Derin Öğrenmeyi Küçük Veri İle Nasıl Kullanabiliriz? – Düşünce Liderleri

Siber güvenlik trendlerine ayak uydurmak söz konusu olduğunda, son gelişmeleri takip etme süreci oldukça zahmetli olabilir, çünkü takip edilmesi gereken çok fazla haber vardır. Ancak günümüzde durum dramatik bir şekilde değişti, çünkü siber güvenlik alanları derin öğrenme etrafında dönmeye başladı.

İlk başta derin öğrenmenin aldığı büyük kapsamı şaşkınlıkla karşılasak da, derin öğrenmenin yarattığı heyecanın haklı olduğu kısa sürede ortaya çıktı. İnsan beynine benzer bir şekilde, derin öğrenme, bir AI modelinin metin, resim ve ses ipuçlarından doğrudan görevleri gerçekleştirmesini sağlar ve böylece çok doğru sonuçlar elde eder.

Bu noktaya kadar, derin öğrenmenin devasa bir veri kümesine ihtiyaç duyduğu yaygın olarak kabul edildi, bu da Google ve Facebook gibi Silicon Vadisi devlerinin en karmaşık sorunları çözmek için ihtiyaç duyduğu veri büyüklüğüne benzer. Ancak popüler inançların aksine, şirketler sınırlı bir veri havuzuna erişimi olsa bile derin öğrenmenin gücünden yararlanabilir.

Derin öğrenmenin avantajlarını sınırlı, yani “küçük” veri ile kullanmak isteyen şirketlere gerekli bilgiyi sağlamak amacıyla, bu konuya derinlemesine (kasten yapılmayan bir palavra) giren bir makale derledik.

Ancak makalenin özüne girmeden önce, küçük ama çok önemli bir öneride bulunmak istiyoruz: basit başlayın. Sci-fi filmlerinde yer alabilecek kadar karmaşık sinir ağları oluşturmadan önce, yazılımı anlamak için basit ve geleneksel modeller (örneğin, rastgele orman) ile deney yapın.

Bununla birlikte, sınırlı veri ile derin öğrenme teknolojisini birleştirebilecek şirketler için bazı yolları ele alalım.

#1- Temel modeli ince ayarlamak:

Şirketlerin, basit bir temel derin öğrenme modeli oluşturduktan sonra yapması gereken ilk adım, bu modeli eldeki özel sorun için ince ayarlamaktır.

Ancak bir temel modeli ince ayarlamak, kağıt üzerinde göründüğünden daha zor değildir. Büyük bir veri kümesini şirketin özel ihtiyaçlarına göre ince ayarlamak için temel fikir basittir: benzer bir domaine ait büyük bir veri kümesini alın ve sonra bu veri kümesinin ayrıntılarını sınırlı verilerinizle ince ayarlayın.

Büyük veri kümesini elde etmek söz konusu olduğunda, şirket sahipleri ImageNet’e güvenebilir, bu aynı zamanda resim sınıflandırması sorunlarına kolay bir çözüm sağlar. ImageNet tarafından barındırılan veri kümesi, şirketlere milyonlarca resim sunar, bunlar çok çeşitli alanlardan, hayvan resimlerinden vb. oluşan resim sınıflarına ayrılır.

Eğer bir ön eğitimli modeli şirketin özel ihtiyaçlarına göre ince ayarlamak hala çok fazla iş gibi görünüyorsa, internetten yardım almanızı öneririz, çünkü basit bir Google araması, bir veri kümesini ince ayarlamak için yüzlerce öğretici sunacaktır.

#2- Daha fazla veri toplamak:

İkinci noktamız, bazı okuyucularımız için gereksiz gibi görünebilir, ancak gerçekte, derin öğrenme söz konusu olduğunda, veri kümenizin ne kadar büyükse, daha doğru sonuçlar elde etme olasılığınız o kadar yüksektir.

Bu makalenin özü, sınırlı bir veri kümesine sahip şirketlere rehberlik sağlamakla ilgili olsa da, veri toplamanın faydalarını görmezden gelen çok fazla “üst düzey yönetici”yle karşılaştık.

Şirketler, derin öğrenmenin faydalarını genellikle veri toplamakta isteksizlik nedeniyle göz ardı eder. Şirketiniz toplaması gereken veri miktarından emin değilse, öğrenme eğrilerini çizmenizi ve modelin performansındaki değişimi gözlemlemenizi öneririz.

CSO’lar ve CISO’lar tarafından yaygın olarak kabul gören popüler inançların aksine, bazen sorunları çözmek için en iyi yol, daha ilgili veri toplamakdır. CSO ve CISO’nun rolü bu durumda çok önemlidir, çünkü her zaman siber saldırı tehdidi vardır. 2019’da siber güvenlik harcamalarının toplam küresel olarak 103,1 milyar dolar olduğu ve bu rakamın devam ettiği görüldü. Bunu perspektife koymak için basit bir örnek düşünün: nadir elmasları sınıflandırmaya çalışıyorsunuz, ancak çok sınırlı bir veri kümenize sahipsiniz. En açık çözüm, temel modelle keyifli bir gün geçirmek yerine, daha fazla veri toplamak!

#3- Veri Artırma:

İlk iki noktayı tartıştık, bunlar sınırlı veri kümesine sahip şirketler için derin öğrenme teknolojisini uygulamak için kolay bir çözüm sunar, ancak bunlar bir miktar şans gerektirir.

Eğer bir ön eğitimli veri kümesini ince ayarlamakta başarılı olamazsanız, veri artırma denemenizi öneririz. Veri artırma işlemi basittir: girdi veri kümesi, yeni bir çıktı oluşturmak için değiştirilir veya artırılır, ancak etiket değeri değişmez.

Veri artırma fikrini okuyucularımız için perspektife koymak için, bir köpeğin resmini düşünün. Resim döndürüldüğünde, görüntüleyici masih köpek resmi olduğunu anlayacaktır. Bu, iyi bir veri artırma hedefi tam olarak bunu başarmaya çalışır, yani bir yoldaki döndürülmüş bir resim, yükselme açısını değiştirir ve derin öğrenme algoritmasının yanlış bir sonuca varmasına neden olur ve derin öğrenmenin amacını boşa çıkarır.

Görüntü sınıflandırması sorunlarını çözmek söz konusu olduğunda, veri artırma bu alanda önemli bir oyuncudur ve görüntülerin çeşitli sınıflarını anlamak için derin öğrenme modeline yardımcı olan çeşitli veri artırma tekniklerine ev sahipliği yapar.

Ayrıca, veri artırma söz konusu olduğunda, olanaklar neredeyse sınırsızdır. Şirketler, NLP ve GAN’ların deneysel çalışmasını içeren çeşitli yollarla veri artırma uygulayabilir, bu da algoritmaya yeni veri oluşturma yeteneği sağlar.

#4- Bir toplu etki uygulamak:

Derin öğrenme teknolojisine göre, ağ, çok katmanlı olarak inşa edilir. Ancak popüler inançların aksine, her katmanı “her zaman artan” bir özellik hiyerarşisi olarak görmek yerine, son katman, bir toplu mekanizması sağlamak için hizmet eder.

Sınırlı veri kümesine sahip şirketlerin ağlarını derinlemesine inşa etmeleri gerektiği inancı, bir NIPs makalesinde paylaşıldı, bu da yukarıda ifade ettiğimiz inancı yansıtıyor. Sınırlı veri kümesine sahip şirketler, toplu etkiyi kolayca ince ayarlayabilir ve ağlarını derinlemesine inşa edebilir, bu da ince ayar veya başka bir alternatif yoluyla yapılabilir.

#5- Otokodlayıcıları Dahil Etmek:

Dikkate aldığımız beşinci nokta, nispeten sınırlı bir başarı elde etti, ancak otokodlayıcıların bir ağı ön eğitmek ve ağı doğru bir şekilde başlatmak için kullanmaya hala inanıyoruz.

Derin öğrenme teknolojisini entegre etme ilk engelini aşmak için şirketlerin karşılaştığı en büyük nedenlerden biri, siber saldırıların yanı sıra, kötü başlatılmadır ve bunun birçok tuzağı vardır. Denetimli ön eğitim, genellikle kötü veya yanlış derin öğrenme teknolojisinin uygulanmasına yol açar, bu da otokodlayıcıların parlayabileceği yerdir.

Bir sinir ağı oluşturmanın temel fikri, girdi veri kümesinin doğasını tahmin eden bir sinir ağı oluşturmaktır. Bir otokodlayıcı nasıl kullanacağınızdan emin değilseniz, net talimatlar veren birçok öğretici çevrimiçi mevcuttur.

Sonuç:

Makale sonunda, makale boyunca söylediklerimizle birlikte bir ek daha yapmak istiyoruz: öğrenme sürecine alan özel bilgisi dahil etmek! Sadece öğrenme sürecini hızlandırmakla kalmaz, aynı zamanda derin öğrenme teknolojisini daha iyi ve daha doğru sonuçlar elde etmeye de olanak tanır.