I have become penpals with a PhD student in order to learn more about the field of computer science and also about what it may look like to have a career in Artificial Intelligence. Below is our exchanges, in Turkish.
First exchange:
Merhabalar Elif,
Burak ben, seninle email uzerinden de olsa tanistigimiza cok memnun oldum. Sana yazmamin sebebi senin de tahmin edecegin uzere Bilim Onculeri Dernegi yuruttugu proje, benzer ilgi alanlarina sahip oldugumuz icin dernegimizin yoneticileri eslesmemizi uygun gormus :)
Kendimden bahsetmeden once surecin nasil isleyecegi noktasinda bir kac noktayi netlestirebiliriz. Ilk olarak, istersen Burak abi diye hitap edebilirsin. Haftada bir maillesecegimizi dusunerek, genel olarak Pazartesi aksamlari mailleri cevaplayamaya calisacagim. Suan Boston, ABD'de yasadigimdan dolayi Turkiye saatinden 8 saat gerideyim. Maillerimizde birbirimize en azindan bir kac soru sormaya calisalim, boylece konusmalar daha interaktif gidebilir. Son olarak da maillerimizde kisisel hayatimiz yerine daha cok bilim yada hobilerimiz tarafina odaklanmaya calisalim.
Suan Boston Universitesi'nde Bilgisayar Muhendisliginde 4. sinif PhD ogrencisiyim. Sabanci Universitesi Elektronik bolumunden mezun olmustum, suan doktorada superbilgisayarlarda yapay zeka temelli uygulamalar gelistirerek onlari performans ve enerji acisindan daha verimli hale getirmeye calisiyorum. Senin icin ilgini cekebilecegini dusundugum su yaziyi buldum,
https://abdulkadirozbek.com.tr/super-bilgisayar-nedir/. Eger hosuna giderse ve sorularin olursa bir sonraki emailde konusalim.
Bu arada okulunda yapay zeka kulubu baskanligi yaptigini okudum, Koc Universitesi yapay zeka yaz okuluna da katilma firsatin olmus. Bence ikisi de kulaga super geliyor, suana kadar ne kadar detaya girme firsatin oldu bilmiyorum ama en cok ilgini ceken alanlardan bahsetmek ister misin biraz?
Bu email ilk oldugu icin biraz uzun oldu biraz daha kisa ve oz tutabiliriz bir dahaki sefere :)
Heyecanla geri donusunu bekliyorum!
Sevgiler,
Burak
***
Merhaba Burak abi,
Ben de tanıştığımıza çok memnun oldum.
Bence de daha çok bilimden bahsetmek uygun olur, programın amacına da hizmet eder böylece. Gönderdiğin siteye baktım, daha önce ülkemizde yalnızca bir tane olduğundan dolayı belki de çok duymadığım bir konuydu. Süperbilgisayarların kullanım alanları hali hazırda anladığım kadarıyla iklim, askeriye, eğlence sektörü ve veri temelli işler için kullanılıyor. Gelecekte hem yüzölçümünü hem de enerji kullanımı azaltarak hayatın her alanında kullanılma ihtimaller var mı? İTÜ'de bir tane olduğu yazılmış, ülkemizde bu konuda araştırma yapan veya bilgisi olan başka kurumlar var mı? Bir süperbilgisayarın teknik donanımıyla ilgilenmek için sanırım bilgisayar mühendisliği okumak gerekir ancak işletim sisteminden ziyade içindeki kodlama ve yapay zeka sistemleriyle ilgilenen biri için computer science veya AI okumak daha mı iyi olur yoksa hala mühendislik kısmı daha mı yardımcı olur? Eğer gelecekte dijital oyun kodlamasıyla ilgilenmek istersem (düşündüğüm tek alan değil ama aklımın bir köşesinde bulunuyor) süperbilgisayarlar üzerine bilgi sahibi olmam mı gerekir ya da normal bir bilgisayarla da yapılabilir mi? Mesela günümüzdeki oyunlar çoğunlukla süperbilgisayarlar ile büyük bir ekibin aynı anda çalışmasıyla mı mümkün oluyor?
Şu ana kadar yapay zeka alanında fazla derine inmeden daha çok machine learning üzerinden basit kategorileme sistemleri yaptık. Koç Üniversitesi yaz okulunda tıp, siber güvenlik, görsel ve işitsel kategorileme gibi yapay zekanın kullanıldığı her alanda ders aldık ve minik projeler yaptık. Benim en çok ilgimi çeken her zaman görsel ayırt ediciler ve sensörler oldu. Bir fotoğraftaki hatta bir videodaki nesneleri ayırt edebilen sistemlerle ilgili çalışmayı çok isterim. Bu tarz sistemleri görme engellilerin hayatını kolaylaştırmak için tasarlamayı da her zaman düşünmüşümdür. Öte yandan gerçek hayatta kullanım alanının ne olduğunu bilmesem de generative adversarial network (GAN) sistemlerinin çok ilginç olduğunu düşünüyorum. Acaba böyle bir sistemin internetteki thispersondoesnotexist gibi siteler dışında bilimsel bir kullanımı var mıdır?
Şimdilik aklıma gelen sorular bunlar :) İlk mail olduğu için benim de yazacaklarım biraz fazla oldu. Elimden geldiği kadar ben de pazartesileri yazmaya çalışırım böylece mailler arasında tam bir hafta olur hazırlanmaya vakit bulabiliriz.
İyi günler,
Elif
Second exchange:
Merhabalar Elif,
Umarim harika bir hafta gecirmissindir :)
Süperbilgisayarların kullanım alanları hali hazırda anladığım kadarıyla iklim, askeriye, eğlence sektörü ve veri temelli işler için kullanılıyor. Gelecekte hem yüzölçümünü hem de enerji kullanımı azaltarak hayatın her alanında kullanılma ihtimaller var mı?
Evet genel olarak o alanlarda kullaniliyorlar, ama kullanim alanlari aslinda ucsuz bucaksiz. Evet guzel bir noktaya degindin. Bu konu uzerinde de buyuk calismalar suruyor. Oncelikli calismalar chiplerin yuzolcumunu azaltip yada ayni tutup enerji verimliligini arttirmak uzerine. Hatta datacenterlarda kullanilan CPU yada GPU lar genelde commercial olarak kullanilanlardan farkli oluyor. Fakat bu buyuk merkezlerin enerji verimlililigi inanilmaz buyuk bir problem.
İTÜ'de bir tane olduğu yazılmış, ülkemizde bu konuda araştırma yapan veya bilgisi olan başka kurumlar var mı?
Bilgim tam olarak yok, ama buyuk ihtimal kucuktur baya. Daha once Sandia National Labs, Oak Ridge National Labs ve Argonne National Lab ile calistim yada kolaborasyon yaptim. Oralara bir goz atabilirsin :)
Bir süperbilgisayarın teknik donanımıyla ilgilenmek için sanırım bilgisayar mühendisliği okumak gerekir ancak işletim sisteminden ziyade içindeki kodlama ve yapay zeka sistemleriyle ilgilenen biri için computer science veya AI okumak daha mı iyi olur yoksa hala mühendislik kısmı daha mı yardımcı olur?
Evet bence computer science yada engineering is gorur. Belirli bir noktada cok ic ice girmis alanlar, o yuzden kendini hangi acidan egittiginle alakali bence.
Eğer gelecekte dijital oyun kodlamasıyla ilgilenmek istersem (düşündüğüm tek alan değil ama aklımın bir köşesinde bulunuyor) süperbilgisayarlar üzerine bilgi sahibi olmam mı gerekir ya da normal bir bilgisayarla da yapılabilir mi? Mesela günümüzdeki oyunlar çoğunlukla süperbilgisayarlar ile büyük bir ekibin aynı anda çalışmasıyla mı mümkün oluyor?
Mmm, buyuk ihtimal hayir. Superbilgisayarlarin commercialize olmasi (burada dogru kelimeyi bulamadim) icin cok daha fazla zamana ihtiyac var ve amac olarak da o yuzden dizayn edilmedikleri icin biraz zor gorunuyor. Aslinda dunyadaki en komplike simulasyonlar (gorsel ve calculational) superbilgisayarlar ile yapiliyor. Suan icin oyun sektorunde cok fazla superbilgisayarlarin kullanildigini dusunmuyorum, cogunlukla ekonomik sebepler dolayisiyla. Ama bence ilerde mumkun olabilir.
Şu ana kadar yapay zeka alanında fazla derine inmeden daha çok machine learning üzerinden basit kategorileme sistemleri yaptık. Koç Üniversitesi yaz okulunda tıp, siber güvenlik, görsel ve işitsel kategorileme gibi yapay zekanın kullanıldığı her alanda ders aldık ve minik projeler yaptık. Benim en çok ilgimi çeken her zaman görsel ayırt ediciler ve sensörler oldu. Bir fotoğraftaki hatta bir videodaki nesneleri ayırt edebilen sistemlerle ilgili çalışmayı çok isterim. Bu tarz sistemleri görme engellilerin hayatını kolaylaştırmak için tasarlamayı da her zaman düşünmüşümdür.
Kulaga harika geliyor, super! Ben de supercomputerlardaki bir cok sensorden zaman datasi topladigim icin bu alanla baya hasir nesirim aslinda. Biz bunlara timeseries sensor data diyoruz. Her saniye yaklasik binlerce sensorden data toplayabiliyoruz. 1 gun icinde toplanan data cok basit bir sekilde Terabyte scaleine ulasabiliyor. WeWalk diye bir urun var, o tarafta bir cok sensor vb. isin icinde diye biliyorum. Ona bakmak isteyebilirsin, bir kac arkadasim da urunun gelistirilmesinde gorev almislardi.
Öte yandan gerçek hayatta kullanım alanının ne olduğunu bilmesem de generative adversarial network (GAN) sistemlerinin çok ilginç olduğunu düşünüyorum. Acaba böyle bir sistemin internetteki thispersondoesnotexist gibi siteler dışında bilimsel bir kullanımı var mıdır?
Tabiki, GANler genel olarak cok ilginc yapilar. Daha once kullanip automated bir sekilde realistic time series datalari yaratmistim ama bunlarin disinda da bir cok kullanim alani var. Mesela GANler icin ilginc alanlardan bir tanesi genelde "etiketlenmis" datanin az oldugu domainler. Ornek veriyorum critical bir domainde calisiyoruz, ve etiketlenmis data bulmamiz yada etiketleme yapmamiz cok zor. Bu durumlarda GAN ile etiketlenmis datanin karekteristiklerini ogrenip, elimizdeki etiketlenmis datayi cogaltabiliyoruz. Yani aslinda isimlerindeki "Generative" kisim oradan geliyor. "Adversarial" tarafta ise aslinda, zitliktan ogreniyorlar gibi dusunebilirsin. Su bloglari buldum, bunlara goz atmak isteyebilirsin:
Sevgiler,
Burak
***
Merhaba, umarım senin için de iyi bir hafta olmuştur.
Daha once Sandia National Labs, Oak Ridge National Labs ve Argonne National Lab ile calistim yada kolaborasyon yaptim.
Laboratuvarların web sitelerine baktım ve gerçekten de birçok alanda iş imkanı sunuyorlar. Onu görünce de aklıma şu geldi: Computer science veya engineering alanında çalışırken olmazsa olmaz başka bir dal var mı? Yalnızca sayısal olarak değil ama kariyerimde çok işime yaradı dediğin bir yetenek veya bilgi var mı? İnsanlarla birlikte çalışmaya veya bir liderlik pozisyonunda bulunmana ne kadar gerek oluyor? Bu tarz bir meslek sence daha bireysel yönelimli mi yoksa insan ilişkileri yine de ön plana çıkıyor mu?
Kulaga harika geliyor, super! Ben de supercomputerlardaki bir cok sensorden zaman datasi topladigim icin bu alanla baya hasir nesirim aslinda. Biz bunlara timeseries sensor data diyoruz. Her saniye yaklasik binlerce sensorden data toplayabiliyoruz. 1 gun icinde toplanan data cok basit bir sekilde Terabyte scaleine ulasabiliyor. WeWalk diye bir urun var, o tarafta bir cok sensor vb. isin icinde diye biliyorum. Ona bakmak isteyebilirsin, bir kac arkadasim da urunun gelistirilmesinde gorev almislardi.
Time series sensor data sanırım machine learningde olduğu gibi bütün data seti aynı anda koymak yerine belirli bir süre içinde zaman geçtikçe toplanana deniyor. Bu tarz bir sensör uygulamaya konulunca (mesela WeWalk bastonu gibi) öğrenmeyi bırakıyor mu yoksa hala öğrenebilecek şekilde mi tasarlanmış oluyor? Böyle bir sensörün hata payını azaltmak için daha fazla data koymak mı gerekir ya da başka şekilde de bir yapay zekanın hata payını azaltma yolu var mı?
Hiç düşünmediğim birçok alanda kullanılıyorlarmış. İnsanların yüzünü yaşlandıran ve gençleştiren efektler de bu şekilde mi yapılıyor? Ya da bütün fotoğraf filtrelerinin altında GAN sistemleri mi yatıyor yoksa başka bir yol da var ama GAN ile de yapılabiliyor mu? Filtre derken telefonlarımızdaki sıcaklık, satürasyon, yüz pürüzsüzleştirme gibilerden bahsediyorum. Eğer onlarda kullanılıyorsa hayatla çok iç içe demektir ama belki onlar başka şekilde yapılmıştır. Bir de fotoğrafı çekince fotoğraftaki matematik problemlerini çözen uygulamalar geldi aklıma. Sitelerde text-to-image derken bir prompt alıp resme çevirmeyi kast etmiş. Peki bir fotoğraftaki matematiği (ya da elle yazılmış harfleri) algılayıp bunları çözmek için ne kullanılıyor olabilir. Onlar için birçok farklı font/el yazısı data seti mi kullanılıyordur? Ya da GAN ile yazı generate edilebilir gibi geldi ama ne kadar verimli olur bilemiyorum.
Aklıma gelen başka bir nokta ise güvenlik meselesi. Eğer insanlar istedikleri gibi var olmayan yüzler generate edebilirse sahte kimlikçiliğe karşı bir önlem alınır mı? Henüz o aşamaya gelinmediği için belki böyle bir siber güvenlik alanı yoktur ama sanki çok kolay şekilde sahtecilik ve yalan haber için kullanılabilir gibi geldi. Belki de fazla bilim kurgu filmi mantığında düşünüyorumdur ama kullanım alanı o kadar fazla ki bir önlem olmalı gibi hissettim.
İyi günler,
Elif
Third exchange:
Selamlar Elif,
Yogun bir hafta geciriyordum, zamanli donemedim. Kusura bakma :)
Laboratuvarların web sitelerine baktım ve gerçekten de birçok alanda iş imkanı sunuyorlar. Onu görünce de aklıma şu geldi: Computer science veya engineering alanında çalışırken olmazsa olmaz başka bir dal var mı? Yalnızca sayısal olarak değil ama kariyerimde çok işime yaradı dediğin bir yetenek veya bilgi var mı? İnsanlarla birlikte çalışmaya veya bir liderlik pozisyonunda bulunmana ne kadar gerek oluyor? Bu tarz bir meslek sence daha bireysel yönelimli mi yoksa insan ilişkileri yine de ön plana çıkıyor mu?
Mmm sanirim yok. Bence biraz daha ilerleyecegin alanla alakali olabiliyor. Bence kariyerimde en cok isime yarayan noktalardan bir tanesi iletisim becerilerine odaklanmak. Kendini sosyal olarak ifade edebilecegin alanlarda liderlik yada gonullu pozisyonlarda bulunman. Bu tarz bir meslekte aslinda ikisini de bulabilecegin, yada kesistirebilecegin alanlar mevcut. Mesela product manager diye bir pozisyon duymus muydun? Bu is taniminda bence hem teknik hem de sosyal becerilerini iyi kullanman gerekiyor. Ozellikle developer takimlari ve musteri arasinda bir kopru gorevi goruyorsun. Teknik anlamda saglam insanlar ilerki noktalarda bu tarz sosyal pozisyonlara yonelebiliyor.
Time series sensor data sanırım machine learningde olduğu gibi bütün data seti aynı anda koymak yerine belirli bir süre içinde zaman geçtikçe toplanana deniyor. Bu tarz bir sensör uygulamaya konulunca (mesela WeWalk bastonu gibi) öğrenmeyi bırakıyor mu yoksa hala öğrenebilecek şekilde mi tasarlanmış oluyor? Böyle bir sensörün hata payını azaltmak için daha fazla data koymak mı gerekir ya da başka şekilde de bir yapay zekanın hata payını azaltma yolu var mı?
Time series sensor datasi aslinda "surekli" toplanabilecek bir data. Ama insanlar belirli periyotlarda topluyor cunku diger turlu datanin boyutu cok hizli bir sekilde petabytelara ulasabilir. Aslinda ogrenen taraf "sensor" degil, isin icindeki model. Yani model ogrenmeye devam edebilir ve kendini surekli guncelleyebilir ama bu tarz bir islem tabiki daha zor. Daha fazla dikkat edilmesi gereken nokta var.
Böyle bir sensörün hata payını azaltmak için daha fazla data koymak mı gerekir ya da başka şekilde de bir yapay zekanın hata payını azaltma yolu var mı?
Buna "million dollar question" diyebiliriz :) Ne kadar datanin hangi modelde nasil bir iyilestirme yapacagi konusu hala muamma. Genel anlamda datanin artmasi iyi bir sey fakat tek basina kesinlikle yeterli degil. O yuzden bu konularda "deneyim" cok onemli. Kaggle yarismalarinda bir cok ilginc ornek var aslinda.
Hiç düşünmediğim birçok alanda kullanılıyorlarmış. İnsanların yüzünü yaşlandıran ve gençleştiren efektler de bu şekilde mi yapılıyor?
Genelde evet ama daha basit yonetemleri de var. Mesela bu "Fake Face Generator" konsepti var. Yada belki denk gelmissindir mesela normal bir insana unlu birinin konusmasini enjekte edebiliyorlar.
Ya da bütün fotoğraf filtrelerinin altında GAN sistemleri mi yatıyor yoksa başka bir yol da var ama GAN ile de yapılabiliyor mu? Filtre derken telefonlarımızdaki sıcaklık, satürasyon, yüz pürüzsüzleştirme gibilerden bahsediyorum. Eğer onlarda kullanılıyorsa hayatla çok iç içe demektir ama belki onlar başka şekilde yapılmıştır. Bir de fotoğrafı çekince fotoğraftaki matematik problemlerini çözen uygulamalar geldi aklıma. Sitelerde text-to-image derken bir prompt alıp resme çevirmeyi kast etmiş. Peki bir fotoğraftaki matematiği (ya da elle yazılmış harfleri) algılayıp bunları çözmek için ne kullanılıyor olabilir. Onlar için birçok farklı font/el yazısı data seti mi kullanılıyordur? Ya da GAN ile yazı generate edilebilir gibi geldi ama ne kadar verimli olur bilemiyorum.
Aklıma gelen başka bir nokta ise güvenlik meselesi. Eğer insanlar istedikleri gibi var olmayan yüzler generate edebilirse sahte kimlikçiliğe karşı bir önlem alınır mı? Henüz o aşamaya gelinmediği için belki böyle bir siber güvenlik alanı yoktur ama sanki çok kolay şekilde sahtecilik ve yalan haber için kullanılabilir gibi geldi. Belki de fazla bilim kurgu filmi mantığında düşünüyorumdur ama kullanım alanı o kadar fazla ki bir önlem olmalı gibi hissettim.
Aslinda tam tersi, insanlarin biometrik datalarini kullandiklari icin sahtecilik daha da artiyor, yada artabilecek potansiyelde. Baya buyuk bir alan aslinda, cok fazla siber attack olabiliyor. Twitterda bir cok yalan haber yaratan "bot" hesaplar var. Departmanimda calisan bir hoca da bu sahte haber yaratan botlarin aktivitelerini yakalamaya calisiyor.
Burak
***
Merhaba,
Aynı şekilde çok yoğun bir hafta geçirdim. Birçok quiz ve ödev teslim tarihinin kesiştiği bir dönemdi o yüzden ancak şimdi yazabildim, kusura bakma.
Aslında sosyallik gerektiren liderlik pozisyonlarında çok yetkin olduğumu hissetmediğim için sormuştum. Arka planda işleri yürüten ama çok fazla gün yüzüne çıkmayan bir pozisyon bana daha uygun olur sanırım. Bu noktada sormak istediğim kodlama alanında nasıl çalışma ortamlarının daha yaygın olduğu. daha çok evden mi çalışılıyor yoksa şirket ortamında mı? Farklı ülkelere gitmek gerekiyor mu? İş ortamını hep merak ettiğimden deneyimlerini sormak istedim.
Buna "million dollar question" diyebiliriz :) Ne kadar datanin hangi modelde nasil bir iyilestirme yapacagi konusu hala muamma. Genel anlamda datanin artmasi iyi bir sey fakat tek basina kesinlikle yeterli degil. O yuzden bu konularda "deneyim" cok onemli. Kaggle yarismalarinda bir cok ilginc ornek var aslinda.
Fazla data toplamak her zaman mümkün olmadığından ya da işe yaramadığından başka yöntemler de vardı sanırım. Yaz okulunda parametre değiştirerek sonuçları iyileştirebiliyorduk. Nasıl samplelara böldüğümüz ya da ne kadar pratik yaptığı gibi bir çok etken vardı. Bazen parametrelerle oynarken beklenmedik durumlarda çıkıyordu, biraz deneme yanılma gibi sanırım.
Text generation tabiki mumkun, hatta son zamanlarda makale yazan networkler bile var :) Suna bakabilirsin: https://www.theguardian.com/commentisfree/2020/sep/08/robot-wrote-this-article-gpt-3
Buradaki bir cümle bana duyduğum bir şeyi hatırlattı. AI internetten data topladığı için insanların ırkçılık gibi söylemlerini de öğrenebiliyordu. Bu konuda nasıl çalışmalar var. Öğretilen data nasıl filtrelenebilir bu tarz şeylerden arınmak için? Ya da olabildiğince doğal olması istendiği için her ne kadar hoş karşılanmasa da verilere ellememek mi gerekir? Bu tarz insanlara benzetilmeye çalışılan yapay zekaların amacı nedir? Gördüğümüz zaman şaşırıyoruz ve ilginç buluyoruz ama insan gibi konuşabilen/yazabilen bir AI pratikte ne işe yarar?
Twitterda bir cok yalan haber yaratan "bot" hesaplar var. Departmanimda calisan bir hoca da bu sahte haber yaratan botlarin aktivitelerini yakalamaya calisiyor.
Bot hesaplar gerçekten büyük bir sorun ve en büyük teknoloji şirketleri bile buna bir çözüm bulamıyor. Herhangi bir sosyal medyada her yer botlarla dolu olabiliyor. Bu olaylar yeni olduğu için mi yetersiz kalıyorlar yoksa kim gerçek kim değil diye takip etmesi çok zor olacağı için mi?
Tekrar pardon geç yazdığım için, iyi günler.
Fourth exchange:
Elif selamlar,
Dedigim gibi yogun bir seyahat haftasiydi, donus yapma sansim olmadi. Bir dahakine onceden haber vermeye calisacagim. Kusura bakma :)
Aslında sosyallik gerektiren liderlik pozisyonlarında çok yetkin olduğumu hissetmediğim için sormuştum. Arka planda işleri yürüten ama çok fazla gün yüzüne çıkmayan bir pozisyon bana daha uygun olur sanırım. Bu noktada sormak istediğim kodlama alanında nasıl çalışma ortamlarının daha yaygın olduğu. daha çok evden mi çalışılıyor yoksa şirket ortamında mı? Farklı ülkelere gitmek gerekiyor mu? İş ortamını hep merak ettiğimden deneyimlerini sormak istedim.
Bence oyle hissetmek yerine, kendini bu alanlarda gelistirmen icin takip etmen gereken path in uygun olup olmadina bakabilirsin. Gunumuzde bence kariyer tercihleri hizli bir sekilde degisebiliyor. Suan USA de sirketlerin yuzde 72 si hibrit modele gecti, ve gelecek developer gibi meslekler icin kesinlikle remote. Daha once hem remote hem in-person calistim bir cok developer rolunde. Ikisinin de avantaji var. Gecen hafta seyahat ederken kodlamak harika bir deneyimdi, her gun farkli bir cafede oturup calisiyordum :)
Fazla data toplamak her zaman mümkün olmadığından ya da işe yaramadığından başka yöntemler de vardı sanırım. Yaz okulunda parametre değiştirerek sonuçları iyileştirebiliyorduk. Nasıl samplelara böldüğümüz ya da ne kadar pratik yaptığı gibi bir çok etken vardı. Bazen parametrelerle oynarken beklenmedik durumlarda çıkıyordu, biraz deneme yanılma gibi sanırım.
Evet deneme yanilma ve daha once calistigin tasklerdeki deneyim baya onemli acikcasi, o yuzden bazen black magic diyorum bu alana.
Buradaki bir cümle bana duyduğum bir şeyi hatırlattı. AI internetten data topladığı için insanların ırkçılık gibi söylemlerini de öğrenebiliyordu. Bu konuda nasıl çalışmalar var. Öğretilen data nasıl filtrelenebilir bu tarz şeylerden arınmak için? Ya da olabildiğince doğal olması istendiği için her ne kadar hoş karşılanmasa da verilere ellememek mi gerekir? Bu tarz insanlara benzetilmeye çalışılan yapay zekaların amacı nedir? Gördüğümüz zaman şaşırıyoruz ve ilginç buluyoruz ama insan gibi konuşabilen/yazabilen bir AI pratikte ne işe yarar
Super nokta, benim calistigim konulara da yaklasiyor bu acidan. Bu konseptler icin bias ve fairness gibi noktalara bakabilirsin. Mesela bu sirket baya cool ve super yakindan takip ediyorum:
https://www.fiddler.ai/. Burada daha once Amazon'da konustugum arastirmacalardan biri calisiyor ve kesinlik bu dedigin noktalara deginiliyor. Bu tarz seylerden modeli temizlemek ve iyi bir model train etmek gercekten zor. Birden cok yaklasim var. Explain etme seviyesinde soyle toollar kullanilabiliyor:
https://interpret.ml/
Mesela diyelim ki model aslinda bir kredi skoru verirken bir insanin beyaz mi yoksa siyahi mi olduguna bakiyor. Genel anlamda siyah insanlarin daha az guvenilebilir oldugu yonunde datasetten dolayi internal bir bias gelistirmis. Bu tarz toollar ile beraber modelin hangi featurelara bakarak karar verdigini anlayip onlemler alinabiliyor.
Bot hesaplar gerçekten büyük bir sorun ve en büyük teknoloji şirketleri bile buna bir çözüm bulamıyor. Herhangi bir sosyal medyada her yer botlarla dolu olabiliyor. Bu olaylar yeni olduğu için mi yetersiz kalıyorlar yoksa kim gerçek kim değil diye takip etmesi çok zor olacağı için mi?
Bu aslinda bir chicken and egg problem. Su acidan bak hackerlar hergun yeni bir saldiri cesidi gelistirmek icin ugrasiyor, diger insanlar da bunu savunmaya calisiyor. O yuzden surekli bir taraf digerinden ileri, yenilen taraf da yeni yeni metodlar gelistiriyor :)
Sevgiler,
Burak
***
Merhaba,
Geçen maildeki sorulara verdiğin cevaplar için teşekkürler. Baktıkça derinleşen ve farkında olmadan hayatın her yerine giren bir alan gerçekten.
Bu hafta biri kariyer biri teknik alanda olan iki temel sorum var.
İlk olarak stajlarla ilgili soru sormak istiyorum. Üniversiteye girmeden önce mi, üniversitedeyken mi staj yapmak daha mantıklı? İkisinde de yapmak da mantıklı olabilir tabii. Bir de üniversite sonrasında doktora ve yüksek lisans alanları hakkında sormak istiyorum. Mezun olup çalışmaya başlamak ve biraz deneyim kazanıp öyle derinleşmek mi daha iyi olur en hızlı şekilde alanında uzmanlaşmak mı? Bir yandan çalışıp bir yandan okumak gibi bir ihtimal de var ama asıl merak ettiğim üniversite sonrasında doktora ya da master yaparken nasıl bir yol izlendiği. Diploma alınan bölümün bir alt başlığı üzerine mi derinleşiliyor ya da genel bir ileri eğitim mi? Herkes için farklıdır eminim ama sadece senin deneyimin ve kararsız kaldığın ya da geriye dönsem daha farklı yapardım dediğin şeyler var mı merak ettim.
İkinci konum ise izlediğim bir videoyla alakalı. Machine Learning ve Deep Learning arasındaki farklardan kısaca bahsediyordu videoda. Öğretirken ki farkları aşağı yukarı anladım ama merak ettiğim kullanım alanları ve ikisi arasında seçim yaparken nelerin göz önüne alındığı. İkisinin karışımı bir yapay zeka yapmak mümkün mü? İki tarafın da avantajlarını kullanıp olabildiğince etkili bir sistem sağlanabilir mi mesela?
İyi haftalar,
Elif.
Fifth exchange:
Merhabalar Elif,
Normal schedule'a donmeye basladim, yogunluk biraz azaldi gibi sonunda :) Evet baya derinlesebilen bir alan.
İlk olarak stajlarla ilgili soru sormak istiyorum. Üniversiteye girmeden önce mi, üniversitedeyken mi staj yapmak daha mantıklı? İkisinde de yapmak da mantıklı olabilir tabii.
Yani universiteye girmeden nerelerde staj yapabilecegini cok bilmiyorum, o yuzden maalesef cok bir yorumum yok.
Bir de üniversite sonrasında doktora ve yüksek lisans alanları hakkında sormak istiyorum. Mezun olup çalışmaya başlamak ve biraz deneyim kazanıp öyle derinleşmek mi daha iyi olur en hızlı şekilde alanında uzmanlaşmak mı? Bir yandan çalışıp bir yandan okumak gibi bir ihtimal de var ama asıl merak ettiğim üniversite sonrasında doktora ya da master yaparken nasıl bir yol izlendiği.
Buradaki bence deneyimler biraz kisiden kisiye degisiyor. Senin kafanda daha akademik bir yol mu izlemek var yoksa daha endustri odakli mi kalmak istiyorsun? Tercih edecegim lokasyona gore de degisiyor acikcasi. Mesela EU da direkt olarak bachelors sonrasi PhD ye gitmek cok yaygin degil fakat USA de integrated PhD dedigimiz programlarla ile baya yaygin. Integrated PhD tarafinda direkt isin icinde hem Masters hem de PhD yi tamamlayabiliyorsun. Bu arada bence buna karar vermek icin de erken, ve bence stajlarin amaci genel olarak bu o yuzden biraz daha iki ortami da deneyimlemeye calisabilirsin.
Diploma alınan bölümün bir alt başlığı üzerine mi derinleşiliyor ya da genel bir ileri eğitim mi? Herkes için farklıdır eminim ama sadece senin deneyimin ve kararsız kaldığın ya da geriye dönsem daha farklı yapardım dediğin şeyler var mı merak ettim.
Yani Masters biraz daha genel bir ileri egitim diyebilirim. Daha detayli dersler aliyorsun. PhD tabiki daha detayli ama burada genelleme yapmak cok dogru degil. Mesela fizik alaninda PhD yapanlar cok cok spesifik konularda calisabilirken Computer Science/Engineering alaninda daha applied bir PhD yapabilirsin. Bunlarin hepsi bolum spesifik noktalar. Yani bence kararsiz kalmak bu isin dogasinda var ve bence normal. Ben PhD de nereye gidecegime karar verirken, okulun dunya capindaki siralamasindan cok, mutlu olabilecegim bir sosyal cevreye sahip olup olmadigina ve advisora onem vermistim. Baya da dogru karar verdigimi dusunuyorum. Bence zamanin var, sureci deneyimleyip kendi sevdigin seyleri kesfetmek daha onemli.
Ikisi de AI’in alt dallari bildigin uzere ama biraz gri bir ayril tabiki. Secim yapilirken task in bence hangisine daha yatkin olduguna bakiliyor. Mesela Image Recognition taskleri icin klasik ML modelleri neredeyse hic kullanilmiyor artik. Yani bazi taskler icin ve spesifik alanlarda bu ayrimi deneyimler ile yapmak mumkun. Ikisinin kombinledigi noktalarda oluyor, fakat burada probleme yaklasim bence daha onemli. Mesela model deploy edilecek mi, bu model canlida calisirken kac saniye/milisaniye de sonuc vermek zorunda, modelin train edilmesi ne kadar suruyor gibi bir cok faktorun goz onune alinmasi lazim. Burada belki sana ilginc gelebilecek ve bakmak isteyecegin seylerden birisi, modellerin canliya alinmasi, bir baska deyisle deployment. O tarafa da bir goz atabilirsin
Sevgiler,
Burak
***
Merhaba,
Cevapların için teşekkürler. Deployment'a baktım. Anladığım kadarıyla kısıtlı bir data ve test ortamında çalışan bir sistemin gerçek hayatta kaldırabileceğinden fazla şeyle karşı karşıya kalması nedeniyle çalışmamasıyla alakalı. Outlier datalar, değişen trendleri yakalayarak bozulmadan çalışmasını sağlamak yani gerçek hayata geçirmek oluyor sanırım. Software işinde çalışan bir tanıdığım vardı, kendileri sıfırdan kod yazmak yerine var olan altyapılarda çıkan anlık hataların kaynağını bulup düzeltmekle uğraşıyorlardı. Sorum da şu olacak: sitede hata çıksa da insanların kullanmaya devam edebilmesi için nasıl bir önlem alınıyor? Baktığım siteler çalışmama veya çökme ihtimaline karşı yedek planlardan bahsetmiş ama bu nasıl sağlanabilir? Çok daha az veriyle oluşturulmuş bir sistemin aynı anda binlerce insana aynı anda hizmet verebilmesi için aynı siteye birkaç tane mi koyuyorlar yani herkes bir pakete mi yöneliyor?
İyi haftalar,
Elif
Merhabalar Elif,
Dersler nasil bu aralar, sinavlar falan bir yogunluk var mi?
Yani deployment derken aslinda kontrollu bir ortamda spesifik bir problemi cozebilmek icin dizayn edilmis modelin bu kontrol ortamindan cikip kullanici ile etkilesim haline girmesini kastediyoruz. Dedigin gibi outlier datalar ve degisebilen trendler olabiliyor. Bunlar icin data drift veya label drift terimlerine bakmak isteyebilirsin. Buradaki bu aralar bir baska ilginc trend ise "explainability" olarak geciyor. Belki su linkler ilgini ceker:
Sorum da şu olacak: sitede hata çıksa da insanların kullanmaya devam edebilmesi için nasıl bir önlem alınıyor? Baktığım siteler çalışmama veya çökme ihtimaline karşı yedek planlardan bahsetmiş ama bu nasıl sağlanabilir?
Butun software platformlarinda bir versiyonlama sistemi mevcut. Ornek veriyorum sen yeni bir websitesi versiyonunu canliya aldin, buna versiyon 2 diyelim. Kullanicilar yeni versiyonu kullanmaya basladi fakat birden cok kritik hata ile karsilasilmaya baslandi. Burada otomatik loglama sistemleri bu hatalari kaydedebiliyor ve belirlenen thresholdlara gore aksiyon alabiliyor yada bu loglara manuel bakip aksiyon alan bir engineer olabilir. Mesela eger 10 dan fazla kritik hata olursa, sistemi versiyon 1 e dondur ve oyle devam et gibi.
Çok daha az veriyle oluşturulmuş bir sistemin aynı anda binlerce insana aynı anda hizmet verebilmesi için aynı siteye birkaç tane mi koyuyorlar yani herkes bir pakete mi yöneliyor?
Yani sistemin hizmet verdigi insan sayisi olusturuldugu veri sayisi ile bagli degil. Burada dusunmen gereken konseptin adi load/balancer. Tek bir model birden fazla sunucuya deploy edilebilir, yada birden fazla model ayni sunucuda yer alir fakat arada bir router hangi modelin hangi request ile calisacagini kontrol edebilir. Load/balancer lar farkli farkli sekillerde dizayn edilebilir. Mesela eger benim modeline Turkiye'den bir kullanici request atarsa modelin A sunucusunda olan versiyonu calissin, USA den birisi request atarsa B sunucusundaki model calissin gibi. Bu baya basit bir kombinasyon fakat yuklenmeleri dengelemek icin birden farkli metod uyguluyoruz.
***
Merhaba,
Evet yoğun bir quiz haftası geçirdik. Aynı zamanda IB programında bir anda birçok önemli assignment verilebiliyor o yüzden ödevleri yetiştirmek de zor oluyor. Şimdilik bir süreliğine rahatladık gibi ama dönem ilerledikçe zorluğu artan bir program :)
Explainability kavramıyla ilgili makaleleri okudum ve sadece kullanıcılar değil aynı zamanda alanda çalışanlar için de önemli olabilir diye düşündüm. Benim en çok zorlandığım kısımlardan biri bir şey yanlış gittiğinde (ya da tam tersine beklenmedik şekilde sonuçlar iyileştiğinde) nedenini bulamamaktı. Verilen sonucun neye göre verildiği ya da neden hatalı olduğunu anlayabilmek önemli gibi görünüyor. İşler karmaşıklaştıkça kullanıcılar ve AI arasındaki problemler de artabilir sonuçta. Bir kodda hata olduğunda bile nedenini bulmak zorken kendi kendini eğiten bir yapay zekanın sorunlarını çözmek daha da zordur sanırım. Şu anda yalnızca sorun çözmeye odaklanan ve sıfırdan bir şey üretmeyen insanlar var mı ya da gelecekte bu daha çok ihtiyaç duyulan bir alan olabilir mi?
Bir tanıdığım bir web sitesinin serverlarından birini düzeltmek için ekibiyle beraber epey bir uğraşmıştı ve bu sırada diğer sunucular çalışmaya devam ediyordu. Bir sunucu çalışırken diğerlerinin çökmesine ne sebep verebilir? Dış faktör müdür yoksa içeride mi bir şeyler ters gitmiştir?
Diğer sorum da virüsler ve antivirus programlarıyla ilgili olacak. Tam olarak nasıl çalışıyorlar ve senin özellikle ilgili çeken bir virüs/antivirus programı oldu mu? Bir de siber güvenlik alanında yapay zekanın yeri nedir? Tamamen veri toplamak ve kullanmak üzerine olan sistemler veriyi kullanmak için nasıl kullanılabilir? Gelecekte tamamen yapay zeka temelli sistemlere geçmemiz ve manüel algoritmaları bırakmamız gibi bir ihtimal olur mu?
Son olarak da yazılım dilleriyle ilgili bir sorum var. Yapay zeka için hangisini öğrenmek iyidir (ya da genel olarak hangisini öğrenmeyi önerirsin)? Belirli bir seviyede Python biliyorum çünkü komutlar İngilizce'ye çok yakın ve kolay bir dil, yapay zeka için de kullanılabiliyor. Bundan sonra ne öğrenebilirim, bilgisayar alanında çalışacak biri için olmazsa olmaz programlama dilleri şunlardır diyebileceğin bir liste var mı?
İyi haftalar, teşekkürler.
