Yapay Zeka #5: Yapay Zekanın Sınırları ve Geleceği

Son yıllarda yapay zekâ bilimkurgu filmlerinin yanı sıra gerçek dünyada da çokça karşımıza çıkmaya başladı. Navigasyon uygulamaları, dilden dile çeviri, sesli arama günlük hayatımızın bir parçası haline geldi. Mobil robotlara, kendisini süren otomobillere, kanser teşhisi koyan yazılımlara dair haberlere medyada neredeyse her gün rastlar olduk. Yapay zekâ 2010’lu yıllarda popüler olan derin öğrenme yöntemleri sayesinde rüşdünü kısmen ispatlamış olsa da dünyaya etkisi halen sınırlı. Satranç oynamak, matematik problemleri çözmek, bilgisayar oyunu oymamak, nesneleri tanıyıp isimlendirmek gibi çerçevesi net olarak çizilmiş alanlarda gayet başarılı oluyor. Öte yandan, yapay zekâlı sistemler insanların sürprizlerle dolu dünyasına adım atar atmaz sudan çıkmış balığa dönüyorlar.

Bazı zayıf yönleri olmasına rağmen insan beyni evrende bildiğimiz en harika nesne olma özelliğini koruyor. Yapay zekâlı sistemler aşağıda açıklayacağım nedenlerle insan zihnine henüz alternatif olamıyor.

Enerji Tüketimi

Modern yapay zekalı sistemlerin ana bileşeni olan makine öğrenmesi modelleri deneme yanılma yoluyla öğreniyorlar. Bu durum devasa veri dağları üzerinde yüz binlerce işlem yapmayı gerektiriyor. Bilgisayar işlemcilerinin performansı yıllar içinde geometrik olarak gelişiyor, ancak işlemcilerin enerji verimliliği aritmetik olarak artıyor. Bu durum yapay zekâlı sistemlerin enerji maliyetlerinin hızla artmasına yol açıyor.

Ray Kurzweil’in 1999 yılında yaptığı tahmine göre insan beyni saniyede 2 çarpı 10 üzeri 16 işlem yapabiliyor. Bugünlerde nihayet dünyadaki en güçlü süper bilgisayarların bu hıza ulaştığı kutlu zamanları idrak ediyoruz. Ne var ki bizlerin çalışmak için kahvaltıda iki yumurta yemesi yeterli olurken on binlerce işlemciden oluşan bu sistemler bir kasabaya yetecek kadar elektrik tüketiyorlar. Süper bilgisayarlar halen hava tahmini, petrol arama, moleküler modelleme, astronomik verilerin işlenmesi gibi amaçlara yönelik olarak kullanılıyorlar.

Algoritmalar

Yürütülen yoğun araştırmalara rağmen insan beyninin tam olarak nasıl çalıştığını anlaşılmış değil. Nörologlar beynin ağ yapısında olduğunu, iç iletişimini elektrokimyasal süreçlerle gerçekleştirdiğini, bazı bölgelerinin konuşma, görme, hafıza gibi fonksiyonları üstlendiğini biliyorlar. Beyin konusunda bilinenler yıllar içinde çığ gibi büyüse de halen beynin çalışma prensiplerini gösteren bir şemaya sahip değiliz. Yapay zekânın popüler olmasını sağlayan derin yapay sinir ağlarının beyne benzer biçimde çalıştığı ise bir varsayımdan ibaret.

Derin yapay sinir ağlarını eğitmek için çok büyük bir veri havuzuna sahip olmak gerekiyor. Ancak bu biçimde kediyi köpekten, dalga sesini rüzgâr sesinden ayırabilen modeller oluşturabiliyoruz. Oysa bir çocuğun hayvanları tanımak için milyonlarca hayvan görmesi gerekmiyor. Tek bir kediyi gösterip ‘bu kedi’ dediğimizde kedinin nasıl bir görüntüye sahip olduğunu kavrayabiliyor.

Derin yapay sinir ağlarının bir diğer zayıf yanı öğrendiğini başka bir bağlamda kullanamaması. Hatta makine öğrenmesi modellerinin genelinin böyle bir zayıflığı olduğunu söyleyebiliriz. Belirli konu hakkında eğittiğimiz bir model edindiği bilgileri benzer konulardaki modellere transfer edemiyor.

Amaç ve Duygular

İnsanlar genellikle verili bir anda bir ya da birkaç hedefi kovalar durumda oluyorlar. Hayatta hiçbir hedefi olmayan bir insan bile, yaşamını sürdürmek için uyku, tuvalet, açlık, susuzluk gibi ihtiyaçlarını gidermek zorunda. Kendi hedefini belirleyebilen bir algoritma üretmek yapay zekâ işinin kutsal kasesi olarak kabul ediliyor. Örneğin bazı firmalar veri tabanlarında bulunan her türlü veriyi vererek yapay zekadan yapmaları gereken öncelikli işleri öğrenebilmeyi istiyorlar. Ne var ki yapay zekâ algoritmaları, bugünkü halleriyle, anlamlı bir sonuç üretebilmek için işaret edilen bir hedefe ihtiyaç duyuyorlar.

İnsanların aldıkları kararlarda rasyonel veriler kadar duygular da rol oynuyor. Yapay zekanın dünya üzerinde etkin olması için duygusal zekaya da sahip olması gerekecek. Yüz ifadesi ve ses tonundan insanların duygu durumunu tespit etmeye yönelik çalışmalar olsa da etkin bir iletişim için fazlasına ihtiyaç olduğu kesin.

Uçaklar kuşlara epeyce benziyor olsalar da kanat çırpmıyorlar. Eğer bir gün üretilebilirse, genel amaçlı bir yapay zekânın insana benzeyen ve benzemeyen tarafları olacağını varsayabiliriz.

Popüler Araştırma Konuları

Yapay zekânın zayıflıkları dünyanın dört bir yanında araştırılan yeni yöntemlerle çözülmeye çalışılıyor.

Son dönemde Çekişme Ağları (Ing: Duelling Networks ya da Generative Adversarial Networks) gerçekçi görüntüler, sesler ve metinler üretmek için anahtar bir model olarak öne çıktı. Çekişme Ağları karşıt hedeflere sahip iki yapay sinir ağı içeriyor. Bir ağ (üretici) girdi verilerden gerçekçi fotoğraflar üretmeyi öğrenirken, diğer ağ (ayırt edici) hangi fotoğrafların gerçek olduğunu ve hangilerinin sahte olduğunu belirlemeye çalışarak ilk ağın çıktılarını değerlendiriyor. Çekişme Ağları kullanılarak gerçekte var olmayan ünlüler, Bach bestelerine benzeyen besteler, Van Gogh stilinde tablolar üretmek mümkün oluyor. Bu modellerin yapay zekanın yaratıcılık sergilemesi yolunda önemli bir adım olduğunu not etmek istiyorum.

Kapsül Ağları (Ing: Capsule Networks) mimarisi derin öğrenmede önemli bir yazılım yeniliği olarak ortaya çıktı. Geleneksel derin öğrenme teknikleri görüntü sınıflandırma ve etiketlemede başarılı olmasına rağmen, nesneler arasındaki mekânsal ilişkileri hesaba katmıyor (Örneğin: yüz ve ağız, burun ve gözlerin göreceli pozisyonları) ve farklı açılardan bakıldığında nesneyi tanıyamayabiliyor.  Kapsül Ağları, insanların bilgiyi işleme biçimine benzediği varsayılan gelişmiş bir hiyerarşik yapıya sahip. Geleneksel yapay sinir ağları çoklu katmanlar içerirken, bir kapsül ağı nöral tabakaların iç içe geçmiş bir koleksiyonu olarak tanımlanıyor: her katman birden fazla kapsül içeriyor ve her kapsül küçük bir grup nöronu bir araya getiriyor. Bir kapsül, bir görüntüdeki belirli bir deseni veya nesneyi algılamayı öğrenen özel bir yazılım modülü olarak görev yapıyor.

Tek veriyle öğrenme (Ing: One-Shot Learning) veya az veriyle öğrenme, daha hızlı ve verimli öğrenmeyi amaçlayan bir paradigma olarak son dönemde öne çıktı. Böyle bir yapay zekâ sistemiyle, verilerin tek bir örnek veya çok küçük bir eğitim seti kullanarak sınıflandırılabilmesi amaçlanıyor. Tek veriyle öğrenme modellerini mümkün kılan tasarımın daha önce öğrenilmiş olan kategorilerden yeni kategorilere bilgi aktarımı olduğunu söyleyebiliriz. Bilgi aktarımını mümkün kılmak için Bayezyen ağlar (Ing: Bayesian Networks) ve kısa süreli hafızayla desteklenen yapay sinir ağları gibi modellerin yaratıcı bir biçimde kullanımı üzerinde çalışmalar yürütülüyor.

Sonuç

Yapay zekâlı sistemlerin dünyanın geleceğinde önemli bir rol oynayacağı konusunda genel bir görüş birliği bulunuyor. Bununla birlikte, bir gün insana yakın bir bilişsel performans sergileyip sergileyemeyecekleri önemli bir tartışma konusu olarak önümüzde duruyor. Kişisel görüşüm önümüzdeki yıllarda, bugün olduğu gibi, insanların ve makinelerin daha iyi yaptığı işler olacağı yönünde, ancak makinelerin daha iyi yaptığı işlerin sayısı gün geçtikçe artacaktır.

Gözlerimizin önünde filizlenmekte olan bu yeni bilinç türünün, örneğin 10 yıl sonra nasıl bir şeye dönüşeceğini çok merak ediyorum. Görünen o ki yapay zekâ konusunu daha uzun süre tartışmaya devam edeceğiz.

Önceki