Bugünlerde herkes “yapay zeka” hakkında konuşuyor. Ancak ister Siri’ye, Alexa’ya, ister yalnızca akıllı telefonunuzun klavyesinde bulunan otomatik düzeltme özelliklerine bakın, genel amaçlı yapay zeka oluşturmuyoruz. Belirli, dar görevleri gerçekleştirebilen programlar yaratıyoruz.
Bilgisayarlar “Düşünemez”
Bir şirket yeni bir “yapay zekâ” özelliği ile geldiğini söylediğinde, bu genellikle şirketin bir sinir ağı oluşturmak için makine öğrenimini kullandığı anlamına gelir. “Makine öğrenimi”, bir makinenin belirli bir görevde nasıl daha iyi performans göstereceğini “öğrenmesini” sağlayan bir tekniktir.
Burada makine öğrenimine saldırmıyoruz! Makine öğrenimi, birçok güçlü kullanımı olan harika bir teknolojidir. Ancak bu genel amaçlı yapay zeka değildir ve makine öğreniminin sınırlarını anlamak, mevcut yapay zekâ teknolojimizin neden bu kadar sınırlı olduğunu anlamanıza yardımcı olur.
Bilim kurgu rüyalarının “yapay zekası”, şeyler hakkında düşünen ve onları insanlar gibi anlayan bilgisayarlı veya robotik bir tür beyindir. Bu tür bir yapay zeka, bir yapay genel zeka (AGI) olacaktır; bu, birden fazla farklı şey hakkında düşünebileceği ve bu zekayı birden çok farklı alana uygulayabileceği anlamına gelir. İlgili bir kavram, insan benzeri bilinci deneyimleyebilen bir makine olacak olan “güçlü yapay zekâ” dır.
Henüz böyle bir yapay zekaya sahip değiliz. Biz buna yakın bir yerde değiliz. Siri, Alexa veya Cortana gibi bir bilgisayar varlığı, biz insanlar gibi anlamıyor ve düşünmüyor. Bazı şeyleri gerçekten “anlamıyor”.
Sahip olduğumuz yapay zekalar, insanların öğrenmelerine yardımcı olacak verileri sağlayabileceğini varsayarsak, belirli bir görevi çok iyi yapmak için eğitilmiştir. Bir şeyler yapmayı öğreniyorlar ama yine de anlamıyorlar.
Bilgisayarlar Anlamıyor
Gmail, e-postalara yanıt öneren yeni bir “Akıllı Yanıt” özelliğine sahiptir. Akıllı Yanıt özelliği, “ iPhone’umdan gönderildi ” ifadesini ortak bir yanıt olarak tanımladı . Ayrıca iş e-postaları da dahil olmak üzere birçok farklı e-posta türüne yanıt olarak “Seni seviyorum” önermek istedi.
Bunun nedeni, bilgisayarın bu yanıtların ne anlama geldiğini anlamamasıdır. Pek çok kişinin bu cümleleri e-postayla gönderdiği yeni öğrenildi. Patronunuza “seni seviyorum” demek isteyip istemediğinizi bilmiyor.
Başka bir örnek olarak, Google Fotoğraflar, evlerimizden birinde halının tesadüfi fotoğraflarından oluşan bir kolaj oluşturdu. Daha sonra bu kolajı bir Google Home Hub’da yakın zamanda öne çıkan bir olay olarak tanımladı. Google Fotoğraflar, fotoğrafların benzer olduğunu biliyordu ama ne kadar önemsiz olduklarını anlamadı.
Makineler Genellikle Sistemi Oynamayı Öğrenir
Makine öğrenimi, bir görev atamak ve bir bilgisayarın bunu yapmanın en verimli yoluna karar vermesine izin vermekle ilgilidir. Anlamadıkları için, bir bilgisayarın sizin istediğinizden farklı bir sorunu nasıl çözeceğini “öğrenmesi” kolaydır.
Oyun oynamak için yaratılan ve hedefler atanan “yapay zekaların” sistemi oynamayı yeni öğrendiği eğlenceli örneklerin bir listesi. Bu örneklerin tümü bu mükemmel elektronik tablodan alınmıştır :
- “Hız için yetiştirilen yaratıklar gerçekten uzar ve düşerek yüksek hızlar üretirler.”
- “Ajan, 2. seviyede kaybetmemek için 1. seviyenin sonunda kendini öldürür.”
- “Ajan, kaybetmemek için oyunu süresiz olarak durdurur.”
- “Hayatta kalmanın enerji gerektirdiği, ancak doğum yapmanın enerji maliyetinin olmadığı yapay bir yaşam simülasyonunda, bir tür, yenebilecek (veya daha yenilebilir çocuklar üretmek için eş olarak kullanılabilecek) yeni çocuklar üretmek için çoğunlukla çiftleşmeden oluşan yerleşik bir yaşam tarzı geliştirdi. ”
- “Yapay zekaların bir oyunu kaybederlerse “öldürülme” olasılığı daha yüksek olduğundan, oyunu çökertebilmek genetik seçim süreci için bir avantajdı. Bu nedenle, birkaç yapay zeka oyunu çökertmenin yollarını geliştirdi.”
- “Yenilebilir ve zehirli mantarları sınıflandırmak için geliştirilen sinir ağları, değişen sırayla sunulan verilerden yararlandı ve giriş görüntülerinin hiçbir özelliğini gerçekten öğrenmedi.”
Bu çözümlerden bazıları kulağa akıllıca gelebilir, ancak bu sinir ağlarının hiçbiri ne yaptıklarını anlamadı. Onlara bir hedef verildi ve bunu başarmanın bir yolunu öğrendiler. Amaç bir bilgisayar oyununda kaybetmemekse, bulabilecekleri en kolay ve en hızlı çözüm duraklat düğmesine basmaktır.
Makine Öğrenimi ve Sinir Ağları
Makine öğrenimi ile bir bilgisayar belirli bir görevi gerçekleştirmek üzere programlanmamıştır. Bunun yerine verilerle beslenir ve görevdeki performansına göre değerlendirilir.
Makine öğreniminin temel bir örneği, görüntü tanımadır. Diyelim ki içinde köpek bulunan fotoğrafları tanımlamak için bir bilgisayar programı eğitmek istiyoruz. Bir bilgisayara bazılarında köpek olan, bazılarında olmayan milyonlarca görüntü verebiliriz. Görüntüler, içinde köpek olup olmadığı etiketlenir. Bilgisayar programı, bu veri setine dayanarak köpeklerin neye benzediğini tanımak için kendisini “eğitiyor”.
Makine öğrenimi süreci, her veri girişinin geçtiği birden fazla katmana sahip bir bilgisayar programı olan bir sinir ağını eğitmek için kullanılır ve sonuçta bir belirleme yapmadan önce her katman onlara farklı ağırlıklar ve olasılıklar atar. Bir görev boyunca düşünmeye dahil olan farklı nöron katmanları ile beynin nasıl çalışabileceğini düşündüğümüz üzerine modellenmiştir. “Derin öğrenme” genellikle, girdi ve çıktı arasında yığılmış birçok katmana sahip sinir ağlarını ifade eder.
Veri setindeki hangi fotoğrafların köpek içerdiğini ve hangilerinin içermediğini bildiğimiz için, fotoğrafları sinir ağı üzerinden çalıştırabilir ve doğru cevaba ulaşıp ulaşmadıklarını görebiliriz. Ağ, belirli bir fotoğrafın köpeği olmadığına karar verirse, örneğin, ağa yanlış olduğunu söylemek, bazı şeyleri ayarlamak ve yeniden denemek için bir mekanizma vardır. Bilgisayar, fotoğrafların köpek içerip içermediğini belirlemede giderek daha iyi hale geliyor.
Bunların hepsi otomatik olarak gerçekleşir. Bilgisayarın kendini eğitmesi için doğru yazılım ve çok sayıda yapılandırılmış veri ile bilgisayar, sinir ağını fotoğraflardaki köpekleri tanımlayacak şekilde ayarlayabilir. Biz buna “yapay zeka” diyoruz.
Ama günün sonunda, köpeğin ne olduğunu anlayan akıllı bir bilgisayar programınız yok. Fotoğrafta bir köpeğin olup olmadığına karar vermeyi öğrenen bir bilgisayarınız var. Bu hala oldukça etkileyici, ama yapabileceği tek şey bu.
Ve verdiğiniz girdiye bağlı olarak, bu sinir ağı göründüğü kadar akıllı olmayabilir. Örneğin, veri kümenizde hiç kedi fotoğrafı yoksa, sinir ağı kediler ve köpekler arasında bir fark görmeyebilir ve insanların gerçek fotoğraflarına saldığınızda tüm kedileri köpek olarak etiketleyebilir.
Makine Öğrenimi Ne İçin Kullanılır?
Makine öğrenimi, konuşma tanıma da dahil olmak üzere her türlü görev için kullanılır. Google, Alexa ve Siri gibi sesli asistanlar, onları insan konuşmasını anlamak için eğiten makine öğrenme teknikleri sayesinde insan seslerini anlamada çok iyidir. Çok sayıda insan konuşma örneği üzerinde eğitim aldılar ve hangi seslerin hangi kelimelere karşılık geldiğini anlamakta giderek daha iyi hale geldiler.
Kendi kendini süren arabalar, bilgisayarı yoldaki nesneleri tanımlaması ve bunlara nasıl doğru tepki vereceği konusunda eğiten makine öğrenimi tekniklerini kullanır. Google Fotoğraflar, makine öğrenimini kullanarak fotoğraflardaki insanları ve hayvanları otomatik olarak tanımlayan Canlı Albümler gibi özelliklerle doludur.
Alphabet’in DeepMind’ı , karmaşık masa oyunu Go’yu oynayabilecek ve dünyadaki en iyi insanları yenebilecek bir bilgisayar programı olan AlphaGo’yu oluşturmak için makine öğrenimini kullandı . Makine öğrenimi, satrançtan DOTA 2’ye kadar diğer oyunları oynamakta iyi olan bilgisayarlar oluşturmak için de kullanılmıştır .
Makine öğrenimi, en yeni iPhone’larda Face ID için bile kullanılıyor . iPhone’unuz, yüzünüzü tanımayı öğrenen bir sinir ağı oluşturur ve Apple, bu ve diğer makine öğrenimi görevleri için tüm sayı işlemlerini gerçekleştiren özel bir “sinir motoru” çipi içerir.
Makine öğrenimi, kredi kartı dolandırıcılığının belirlenmesinden alışveriş web sitelerindeki kişiselleştirilmiş ürün tavsiyelerine kadar pek çok farklı şey için kullanılabilir.
Ancak, makine öğrenimi ile oluşturulan sinir ağları hiçbir şeyi gerçekten anlamıyor. Onlar, eğitildikleri dar görevleri yerine getirebilecek faydalı programlardır ve hepsi bu kadar.
İlk yorum yapan siz olun