Bir bilgisayara kedi fotoğraflarını tanımayı nasıl öğretebilirsiniz? Geleneksel programlama yaklaşımında, bir programcının bilgisayara kedinin özelliklerini tek tek tarif etmesi gerekirdi: Kedinin iki sivri kulağı, bıyıkları, dört ayağı ve bir kuyruğu vardır. Ancak bu yaklaşım hızla çıkmaza girer. Kulakları görünmeyen bir kedi, kıvrılıp uyuyan bir kedi ya da yalnızca yarısı görünen bir kedi nasıl tanınacaktır? Gerçek dünyanın çeşitliliği, bütün olasılıkları önceden kurallarla tanımlamayı neredeyse imkânsız kılar.

Makine öğrenmesi, bu soruna farklı bir yaklaşım getirir. Bu yaklaşımda programcı, bilgisayara kedinin nasıl tanınacağını kurallarla anlatmak yerine, ona binlerce, hatta milyonlarca örnek gösterir. Bu örneklerin her birinde, fotoğrafta kedi olup olmadığı belirtilmiştir. Bilgisayar, bu örnekleri inceleyerek kedi fotoğraflarını diğerlerinden ayıran örüntüleri kendisi keşfeder. Bu süreç, "eğitim" olarak adlandırılır.

Eğitim süreci, kabaca şöyle işler. Başlangıçta bilgisayarın tahminleri rastgeledir ve çoğu zaman yanlıştır. Her yanlış tahminde, sistemin iç ayarları, yani "parametreleri", hatayı azaltacak yönde küçük miktarlarda değiştirilir. Bu işlem, milyonlarca kez tekrarlandığında, sistem giderek daha doğru tahminler yapmaya başlar. Bu süreç, karanlık bir odada bir düğmeyi çevirerek bir radyoyu doğru istasyona ayarlamaya benzetilebilir: Her küçük ayarlamada sesin netleşip netleşmediğine bakar ve buna göre düğmeyi çevirmeye devam edersiniz. Ancak makine öğrenmesi sistemlerinde tek bir düğme değil, milyonlarca hatta milyarlarca düğme vardır.

Günümüzde makine öğrenmesinin en başarılı yöntemlerinden biri, "yapay sinir ağları"dır. Bu ağlar, insan beynindeki sinir hücrelerinin birbirine bağlanma biçiminden gevşek bir biçimde esinlenmiştir. Çok sayıda katmandan oluşan sinir ağlarına dayanan yönteme ise "derin öğrenme" adı verilir. Derin öğrenme, 2010'ların başından itibaren, özellikle büyük veri kümelerinin ve güçlü işlemcilerin yaygınlaşmasıyla birlikte, görüntü tanıma, konuşma tanıma ve çeviri gibi alanlarda çarpıcı başarılar elde etti.

Makine öğrenmesi sistemleri etkileyici yeteneklere sahip olsa da önemli sınırlılıkları da vardır. Bu sistemler, ancak eğitildikleri verilere benzer durumlarda iyi çalışır. Eğitim verilerinde hiç karşılaşmadıkları durumlarla karşılaştıklarında beklenmedik hatalar yapabilirler. Ayrıca bu sistemler, bazen insanların fark etmeyeceği yanıltıcı ipuçlarına dayanarak doğru sonuçlara ulaşabilir. Örneğin bir araştırmada, kurtları köpeklerden ayırt etmek için eğitilen bir sistemin aslında hayvanlara değil, fotoğraflardaki kar zeminine baktığı anlaşılmıştı; çünkü eğitim verilerindeki kurt fotoğraflarının çoğu karlı ortamlarda çekilmişti.

Bir başka sorun, bu sistemlerin kararlarını nasıl verdiğinin anlaşılmasının zor olmasıdır. Milyonlarca parametreden oluşan bir sinir ağının, belirli bir sonuca neden ulaştığını açıklamak çoğu zaman güçtür. Bu nedenle bu sistemler, bazen "kara kutu" olarak nitelendirilir. Sağlık, hukuk ve finans gibi önemli kararların alındığı alanlarda bu durum, ciddi kaygılara yol açmaktadır.

Makine öğrenmesi, bugün telefonlarımızdaki yüz tanıma sistemlerinden e-posta kutumuzdaki istenmeyen mesaj filtrelerine, çeviri uygulamalarından hastalık teşhisine yardımcı olan araçlara kadar pek çok alanda kullanılmaktadır. Bu teknolojinin nasıl çalıştığını ve sınırlarının neler olduğunu anlamak, onu bilinçli bir şekilde kullanmamız ve değerlendirmemiz için önemlidir.