İnsanlık tarihi boyunca doğa birçok yenilikçi harekete ilham oldu. Uçak tasarlarken kuşları, palet tasarlarken ördekleri gözlemledik. Yapay zekâyı geliştirirken de insan beynini inceliyoruz. Fakat insan beyni yapay zekâ gelişimine ne kadar katkı sağlayabilir? Makineler karmaşık işlemleri hızlıca çözebilirken bunda zorlanan insan beyni ona ne kadar yardımcı olabilir? Her gün yaptığımız basit motor becerilerin arkasındaki detaylı sistemi makinelere nasıl aktarabiliriz?
Yapay Zekânın Algoritması
Yapmakta zorlandığımız şeyleri nasıl yapay zekâya kolaylıkla yaptırabiliyoruz? Bu soruya verilebilecek en özetleyici cevap, “karmaşık sistemleri, algoritmaları anlayarak” olabilir. Yani çözmekte zorlandığımız bir denklemin çözülme yöntemini anlayıp makinelere aktarabiliyorsak AI sistemlere onu yapmayı öğretebiliyoruzdur. Fakat henüz tamamen anlayamadığımız sistemler var.
Sadece Zekâ
Sistemleri anlamak için gerçekten neye odaklandığımızı belirlemek gerekiyor. Kapsamlıca düşünürsek yapay zekâ programlamanın insan zekâsını inceleyip kod blokları halinde makinelere aktarmak olmadığını fark edebiliriz. Çünkü AI teknolojisini oluştururken anlayıp içselleştirmeye çalıştığımız şey zekâ kavramı ve etrafındaki olgular. Bu yazıda zekânın kullanılışında önemli rol oynayan ve gündelik olarak yaptığımız ancak arkasındaki sistemi tam olarak kavrayamadığımız üç olgudan bahsedeceğiz.
Hafıza
İnsan beynindeki en ilham verici özelliklerden biri de bilgileri ve olayları hatırlayıp bunlar arasında ilişki kurabilmesi. Topladığımız verileri saklayabilme, hatırlayabilme ve ilişkilendirebilme becerisi olan hafıza, yazılan birkaç blok kodun yapay zekâ tarafından doğru yanlış olarak değerlendirmesini istemenin çok ötesinde. Temporal lobumuzda bulunan denizatı şeklindeki hipokampüs bildirimsel ve mekansal bilgileri hatırlamamızı sağlıyor. Bildirimsel anılar gerçekleşmiş olayları mekansal hatıralar ise yol tarifleri gibi bilgileri barındırıyor. Alzheimer hastalarının bildirimsel ve mekansal anıları hatırlamakta zorlanmalarının sebebi hipokampüslerinin küçülmesidir.
Önceki günlerde kendini halsiz hissettiğini söyleyen bir arkadaşınızı daha sonra okulda göremezseniz beyniniz bu ikisi arasında bağlantı kurarak arkadaşınızın hasta olduğu için okula gelmediği çıkarımına varır. Günlük hayatta düşünmeden kurduğumuz birçok bağlantı arkasında çalışan detaylı bir sistemi gerektirir.
Hayal Gücü
Hayal gücünü bilgiler ve olaylar arasında kurduğumuz bağlantıları yorumlamak olarak değerlendirebiliriz. Görüşlerimizin şekillenmesini sağlayan da bu yaratıcılık ve yorumlama gücüdür. Yaratıcılıktan frontal korteks sorumlu olmakla birlikte beynimizin diğer bölgeleri de yaratıcılığa katkıda bulunur.
Dil
Bilgileri depoladık. Aralarında ilişki kurduk. Bu ilişkileri yorumladık. Şimdi ise sıra yorumlarımızı aktarabilmekte. Bilgisayarın babası olan Alan Turning’e göre düşünmek için dile ihtiyacımız var. Yani yukarıda bahsettiğimiz hafıza ve hayal gücü gibi becerileri kullanabilmek için de dile ihtiyacımız var. Her ne kadar temel ihtiyaçlarımızı bedenimizin hatırlatmalarıyla düşünüp uygulamaya koyabiliyorsak da karmaşık konuları düşünmek için dil bilmek gerekebilir. Turing’e göre bir makine absürt sorulara mantıklı cevaplar veriyorsa ve diyalogları devam ettirebiliyorsa düşünebiliyor demektir.
Turing Testi
Bir makine ve insan yazışarak iletişim kurarken eğer sadece yazışmaları görebilen jürinin %30’u iki insanın yazıştığına karar veriyorsa, Elon Turning’e göre, makineler düşünebiliyor demektir. Matematiksel olarak bakıldığında en az jürinin %50’sinin ikna olması mantıklı gelirken Turing %50’nin bir makinenin kendisini insan olduğuna inandırabilmesi için çok yüksek bir oran olduğunu savunuyor. Böyle düşünülürse bilgisayarlara verdiğimiz özellikleri kısıtlasak bile bu özelliklerin onları ne kadar güçlü yapabileceğini fark edebiliriz.
Algoritmalar
Şimdi yazının başında sorduğumuz soruya geri dönelim. Yapmakta zorlandığımız şeyleri nasıl yapay zekâya kolaylıkla yaptırabiliyoruz? Algoritmalar sayesinde. Çok zor bir denklem çözdüğümüzü düşünelim. Ne kadar zor olursa olsun yapılması gereken şeyleri adım adım yazıp “bu böyleyse, şöyle yap” gibi ayarlamalar yapabiliyoruz. Bu detaylı ve açıklayıcı mekanizmalar kararları mantık sırasına oturtarak algoritmalaştırmamızı sağlıyor.
Şu Kararı Algoritmalaştırıp da mı Saklasak?
Hafıza, hayal gücü ve dil becerilerini yapay zekâya hemen aktaramamamız onların sistemini iyice anlayamamamızdan kaynaklanıyor. Elimizdeki yetersiz veriler yaratıcı zekâ algoritmasının elementlerini anlamaya yeterli olmadığı için bebeklerin nasıl öğrendiğini inceliyoruz.
Doğal Dil İşleme
Eğer dil hafıza ve hayal gücünün getirilerini, yaratıcı zekâyı kapsıyorsa bebeklerin nasıl konuşmayı öğrendiğini gözlemleyebiliriz. Bu gözlemler sonucu geliştirilen bir yöntem de yapay zekânın bir alt dalı olan doğal dil işleme diye Türkçeleştirdiğimiz Natural Langugage Processing (NLP) tekniğidir. NLP insanlar tarafından oluşturulmuş metinleri yapay zekâya verip önce kelimelerin anlamlarını birleştirerek cümlelerin anlamını, sonrasında cümlelerin anlamlarını birleştirerek paragrafın anlamını çıkarmasını istiyor. Böylece AI bilgileri hatırlayıp bu bilgileri ilişkilendirerek önündeki metni yorumlayabiliyor. Kısaca hafızanın, hayal gücünün ve dilin başlangıç göstergeleri doğal dil işleme yönteminde birlikte çalışıyor.
Hafıza, hayal gücü ve dil olarak sıralayabileceğimiz basit insansı becerileri algoritmalaştırmak için nöron ağlarının nasıl çalıştığını anlamaya ve yapay nöron ağları örmeye çalışıyoruz. Biz bu algoritmaların nasıl çalıştığını çözemeden yapay zekânın doğal dil işlemeyle kendini geliştirmesi ve bizlere ne olduğunu anlatması da muhtemel.
Kaynak: DeepMind: The Podcast, Barış Özcan ile 111 Hz, Bilgi Ustam
