Motivasyon: Yapay Zeka ve Derin Öğrenme

Yapay zeka hakkında kimine göre heyecan verici, kimine göre de korkutucu bazı sorular soruluyor: ‘Peki yapay zeka insanın yerini mi alacak? İnsanlığı yok edecek mi?’ İşte Ayyüce Kızrak'ın konuyu analiz ettiği yazısı...

408
408

“Eğer kime karşı oynadığımı önceden bilmeseydim, garip fakat çok güçlü bir rakiple oynadığımı düşünürdüm” diyen Avrupa Go oyunu şampiyonu Fan Hui, bu sözüyle yapay zekanın garip bir insani içgüdüyle karar verdiğini gösteren bir tanım yapmaktadır. Go, evrendeki tüm yıldız sayısından daha fazla olasılığa sahip bir oyundur. Google DeepMind şirketinin AlphaGo yazılımı Dünya şampiyonu Lee Sedol’u gerçekleştirdikleri 3 maçta yenerek bir kez daha tüm dünyanın ilgi odağı olmayı başarmıştır. Yapay zeka hakkında kimine göre heyecan verici, kimine göre de korkutucu bazı sorular sorulmaktadır:

‘Peki yapay zeka insanın yerini mi alacak? İnsanlığı yok edecek mi?’ 

AlphaGo ve Lee Sedol karşılaşması

Bunun için Coursera kurucu ortaklarından Stanford Üniversitesi profesörü Andrew Ng’nin sözüne kulak vermek gerekir:

“Bugün Yapay Zekanın kötü bir süperzeka olmasından endişelenmek, Mars’taki aşırı nüfus artışından endişelenmek gibidir. Biz henüz bu gezegene iniş yapmadık!” Andrew Ng, Prof.

O halde kemerlerinizi bağlayın Mars’a doğru yola çıkıyoruz!

20. yüzyılda en değerli şey ‘bilgi’dir. Alan Mathison Turing ve John McCarthy, 1950’li yıllarda ‘yapay zeka’ kavramını ilk ortaya atan ve bu alanın temellerini oluşturan iki önemli bilim insanıdır. Alan Turing ile birlikte bilgi kuramı üzerine yaptığı çalışmalarla tanınan Claude Elwood Shannon, II. Dünya savaşı sırasında şifreleme/çözme ve temel örneksel bilgisayarların gelişmesine büyük katkı sağlamıştır. İlk yapay zeka laboratuvarı 1959 yılında Massachusetts Teknoloji Enstitüsü’ nde (Massachusetts Institute of Technology-MIT) Marvin Lee Mainsky tarafından kurulmuştur. Bilişsel ruhbilimci Allen Newell ise Herbert Alexander Simon ile ‘Logic Theory Machines’ ve ‘General Problem Solver’ eserleriyle Turing ödülünü almış ve yapay zeka alanına önemli katkılar sağlamış isimler arasındaki yerini almıştır.

Yapay zeka alanında yapılan çalışmalar dönemsel olarak atılan büyük adımlarla şimdiki popülerliğine kavuşmuştur. 

Frank Rosenblatt

İlk Kırılma: 1957 yılına damga vuran ve bugün tüm modellerin yapı taşını oluşturan gelişme ‘Perseptron’ tanımının yapılmasıdır. Bunun için Frank Rosenblatt’a teşekkürler!

Bu konuda atılmış diğer önemli adım da 1969 yılında Minsky ve Papert tarafından XOR probleminin tek katmanlı ağ yapısıyla çözülemeyeceğinigöstermesidir. Bu adımların ışığı altında artık günümüz yapay zekasının en önemli çözümlerinden biri ortaya atılmak için hazırdır.

İkinci Kırılma: Geoffrey Hinton, David Rumelhart ve Ronald Williams‘Geriye Yayılım’ (Backpropagation) teorisini, 1986 yılında ‘Çok Katmanlı Perseptron’ ağ yapısıyla bizlerle paylaşmıştır. Geriye yayılım algoritmasının insan beyninin çalışma şeklinin modellenmesine imkan tanıyan yapısı ile yapay sinir ağlarının tekrar gündeme gelmesini sağlamıştır. İşte o andan bugüne her gün yeni teoriler atılacak olan “O” alan dünya çapında bir patlamalar zincirinin öncüsü niteliğindeydi.

‘Acaba bilgisayar insanı yenecek mi?’ Yapay zeka henüz yeni doğmuş bir bebeğe benzemektedir. İnsanı yenebilecek düzeye gelebilmesi için öncelikle bir bebeğin gelişme sürecinde olduğu gibi öğrenmesi, çok sayıda bilgiyle eğitilmesi gerekmektedir. Bu bilgilerin özellikle çok sayıda olması gereklidir. Ancak yeterli değildir. Düzenli, yani etiketli olması eğitim sürecinin en önemli parçalarından biridir. 80’li yıllardan yaklaşık 15 yıl sonra büyük verinin (big data) ne denli önemli olduğu anlaşılmıştır.

İlgili Haber  Makine öğrenimiyle işinizi daha hızlı büyütün: 1. Bölüm

Vladimir Vapnik ve Corinna Cortes 1995 yılında ortaya attığı Destek Vektör Makineleri (Support Vector Machines-SVM) yöntemiyle, Makine öğrenmesi ya da diğer bir deyişle ‘Yapay Öğrenme’ konusunda yeni çalışmaların yapılmasına yeni bir soluk getirmiştir. Bu yöntem ile bir çok problem başarılı şekilde çözebilmektedir. Özellikle görüntü işleme bilgisayarlı görü konularında alınan sonuçlar yapay zekayı gerçek dünya problemleri için uygulanabilir ve kullanılabilir hale getirmektedir.

Çizgi ve bilim kurgu filmlerinden tanıdık yapay zekaya sahip robotlar

Çizgi film karakterlerinin, bilim kurgu filmlerinde yer alan süper kahramanların ya da bir çocuğun çizdiği robotun genellikle ‘insanda olduğu gibi’ göze sahip olduğunu göreceksiniz. ‘Peki neden? Görmek karar vermek için çok önemli bilgiler mi içeriyor?’

Avustralyalı zoolog Andrew Parker ‘In the Blink of Eye Evolution of Vision’ adlı eserinde, görme duyusunun canlılardaki evrimini ve teorilerini başarılı bir şekilde anlatmaktadır. Stanford Üniversitesi yapay zeka ve bilgisayarlı görü Laboratuvarlarının yöneticisi Fei Fei Li, Ted Talks kanalında yayınlanan bir konuşmasına “Gelecek Dünya Neye Benzeyecek?” diye sorarak başlıyor.

Görmek; dünyayı tamamen farklı algılamamızı sağlamaktadır. Aşağıdaki görselde ev temizliği, çiçeklerin bakımı, yemek yapımı ve evdeki çocuğun yıkanması gibi işleri yaparken robotlar resmedilmektedir. Bu robotların gözleri var, görebiliyorlar ve bu veriler ışığında nesneleri tanımlayabiliyorlar, karar verebiliyorlar, verdikleri kararları uygulayabiliyorlar ve daha bir çok karmaşık işlemin üstesinden gelebilirler.

Fei Fei Li, Ted Talks sunumundan ev işi yapan robotlar

“Görsel zeka, yapay zekanın temel taşıdır.” Fei Fei Li

Bu bağlamda; “bilgisayarlı görü (computer vision), örüntü tanıma (pattern recognition), sınıflandırma (classification) problemlerini ‘insan beyni gibi’değerlendirebilen, bir çocuk gibi öğrenebilen hatta bazen çocuktan hızlı öğrenebilen sistemi nasıl oluşturabiliriz?” sorusunu sormak işten bile değil!

İnsan beyninde en büyük kısım görme üzerine işlem yapmakla yükümlüdür. Görme sisteminden alınan görüntüler (frame), beyinde çeşitli şekillerde ve üstelik mükemmel karmaşıklıkla (complexity) işlenmektedir.

Üçüncü Kırılma: 1998 yılında Yann LeCun, gradyan temelli yaklaşımla evrişimsel sinir ağlarını (convolutional neural network-CNN) kullanmıştır ve kendi ağ yapısına da LeNet adını verilmiştir. 0–9 arasındaki rakamları öğrenerek sınıflandıran model, sistemin bunlardan herhangi biriyle karşılaşması durumunda hangi sayı olduğunun ihtimallerini kullanıcıya sunmaktadır. İnsanın 0.1 saniyede yapabildiği her şeyi çok katmanlı büyük bir ağın da yapabileceği fikriyle Yann LeCun, -aşağıda karikatürize edildiği gibi- ‘makinelere öğretmeye’ başlamaktadır.

Yann LeCun, Makinelere LeNet’i öğretirken 🙂

Ama buradaki dar boğaz da, standart bilgisayar işlemcilerinin (CPU) işlem yükünün üstesinden gelmekte güçlük çekmesidir. 1998’den 2010’a kadar genellikle; sınıflandırma, örüntü tanıma, nesne tanıma alanlarındaki problemlere piksel tabanlı olarak görüntü işleme (image processing) yaklaşımları geliştirildi. Ancak bu yaklaşımların hiç biri, insanın zekasına ve yeteneğine yaklaşamadı. Ta ki; Jia Deng, Wei Dong, Richard Socher, Li-Jia, Kia Li ve Li Fei-Fei (CVPR,2009) 167 ülkeden de destek alarak big datafikriyle giriştikleri ‘ImageNet’ veri setini oluşturana kadar. ImageNet, 22 bin farklı kategoriye sahip ve 15 milyon farklı görüntü etiketlenerek elde edilen büyük bir veri setidir. Artık bir çok bilim insanı ve araştırmacı için düzenli bir veri seti var. Herkes kolları sıvasın!

ImageNet

Bununla birlikte, CPU yerine grafik tabanlı işlemcilerin (Graphics Processing Unit: GPU) kullanılması donanım kaynaklı soruna da muhteşem bir çözüm getirmekte ve artık bir şeyler olması an meselesi haline gelmektedir.

İlgili Haber  Marka güvenliği için çözüm: AI

Dördüncü Kırılma: Toronto Üniversitesi’nden Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton’ın 2012 yılında oluşturdukları evrişimsel sinir ağı modeli AlexNet büyük problemlere çözüm olmaktadır. 8 katmanlı bu evrişimsel ağ ile ilk-5 hata oranı %16.4’e ulaşmaktadır. AlexNet ağ yapısı aşağıdaki görselde olan yapının 2 paralel birleşmesinden oluşmaktadır.

AlexNet Evrişimsel Ağ Modeli Katman Çıktılarının Görseli (https://www.cc.gatech.edu/~hays/compvision/proj6/)

Biraz daha yakın tarihe gelecek olursak; Google-DeepMind ve Facebook-Yapay Zeka Lab., Stanford Üniversitesi, Kaliforniya Üniversitesi, Massachusetts Teknoloji Enstitüsü bünyelerindeki Yapay Zeka Laboratuvarında çalışan yüksek lisans ve doktora öğrencileri bu konu üzerine çok hızlı gelişmeler gösterdiler. Bu alanda ilk akla gelen isimlerden biri olan Christian Szegedy, ‘Evrişimler ile daha derine gitmek’ dedi (Going Deeper with Convolutions, 2014) ve nihayet GoogLeNet karşımıza çıktı. 

http://knowyourmeme.com/memes/we-need-to-go-deeper

2014 yılında ‘Inception’ kavramıyla tanışmamızla birlikte artık sadece derine gitmenin yetmeyeceği anlaşılmış oldu. Res-Net ve Inception mimarileri sayesinde artık hem derine hem enine gitmek gerekmektedir. Buna da ‘deeper and wider olarak isimlendirilmektedir. Algoritmaları nesne algılamaları ve görüntüyü sınıflandırmasına göre değerlendiren ILSVRC (ImageNet Large Scale Visual Recognition Competition) yarışmasındaki, yıldan yıla elde edilen ilk-5 başarım ve katman sayısı arasındaki ilişki 2015 yılı itibariyle aşağıdaki gibi bir hal almıştır. Buna ‘derinlik devrimi’ denmektedir.

Kaiming He, Xiangyu Zhang, Shaoqing Ren & Jian Sun, “Deep Residual Learning for Image Recognition”,2015

Res-Net 152 katmana sahip bir ağ ve başarımda büyük bir sıçrayış yakalamıştır.

Bunun anlamı: derin öğrenmedir (deep learning). Yani birden fazla katman içeren evrişimsel bir ağ yapısı, filtreler, boyutlandırma işlemleri, optimizasyon, performans hesaplamaları…

Artık yapay zeka çalışması yapanlar derin mimari mühendisleri olarak adlandırılmaya başlanmıştı bile.

Beşinci Kırılma: Bugün en çok ilgi gören algoritmalardan biri Ian Goodfellow tarafından 2014 yılında geliştirilen ‘Çekişmeli Üretici Ağlar’ (Generative Adversarial Nets) yapay zekanın gelecekte ulaşabileceği nokta konusunda bizleri heyecanlandıran önemli ipuçları vermektedir. Sıfırdan tasarlanan insan yüzleri, stil transferi (style transfer) gibi işlemlerle ünlü ressamların tarzlarıyla yeni resimler çizilmesi ve atın zebraya dönüştürülmesi gibi büyüleyici örnekler yapay zeka konusunu gündelik bir konu haline getirip, metroda işe giderken insanların Siri’nin sorularımıza nasıl cevap verdiği hakkındaki tartışmalarını duymamızı mümkün kılmıştır.

Çekişmeli Üretici Ağlar ile Bir Stil Transferi Örneği (Muthuraman Chidambaram, Yanjun Qi, Style Transfer Generative Adversarial Networks: Learning to Play Chess Differently, 2017)

Artık gerçek yapay zeka karşımızda!

Derin öğrenmenin kahramanları:

· Prof. Geoffrey Hinton (Toronto Üniversitesi)

· Prof. Yoshua Bengio (Montreal Üniversitesi)

· Prof. Yann LeCun (Facebook Yapay Zeka Direktörü)

· Prof. Andrew Ng (Toronto Üniversitesi, Stanford Üniversitesi, Coursera Kurucu Ortak)

· Prof. Fei-Fei Li (Stanford Üniversitesi, Yapay Zeka Lab. Yöneticisi ve Google Cloud Yöneticisi)

· Prof. Ruslan Salakhutdinov (Carnegie Mellon University)

· Dr. Andrej Karpathy (Tesla Yapay Zeka Direktörü)

· Dr. Ian Goodfellow (Google Brain, Araştırmacı)

· François Chollet (Google, yazılım mühendisi, Keras)

Değişimin devrimselliğini vurgulamak adına:

“Yapay zeka, yeni elektriktir” Andrew Ng

Bu motivasyonla daha derin yazılara hazırsınız!

Kaynak: Ayyüce KIZRAK / Medium

Bu yazıda olan etiketler

Yorumlar