Geleneksel yöntemlerle modern bir algoritma veya makine öğrenmesi modeli geliştirmek; binlerce satır kod, karmaşık kütüphaneler ve ciddi bir programlama bilgisi gerektirir. Ancak günümüzde eğitim teknolojilerinin (EdTech) gelişmesiyle birlikte, bu süreci tamamen görselleştiren ve basitleştiren harika araçlar hayatımıza giriyor.
Yazılım dünyasındaki bu devrim, özellikle teorik bilgileri pratiğe dökmek isteyen yayıncılar ve eğitimciler için yepyeni kapılar aralamaktadır. Bu yazıda, derinlemesine bir inceleme ile akıllı sistemlerin çalışma mantığını kavrayacağız.
Teachable Machine Nedir?
Google tarafından geliştirilen bu platform, tamamen web tabanlı çalışan ve kullanıcıların herhangi bir kodlama bilgisine ihtiyaç duymadan kendi modellerini eğitmesine olanak tanıyan yenilikçi bir makine öğrenmesi servisidir. İnternet tarayıcınız üzerinden doğrudan çalışan yazılım, karmaşık matematiksel formülleri arka plana iterek tamamen görsel bir arayüz sunar.
Ne İşe Yarar?
Temel amacı modern teknolojilerin ve bilgisayarlı görü sistemlerinin mantığını herkes için anlaşılır ve erişilebilir kılmaktır. Bilgisayarınızın kamerası, mikrofonu veya harici veri setleri aracılığıyla sisteme veri yükleyerek şu çalışmaları hayata geçirebilirsiniz:
Görsel Tanıma Mimarisi: Nesneleri, renkleri, geometrik şekilleri veya insan yüzlerini ayırt edebilen yüksek doğruluklu modeller.
Ses Analizi Uygulamaları: Alkış, kapı sesi, konuşma veya enstrüman seslerini frekanslarına göre algılayan sistemler.
Hareket ve Poz Takibi: İnsan vücudunun duruşunu, el kaldırma veya oturma gibi fiziksel hareketlerini iskelet yapısı üzerinden takip eden algoritmalar.
Geliştirdiğiniz bu projeleri sadece web üzerinde bırakmak zorunda değilsiniz. Tek bir tıkla dışa aktararak (export) kendi mobil uygulamalarınıza, web sitelerinize veya robotik kodlama projelerinize entegre edebilirsiniz. Bu yönüyle araç, STEM ve Green STEAM gibi proje tabanlı öğrenme süreçlerinde oldukça güçlü bir köprü görevi görür.
Adım Adım Kullanım
Platform ile çalışırken üretim süreci üç ana aşamadan oluşur: Veri Toplama (Gather), Modeli Eğtme (Train) ve Önizleme (Preview). Gelin, bir görsel tanıma projesi üzerinden bu süreci adım adım kurgulayalım:
Adım 1: Sınıfları (Kategorileri) Oluşturun ve Veri Toplayın
Sisteme giriş yaptığınızda karşınıza üç proje seçeneği çıkacaktır: Image Project (Görsel), Audio Project (Ses) ve Pose Project (Duruş). Biz bu rehberde görsel algılama projesi üzerinden ilerleyeceğiz.
Ekranınızda varsayılan olarak iki kategori göreceksiniz. Bunları projenize göre yeniden adlandırın. Örneğin; bir okul öncesi etkinliği kurguluyorsak birinci sınıfı “Elma”, ikinci sınıfı ise “Kalem” olarak değiştirelim.
Kameranızı açarak nesneyi merceğe doğru uzatın ve kayıt butonuna basılı tutun. Nesneyi farklı açılardan, uzaklaştırıp yakınlaştırarak en az 50-100 adet fotoğraf karesi yakalayın. Aynı veri toplama işlemini diğer nesne için de tekrarlayın.
Adım 2: Algoritmayı Eğitin (Training)
Verileri başarıyla topladıktan sonra ortadaki eğitim butonuna basın. Bu aşamada üretim motoru, yüklediğiniz pikselleri analiz ederek iki nesneyi birbirinden ayıran ana özellikleri (renk, kenar çizgileri, doku) öğrenmeye başlar.
Eğitim başlatıldıktan sonra tarayıcı sekmesini kesinlikle kapatmamalı veya başka bir sekmeye geçmemelisiniz. İşlemler doğrudan bilgisayarınızın donanım gücünü kullanarak tarayıcı içinde işlenir. Eski cihazlarda görsel sayısı arttıkça bu işlem süresi biraz uzayabilir.
Adım 3: Test Edin ve Canlı Önizleme Yapın
İşlem tamamlandığında ekranın en sağında önizleme alanı aktif olacaktır. Kameranıza elmayı tekrar uzattığınızda, alttaki grafik barının anında %100 doğrulukla hedef nesneyi tanıdığını göreceksiniz.
Gerçek Deneyimim
Ben denedim ve özellikle veri setini yükleme aşamasındaki hız beni oldukça şaşırttı. İnceleme sırasında dikkatimi çeken en önemli nokta, arka planın temiz olmasının modelin başarı oranını doğrudan etkilemesi oldu.
Kendi testlerimde oda ışığını değiştirdiğimde algoritmanın ilk etapta bocaladığını fark ettim. Ben olsam, daha kararlı çalışan bir sistem elde etmek için veri toplama aşamasında odayı farklı ışık açılarıyla aydınlatarak varyasyon sayısını artırırdım. Tarayıcı tabanlı olmasına rağmen yerel donanımı bu kadar optimize kullanması platformun en büyük artısı.
Eğitimde Kullanımı
Bu yazılım, soyut bir kavram olan yapay zekâ dünyasını öğrencilere somutlaştırarak anlatmak isteyen öğretmenler için harika bir müfredat aracıdır. Sınıflarda uygulanabilecek branş odaklı yenilikçi senaryolar şunlardır:
Okul Öncesi ve Sınıf Öğretmenliği: Çocuklara renk, şekil veya sayı kavramlarını öğretmek için interaktif oyunlar tasarlanabilir. Çocuk kameraya doğru şekli gösterdiğinde sistemin bunu sesli olarak onaylaması sağlanabilir.
İngilizce ve Yabancı Dil: Öğrenciler sınıftaki nesneleri kameraya göstererek, yazılımın o nesnenin yabancı dildeki karşılığını ekrana yazdırmasını sağlayabilirler.
Fen Bilimleri ve Biyoloji: Bitki türleri, yaprak şekilleri veya geri dönüşüm malzemeleri (plastik, kağıt, cam) modele tanıtılarak çevre bilinci aşılayan akıllı ayrıştırma projeleri geliştirilebilir.
Beden Eğitimi ve Rehberlik: Duruş projesi mimarisi kullanılarak öğrencilerin şınav, squat veya yoga hareketlerini doğru açıyla yapıp yapmadıklarını denetleyen mini sağlık asistanları kurgulanabilir.
Daha Verimli Kullanmak İçin İpuçları
Arka Plan Gürültüsünü Azaltın: Görsel veya ses toplarken ortamın nötr olmasına dikkat edin. Algoritmanın nesne yerine arkadaki bir tabloyu öğrenmesini istemezsiniz.
Dışa Aktarma Gücünden Yararlanın: Hazırladığınız modelleri p5.js veya TensorFlow.js formatında dışarı aktararak, okulunuzun web sitesine entegre edebilir ve yaşayan projelere dönüştürebilirsiniz.
Ücretsiz mi?
Yazılım tamamen ücretsiz olarak sunulmaktadır. Google, bu servisi akademik çalışmalar, eğitsel projeler ve teknolojiye ilk adımı atmak isteyenler için tamamen açık kaynaklı desteklemektedir.
| Özellik | Ücretsiz Plan | Ücretli Paket |
| Aylık Kredi Sınırı | Sınırsız / Yok | Mevcut Değil |
| Kategori (Sınıf) Limiti | Sınırsız | Mevcut Değil |
| Dışa Aktarım (Export) | Tamamen Ücretsiz | Mevcut Değil |
| Üyelik Zorunluluğu | Yok | Mevcut Değil |
Alternatif Araçlar
Eğer bu alanda kendinizi daha fazla geliştirmek veya farklı ekosistemleri deneyimlemek isterseniz, şu alternatif platformlara da göz atabilirsiniz:
Lobe AI: Microsoft tarafından geliştirilen, internet bağlantısı olmadan masaüstünüzde akıllı modeller eğitmenizi sağlayan ücretsiz bir yazılım.
Machine Learning for Kids: Özellikle Scratch ve Python projelerine veri setleri entegre etmek isteyen çocuklar ve Bilişim Teknolojileri öğretmenleri için harika bir platform.
Orange Data Mining: Kod yazmadan tamamen görsel sürükle-bırak şemalarıyla veri madenciliği ve makine öğrenmesi yapmanızı sağlayan açık kaynaklı bir araç.
Edge Impulse: Özellikle gömülü sistemler ve nesnelerin interneti (IoT) cihazları için kodsuz makine öğrenmesi modelleri geliştirmeye odaklanan profesyonel bir altyapı.
Google Colab: Kodlama bilgisine sahip, daha ileri seviye veri bilimi ve derin öğrenme (Deep Learning) modelleri geliştirmek isteyen uzmanların tercihi.
Kimler Kullanmalı?
Bu platform; kodlama dünyasının karmaşık yapısına girmeden teknolojinin mantığını kavramak isteyen Bilişim Teknolojileri öğretmenleri, STEM projeleri geliştiren öğrenciler, hızlıca prototip üretmek isteyen girişimciler ve dijital dönüşüme meraklı içerik üreticileri için biçilmiş kaftandır.
Son Değerlendirmem
Teknolojinin teorisini anlatmak yerine, pratik yaparak öğrenmek her zaman en kalıcı yöntemdir. İncelediğimiz bu platform, karmaşık algoritmaların arkasındaki “veri toplama ve etiketleme” mantığını kavramak için kusursuz bir başlangıç noktası sunuyor. Özellikle eğitim süreçlerinde çocukların kendi üretimlerini yapmalarını sağlayarak onların yaratıcılık becerilerini tetikleyebilirsiniz.
Siz de kendi projelerinizi hemen denemek, görsellerinizle veya seslerinizle ilk makine öğrenmesi modelinizi oluşturmak için resmi web sitesini ziyaret edebilir ve tarayıcınız üzerinden hemen üretime başlayabilirsiniz.
İnceleme Notu
Bu içerik, platformun ücretsiz sürümü üzerinde gerçekleştirilen gerçek pratik testlere ve kişisel kullanım deneyimlerine dayanarak hazırlanmıştır. Eğitim senaryoları ve branş entegrasyonları, pedagojik eğilimler göz önünde bulundurularak özgün olarak kurgulanmıştır.
