EN DERİN ÖĞRENME

En derin öğrenme bağlamında birden fazla derin öğrenme tekniği olduğunu belirtelim. Bunlar insan beyninin yeni şeyler öğrenme yetisini farklı şekillerde taklit eden farklı derin öğrenme türleridir. Hatta içlerinde aldığı kararları nasıl ve neye göre aldığını söyleyen, böylece hem hukuki hem de mali sorumluluk taşıyabilen derin öğrenme teknikleri bile var (ayrıca yazacağım). Örneğin görselleri soldan sağa veya yukarıdan aşağıya tarayarak, yani hiyerarşik olarak analiz eden yapay sinir ağlarına evrişimli nöral ağlar (CNN) diyoruz. Bu derin öğrenme tekniği Latin alfabesinde yazıları soldan sağa okuyarak an lamayı taklit edebiliyor. CNN, bir fotoğraftaki yetişkinleri çocuklardan ayırmak veya yüz tanımakta kullanılabiliyor.

ANILAR VE YAŞANTILAR

İnsanlar geçmişi, örneğin dün akşam ne yediklerini hatırlayabiliyorlar. Biz de yapay zeka alanında geçmişi sınırlı olarak hatırlayabilen bir yapay sinir ağı sistemi kurabiliriz. Buna da tekrarlayan nöral ağ diyoruz (RNN). Bunun dışında bir de türetken hasım algoritma nöral ağı var (GAN). Örneğin bir yapay zeka yazılımına gerçek fotoğraftan ayırt edilemeyen resimler çizme görevi veriyorsunuz. Diğerine de bilgisayar grafiklerini gerçek resimlerden ayırma hedefini. Zeki sohbet botları gibi birbiriyle iletişim kuran bu iki yazılım aralarında rekabet ediyor. Sonunda çok gerçekçi insan yüzleri çizmeyi öğreniyor. Kısacası yapay zeka iki şekilde çalışıyor: Sembolik olarak (görsel tanıma) ve veri tabanlı olarak (makina öğrenimi, desen tanıma vb.). Robot bilimi ve görüntü tanıma sembolik öğrenme kapsamına giriyor. İstatistiksel öğrenme (IBM Watson) ve derin öğrenme ile birlikte makina öğrenimi ise veri tabanlı bilgi-işlem kapsamına giriyor.

PEKİ YA DESEN TANIMA?

Desen tanıma hem sembolik bilgi-işlemi (resim tanıma), hem de veri tabanlı bilgi-işlemi kullanıyor (Örneğin çizgiler den harfleri tanıma, resimdeki nesneleri tanıma, yüz tanıma, harfler arasındaki bağıntıları tanıyarak sözcüklerle cümleleri okuma, hatta çağrışımlı-kavramsal düşünme bu alana giriyor). İnsan beyni özünde desenleri tanıyor; çağrışımlı, bağlamsal, kavramsal ve sembolik düşünüyor. Böylece yaratıcılık, esinlenme, sezgisel düşünme gibi yetilerden yararlanarak kurumsal dinler, felsefi görüşler, devletler gibi sistemik yapılar kuruyor. Buna ek olarak sanat ve edebiyat gibi tematik yapılarla uğraşıyor.

Nitekim makina öğrenimi söz konusu olduğunda yapay zekayı büyük veriyle, çok büyük veriyle beslemek zorundayız. Örneğin, IBM Watson’ın kanser araştırmalarında doktorlara dolaylı önerilerde bulunabilmek için milyonlarca sayfalık hasta kaydı ve araştırma makalesi okuması gerekiyor.

En basitinden, elinizde satış ve reklamlar arasındaki ilişkiyi gösteren milyonlarca veri noktası varsa bunların kalıbını çıkararak bir desen (bağıntılar) saptayabilirsiniz. Bir bilgisayar da yapay zeka yardımıyla bu deseni öğrenirse öğrendiklerinden yola çıkarak satışların artacağı yönünde öngörülerde bulunabilir. Bunu insanlar da yapıyor; ancak bizler en fazla üç boyutta düşünebiliyoruz. Makinalar ise konuyu daha fazla boyutta analiz edebiliyor. Bu yüzden hiç fark etmediğimiz detay ve bağıntıları ortaya çıkarıyor. Örneğin, bir fabrikada üretimi yavaşlatan asıl kök sebebi saptayabiliyor. Oysa bu tür kök sebepler genellikle insanların gözünden kaçıyor. Sonuçta yapay zeka insanların asla yapamayacağı öngörülerde bulunuyor. Süper zeka desen tanıma tekniği ile işte bu şekilde ortaya çıkıyor.

YAPAY ZEKA İLE NE YAPACAĞIZ?

 Makina öğrenimi tekniklerini kullanarak iki şey yapabiliriz: Sınıflandırma ve öngörülerde bulunma. En basitinden, müşterilerinizin yaşını öğrenerek onları genç ve yaşlı müşteriler olarak ikiye ayırabilirsiniz. Bu sınıflandırmadır. Öte yandan, büyük veri kullanarak pek yakında rakibinizin müşterisi olup olmayacaklarını da anlayabilirsiniz. Bu da öngörülerde bulunmadır (insight, içgörü dediğimiz şey).

ÜÇÜNCÜ GÖZ

Yapay zeka için kullanılan öğrenme algoritmalarını başka bir şekilde de düşünebiliriz: Bir algoritmayı aynı zamanda yanıtı içeren bir veri kümesiyle eğitirseniz eğitirseniz buna güdümlü öğrenme diyoruz; yani insanların yardımıyla öğrenen yapay zeka. Örneğin, YZ’nin arkadaşlarınızı ismen tanımasını istiyorsanız onları tek tek bilgisayara tanıtmanız gerekir. Buna karşın, yapay zekanın büyük veriyi kendi başına analiz ederek desen tanımasını sağlarsanız bu da güdümsüz öğrenme olur. Mesela teleskopla evrendeki yıldızların fotoğrafını çekip bunu yapay zekaya verebilir ve resimlerdeki yıldızların rengine bakarak kırmızı devlerle sarı cüceleri saymasını söyleyebilirsiniz.

DENEME YANILMA

Bir bilgisayara hedef verir ve o hedefe deneme yanılma yöntemiyle ulaşmasını söylerseniz bu pekiştirmeli öğrenmedir. Atlas robotun atletler gibi takla atmayı öğrenmesi için bu yöntem de kullanılıyor. Böylece; Yapay zekanın ne olduğunu, yapay zeka ile sıradan yazılımlar arasındaki farkı ve yapay zekanın, insan beyninin desen tanıma ile öğrenme gibi en temel özelliklerini nasıl taklit ettiğini gördük. Peki süper zeka gelince insanları yok edecek mi?

Bu konuyu da bir sonraki yazımıza bırakalım...