Derin Öğrenme
Çok katmanlı yapay sinir ağlarının büyük miktarda örnek veriden öğrenerek görüntü, ses ve metindeki örüntüleri kendi başına çıkarmasına dayanan makine öğrenimi yöntemi.
Derin öğrenme, çok katmanlı yapay sinir ağlarının (DNN) büyük miktarda örnek veriden öğrenmesine dayanan bir makine öğrenimi yöntemidir. Klasik yaklaşımda bir görüntüde insanı neyin insan yaptığını mühendis elle tarif ederdi: kenarlar, oranlar, renk geçişleri. Derin öğrenmede bu kurallar yazılmaz; ağa yeterince örnek gösterilir ve ayırt edici özellikleri katman katman kendisi çıkarır. İlk katmanlar kenar ve doku gibi basit desenleri, sonraki katmanlar bunların birleşiminden oluşan daha karmaşık biçimleri öğrenir.
Güvenlik sektöründe bugün "akıllı" denen özelliklerin çoğu bu yöntemle çalışır: insan ile aracı birbirinden ayıran nesne sınıflandırma, yüz tanıma, plaka okuma (ANPR), sınır ihlali ve terk edilmiş nesne tespiti, kalabalık sayımı. En somut faydası hatalı alarmları azaltmasıdır. Piksel değişimine bakan klasik hareket algılama; ağaç yaprağı, yağmur, gölge ve kedi yüzünden gece boyunca bildirim üretirken, derin öğrenme tabanlı algılama yalnızca aradığı sınıfı raporlar. Bu işlem kameranın kendi üzerinde de yapılabilir; buna uç yapay zeka (edge AI) denir ve görüntünün buluta gönderilmesi gerekmediği için hem gecikmeyi hem gizlilik riskini azaltır.
Sınırlarını bilmek gerekir. Bir model yalnızca eğitildiği veri kadar iyidir: farklı ışık, açı, hava koşulu veya nüfus bileşimi altında doğruluk belirgin biçimde düşebilir. Üreticinin laboratuvar koşullarında ölçtüğü başarı oranı sahada aynı çıkmaz, bu yüzden kurulum öncesi kendi ortamınızda test etmek önemlidir. Modeller ayrıca kararlarının gerekçesini açıklamaz; yanlış bir eşleşmenin neden olduğunu anlamak zordur. Yüz tanıma gibi kullanımlarda KVKK kapsamında biyometrik veri işlendiği de unutulmamalıdır.