Yapay Sinir Ağlarının Avantaj ve Dezavantajları

Yapay sinir ağları, karmaşık veya sorunlu verilerden bile anlam çıkarabilmektedir- ler. Bu nedenle, insanlar veya bilgisayarlar tarafından anlaşılması zor trendleri belirlemek veya yapıları (pattern) çıkartmak için kullanılmaktadırlar. Tam eğitilmiş bir yapay sinir ağı modeli, analiz ettiği veri tabanı üzerinde uzmanlaşmaktadır. Bu sayede, değişik durumlar ve ‘... olsa ne olur?’ türündeki simülasyon problemlerine çözümler bulabilmektedir [31].

Yapay sinir ağlarının pek çok avantajı vardır. Burada çok temel bazı avantajlardan bahsedilmektedir. Yapay sinir ağları, makine öğrenmesi gerçekleştirebilmektedirler. Bir yapay sinir ağının temel işlevi, zaten bilgisayarın öğrenmesini sağlamaktır. Bu nedenle, ge- leneksel programlamanın getirdiği birçok olumsuzluk ortadan kaldırılabilmektedir. Yapay sinir ağlarının işlem elemanları arasındaki ağırlıklı bağlantılar sayesinde dağıtılmış hafıza- da bilgi saklayabildikleri söylenebilmektedir. Yapay sinir ağları, dağıtık belleğe sahiptirler.

Bilgiler, geleneksel programlamada olduğu gibi veri tabanları ya da dosyalarda belli bir düzende tutulmamakta, ağın tamamına yayılarak değerler ile ölçülen ağ bağlantılarında saklanmaktadır. Hücrelerin bağlantı ve ağırlık dereceleri, ağın bilgisini göstermektedir. Tek bir bağlantının kendi başına anlamı yoktur. Dolayısıyla, nöronlardan bazılarının işle- vini yitirmesi, anlamlı bilginin kaybolmasına neden olmamaktadır. Yapay sinir ağları, ör- nekleri kullanarak öğrenmektedirler. Yapay sinir ağlarının öğrenebilmesi için örneklerin belirlenmesi, bu örneklerin ağa gösterilerek istenen çıktılara göre ağın eğitilmesi gerek- mektedir. Ağın başarısı, seçilen örnekler ile doğru orantılıdır, olay ağa bütün yönleri ile gösterilemezse ağ yanlış çıktılar üretebilmektedir. Yapay sinir ağları, daha önce görülme- miş örnekler hakkında bilgi üretebilmektedirler. Eğitimleri sırasında kendilerine verilen örneklerden genellemeler çıkarmakta ve bu genellemeler ile yeni örnekler hakkında bilgi üretebilmektedirler. Yapay sinir ağları, algılamaya yönelik olaylarda kullanılabilmektedir- ler. Yapay sinir ağlarının en başarılı oldukları alanlar, algılamaya yönelik uygulama alanla- rıdır ve bu alanlardaki başarıları kanıtlanmıştır. Yapay sinir ağları, örüntü (pattern) ilişki- lendirme ve sınıflandırma yapabilmektedirler.Kendilerine örnekler halinde verilen örüntü- leri kendisi veya diğerleri ile ilişkilendirebilmektedirler. Ayrıca kendisine verilen örnekle- rin kümelenmesi ile, bir sonraki verinin hangi kümeye dahil olacağının karar verilmesi ko- nusunda kullanılabilmektedirler. Yapay sinir ağları, örüntü tamamlama yapabilmektedirler, eksik bilgilerin tamamlanması konusunda oldukça başarılıdırlar. Geleneksel sistemlerin aksine, eğitildikten sonra veriler eksik bilgi içerse dahi, çıktı üretebilmektedirler. Bu durum bir performans kaybı yaratmamaktadır. Performans kaybı eksik bilginin önemine bağlıdır. Bilgilerin önem dereceleri eğitim sırasında öğrenilmektedir. Yapay sinir ağları, verilere gö- re kendi ilişkilerini oluşturmaktadırlar. Kendi kendine öğrenebilme ve organize etme yete- nekleri vardır.Yapay sinir ağları, online olarak da öğrenebilmektedirler. Yapay sinir ağları, hesaplamaları paralel olarak yürütülebildiğinden gerçek zamanlı işlem yapabilmektedirler. Yapay sinir ağları, hata toleransına sahiptirler.Yapay sinir ağlarının eksik bilgilerle çalışa- bilmeleri ve bazı hücreleri bozulsa dahi çalışabilmeleri, onları hatalara karşı toleranslı yapmaktadır. Bir yapay sinir ağı, zaman içerisinde yavaş ve göreceli bir bozulmaya uğra- maktadır. Ağlar problemin ortaya çıktığı anda hemen bozulmamaktadır. Yani dereceli bo- zulma (graceful degradation) göstermektedirler. Yapay sinir ağı modelleri, sınırsız sayıda değişken ve parametre ile çalışabilmektedirler. Bu sayede mükemmel bir öngörü doğrulu-

Yapay sinir ağlarının, pek çok avantajının yanında, göz önünde bulundurulması ge- reken bazı dezavantajları da vardır. Öncelikle, yapay sinir ağlarının eğitilebilmesine ve test edilebilmesine yetecek genişlikte kapsamlı bir veri grubuna gereksinim duyulmaktadır. Ye- terli veri grubu genişliği için kesin bir kriter bulunmamakla birlikte, bir noktada, uygula- maya bağlıdır. Dezavantaj sayılabilecek diğer bir nokta ise, basit olarak görülebilecek mo- delleme yapılarına rağmen uygulamanın zor ve karmaşık olabilmesidir. Bazı durumlarda, bir yakınsama sağlamak bile imkansız olabilmektedir. Ancak bu durum da uygulama ala- nına bağlıdır ve genellikle çok karmaşık problemlerde ortaya çıkmaktadır. Yapay sinir ağ- larının en önemli sorunlarından bir tanesi, donanım bağımlı olmalarıdır. Yapay sinir ağla- rının paralel işlem yapabilme yeteneği, paralel çalışan işlemciler ile performans göstermek- tedir. Yapay sinir ağlarında, probleme uygun ağ yapısının belirlenmesi için geliştirilmiş bir kural bulunmamaktadır. Uygun ağ yapısı deneyim ve deneme yanılma yolu ile belirlen- mektedir. Benzer şekilde, öğrenme katsayısı, hücre sayısı, katman sayısı gibi parametrele- rin belirlenmesinde de belirli bir kural yoktur. Bu değerlerin belirlenmesi için belirli bir standart olmamakla birlikte her problem için farklı bir yaklaşım sözkonusu olabilmektedir. Yapay sinir ağlarında eğitimin ne zaman bitirilmesi gerektiğine ilişkin belli bir yöntem bu- lunmamaktadır.Ağın örnekler üzerindeki hatasının belirli bir değerin altına indirilmesi eği- timin tamamlandığı anlamına gelmektedir. Burada optimum neticeler veren bir mekanizma henüz yoktur ve yapay sinir ağları ile ilgili araştırmaların önemli bir konusunu oluşturmak- tadır. Öğrenilecek problemin ağa gösterimi de önemli bir problemdir. Yapay sinir ağları nümerik bilgiler ile çalışabilmektedirler. Problemler yapay sinir ağlarına tanıtılmadan önce nümerik değerlere çevrilmek zorundadırlar. Burada belirlenecek gösterim mekanizması ağın performansını doğrudan etkileyecektir. Bu da kullanıcının yeteneğine bağlıdır. Yapay sinir ağlarının davranışlarının açıklanamaması, en önemli sorunlardan birini teşkil etmek- tedir. Yapay sinir ağları bir probleme çözüm ürettiği zaman, bunun neden ve nasıl olduğu- na ilişkin bir ipucu vermez. Bu durum, ağa olan güveni azaltıcı bir unsurdur [31,32].