Yapay Zekâ insandakine benzer bir sayı anlayışı geliştiriyor

Bir bilgisayarın aksine, bir insan dört kediye, dört elmaya ve 4 sembolüne baktığı sırada hepsinin ortak bir yanı olduğunu –“dört” soyut kavramını– onları saymak zorunda kalmadan dahi bilir. Bu durum, insan zihniyle makine arasındaki farkı ortaya koyar ve neden insanların sahip olduğu engin zekâya rağmen henüz bir yapay zekâ (YZ) geliştirmeye yakın bile olmadığımızı açıklamamıza yardım eder. Fakat Science Advances dergisinde yayınlanan yeni bir çalışma, yapay zekânın kendi kendine insanlardakine benzer bir sayı algısı geliştirdiğini duyurdu.

© Getty Images
Yapay Zekâ insandakine benzer bir sayı anlayışı geliştiriyor

Adam Stanton

Sayılar, bir bilgisayarın başarıyla yerine getirebileceği görevler listesinde oldukça yukarılarda bulunur. İnsanlar çoğunlukla bir restoran faturasını paylaştırmak için uğraşırken, modern bir bilgisayar saniyede milyonlarca hesaplama yapabilir. Bununla beraber, insanlar, diğer şeylerin yanında bilgisayarları inşa etmemize yardımcı olan, doğuştan gelen ve sezgisel bir sayı anlayışına sahiptir.
 
Bir bilgisayarın aksine, bir insan dört kediye, dört elmaya ve 4 sembolüne baktığı sırada hepsinin ortak bir yanı olduğunu –“dört” soyut kavramını– onları saymak zorunda kalmadan dahi bilir. Bu durum, insan zihniyle makine arasındaki farkı ortaya koyar ve neden insanların sahip olduğu engin zekâya rağmen henüz bir yapay zekâ (YZ) geliştirmeye yakın bile olmadığımızı açıklamamıza yardım eder. Fakat Science Advances dergisinde yayınlanan yeni bir çalışma, yapay zekânın kendi kendine insanlardakine benzer bir sayı algısı geliştirdiğini duyurdu.

VERİ GİRİŞİYLE ÖĞRETME TEKNİĞİ

Bir bilgisayarın sayabilmesi için, sayılmasını istediğimiz şeyin ne olduğunu açık biçimde tarif etmeliyiz. Sayacı devam ettirebilmek için bir miktar bellek ayırmamızın ardından onu sıfıra ayarlayabilir ve kaydetmek istediğimiz şeyi bulduğumuzda, sayaca bir öge ekleyebiliriz. Bu, bilgisayarların (elektronik bir saatten gelen sinyaller aracılığıyla) saati, (eğer bilgisayar belleğinde kayıtlı ise) sözcükleri ve hatta dijital bir görüntüdeki nesneleri sayabileceği manasına gelir.

Ne var ki bu son görev biraz zorludur; zira bilgisayara nesneleri saymadan önce nasıl göründüğünü söylememiz gerekiyor. Öte yandan, nesneler daima aynı görünmez; ışık, konum ve duruştaki farklılıklarla birlikte, her bir örnek arasında oluşum / üretim kaynaklı farklılıklar bulunur.

Görüntülerdeki nesneleri tespit etmek amacıyla uygulanan tüm başarılı hesaplama girişimleri, birçok bireysel örnek aracılığıyla bir nesnenin bir çeşit istatistiksel resmini oluşturarak çalışır; bu, bir tür öğrenme biçimidir. Bu, bilgisayarın, nesnelerin yeni biçimlerini bir düzeye kadar güvenilir biçimde tanımasını sağlar. Eğitim süreci, nesneyi barındıran ya da barındırmayan örnekler verilmesini içerir. Bilgisayar daha sonra, (karşısındaki şeyin) aynı nesne olup olmadığı konusunda bir tahmin yürütür ve öğrenme sürecini denetleyen bir insan tarafından değerlendirilirken, istatistiksel modelini tahmininin doğruluğuna göre yeniden ayarlar.

Modern YZ sistemleri, tıpkı insanlar gibi herhangi bir şeyle ilgili milyonlarca eğitim görüntüsüyle desteklendiğinde, nesneleri algılamaya başlar. Bu tür denetimsiz öğrenme sistemleri, çoğunlukla, aynı anda mevcut olan görüntülerdeki ögelerin parçalarını yavaş yavaş algılar ve daha karmaşık ortak özellikler katmanı üzerinde bir bilgi katmanı meydana getirir.
 
Mesela, elmaların tanınması sürecini ele alalım. Her çeşit elma şeklini içeren görüntüler sisteme verildikçe, öncelikle yatay ve dikey çizgilerden oluşan piksel kümelerini, daha sonra sol ve sağ eğimleri algılamaya başlar. Elmalarda, yüzlerde, kedilerde ve arabalarda bulunmaları nedeniyle, bu benzerlikler ya da soyutlamalar erken fark edilir. Netice olarak, elmalarda genellikle belirli eğrilerin ve çizgilerin bir arada bulunduğunu algılar ve bir nesne grubunu temsil eden yeni ve daha derin bir soyutlama geliştirir: Mevcut örnekte, elmaları tasnif eder.

DERİN ÖĞRENME SÜRECİ

Üst düzey soyutlamaların böyle doğal bir biçimde ortaya çıkması, ‘derin sinir ağları’ diye nitelendirilen makine öğrenme tekniğinin en heyecan verici neticelerinden biri ve teknik, kısmen insan beynindekine benzeyen bir işleyişe sahip. “Derinlik”, ağdaki birçok katmana işaret eder; bilgi ağa girdikçe, ortaklıklar (benzerlikler) daha soyut bir hale gelir. Bu şekilde, ağlar, mevcut girdi daha önce deneyimlenenlerle benzerlikler taşıdığında güçlü bir biçimde etkin olan ögelerle oluşturulur. En soyut şeyler en derin düzeylerde görünür; bunlar dikey çizgiler veya daireler yerine kediler, yüzler ve elmalardır.

Elmaları ayırt edebilen bir YZ sistemini, kaç elma olduğunu saymak için kullanabilirsiniz. Bu harika ama hâlâ sizin ya da benim elmaları nasıl saydığımdan farklı bir işleyişe sahip. Bizler, bir şeyden kaç tane olduğuna dair son derece derin bir “sayı” algısına sahibiz. Beynimizin parçaları bir nesne karşısında tamamen aktif olmak yerine, var olan nesnelerin miktarına bağlı olarak harekete geçer. Bu, bir grup elmaya bakabileceğimiz ve aslında tek tek saymadan dört tane olduğunu anlayacağımız manasına gelir. İşin gerçeği, birçok hayvan da aynısını yapabilir. Bunun altında yatan neden, bu sayısal çokluk duygusunun, birçok farklı durumda hayatta kalmak ve üremek için faydalı bir özellik olmasıdır; mesela, rakiplerin ya da av gruplarının boyutunu değerlendirmeye yarar.

ORTAYA ÇIKAN ÖZELLİKLER

Yeni sonuçlanan bir çalışmada, basit görsel nesneleri algılamak üzere eğitilmiş bir ‘derin sinir ağı’, kendi kendine böylesi bir sayı duygusu geliştirdi. Araştırmacılar, ağ üzerindeki belirli birimlerin birden bire soyut bir rakama “ayarlanmış” olduğunu fark ettiler; bu durum, tıpkı beyindeki gerçek nöronların (bir olgu karşısında) yanıt verişini andırıyordu. YZ, dört elmanın bulunduğu resmin, dört kedinin bulunduğu resimle ortak bir yönü olduğunu fark etti; zira, her iki resimde de “dört” nesne bulunuyordu.

Bu araştırma hakkında gerçekten heyecan verici olan husus, kullandığımız öğrenme ilkelerimizin gayet temel olduğunu göstermesi. İnsanların ve hayvanların gösterdiği düşünme halinin en üst seviyedeki yönlerinden bazıları, dünyanın yapısı ve buna ilişkin görsel deneyimlerimizle yakından alâkalıdır.

Yanı sıra, daha kapsamlı baktığımızda, bu durum, insana benzer düzeyde bir yapay zekâ yaratmak için doğru yönde ilerliyor olabileceğimizi de düşündürüyor. Bu tür bir öğrenme tekniğini başka çalışmalara -belki de görüntüde var olan pikseller yerine belirli bir zaman diliminde oluşan sinyallere- uyarlamak, insani niteliklere sahip olan makinelerin de önünü açabilir. Bir zamanlar insan olmanın temelini oluşturduğunu düşündüğümüz meseleler -mesela müzikal ritim ve hatta nedensellik duygusu- artık bu yeni bakış açısıyla mercek altına alınıyor.

Yapay öğrenme teknikleri yaratmakla ilgili daha fazla şey keşfetmeyi sürdürdükçe ve canlıların beynini anlamak için yeni yöntemler geliştirdikçe, zekâyla ya da uyarlanabilir davranışlarla ilgili birçok sırrı da açığa çıkarıyoruz.

Gitmemiz gereken uzun bir yol ve keşfetmemiz gereken birçok başka boyut var; fakat, dünyaya bakma ve deneyimler vasıtasıyla yapısını anlama becerisinin, insanları (koşullar karşısında) bu denli uyum sağlayabilir kılan özelliğin önemli bir parçası olduğu ortada. Şüphesiz, insanların, yerine getireceği görevlerin çeşitliliğini ve karmaşıklığını çözebilmelerine yarayan potansiyel, herhangi bir YZ sisteminin ihtiyaç duyacağı bir bileşen olacak.

* Yazının aslı The Conversation sitesinden alınmıştır. (Çeviren: Tarkan Tufan)

SIRADAKİ HABER