Pazartesi , 21 Eylül 2020
Home » Yapay Zeka » Otomatik Makine Öğrenmenin Kara Kutusu
Otomatik Makine Öğrenmenin Kara Kutusu 1 – 1 crackingopen1

Otomatik Makine Öğrenmenin Kara Kutusu

Etkileşimli vasıta, kullananların otomatik model aramalarının iyi mi çalıştığını görmelerini ve denetlemelerini sağlar.
MIT araştırmacıları, ilk kez kullananların otomatik makine öğrenme sistemlerinin iyi mi çalıştığını görmelerini ve denetim etmelerini elde eden etkileşimli bir vasıta geliştirdiler. Amaç, bu sistemlerde itimat oluşturmak ve bu tarz şeyleri geliştirmenin yollarını bulmaktır.

Görüntü sınıflandırma; hastalık teşhisi ve borsa tahmini şeklinde belirli bir vazife için bir makine öğrenme modeli tasarlamak zor ve vakit alıcı bir süreçtir. Uzmanlar ilk olarak modeli oluşturmak için birçok değişik algoritma arasından seçim yapıyor. Sonrasında, model eğitime başlamadan ilkin modelin genel yapısını belirleyen “hiperparametreleri” elle ayarlıyorlar.

Son zamanlarda geliştirilen otomatik makine öğrenme (AutoML) sistemleri algoritmaları ve bu hiperparametreleri yinelemeli olarak kontrol edip değiştirir ve en uygun modelleri seçer. Fakat sistemler “kara kutu” olarak çalışır, doğrusu seçim teknikleri kullanıcılardan gizlenir. Bundan dolayı, kullanıcılar sonuçlara güvenmeyebilir ve sistemleri arama gereksinimlerine nazaran uyarlamayı zor bulabilirler.

ACM CHI Data İşlem Sistemlerinde İnsan Faktörleri Konferansında sunulan bir makalede; MIT, Hong Kong Bilim ve Teknoloji Üniversitesi (HKUST) ve Zhejiang Üniversitesi’nden araştırmacılar, AutoML şekillerinin analizini ve kontrolünü kullanıcılara koyan bir vasıta açıkladılar. ATMSeer adında olan vasıta; bir AutoML sistemi, veri kümesi ve bir kullanıcının görevi hakkında bazı detayları girdi olarak alır. Peşinden, arama işlemini modellerin performansı hakkında derinlemesine informasyon elde eden kullanıcı dostu bir arayüzde görselleştirir.

MIT Data ve Karar Sistemleri Laboratuvarı’nda (LIDS) Araştırmacı Kalyan Veeramachaneni: “Kullananların AutoML sistemlerinin iyi mi çalıştığını seçmesine ve görmesine izin veriyoruz. En iyi performansı gösteren modeli seçebilir yada sistemi başkalarına nazaran aramak için sisteme rehberlik etmek için başka düşünceleriniz yada tesir alanı uzmanlığınızı kullanabilirsiniz.”

AutoML için çalışan fen yüksek lisans öğrencileri ile meydana getirilen araştırmalarda; araştırmacılar ATMSeer kullanan iştirakçilerin ortalama yüzde 85’inin sistem tarafınca seçilen modellere güvendiğini belirledi. Neredeyse tüm katılımcılar; aracı kullanmanın gelecekte AutoML sistemlerini kullanacak kadar konforlu olduklarını söylemiş oldu.
LIDS Elektrik Mühendisliği ve Bilgisayar Bilimleri (EECS) Yüksek Lisans Talebesi Micah Smith: “Bu kara kutuyu açmanın ve sistemin iyi mi işlediğini görmenin ve denetim etmenin bir sonucu olarak insanların AutoML kullanma olasılıklarının daha yüksek bulunduğunu gördük.”

Modelin Ayarlanması

Yeni aracın özünde; 2017 senesinde Veeramachaneni ve öteki araştırmacılar tarafınca geliştirilen “Auto-Tuned Models” (ATM) adlı hususi bir AutoML sistemi var. Geleneksel AutoML sistemlerinden değişik olarak ATM, tüm arama neticelerini modellere uymaya çalışırken tamamen katalogluyor.

ATM herhangi bir veri setini ve kodlanmış bir tahmin görevini girdi olarak alır. Sistem; sinir ağları, karar ağaçları, ormanlar ve lojistik regresyon şeklinde bir algoritma sınıfını rasgele seçer ve modelin karar ağacının boyutu yada sinir ağı katmanlarının sayısı şeklinde hiperparametreleri seçer.

Peşinden, sistem modeli veri setine karşı çalıştırır. Hiperparametreleri yinelemeli olarak ayarlar ve performansı ölçer. Başka bir model seçmek için o modelin performansı hakkında öğrendiklerini kullanır. Sonunda, sistem bir vazife için birkaç en iyi performans gösteren model çıkarır.

İşin püf noktası; her modelin temelde birkaç değişkenli tek bir veri noktası olarak ele alınabileceğidir: Algoritma, hiperparametreler ve performans… Araştırmacılar bu çalışmaya dayanarak; veri noktalarını ve değişkenleri belirlenmiş grafik ve çizelgelere çizen bir sistem tasarladılar. Oradan, bu verileri gerçek zamanlı olarak tekrardan yapılandırmalarına müsaade eden ayrı bir teknik geliştirdiler.

Smith: “İşin püf noktası, bu araçlarla görselleştirebileceğiniz her şeyi de değiştirebileceğinizdir.”

Benzer görselleştirme araçları yalnızca bir hususi makine öğrenme modelini çözümleme etmeye yöneliktir ve arama alanının sınırı olan bir halde özelleştirilmesine izin verir.

Wang: “Bundan dolayı, birçok arama modelinin konfigürasyonlarının çözümleme edilmesi ihtiyaç duyulan AutoML süreci için sınırı olan destek sunuyorlar. Buna karşılık; ATMSeer, çeşitli algoritmalarla üretilen makine öğrenme modellerinin analizini destekliyor.”

Kullanıcı Kontrolü ve Itimat

ATMSeer’in arayüzü üç bölümden oluşmaktadır. Bir denetim paneli, kullananların veri kümelerini ve bir AutoML sistemini yüklemesine ve arama işlemini başlatmasına yada duraklatmasına izin verir. Aşağıda, aranan algoritmaların ve hiperparametrelerin sayısı şeklinde temel istatistikleri ve azalan sırada en iyi performans gösteren modellerin “önder tablosu” nu gösteren bir genel bakış paneli bulunmaktadır.

ATMSeer, hepsi ayarlanabilen algoritmalar ve hiperparametreler hakkında derinlemesine informasyon içeren panellere haiz bir “AutoML Profiler” ihtiva eder. Bir açık oturum tüm algoritma sınıflarını histogramlar olarak gösterir: Algoritmanın performans puanlarının, hiperparametrelerine bağlı olarak 0 ila 10 içinde bir dağılımını gösteren bir çubuk grafik… Ayrı bir açık oturum, değişik hiperparametreler ve algoritma sınıfları için performanstaki değişmeleri görselleştiren dağılım grafiklerini görüntüler.

AutoML deneyimine haiz olmayan makine öğrenme uzmanlarıyla meydana getirilen örnek emek harcamalar; kullanıcı kontrolünün AutoML seçiminin performansını ve verimliliğini artırmaya destek bulunduğunu ortaya koydu. Biyoloji ve finans şeklinde değişik bilimsel alanlarda 13 yüksek lisans talebesi ile meydana getirilen kullanıcı emekleri da açıklayıcıydı.

Sonuçlar, üç ana faktörü gösterir: Aranan algoritma sayısı, sistem emek verme zamanı ve en iyi performans gösteren modeli bulma… Bunlar, kullananların AutoML aramalarını iyi mi özelleştirdiklerini belirler.

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir