MIT Technology Review Binlerce Makaleyi İnceleyerek Yapay Zekanın Geleceğini Analiz Etti

Dillere pelesenk olan yapay zeka kavramı (AI), yapay zekanın alt kümeleri olan makine öğrenimi ve derin öğrenme ile beraber son zamanların en çok araştırılan konuları arasında. Yapay Zeka, 1950’lerde Alan Turing’in yayınlamış olduğu bir makalede makinelerin düşünüp düşünemediğini irdelemesiyle ortaya çıkmış. Makine öğrenimi ise,1980’lerde sahneye çıksa da, 1959’da “makinelerin programlanmadığı sonuçları öğrenebilme kabiliyeti” olarak da tanımlanmış Arthur Samuel tarafından. Ancak tanınırlığını 1990’larda veri madenciliği kavramının ortaya çıkmasıyla kazanmıştır.

Makine öğrenimi, örneklerle öğrenen ve zamanla sistemsel olarak kendini geliştirmeyi başaran bir mekanizma. Derin öğrenmede ise bir bilgisayar modelinin sınıflandırma görevlerini sinir ağlarıyla doğrudan görüntülerden, metinlerden veya sesten gerçekleştirmesi söz konusu.

Derin sinir ağları, makine öğrenimindeki gibi manuel özellik çıkarma ihtiyacını ortadan kaldırır. Bu nedenle görüntüleri sınıflandırmak için kullanılan özelliklerin ayrıca tanımlanması gerekmez. Makine öğrenimi kullanıcının manuel olarak görsellerden çıkardığı özellikler ile başlar. Sonra özellikler görüntüdeki nesneleri kategorilere ayırmada kullanılır.  Derin öğrenmede bu özellikler otomatik olarak görüntülerden çıkarılır.

Anlatacağımız çalışma, yapay zeka hakkında yapılan tüm araştırmaların incelenmesiyle yapay zekanın evrimini görmeyi hedeflemiş. Ancak şunu tekrar hatırlatmakta fayda var. ArXiv’den toplanan çalışmalar 1993 itibariyle incelense de yapay zeka kavramı yukarıda bahsettiğimiz gibi daha eskilere dayanıyor.

ÇALIŞMA

MIT Technology Review, yapay zekanın son 25 yılının analizini yapmış. Bu analize göre derin öğrenme dönemi yakında sona erebilir.

Yapay zeka hakkında bilinen çoğu şey derin öğrenme sayesindedir. Bu algoritma kategorisi verilerdeki kalıpları bulmak için istatistik kullanır. Bizim görme ve duyma yeteneğimiz gibi insan becerilerini taklit etmede de son derece güçlü olduğunu kanıtlamıştır. Çok dar bir ölçüde, akıl yürütme yeteneğimizi bile taklit edebilir. Bu yetenekler Google’ın arama motoru, Facebook’un haber akışı ve Netflix’in öneri motorunu da desteklemekte. Ancak, derin öğrenme kendi zekamızı çoğaltma arayışımızda aslında küçük bir süreci temsil ediyor. (10 yıldan daha az bir süredir var.)

Washington Üniversitesi’nde bilgisayar bilimi profesörü ve The Master of Algorithms’in  yazarı Pedro Domingos farklı tekniklerin ani yükseliş ve düşüşünün AI araştırmalarını uzun süredir karakterize ettiğini belirtiyor. (Özellikle her on yılda bir fikirler arasında rekabet yaşana da sonra herkes bir tanesinde birleşiyor.)

MIT Teknoloji Dergisi’nde, bu süreç arXiv isimli en büyük açık kaynak bilimsel veri tabanlarından biri vesilesiyle incelendi. 18 Kasım 2018 tarihine kadar “yapay zeka” bölümünde bulunan 16.625 makalenin özetleriyle, alanın nasıl geliştiğini görmek için yıllar boyunca bahsedilen kelimeleri izledi.

*ArXiv’den İndirilen Çalışmaların Sayısı

(18 Kasım 2018 tarihine kadar “yapay zeka” bölümünde mevcut olan tüm makaleler)

Yapılan analizlerle üç ana eğilim bulundu: 1990’ların sonlarında ve 2000’lerin başlarında makine öğrenmesine doğru bir kayma, 2010’ların başında başlayan sinir ağlarının popülaritesinde bir artış ve son birkaç yılda takviyeli öğrenme tekniklerinde yükseliş olmuş. Ancak bunların tamamını kapsayan yapay zekaya bakalım:

İncelenen çalışmalar gösteriyor ki, 2018 yılında yapay zeka üzerine yapılan çalışmaların (yazılan makalelerin) sayısı 3697 ile zirveye ulaşmış. Bu sayı 1993 yılında sadece 7 tane. 2013’ten sonra garip bir düşüş ile beraber 2016 itibariyle tekrar hızlı bir yükselişe geçmiş.

*Makine Öğrenme Paradigması 

En büyük değişim, araştırmacıların 2000’li yılların başında bilgi tabanlı sistemler yerine derin öğrenmeyi de kapsayan ana algoritma kategorisi olan makine öğrenmeye yönelmesiydi. Kelimelerin popülaritesi de bu yönelimden etkilendi. Mesela “mantık”, “kısıtlama” ve “kural” gibi bilgi tabanlı sistemlerle ilgili kelimeler en sert düşüşü görenlerden oldu. Makine öğrenmesiyle ilgili olan “veri”, “ağ” ve “performans” gibi kelimeler ise hızla yükseldi.

Bu “sea change” yani bütünsel, tam anlamıyla değişimin ilk nedeni 80’lerde, bilgi tabanlı sistemlerle birlikte çalışan bir sistemin işe yarar bir şey yapması için kodlanması gereken çok fazla kuralın olmasıydı. Bu durum hem maliyetleri arttırdı hem de çalışmalarda ilerlemeyi yavaşlattı. Makine öğrenmesi ise bu soruna çözüm niteliğindeydi. İnsanların yüz binlerce kuralı kodlamaları yerine makineleri bu kuralları otomatik olarak bir veri kümesinden çıkarmak için programlaması çok daha makuldu. Böylece bilgi tabanlı sistemler yerine makine öğrenimini geliştirmek revaçta olmaya başladı.

Sinir Ağı Yükselişi

Makine öğrenmesinden, derin öğrenmeye geçiş hemen gerçekleşmedi. Çünkü araştırmacılar sinirsel ağların yanı sıra çeşitli yöntemleri de test etmişlerdi. Ancak sinir ağlarının diğer yöntemlerin arasında epey öne çıktığı gözüküyor. Yani yapay sinir ağları diğer makine öğrenme yöntemlerini geçiyor. Tabloda gidişatı izleyelim:

*Her yöntem için makale yüzdesi

Sinir ağlarıyla ilgili çalışmalar 1993’te yokken, 1994’te %6 seviyesinde. Markov metotları, Bayes ağları, evrimsel algoritmalar da benzer seviyede. Destek vektör makineleri ise sahneye 2000’ler itibariyle çıkmış. Ancak 2018 geldiğimizde yine aynı seviyelerde olan diğer tüm çalışmaların yanında, sinir ağları çalışmaları %27’ye yükselerek diğerlerini katlamış.

1990’lar ve 2000’ler boyunca, tüm bu yöntemler arasında sürekli bir rekabet vardı. Ardından, 2012 yılında önemli bir başka olay, bir başka kırılma noktası yarattı.

ImageNet Büyük Ölçekli Görsel Tanıma Yarışması (ImageNet Large Scale Visual Recognition Challenge – ILSVRC) yüzlerce obje kategorisi ve milyonlarca resimden obje sınıflandırmaya yönelik yapılan bir faaliyettir. Bu yarışma sırasında Geoffrey Hinton adlı bir araştırmacı, Toronto Üniversitesi’ndeki meslektaşları ile birlikte, yüzde 10’dan fazla puan ile görüntü tanıma konusunda en iyi doğruluğu elde etti. Böylece yapay sinir ağındaki çalışmaları ile derin öğrenmede yeni bir araştırma dalgasına yol açtı.

Takviyeli Öğrenmenin Yükselişi

Yapılan incelemeye göre derin öğrenmenin yükselişinden bu yana geçen birkaç yıl içinde yapay zeka araştırmalarında son bir kayma yaşanmış: Takviyeli öğrenmenin yükselişi. Temelde makine öğrenimindeki farklı tekniklerle beraber göze çarpan üç farklı teknik var: Denetimli öğenme, denetimsiz öğrenme ve takviyeli öğrenme. Denetimli öğrenme, yaygın şekilde kullanılır ve bugüne kadarki en pratik uygulamalara sahiptir. Ancak takviyeli öğrenme, denetimli ve denetimsizden farklı.

Denetimli öğrenme, etiketli bir veri yığınından bir model oluşturulur. Modelin öğrenme düzeyi, test kümesi üzerinden izlenir. Etiketsiz örneklerin, model yardımıyla etiketleri tahmin edilebilir hale gelmektedir.

Denetimsiz öğrenme, genellikle etiketlenmemiş verilerin koleksiyonlarında kümeleme yapmaya yöneliktir. Takviyeli Öğrenme, bu iki temel yaklaşım yanında üçüncü bir yaklaşım olarak yerini almıştır. Takviyeli öğrenmede makinemiz karşılaştığı durumlara bir tepki verir. Deneme-yanılma yoluyla verdiği tepkilerle sayısal bir ödül sinyali alır. Öğrenen makine, ödüllerle puan yükseltmeye çalışır.

  • Takviyeli öğrenme ivme kazanıyor: Her tür makine öğrenimine kıyasla, takviyeli öğrenme çalışmalarının payı

Derinlemesine öğrenimde olduğu gibi takviyeli öğrenmede de bir kırılma anı onu literatüre kazıdı. Bu an, Ekim 2015’te takviyeli öğrenmeyle eğitilmiş DeepMind’ın AlphaGo’sunun, antik Go oyununda dünya şampiyonunu yenmesiydi.

GELECEK 10 YIL

MIT’in bu analizi, rekabetin boyutunu ve değişimini gösterse de zekayı çoğaltma arayışının belirsizliğini de vurguluyor. Domingos, “Fark edilmesi gereken kilit nokta, kimsenin bu sorunu nasıl çözeceğini bilmediği” diyor.

Son 25 yılda kullanılan tekniklerin çoğu, aslında 1950’lerde ortaya çıktı. Ayrıca her on yılda bir tekniklerin sınav zamanı geliyor gibi gözüküyor. Sinir ağları 60’larda ve kısa bir süre 80’lerde zirveye ulaştı, ancak derinlemesine öğrenme yoluyla mevcut popülerliklerini yeniden kazanmadan önce neredeyse öldü.

Analize göre her on yılda başka bir farklı tekniğin saltanatının hüküm sürdüğü görülüyor. 50’li ve 60’lı yılların sonunda sinir ağları, 70’li yıllarda çeşitli sembolik yaklaşımlar, 80’li yıllarda bilgi tabanlı sistemler, 90’lı yıllarda Bayes ağları, 2000’li yıllarda destek vektör makinelerini ve 2010’lu yıllarda da sinir ağları gibi…

Petro Domingos 2020’ler farklı olmamalı dese de, bu analize göre derin öğrenme dönemi yakında sona erebilir. Araştırma topluluklarında ise karakteristik olarak sıradaki hüküm sürecek teknik hakkında rekabet sürüyor. Eski bir teknik mi yoksa tamamen yeni bir paradigma mı kazanacak?

Domingos, bu soru cevaplanırsa cevabı patentlemek istiyor.

Kaynak: MIT Technology Review

Posted by Ceren Demir

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir