Bir önceki yazımda, yapay zekanın geleceği hangi somut yollarla şekillendirebileceği hakkındaki öngörülerimi ve fikirlerimi sizlerle paylaşmıştım. Ancak hatırlarsanız, yapay zekanın insanlığın binlerce yıllık bir hayalinin ürünü olduğundan da bahsetmiştim. Tarihin bilinen ilk yapay zeka referansına Yunan Mitolojisinde rastlanıyor; efsanede Girit Adasını korumak için Talos isimli bilinç sahibi bir dev robotun görevlendirildiğinden bahsediliyor… Günümüze döndüğümüzde, yapay zeka hayalinin gerçeklik duvarına çarptığını görüyoruz. Hayatın hemen her alanına sirayet ederek dünyayı akıl almaz bir hızla değiştiren yapay zeka, günümüzde belirli işlerde uzmanlaşan kısıtlı sistemler olarak karşımıza çıkıyor. Ancak araştırmacılar muazzam bir şeyin peşinde: İnsan kadar zeki yapay zekalar! Hatta öyle ki, bu fikri dahi kısıtlayıcı bulan bir düşünce okulu ortaya çıktı ve savunucuları insandan bile zeki yapay zekalar geliştirmenin mümkün olabileceğini düşünüyor.
Bir hayal
Yapay genel zeka birçokları için yapay zeka disiplinin nihai hedefi konumunda. Yapay zeka disiplinin başlangıcı kabul edilen 50’lerden bu yana, mühendisler her türlü görevi tamamlayabilen ve bir işten diğerine kolayca geçebilen akıllı robotlar tasarladılar. Ortaya koydukları ilk ilkel yapay zeka örneklerinden bu yana hayalleri bir gün insan dilini anlayan, akıl yürütebilen, planlayabilen, anlayabilen ve sağduyu gösterebilen makineler geliştirebilmekti. Yapay genel zeka, bir insanla aynı şekilde düşünebilen ve öğrenebilen makinedir. Durumsal bağlamları anlayabilmesi, bir görevi tamamlamak için öğrendiği şeyleri diğer görevlere uygulayabilmesi öngörülmüştür.
İki zor soru
Yapay genel zeka beraberinde birçok soru işaretini getiren bir idea. İnsan beyninin tüm kabiliyetlerine sahip yapay genel zekanın (YGZ) gerçek olması için daha ne kadar zamana ihtiyaç var? Geleceğin yapay genel zekaları insan beynine benzer şekilde mi çalışacak yoksa o zamana kadar akıllı makineler inşa etmenin daha iyi bir yolunu mu bulacağız?
Teorisyenler, yapay zekanın ilk ortaya çıktığı zamanlardan başlayarak, akıllı makinelerin bir gün insanlarla hemen hemen aynı şekilde düşünebileceğini varsaydılar. Bu idealist amacın benimsenmesinin başlıca sebebi, insan beyninden daha büyük bir bilişsel güç tanımamamız. Konu yüksek düzeyde bilişsel işlem elde etmek olduğunda, insan zihni muhteşem bir aygıttır. Ancak son dönemde, yapay genel zekaya nasıl ulaşılacağı, bu amacı gerçekleştirmek için en iyi yolun hangisi olduğuna dair dikkate değer tartışmalar ve düşünce okulları ortaya çıkmış durumda. Özellikle insan beyninden ilham alan ancak bazı kilit noktalarda ondan ayrışan derin öğrenme alanındaki önemli ilerlemeler, yapay genel zekaya ulaşmanın başka yollarının da olabileceğine dair yeni fikirleri destekliyor.
Mevcut sistemler ne durumda?
Günümüzün en akıllı makineleri, eğitildiklerinden farklı bir görevi gerçekleştirmeleri istendiğinde sudan çıkmış balığa dönebiliyor. Küçük çocuklar bile tek bir ortamda öğrendiklerini yeni görevleri, en karmaşık yapay zeka destekli makinelerin başaramadığı şekilde kolayca uygulayabiliyorken, yapay genel zekayı gerçekleştirmekten hâlâ uzak olduğumuzu söyleyebiliriz.
Araştırmacılar yapay genel zekanın gelişimini baltalayan zorluklar üzerinde çalışıyorlar. Zekanın bazı unsurlarını çoğaltmayı amaçlayan, çoğunlukla derin öğrenmeye odaklanan bir dizi yaklaşımın revaçta olduğu görülüyor. Bunların başında, eğitim veri setlerinde öğrenme korelasyonları söz konusu olduğunda, sinir ağları en ileri teknoloji olarak kabul ediliyor. Takviyeli öğrenme (Reinforcement Learning), makinelerin açıkça belirlenmiş kuralları olan bir görevi nasıl tamamlayacaklarını bağımsız olarak öğrenmeleri için kullanılan güçlü bir araçken, üretken rakip ağlar bilgisayarların problem çözmede daha yaratıcı yaklaşımlar benimsemesini sağlıyor. Ancak bu tekniklerin bazılarını veya tümünü birleştiren yalnızca birkaç yaklaşım var. Bu durum, günümüz yapay zeka uygulamalarının yalnızca kısıtlı görevleri çözebilmesine neden oluyor ve yapay genel zekaya giden yoldaki en büyük engeli teşkil ediyor.
İnsani yapay genel zeka
Derin öğrenme (Deep Learning), akıllı makinelerin öğrenme ve kavrama yeteneğidir. İnsan beyninin yapısından ve çalışma prensibinden esinlenilerek tasarlanmıştır. Otonom araçları gerçeğe dönüştüren kritik bir teknolojidir. Derin öğrenme, düşünen ve hisseden makineler geliştirmek için kullanılıyor.
Günümüzün derin öğrenme algoritmaları, insan benzeri düşünmenin en büyük gerekliliklerinden bazıları olan bilgiyi bağlama oturtma ve genelleştirme becerisinden yoksun. Derin öğrenmenin kabiliyetlerinin insanlığı yapay genel zekaya ulaştırabileceğinden şüpheli olanlar, makinelerin insan beynini nöron nöron kopyalaması gerekmediği fikrini daha gerçekçi ve ulaşılabilir buluyor. Bu düşünce okulu, insan zihninin bilgiyi daha geniş bir problem kümesine yayarak tahminleme yapmak için bilginin sembolik temsilini kullanmak gibi belirli özelliklerini makinelere kazandırmanın önemli olduğuna inanıyor.
Derin öğrenme tekniğinin yapay genel zekaya ulaşmasının önündeki en büyük engeller, makinelere muhakeme ve gelişmiş dil anlama yetenekleri katamaması. Derin öğrenme, etiketlenmiş verilerle birçok algoritmanın eğitilmesine olanak tanırken, yapay genel zeka hayalinin bir parçası olan derin anlayışı makinelere kazandıramıyor.
Derin öğrenmenin akıl yürütmede veya bilgiyi genellemede zorlanmasının nedeni, algoritmaların yalnızca kendilerine gösterilenleri bilmesidir. Bir görüntü tanıma modelini eğitmek için binlerce hatta milyonlarca etiketli fotoğraf gerekir. Ancak tüm bu eğitim verilerinin beslenmesinden sonra bile, yapay zeka modeli doğal dil anlama gibi farklı görevleri yerine getiremez.
Derin anlayış
Bu düşünce okulu, sınırlamalarına rağmen derin öğrenmeden uzaklaşmayı savunmuyor. Bunun yerine, geliştiricilerin derin öğrenmeyi yapay zekaya yönelik klasik yaklaşımlarla birleştirmenin yollarını araması gerektiğine inanıyor. Bunlar, bilgi grafikleri (Knowledge Graphs) gibi verilerin daha sembolik yorumlarının kullanılmasını içeriyor. Bilgi grafikleri, insanların bilgiyle nasıl etkileşime girdiğini anlamak ve zaman içinde iyileştirmeler yapmak için derin öğrenme modellerini kullanırken, anlamsal olarak ilişkili bilgi parçalarını birbirine bağlayan verileri bağlamsallaştırıyor.
Derin öğrenmenin zorlukları her ne kadar yapay genel zekaya ulaşmayı engellese de, yapay zeka alanına kattığı kabiliyetleri birçok noktada görmek mümkün. Yapay genel zeka fikri, teknolojinin nihai olarak insana fayda sağlamasını ve dünyada fark yaratmasını öngördüğü için günümüzün ürünleştirilen gelişmelerini hedefe yönelik atılmış adımlar olarak görmeyen bir ekol söz konusu. Bu ekole göre, yapay genel zekaya ulaşmak için yalnızca derin öğrenme kabiliyetlerine değil, derin anlayışa da sahip sistemler inşa etmeye odaklanılması gerekiyor.
İnsandan daha iyi yapay genel zeka
Tüm teorisyenler yukarıdaki düşünceleri paylaşmıyor. Derin öğrenmenin kısıtlamalarının insan gibi düşünebilen yapay zekalar geliştirilmesini engellediğini savunan bu düşünce okulunun karşısında, derin öğrenmenin makinelere insan üstü kabiliyetler kazandırabileceği fikri yer alıyor. Bu düşünce okuluna göre, insan benzeri düşünceyi kopyalamaya yönelik çabalar, istemeden makinelerin gelecek kabiliyetlerini sınırlayabilir. Derin öğrenme modelleri, temelde insan beyninden farklı izler üzerinde çalışır, yeterli veri ve hesaplama gücü verildiğinde, ne kadar ileri gidebileceklerini söylemek mümkün değildir. Hala yapay genel zekadan uzak olsak da derin öğrenme potansiyel olarak bizi oraya götürebilir.
Bu okul, derin öğrenme tekniğinin yapay zeka modellerine insan üstü yetenekler kazandırma kabiliyetinin göz ardı edilmemesi gerektiğini savunuyor ve makinelerin yeterince veriyle beslendiğinde insanların yorumlayamadığı soyutlamaları öğrenebildiğine dikkat çekiyor.
Derin öğrenmenin bir disiplini olan pekiştirmeli öğrenme, genel zekaya yönelik umut verici bir yol olabilir. Bu algoritmalar, yeni görevlerin öğrenilmesi söz konusu olduğunda insan zihnine benzer şekilde çalışır. Sentetik ortamlarda yapılan deneylerde, makinelerin öğrendiklerini bir görevden diğerine genelleme yeteneği gösterebildiklerine işaret eden bulgular var.
Bu düşünceye göre, yapay genel zekanın önündeki en büyük engel derin öğrenme eğitim süreçlerinin yavaşlığı ancak geliştiricilerin bu sorunu aşabileceğine inanılıyor. Bu okul, algoritmaların bir şeyin ne olduğunu öğrenmek için milyonlarca örneğini görmesine gerek kalmaması için modellerin üzerinde çalıştığı veri kümelerini optimize etme çabalarının kilit rol oynayacağını düşünüyor. Öte yandan, günümüzde sınırlı veri ve işlem gücüne sahip olduğumuz gerçeğine dikkat çekerek, derin öğrenmenin henüz olgunluk dönemine geçmediğinin altını çiziyor.
O esnada İstanbul’da
Bilim insanları ve kuramcılar yapay genel zekaya nasıl ulaşacağımız konusunda fikir ayrılıkları yaşarken, önümüzdeki süreç için ortaya atılan fikirlerin netliği ve tutarlılığı bile hedefe eskisinden daha yakın olduğumuzun bir göstergesi olarak yorumlanabilir. Henüz kimse yapay genel zekanın ne zaman gerçeğe dönüşeceğini bilmiyor ancak bunun yakın bir gelecekte olmayacağı konusunda hemfikir. Yapay zekanın uzak geleceği bir süre daha gizemini koruyacağa benziyor.
Bu esnada İnnova, etkinliği kanıtlanmış yaklaşımları kullanarak geliştirdiği InnovAI yapay zeka modelleriyle, kurumların hem bugünkü hem de yakın gelecekteki ihtiyaçları için öngörücü bakım, anomali tespit, tahminleme, müşteri deneyimi, karar destek ve büyük veri sistemleri sunuyor. Yeni nesil iş yapma şekillerini ve Endüstri 4.0 akımını desteklemek için geliştirilen InnovAI yapay zeka modelleri, sorunları daha ortaya çıkmadan tespit edebiliyor, müşterilerin davranış desenlerini saptayabiliyor ve stratejik kararların büyük veride saklı içgörüler ışığında alınmalarını mümkün kılarak şirketlere rekabet avantajı sağlıyor.
Not: Bu içerik Ersin Aksoy (İnnova, Head of Artificial Intelligence) tarafından TRAI için yazılmıştır.
Benzer Haberler
Dünyayı Değiştiren İtici Güç: Yapay Zeka
Tepkisel Makinelerden Zihin Teorisine Yapay Zeka
