SEV Connect - Kış 2019

38 CONNECT KIŞ MAKİNELER DE BİZİ GÖRECEK YAPAY ZEK Â: DUYGU CEYL AN ( ACI ’ 0 3) DUYGU CEYLAN, yapay zekânın en zorlu ve popüler konularından bilgisayar görmesi ve makine öğrenmesi alanında araştırmalar yürüten bir mezun. Yani, yapay zekânın gözü sayılan teknolojiler üzerine çalışıyor. Şu anda dünyaca ünlü grafik yazılım şirketi Adobe’un Kaliforniya San Jose’deki araştırma merkezinde insan yüzü fotoğraflarının geometrisini belirleyerek, üç boyutlu pozlarını tahmin etmeye yoğunlaşmış durumda… Ceylan, derin öğrenme teknolojileri kullanan görme sistemlerinin, yakın gelecekte gündelik hayatımızda, bilimsel araştırmalarda ve iş dünyasındaki birçok alanda kritik öneme sahip olacağını söylüyor. İZMIR AMERIKANKOLEJI’NDEN mezun olduktan sonra ODTÜ Bilgisayar Mühendisliği Bölümü’nü bitiren Duygu Ceylan, animasyon filmlerine olan merakı nedeniyle Bilkent Üniversitesi’nde Bilgisayar Grafikleri alanında yüksek lisansını tamamladı. İsviçre’de Ecole Polytechnique Federale de Lausanne’da (EPFL) doktorasını tamamladı ve Adobe’un San Jose Laboratuvarı’nda araştırmacı olarak çalışmaya başladı. Yapay zekânın birçok alanda şimdiden devrim yarattığını ve önümüzdeki yıllarda çok hızlı bir gelişim göstereceğini söyleyen Duygu Ceylan ile yapay zekânın görmesi üzerine konuştuk. Bilgisayarların görmesi (computer vision), yapay zekânın gözleri olması ne anlama geliyor? Bugün üzerine çalıştığımız birçok problemi, girdisi X, çıktısı Y olan büyük bir fonksiyon gibi düşünebiliriz. Mesela, yüz tanıma probleminde X bir fotoğrafı, Y ise bu fotoğrafta bulunan yüzlerin maskelerini temsil edebilir. Birçok problem için bu fonksiyonu matematiksel olarak yazmak mümkün değil, ya da matematiksel bir fonksiyon oluşturabilsek bile bunu hesaplayabilmek kolay değil. Makine öğrenmesi (machine learning), bu tarz fonksiyonları, örnek verilere bakarak öğrenmeyi hedefliyor. Yüz tanıma problemine geri dönecek olursak, birçok resim ve resimlerdeki yüz maskeleri şeklinde verileri toplayarak, yüz tanıma fonksiyonunu öğrenebiliriz. Derin öğrenme teknikleri, farklı miktarda yapay sinir ağları kullanarak bunu başarmayı hedefliyor, daha yüksek sayıda sinir ağları kullanarak daha karmaşık fonksiyonlar öğrenebiliyoruz. Bu fikirlerin temelde uzun bir