olmayan videolar ile beslenebilir. Eğitimin sonunda, başarılı tahminlerde belirli bir miktarda kedi videosu kodlanır.

  Blockchain Patentlerinde ABD Hâlâ Zirvede

Makine öğrenimi birçok bilinen sistemde kullanılır. İzleme verilerine dayalı film önerileri, alışveriş sepetlerinin mevcut içeriğine göre yeni ürünler öneren pazar sepeti analizi de bunlara dahil. Yüz tanıma, klinik görüntülerden cilt kanseri tahmini, retina taramalarından retina nöropatisinin belirlenmesi, MRI taramalarından kanser tahminleri, hepsi ML’nin etki alanı içindedir. Tabii ki, filmler için tavsiye sistemleri, kapsam ve önem açısından cilt kanserini veya retina nöropati ve körlüğün başlangıcını öngören sistemlerden büyük ölçüde farklıdır.

Graph showing different trajectories of inections

Bu eğitimden sonraki ana fikir, tahmin edicilerin henüz karşılaşmadığı eğitim dağılımından alınan verileri kullanarak bağımsız ve aynı şekilde dağıtılmış (iid) bir değerlendirme prosedürü kullanmaktır. Bu değerlendirme, gerçek dünyada konuşlandırılacak adayı seçmek için kullanılır. Birçok aday, başlangıç ​​varsayımları, çalıştırma sayısı, eğitim aldıkları veriler vb. nedeniyle aralarında ince farklar olsa da, bu aşamada benzer şekilde performans gösterebilir.

Google raporu ML hakkında ne söylüyor

İdeal olarak iid değerlendirmesi, modelin beklenen performansının bir temsilcisidir. Bu, buğdayı samandan ayırmaya yardımcı olur. Eğitim setleri ile gerçek dünya arasında bazı yapısal uyumsuzlukların olacağı açıktır. Gerçek dünya dağınık, kaotik ve görüntüler bulanık. Operatörler bozulmamış görüntüler yakalamak için eğitilmemiş ve ekipman arızaları mevcut. Değerlendirme aşamasında eşdeğer kabul edilen tüm öngörücüler, gerçek dünyada benzer kusurlar göstermiş olmalıdır. Üç uzman tarafından yazılan ve tamamı Google’dan yaklaşık otuz başka araştırmacı tarafından desteklenen bir makale, gerçek dünyadaki makine öğrenimi modellerinin birçok yüksek profilli başarısızlığını açıklamak için bu teoriyi araştırıyor. Bu, modelin taramalardan retina nöropatisini teşhis etmeyi amaçlayan Tayland’daki saha testlerinde iyi performans göstermediği, oldukça duyurulmuş Google sağlık fiyaskosunu içeriryor

Rapor, değerlendirme aşamasında benzer şekilde performans gösteren tüm öngörücülerin gerçek dünyada eşit performans göstermediğini belirtiyor. Bu, hattın sonunda kötüler ve iyi performans gösterenlerin ayırt edilemeyeceği anlamına geliyor. Bu makale, bir tahminci seçme sürecine ve ML’nin mevcut uygulamalarına atılan bir balyozdur.

  Çin'in Blockchain Hizmet Ağı, 2021'de "Stablecoin" desteğini başlatacak

Makale, bu davranışın temel nedenini makine öğrenimi ardışık düzenlerinde yetersiz belirtme olarak tanımlar. Yetersiz tanımlama, makine öğreniminde iyi anlaşılmış ve iyi belgelenmiş bir fenomendir. Bir eğitim setinde ifade edilecek bağımsız doğrusal denklemlerden daha fazla bilinmeyenlerin varlığı nedeniyle ortaya çıkar. Makaledeki ilk iddia, makine öğrenimi ardışık düzenlerinde eksik belirtmenin, dağıtımda beklendiği gibi davranan modellerin güvenilir bir şekilde eğitilmesinin önünde önemli bir engel olduğudur. İkinci iddia, eksik spesifikasyonun ML’nin modern uygulamalarında her yerde olduğu ve önemli pratik sonuçlara sahip olduğudur. Belirsizliğin kolay bir tedavisi yoktur. Mevcut ardışık düzeni kullanan tüm dağıtılan makine öğrenimi öngörücüleri kusurludur.

ML yolu Blockchain’e çıkıyor

Çözüm, eksik spesifikasyonun tehlikelerinin farkında olmak ve birden fazla tahminci seçmek ve daha sonra bunları daha gerçek dünya verilerini kullanarak stres testlerine tabi tutmak ve en iyi performansı göstereni seçmektir. Başka bir deyişle, test rejimini genişletmek gerekir. Tüm bunlar, hem eğitim hem de değerlendirme setinde kullanılacak daha kaliteli verilerin ihtiyacına işaret ediyor, bu da bizi çözümleri uygulamak için blok zincirleri ve akıllı sözleşmelerin kullanımına getiriyor. Daha yüksek kaliteli ve çeşitli eğitim verilerine erişim, eksik spesifikasyonu azaltabilir ve dolayısıyla daha iyi makine öğrenimi modellerine daha hızlı bir yol oluşturabilir.

Facebook Yorumları

Bir Cevap Yazın