Yapay Zekâ Öğreniyor, Peki Mantık Yürütebilecek mi?

Yapay zekâ denilince ilk olarak insanların kontrolünden çıkan robotlar akla gelir. Oysa yapay zekâ teknolojileri sayesinde günümüzde daha önce sadece insanların yapabildiği işlevler makineler, robotlar ya da bilgisayarlar tarafından daha hızlı, doğru ve etkin şekilde gerçekleştirilmeye çalışılıyor.

Peki gelecekte bilgisayarlar insanlar gibi düşünebilecek mi?

İlk yapay zekâ uygulamalarında kullanılan programlama yönteminde bir problemi çözmek için gerekli kurallar dizisi insanlar tarafından adım adım yazılıyordu. Bu işlem algoritma oluşturma olarak isimlendirilir.

Örneğin sabahları güneş doğduğunda uyanmak istiyorsanız, ışığı algılayan bir sensör ve ses üreticinin bağlı olduğu bir bilgisayar yardımıyla ortamdaki ışık seviyesi belli değere ulaştığında ses veren bir alarm sistemi programlayabilirsiniz.

Ancak problem karmaşıklaştıkça çözüm için üretilmesi gereken kurallar dizisinin yani algoritmanın oluşturulması da zorlaştı. Örneğin sürücüsüz araç teknolojileri için yoldaki yayaları, bisikletlileri ya da trafik işaretlerini tanıyabilen ve algılayabilen yapay zekâ uygulamaları geliştirilmesi gerekiyor. Ancak bilgisayarların bir nesneyi tanıması için gerekli algoritmayı geliştirmek hayli karmaşık, uzun zaman ve ileri seviyede uzmanlık gerektiren bir iş.

Bilgi teknolojilerinde yaşanan gelişmeler sonucu ortaya çıkan büyük miktardaki veri sayesinde bilgisayarlara her işin nasıl yapılacağını adım adım kodlayarak anlatmak yerine, bilgisayarların insanlar gibi tecrübelerinden yola çıkarak öğrenebileceği fikri ortaya çıktı. Bilgisayar öğrenmesi olarak isimlendirilen bu yöntemde verileri sınıflandırmak için algoritmalar kullanılıyor. Daha sonra bilgisayarlar bu bilgilere dayanarak bir görevi nasıl yerine getirebileceğini öğrenebiliyor.

Örneğin müzik yayını yapan uygulamalarda kullanıcılara beğenebilecekleri başka şarkı önerilerinde bulunulur. Bu sistem kullanıcının daha önce dinlediği ve beğendiği şarkılara ait bilgileri sınıflandırır. Daha sonra kullanıcının tercihleriyle aynı özellikteki şarkıları belirler ve bu şarkıları kullanıcıya öneri olarak sunar.

Bilgisayar öğrenmesi yönteminin yaygın olarak kullanıldığı alanlardan biri görüntüdeki nesnelerin bilgisayarlar tarafından algılanması ve tanınması. Görüntüdeki nesnelerin konumu (örneğin bir arabanın önden, yandan ve arkadan görünüşü farklıdır), aydınlatma etkisiyle oluşan yansımalar ve gölgeler, çevrelerindeki başka nesneler ve arka plandaki görüntüler nesnelerin algılanmasını ve tanınmasını zorlaştırır. Dolayısıyla ham verilerden görüntülerdeki nesnelerin algılanmasını sağlayacak algoritmaların üretilmesi hayli karmaşık bir problem.

Peki bilgisayarlar, bir bebeğin çevresini gözlemleyerek yavaş yavaş öğrenmesine benzer şekilde, ham verilerden anlamlı sonuçları otomatik olarak çıkarabilir mi?

Son yıllarda yapay zekâ teknolojilerinde yaşanan büyük ilerlemenin sebebi derin öğrenme olarak isimlendirilen bu yaklaşım. Artık Facebook yüklenen bir fotoğraftaki nesneleri sadece algılayıp sınıflandırmıyor, fotoğraftaki kişileri doğru bir şekilde otomatik olarak etiketleyebiliyor. Ya da akıllı telefonlarımızdaki konuşmaları algılayan uygulamalar neredeyse hiç hata yapmadan konuşmaları metne dönüştürebiliyor.

Derin öğrenme yöntemi insan beyninin işleyişinden ilham alan bir yöntem. Bu amaçla yapay sinir ağları kullanılıyor.

Yapay sinir ağları insan beyninin dijitalleştirilmiş şekli olarak düşünülebilir. İnsan beyninde yaklaşık 100 milyar sinir hücresi bulunur ve bu sinir hücreleri 1000’den fazla farklı sinir hücresiyle bağlantı kurabilir. Beyindeki bilişsel işlevler sinir hücreleri arasındaki bu iletişim sayesinde gerçekleşir.

İnsan beynindeki her sinir hücresi başka sinir hücreleri ile bağlantılıdır. Sinir iletileri bir sinir hücresinin dendrit uçları tarafından alınır ve sinapsın ucundan diğer sinir hücresine iletilir.

Yapay sinir ağları farklı katmanlardan oluşur. Veri havuzundaki bilgiler her katmanda basitten karmaşığa doğru işlenir.

Yapay sinir ağına veri girişi yapıldığında ilk katmandaki yapay sinir hücreleri girdiyi alır ve bir çıktı oluşturarak bir sonraki katmana aktarır. Ara katmanlardaki yapay sinir hücreleri farklı sinir hücrelerinden veri alabilir.

 

Bu durumda her kaynaktan gelen veri belli bir katsayı ile çarpılır ve toplam çıktı değeri elde edilir. Bu sayı belli bir eşik değerin üstündeyse çıktı bir sonraki katmandaki sinir hücrelerine iletilir. En son katmana gelen çıktıların toplamı derin öğrenme sisteminin sonucunu oluşturur. Sistem girdilerin ağırlık katsayılarını değiştirerek elde edilen sonucun doğruya en yakın olmasını sağlar.

Örneğin görüntüdeki insan yüzlerinin tanımlanması için kullanılan derin öğrenme sisteminde ilk katmandaki yapay sinir hücreleri ham verilerden görüntüdeki açık ve koyu renk pikselleri belirler. Bir sonraki katmanda görüntüdeki açık ve koyu renkli piksellerin oluşturduğu kenarlar ve basit şekiller tespit edilir. Üçüncü katmanda göz, burun gibi daha karmaşık şekiller ayırt edilir. Sonuç katmanında bilgisayar insan yüzünü oluşturan şekilleri öğrenir.

Son yıllarda yapay zekâ konusunda yaşanan heyecan verici gelişmeler derin öğrenme yönteminde sistemin daha doğru sonuçlara ulaşmak için kendi kendini eğitme gücünden kaynaklanıyor. Böylece çok karmaşık görünen görevler ileri düzeyde uzmanlık gerektirmeden başarılabiliyor. Yöntemin başarısı ise her geçen gün üretilen veri miktarının katlanarak artması sayesinde mümkün oldu.

Tıbbi görüntüleme yöntemleri sonucu elde edilen verilerin değerlendirilerek hastalıkların teşhisinin uzman doktorlardan daha hızlı ve doğru yapılması, CERN’de gerçekleştirilen deneyler sonucu elde edilen veriler üzerinden atom altı parçacıkların davranışlarının tahmin edilmesi, Google Çeviri’nin başarısının insanların yaptığı çevirilere yaklaşması... Bütün bu gelişmeler derin öğrenme yönteminin başarısı.

Peki, büyük miktardaki veri içinde anlamlı bağlantıları bulabilen derin öğrenme sistemi gerçekten insanlar kadar zeki mi? Bu sorunun cevabı zekâ kavramını nasıl tanımladığımızla ilişkili. İnsan zekâsının en önemli özelliği olaylar arasında neden sonuç ilişkisi kurabilmesi ve muhakeme yani akıl yürütme yeteneği. Ancak ham veriler içindeki anlamlı bağlantıları bulabilen derin öğrenme sistemi bunu neden ve nasıl yaptığını aslında bilmiyor.

Yapay zekânın gerçekten insanlar gibi düşünebilmesi için mantık yürütmeyi başarması gerekiyor.

 

Kaynaklar:

• http://sitn.hms.harvard.edu/flash/2017/history-artificial-intelligence/ 
• Turing, A. M., “Computing Machinery and Intelligence”, Mind, Cilt 49, s. 433-460, 1950.
• https://theconversation.com/deep-learning-and-neural-networks-77259
• Jones, N., "Computer science: The learning machines”, Nature, Cilt 505, Sayı 7482, s. 146-148, 2014.
• http://www.sciencemag.org/news/2017/06/computers-are-starting-reason-humans