Yarı Denetimli Öğrenme Nedir ve Ne Zaman Tercih Edilir?

Yarı denetimli öğrenme, az miktarda etiketli veri ile büyük miktarda etiketsiz veriyi birleştirerek model eğitim maliyetlerini düşüren ve doğruluğu artıran bir makine öğrenmesi yöntemidir.

Makine öğrenmesi projelerinde başarıya ulaşmanın en kritik belirleyicisi genellikle algoritma mimarisinden ziyade beslendiği verinin niteliği ve hacmidir. Geleneksel denetimli öğrenme modelleri binlerce doğrulanmış ve etiketlenmiş veri noktasına ihtiyaç duyarken, bu verilerin alan uzmanları tarafından manuel olarak etiketlenmesi yüksek maliyet, zaman kaybı ve operasyonel darboğazlar yaratır. Yarı Denetimli Öğrenme Nedir ve Ne Zaman Tercih Edilir? sorusu, bütçesini optimize etmek, veri etiketleme süreçlerindeki insan gücü bağımlılığını azaltmak ve elindeki devasa etiketsiz ham veriyi katma değere dönüştürmek isteyen teknik liderler, ürün yöneticileri ve işletme sahipleri için stratejik bir rehber niteliğindedir. Bu incelemede yarı denetimli öğrenmenin teknik mekanizmaları, matematiksel varsayımları, algoritmik yaklaşımları, sektörel kullanım senaryoları ve potansiyel riskleri operasyonel bir çerçevede ele alınmaktadır.

Veri Etiketleme Çıkmazı ve Yarı Denetimli Öğrenmenin Temel Dinamikleri

Kurumsal yapay zeka girişimlerinde karşılaşılan en yaygın engellerden biri, model eğitimi için gereken yüksek kaliteli etiketli veri havuzunun oluşturulmasıdır. Çoğu işletme terabaytlarca ham veriye (log kayıtları, müşteri geri bildirimleri, sensör verileri, medikal görüntüler veya metin belgeleri) sahip olsa da, bu verilerin makine öğrenmesi algoritmalarının anlayabileceği yapılandırılmış hedef etiketlere dönüştürülmesi ciddi bir operasyonel yük teşkil eder. Yarı denetimli öğrenme (Semi-Supervised Learning - SSL), bu veri krizini aşmak üzere geliştirilmiş, etiketleme maliyetlerini minimize ederken model doğruluğunu maksimize eden hibrit bir makine öğrenmesi paradigmasıdır.

Yapay Zeka Projelerinde Gizli Maliyet: Veri Etiketleme Zorlukları

Geleneksel denetimli öğrenme (Supervised Learning) projelerinde bütçenin ve zamanın önemli bir kısmı veri ön işleme ve etiketleme (data annotation) süreçlerine ayrılır. Veri etiketleme maliyetleri; görev karmaşıklığına, etiketleyici uzmanlık seviyesine ve gerekli veri hacmine bağlı olarak katlanarak artar. Örneğin, bir e-ticaret sitesindeki ürün kategorilendirme işlemi genel kitle kaynaklı (crowdsourcing) ekipler tarafından düşük maliyetlerle çözülebilirken; bir radyoloji görüntüsündeki tümör sınırlarının çizilmesi veya siber güvenlik loglarındaki sıfırıncı gün saldırılarının tespiti, saatlik ücreti oldukça yüksek alan uzmanlarının (domain experts) doğrudan müdahalesini gerektirir.

Veri etiketleme süreçlerinin karşılaştığı temel operasyonel darboğazlar şunlardır:

• Uzman İnsan Gücü Bağımlılığı: Finans, tıp, hukuk ve siber güvenlik gibi regüle alanlarda veri etiketleme yalnızca sertifikalı uzmanlarca yapılabilir. Bu uzmanların birincil işleri yerine etiketleme yapması ciddi bir fırsat maliyeti doğurur.

• İnsan Hatası ve Tutarsızlık: Farklı etiketleyicilerin öznel kararları (inter-annotator disagreement), veri setinde gürültüye ve modelin genelleme kabiliyetinin düşmesine yol açar.

• Zaman ve Hız Kısıtları: Yüz binlerce örneğin manuel olarak incelenmesi aylar sürebilir. Bu durum, pazar dinamiklerine hızlı yanıt vermesi gereken Minimum Uygulanabilir Ürün (MVP) geliştirme süreçlerini aksatır.

• Gizlilik ve Uyum Bariyerleri: KVKK, GDPR veya HIPAA gibi regülasyonlar nedeniyle hassas kişisel verilerin üçüncü parti etiketleme şirketleriyle paylaşılması hukuki riskler taşır.

Yarı Denetimli Öğrenmenin Çalışma Prensibi ve Mimari Mantığı

Yarı denetimli öğrenme, tam olarak bu maliyet ve zaman çıkmazını çözmek için tasarlanmıştır. Bu yaklaşımda model, toplam veri havuzunun sadece küçük bir kısmını (örneğin %1 ila %10 arası) oluşturan etiketli veri seti ($D_L = \{(x_1, y_1), (x_2, y_2), ..., (x_l, y_l)\}$) ile çok daha büyük bir hacme sahip etiketsiz veri setini ($D_U = \{x_{l+1}, x_{l+2}, ..., x_{l+u}\}$) aynı anda işler.

Çalışma prensibinin temelinde, etiketsiz verilerin girdilerin uzaydaki dağılımı (input distribution, $p(x)$) hakkında güçlü geometrik ve istatistiksel ipuçları sağladığı gerçeği yatar. Model, etiketli veriden sınıflar arasındaki ayrımı öğrenirken; etiketsiz veriden verinin yoğunlaştığı bölgeleri, doğal kümeleri ve düşük yoğunluklu sınırları keşfeder. Böylece karar sınırları (decision boundaries), sadece etiketli noktaların etrafına rastgele çizilmek yerine, verinin gerçek dağılımını yansıtacak şekilde düşük veri yoğunluğuna sahip boşluklardan geçirilir. Bu hibrit mekanizma, modelin aşırı öğrenmeye (overfitting) düşmesini engeller ve genelleme yeteneğini üst seviyeye taşır.

Makine Öğrenmesi Spektrumundaki Konum ve Matematiksel Varsayımlar

Makine öğrenmesi geleneksel olarak denetimli, denetimsiz ve pekiştirmeli (reinforcement) öğrenme olmak üzere ana kategorilere ayrılır. Yarı denetimli öğrenme, denetimli ve denetimsiz yöntemlerin kesişim noktasında durarak her iki paradigmanın avantajlarını bir potada eritir. Ancak etiketsiz verinin bir modele başarıyla dahil edilebilmesi, verinin yapısına dair belirli temel matematiksel ve geometrik varsayımların geçerli olmasına bağlıdır.

Denetimli, Denetimsiz ve Yarı Denetimli Öğrenme Karşılaştırması

Denetimli öğrenmede her girdi verisi ($x$) karşılık gelen bir hedef etiket ($y$) ile eşleştirilmiştir. Modelin amacı, kayıp fonksiyonunu (loss function) minimize ederek bu eşlemeyi genelleyebilmektir. Denetimsiz öğrenmede (Unsupervised Learning) ise hiçbir hedef etiket bulunmaz; algoritmalar kümeleme (k-means, DBSCAN) veya boyut indirgeme (PCA, t-SNE) gibi tekniklerle verinin içsel yapısını ortaya çıkarır.

Yarı denetimli öğrenme, denetimsiz öğrenmenin sunduğu "veri dağılımını anlama" gücünü, denetimli öğrenmenin sunduğu "hedef odaklı sınıflandırma" hassasiyetiyle birleştirir. Etiketsiz veriler, denetimli modelin tek başına göremediği sınıf sınırlarını netleştirir. Bu durum, özellikle eldeki etiketli örneklerin ana veri popülasyonunu tam olarak temsil edemediği (örneklem yanlılığı/sample bias) durumlarda modelin dayanıklılığını artırır.

Temel Matematiksel Varsayımlar: Süreklilik, Kümeleme ve Manifold Yaklaşımı

Yarı denetimli öğrenme algoritmalarının teorik olarak çalışabilmesi için verinin aşağıdaki üç temel varsayımdan en az birini sağlaması gerekir. Bu varsayımlar sağlanmadığında, etiketsiz verinin eğitime dahil edilmesi modele fayda sağlamayacağı gibi performans düşüşüne (negative transfer) de yol açabilir:

1. Süreklilik/Düzgünlük Varsayımı (Smoothness Assumption): Eğer girdi uzayında iki nokta ($x_1$ ve $x_2$) birbirine çok yakınsa ve aralarındaki mesafe yüksek yoğunluklu bir bölgeden geçiyorsa, bu noktaların hedef çıktıları ($y_1$ ve $y_2$) da büyük olasılıkla aynı olmalıdır. Bu varsayım, etiket bilgisinin komşu noktalara pürüzsüzce yayılmasını sağlar.

2. Kümeleme Varsayımı (Cluster Assumption): Veri noktaları aynı küme (cluster) içinde yer alıyorsa, aynı sınıfa ait olma olasılıkları çok yüksektir. Bunun doğal bir sonucu olarak, karar sınırları her zaman veri noktalarının yoğun olduğu kümelerin içinden değil, verinin seyrek olduğu düşük yoğunluklu bölgelerden (low-density regions) geçmelidir.

3. Manifold Varsayımı (Manifold Assumption): Yüksek boyutlu veri uzayındaki (örneğin binlerce pikselden oluşan görüntüler) gerçek veri dağılımı, aslında çok daha düşük boyutlu bir alt manifold (manifold) üzerinde yer alır. Etiketsiz veriler, bu düşük boyutlu manifoldun geometrik yapısını ve topolojisini keşfetmeye yarar. Böylece model, gereksiz gürültü boyutlarından kurtularak asıl anlamlı özniteliklere odaklanır.

Yarı Denetimli Öğrenme Nasıl Çalışır? Popüler Yöntemler

Yarı denetimli öğrenme mimarileri, etiketsiz veriden bilgi çıkarma ve bu bilgiyi etiketli verilerle birleştirme biçimlerine göre farklı algoritmik kategorilere ayrılır. Modern yapay zeka projelerinde en sık tercih edilen yaklaşımlar sahte etiketleme, grafik tabanlı modeller ve derin öğrenme odaklı tutarlılık yöntemleridir.

Kendi Kendini Eğitme (Self-Training) ve Sahte Etiketleme (Pseudo-Labeling)

Kendi kendini eğitme (Self-Training), yarı denetimli öğrenmenin en sezgisel ve en yaygın kullanılan yöntemidir. Bu yöntemde süreç şu adımlarla ilerler:

1. Öncelikle yalnızca mevcut küçük etiketli veri seti ($D_L$) kullanılarak bir temel model (teacher model) eğitilir.

2. Eğitilen bu temel model, büyük etiketsiz veri setindeki ($D_U$) tüm örnekler üzerinde tahmin yürütmek için kullanılır.

3. Modelin tahmin güven skoru (confidence score) önceden belirlenen bir eşik değerin (örneğin $\tau \ge 0.95$) üzerinde olan tahminler, "sahte etiket" (pseudo-label) olarak kabul edilir.

4. Bu yüksek güvenilirlikli sahte etiketli veriler, orijinal etiketli veri setine eklenir ($D_L' = D_L \cup D_{pseudo}$).

5. Genişletilmiş yeni veri setiyle model baştan eğitilir veya güncellenir. Bu döngü belirli bir yakınsama kriterine ulaşana kadar tekrarlanır.

Sahte etiketleme yönteminin başarısı, seçilen güven eşiğinin doğruluğuna bağlıdır. Eğer eşik çok düşük tutulursa, yanlış tahmin edilen etiketler eğitim havuzuna girerek modelin performansını hızla bozar.

Grafik Tabanlı Yarı Denetimli Öğrenme (Graph-Based SSL)

Grafik tabanlı yöntemler, veri setindeki tüm örnekleri (hem etiketli hem etiketsiz) bir çizge (graph) üzerindeki düğümler (nodes) olarak modeller. Düğümler arasındaki kenarlar (edges) ise örnekler arasındaki benzerlik veya yakınlık derecesini (örneğin k-en yakın komşu - k-NN veya RBF çekirdeği ile hesaplanan mesafeyi) temsil eder.

Bu kategorideki en bilinen algoritmalar Etiket Yayılımı (Label Propagation) ve Etiket Yayılması (Label Spreading) teknikleridir. Süreçte, etiketli düğümlerdeki sınıf bilgisi, çizgedeki kenar ağırlıkları boyunca komşu etiketsiz düğümlere doğru bir ısı dağılımı gibi yayılır. Çizge üzerinde birbirine sıkı sıkıya bağlı yoğun topluluklar, aynı etiketi paylaşma eğilimindedir. Grafik tabanlı yaklaşımlar, özellikle sosyal ağ analizleri, öneri sistemleri, atıf ağları ve dolandırıcılık tespit halkalarında yüksek performans gösterir.

Üretken Modeller ve Tutarlılık Düzenlileştirmesi (Consistency Regularization)

Derin öğrenme alanındaki gelişmeler, yarı denetimli öğrenmeyi daha ileri bir boyuta taşımıştır. Modern derin yarı denetimli mimarilerde öne çıkan iki ana paradigma bulunur:

• Tutarlılık Düzenlileştirmesi (Consistency Regularization): Bu yaklaşım, bir etiketsiz veri örneğine küçük bir gürültü (data augmentation/perturbation) eklendiğinde modelin tahmininin değişmemesi gerektiği ilkesine dayanır. Örneğin, bir kedi fotoğrafı hafifçe döndürüldüğünde veya parlaklığı değiştirildiğinde model yine aynı tahmin çıktısını vermelidir. FixMatch ve MixMatch gibi popüler algoritmalar, sahte etiketleme ile tutarlılık düzenlileştirmesini birleştirerek çok az etiketli veriyle dahi üstün sonuçlar elde eder.

• Üretken Modeller (Generative Models): Değişken Otokodlayıcılar (VAE) ve Çekişmeli Üretken Ağlar (GAN), veri dağılımını ($p(x)$) doğrudan modellemek için kullanılır. Yarı denetimli GAN mimarilerinde (Semi-Supervised GANs - SGAN), ayırt edici (discriminator) ağ sadece bir görüntünün "gerçek" mi yoksa "sahte" mi olduğunu tahmin etmekle kalmaz, aynı zamanda gerçek verilerin hangi sınıfa ait olduğunu da sınıflandırır.

Ne Zaman Yarı Denetimli Öğrenme Tercih Edilmeli? Karar Matrisi ve Senaryolar

Yarı denetimli öğrenme her makine öğrenmesi problemi için doğrudan birincil çözüm değildir. Yanlış veri dağılımı veya yetersiz ön analiz durumunda zaman ve işlem gücü israfına yol açabilir. Karar vericilerin yarı denetimli öğrenmeyi tercih etmesi gereken temel senaryolar aşağıda detaylandırılmıştır.

                    [Yeni Bir AI Projesi Başlatılıyor]
                                   │
                  Etiketleme Maliyeti / Süresi Yüksek mi?
                                   │
                   ┌───────────────┴───────────────┐
                  EVET                            HAYIR
                   │                               │
        Elde Bol Miktarda                  [Denetimli Öğrenme
       Etiketsiz Veri Var mı?              (Supervised) Tercih Et]
                   │
         ┌─────────┴─────────┐
        EVET                HAYIR
         │                   │
  [Yarı Denetimli     [Önce Veri Topla veya
   Öğrenme (SSL)       Aktif Öğrenmeye
    Tercih Et]          (Active Learning) Başvur]

Senaryo 1: Yüksek Uzmanlık Maliyeti ve Kısıtlı Etiketli Veri

Bazı sektörlerde veri toplamak son derece kolayken, veriyi etiketlemek uzmanlık kısıtları nedeniyle operasyonel olarak neredeyse imkansızdır.

• Örnek Durum: Bir biyoteknoloji girişiminin 500.000 adet hücre mikroskopisi görüntüsü bulunmakta, ancak patologların bu görüntüleri manuel olarak inceleyip kanserli hücreleri işaretlemesi için görüntü başına yüksek bir bütçe ve aylar sürecek bir zaman gerekmektedir.

• Stratejik Yaklaşım: Yalnızca 2.000 görüntünün uzmanlarca etiketlenmesi sağlanır. Geriye kalan 498.000 etiketsiz görüntü FixMatch veya benzeri bir SSL algoritmasıyla sürece dahil edilerek model doğruluğu %90+ seviyesine çıkarılır. Böylece proje bütçesinde %80'in üzerinde tasarruf sağlanır.

Senaryo 2: Sürekli Akan Etiketsiz Veri Akışı ve Dinamik Dağılımlar

Sistemlerin milisaniyeler içinde devasa veri ürettiği ortamlarda verinin tamamını insan gücüyle etiketlemek mümkün değildir.

• Örnek Durum: Bir finans kuruluşu günlük 10 milyon kredi kartı işlem logu üretmektedir. Bu işlemlerin sadece %0.01'lik kısmı onaylanmış dolandırıcılık (fraud) vakası olarak etiketlenmiştir.

• Stratejik Yaklaşım: Grafik tabanlı yarı denetimli öğrenme algoritmaları kurularak, etiketli dolandırıcılık düğümleri üzerinden şüpheli işlem kümelerine etiket yayılımı yapılır. Bu sayede model, ortaya çıkan yeni dolandırıcılık kalıplarını insan müdahalesi beklemeden hızlıca yakalar.

Senaryo 3: Hızlı MVP Geliştirme ve Pazara Giriş Süresi Kısıtı

Erken aşama girişimler ve dijital ürün ekipleri, bir yapay zeka özelliğinin pazardaki değerini doğrulamak için haftalarca veri etiketleme süreciyle bekleyemez.

• Örnek Durum: Yeni bir B2B SaaS platformu, kullanıcıların yüklediği sözleşmeleri otomatik olarak risk derecelerine göre sınıflandırmak istemektedir.

• Stratejik Yaklaşım: 100 adet sözleşme kurum içi hukuk danışmanı tarafından etiketlenir, internetten toplanan 50.000 etiketsiz açık kaynaklı yasal belge ile model yarı denetimli olarak eğitilir. Birkaç gün içinde Minimum Uygulanabilir Ürün (MVP) yayına alınarak kullanıcı geri bildirimleri toplanmaya başlanır.