Yapay Zekâ Teknolojileri de İnsanlar Gibi Öğrenebiliyor

Yapay zekâ teknolojisiyle makinelerin de insanlar gibi düşünerek mantık yürütmesi ve verilen karmaşık görevleri yerine getirebilmesi amaçlanıyor. Bu konuda şimdiden çok yol katedildi. Yapay zekâ teknolojilerinden bazıları artık satranç turnuvalarında satranç ustalarını yenebiliyor, yüzleri tanıyabiliyor, hastalıkları teşhis edebiliyor hatta araç kullanabiliyor. Peki yapay zekâ teknolojileri bu işleri nasıl başarıyor?

Akıllı telefonlardaki üç boyutlu yüz tanıma özelliği sayesinde kullanıcılar herhangi bir tuşa basmadan telefonun şifresini açabiliyor.

İlk yapay zekâ örnekleri daha çok matematik problemlerini çözebilen, konuşulanları metin hâline getirebilen ve robotlardan oluşan daha basit teknolojilerdi. Sadece rakamları ve sınırlı sayıdaki kelimeleri tanıyabilen basit yapay zekâ teknolojilerinin yerini günümüzde akıllı cihazlardaki gibi konuşulanları doğrudan algılayabilen gelişmiş teknolojiler aldı.

Yeni geliştirilen konuşma algılama yazılımları ile akıllı cihazınıza yapmak istediğinizi söylediğinizde, örneğin birini aramak istediğinizde, cihazınız istediğiniz işi kolaylıkla gerçekleştirebiliyor. Bu bilgisayar yazılımlarına akıllı kişisel asistan da deniliyor.

İlk olarak 1950’li yıllarda başlayan yapay zekâ geliştirme süreci 1970 ve 1980’li yıllarda biraz yavaşlasa da 1990’lı yıllarda yeniden yükselişe geçti. Özellikle 1990’lı yıllardaki yapay zekâ teknolojileri “makine öğrenmesi” adı verilen yöntemle geliştirilmeye başlandı.

Yapay zekâ teknolojisinin bir alt dalı olan makine öğrenmesinde makinenin gerçekleştireceği her bir hareket için tek tek komut yazılması yerine makinenin kendi kendine tecrübe ederek öğrenmesini sağlayacak algoritmalar kullanılır. Bu algoritmalar matematiksel ve istatiksel yöntemlerle oluşturulur. Makinelerin bu algoritmalar aracılığıyla var olan verilerden bilinmeyen hakkında tahminde bulunması beklenir. İlk yapay zekâ teknolojilerinde kullanılan komutların amacı karmaşık problemlerin çözülmesini sağlamak iken makine öğrenmesinde verilen görevlerin en iyi şekilde yerine getirilmesi amaçlanır.

Araştırmacılar yapay zekâ teknolojilerinin öğrenme seviyelerine göre sınıflandırılabileceğini düşünüyor. Otomasyon, kural tabanlı sistem, öğreticiyle öğrenme, öğreticisiz öğrenme, çok sistemli etkileşimler, yaratıcı yapay zekâ ve istekli yapay zekâ olarak sınıflandırılan yapay zekâ teknolojilerinde düşük seviyedeki makineler yüksek seviyedeki makinelerin işlevlerini gerçekleştiremiyor.

 

Seviye 0 - Otomasyon

En temel seviye olan otomasyon seviyesindeki makineler belirli yazılımlarla sadece belirli görevleri otomatik olarak yerine getirir. Bu makineler ya çok az insan müdahalesi gerektirir ya da hiç gerektirmez. İnsan gücüne ve zamana duyulan ihtiyacın azaltılmasını sağlamak amacıyla tasarlanan bu makineler sensörlerden gelen verileri kullanarak kendilerinden istenen görevleri yerine getirir.

Örneğin fabrikalarda sıklıkla kullanılan kaynak, montaj ve ambalajlama işlemlerini yapan robotlar bu sınıfa girer.

Fabrikalarda kullanılan robot kollar da otomasyon seviyesindeki makinelerden...

 

Seviye 1 - Kural Tabanlı Sistem

Geçmişten bu yana yapay zekâ araştırmacıları insanın mantıklı düşünme yetisine benzer düşünme yetisine sahip sistemler geliştirmeye çalışıyor. Makine öğrenmesinde kullanılan ve insan zekâsını taklit edebilen bu sistemlere kural tabanlı makine öğrenmesi adı verilir.

Örneğin 1952 yılında bir bilgisayar uzmanı tarafından geliştirilen bir yazılım sayesinde dama şampiyonlarına karşı oynayabilen dama programı geliştirildi. Bu gelişmeden sonra yapay zekâ araştırmacılarının binlerce pozisyonu hesaplayarak kurguladığı satranç programı, dünyaca ünlü satranç şampiyonlarını yenebildi.

 

Seviye 2 – Öğreticiyle Öğrenme

Öğreticiyle öğrenme yöntemiyle tasarlanan yapay zekâ teknolojilerinde verilerin özelliklerini içeren bir veri seti makinenin algoritmasına eklenir. Bu veri setine öğretici denir. Yani yapay zekâya ayırt edeceği verinin ne olduğu önceden öğretilir. Bu şekilde yapay zekâ yeni verileri, öğrendiği eski verileri kullanarak tahmin eder. Örneğin yapay zekânın elmayı, armudu ve muzu sınıflandırmasını istediğimizi varsayalım. Bunun için yapay zekânın algoritmasına bu meyvelerin özellikleri (rengi, şekli vs.) ve bu özelliklere karşılık gelen meyvelerin isimleri ayrı ayrı eklenir. Böylece yapay zekâ, algoritmasındaki verileri yani “hafızasını” kullanarak karşısına çıkan yeni meyvelerin hangileri olduğunu tahmin eder.

Öğreticiyle öğrenme yönteminde elmanın özelliklerini öğrenen yapay zekâ yeni veriler arasından elmayı tanır.

 

Seviye 3 – Öğreticisiz Öğrenme

Öğreticisiz öğrenme yöntemiyle geliştirilen yapay zekâda ise makinenin yüzlerce hatta binlerce veriyi tarayarak benzer özelliklere sahip verileri kendi kendine sınıflandırması beklenir. Örneğin yapay zekânın elmaları ve pırasaları sınıflandırmasını istediğimizi varsayalım. Yapay zekâ elmanın meyve, pırasanın ise sebze olduğunu bilemez. Ancak makine çok sayıdaki veriyi tarayarak meyve ve sebzelerin ortak özelliklerini belirler ve elmaları meyve, pırasaları sebze olarak birbirinden ayırır.

 

Şimdi benzer bir örneği ele alalım. 1-2 yaşlarındaki bir bebek ailesinin beslediği evcil hayvanı tanır ve bilir. Fakat bu hayvanın köpek olduğunu bilmez. Farklı bir ortamda daha önce hiç karşılaşmadığı bir köpeği gördüğünde ise köpeklerin genel özelliklerinden yani kulaklarından, dört ayak üzerinde yürümelerinden veya gözlerinden onun köpek olduğunu bilir. Burada bebeğe köpeğin hangi özelliklere sahip olduğu önceden öğretilmemiştir. Bebek köpeğin özelliklerini kendi gözlemleri yoluyla öğrenmiştir.

 

Seviye 4 – Çok Sistemli Etkileşimler

Bu seviyedeki bir yapay zekâ teknolojisinde her biri birbirinden farklı işleve sahip binlerce hatta milyonlarca farklı sistem problemi çözmek için iş birliği hâlinde çalışır. Bu sistemler farklı donanımsal yazılımlara sahip makineler, bilgisayar programları, robotlar hatta insanlar bile olabilir.

İnternet birbirine bağlı milyonlarca bilgisayar ağının birbiriyle etkileşimli olarak çalıştığı küresel bir sistemdir.

Bu zamana kadar geliştirilen ve birlikte çalışan sistemlerin sadece yapay zekâdan oluştuğu durumlarda insan zekâsının seviyesine yine ulaşılamadığı gözlenmiş. Bu yüzden bazı yapay zekâ araştırmacıları insan ve makineden oluşan sistemlerin her zaman yapay zekâların oluşturduğu sistemlerden daha üstün olduğunu düşünüyor.

Örneğin 1997 yılında kural tabanlı sistemle oluşturulan ileri düzey bir satranç yapay zekâ teknolojisine yenilen dünyaca ünlü Garry Kasparov bu yenilgiden sonra en üst seviye satranç adını verdiği bir yapay zekâ geliştirdi. Bu yapay zekâda oyuncular insan ve yapay zekâ olarak ikili takım oluşturuyordu. Yapılan satranç turnuvalarında bu ikiliden oluşan takımların en iyi satranç yapay zekâlarını bile yenebildiği gözlendi.

 

Seviye 5 – Yaratıcı Yapay Zekâ

Yapay zekânın bu seviyesinde araştırmacılar “Bir makine kendi yaratıcılığını oluşturabilir mi?” sorusuna cevap arar. Fakat henüz bu seviyede bir yapay zekâ geliştirilemedi.

Konuyla ilgili yapılan en güncel çalışmalardan biri, fotoğrafları sanatsal formlara dönüştürebilen yapay zekâ teknolojisi. Bu yapay zekâ, fotoğrafları ünlü ressamların resim stillerinden ilham alarak sanatsal bir görsel hâline dönüştürebiliyor. Ancak araştırmacılar, bu yapay zekânın da insan ile birlikte çalışan bir yapay zekâdan daha üstün olmadığını söylüyor.

Yapay zekâ uygulaması ile sanatsal bir hâle dönüştürülmüş bir fotoğraf

 

Seviye 6– İstekli Yapay Zekâ

 

Araştırmacılar bu seviyedeki bir yapay zekâyı anlayabilen, düşünebilen, mantık kurabilen, duygulu, merhametli ve farkındalığı olan bir teknoloji olarak tanımlıyor. Şimdiye kadar bu seviyede bir yapay zekâ geliştirilememiş olsa da bu seviyeye ulaşmak tüm yapay zekâ araştırmacılarının rüyası.

Her gün yeni uygulamaları çıkan yapay zekâ teknolojilerinde henüz 5. ve 6. seviyelere ulaşılamamış olsa da günümüzde 2. ve 4. seviyelerde birçok yapay zekâ uygulaması geliştiriliyor. Bu durum yapay zekânın gün geçtikçe insan zekâsına yaklaştığını gösteriyor.

 

Kaynaklar:

• Silver, D. ve ark., “A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play”, Science, Cilt 362, Sayı 6419, s. 1140-1144, 2018.
• https://www.americanscientist.org/article/intelligence-may-not-be-computable
• https://www.americanscientist.org/article/ai-is-blurring-the-definition-of-artist
• https://becominghuman.ai/what-is-machine-learning-d292114cc6ce