Blog Yapay Zeka

Bir Salatalık Çiftçisinin Yapay Zeka İle Yapabilecekleri!

Bu yazımızda siz değerleri okuyucularımız için ilginç bir hikayeyi ele alacağız. Yapay zekanın sınırlarının olmadığını ve hayatımızın birçok alanında kullanma imkanımız olduğunu göreceğiz.

Japon otomotiv endüstrisinde çalışan Makoto Koike isimli bir gömülü sistem tasarımcısı, ailesinin salatalık tarlasındaki işlerine yardım etmeye başlıyor. Yetiştirdikleri salatalıklardan daha düz, daha kalın, daha canlı veya daha dikenli olanlar üst kalite olarak kabul ediliyor ve daha yüksek fiyattan satılabiliyor. Bu sebeple bu salatalıkların sınıflandırılıp ayrılması gerekiyor. Japon endüstrisinde bu sınıflandırma için belli bir standart olmadığından dolayı Makoto’nun tarlasında bu iş için 9 ayrı sınıf kullanılmaktadır.. Makoto’nun annesi salatalıkları ayırmak için hasat zamanında günde yaklaşık 7 saatini harcamaktadır. Bu sıralama işini zaman kaybı olarak gören Makoto, çiftçilerin lezzetli sebzeler üretmeye odaklanması gerektiğini düşünüyordu ve aklına bir fikir geldi.

Salatalık sıralama sistemi dizayn etmeye karar veren Makoto, Google’ın açık kaynak makine öğrenmesi kütüphanesi olan TenseFlow’u derin öğrenme için kullanıp kullanamayacağını merak ediyordu ve çalışmalara başladı.

” Salatalık fotoğraflarını denemeye başladım. Bu benim makine öğrenmesi ve derin öğrenme alanındaki ilk denememdi ve beklediğimden çok daha yüksek doğruluğa ulaştım” dedi Makoto.

Fakat Makoto’nun daha iyi sonuçlar için birçok fotoğraf içeren bir veri setine ihtiyacı vardı. Bunun için 3 ayını harcayarak annesinin sıraladığı salatalıklardan 7000 tanesinin fotoğrafını çekti ve şansını tekrar denedi. Her ne kadar test görüntüleri ile doğruluğu denendiğinde %95 oranına ulaşmış gözükse de, uygulamaya geçintiğinde bu oranın %70’e kadar düştüğünü görmüştür. Başka bir sıkıntı ise  80 x 80 piksel kadar düşük fotoğraf çözünürlüğüne rağmen sistem kendini 3 günde eğitebiliyordu ve bu çözünürlük ile sistem sadece salatalıkların uzunluğunu ve şeklini görebiliyordu. Bunun haricinde salatalıkların rengini, dokusunu, üzerindeki dikenleri hala göremiyordu. Fotoğraf çözünürlüğünü arttırmak her kadar bir çözüm gibi gözükse de sistemin kendini eğitme süresi daha da artıyordu.

Bu gibi sorunları çözmek için bazı büyük işletmeler, büyük ölçekli dağıtılmış eğitim için sunucular kullanıyordu fakat bu sunucular da büyük maliyete sebep oluyordu. Bulut Makine Öğrenmesi(Cloud ML) platformu ile Google, dağıtılmış eğitim için büyük ölçekli bir kümenin oluşturulmasını sağlıyor ve yalnızca kullandığınız kadar ödeme yapmanıza olanak sağlıyordu. Bu da, geliştiricilerin önemli bir sermaye yatırımı yapmadan derin öğrenmeyi denemelerine olanak sağlıyordu. Bu teknolojiyi keşfeden Makoto ise bu sistemi kullanarak sistemin kendini eğitme süresini düşürmesini hedefleyip araştırmalarına bu noktada devam etmeye karar veriyor.

Kaynak:

https://cloud.google.com/blog/big-data/2016/08/how-a-japanese-cucumber-farmer-is-using-deep-learning-and-tensorflow#closeImage


Bu makaleyi 2 dakikada okuyabilirsiniz.