Yapay Zekâ Nasıl Öğrenir?

Yirminci yüzyılın ortalarına kadar yapay zekâ diye bir derdimiz yoktu. O zamanlarda kullandığımız cihazlar fişe takılınca çalışırlar, üzerlerinde birkaç düğme vardır, onları çevirirsiniz; yavaşlar, hızlanır veya geri/ileri giderdi. 

Cihazlardan elde edilmek istenen işlevler insanların taleplerine göre geliştirildikçe bugüne kadar geldik, şimdi cihazlara nasıl öğreteceğiz diye düşünüyoruz. Örneğin, malzeme biliminde bir malzemenin önce tanımlanmasını sonra o malzemenin daha dayanıklı, daha yumuşak, (a) kimyasalının varlığında şu şekli (b) gazının varlığında ise başka bir şekli almasını istediğimiz yeni yapılara nasıl dönüştürülebileceğini bilgisayarlardan öğrenmek istiyoruz. 

Yeni öğrencimiz bilgisayarlar!

Burada önümüze bir öğrenci geliyor; bilgisayar… Bilgisayara istediğimiz yaptırmak için dün kullandığımız programlama teknikleri fazla basit diyor Dr. Brian Gallagher, ve ekliyor “bir senaryonuz var, bir kodlama modeli yapıyorsunuz. Ya çalışıyor ya çalışmıyor”. 

Peki, bir veri seti ya da sunulan bir veri içinde diğerlerinden önemli olanı ayırabilen bu bilgiyi taşıyıcı olarak kullanarak başka uygulamaya geçebilen bir yapay zekâ olsa ve bunun açıklaması da yapılabilse örneğin malzeme biliminde yeni uygulamalara gidilebilir mi? Çok karmaşık veriler ve kavramlardan yeni ürünler, metotlar üretilebilir mi? Evet! Dr. Gallagher ve ekibi bunu yapıyorlar.

Yapay sinir ağı (artificial neural network) bugün pek çok alanda kullanılan bir yazılım ağı çeşidi. Bu ağlar beynin çalışma şekline benzer şekilde cevap veriyor girdi bilgiye. Buna yapay zekâ öğrenmesi deniyor (machine learning). İnsan beyninde olduğu gibi karmaşık bilgileri çözerek sonuca varma (deep learning) amaçlanıyor. İlk adım girdi bu bir veri (data), örneğin fotoğrafların bilgisayar dilindeki detayını tanımlayan çok küçük parçaları (pixel) bir veri. Bir sonraki adım bu veriden elde edilecek olan bilgide verinin önemine bir ağırlık verme aşaması. Bu aşama için matrix değerlendirme kodlamaları gerekiyor. Örneğin negatif bir kodlama ile aynen insan beyninde olduğu gibi bir tür duygusal seçicilik yaratılabiliyor. Bundan sonra ise birçok verinin değerlendirilmesinden ortaya çıkan bilgi veya bilgisayar dili ile fonksiyonun bir sonraki aşamaya aktarılması geliyor. Ancak burada doğrusal bir aktarım istenen bir şey değil. Öyle olursa her gelen bilgi aynı şekilde işlenir, ayrıştırılamaz, yeni bir ürün alınamaz. Bu durumda aktivasyon fonksiyonu devreye giriyor, doğrusal olmayan programlama modülleri ile başka sonuçlar alınması sağlanıyor. Çok karışık gibi geldi size belki ama aslında beynimizde her an olan bu. 

Neye yarıyor bu programlar? 

Hani bazı bankalar sizi sesinizden tanıyor ya, işte orada kullanılıyor. Sesiniz girdi, sesinizin değişik tınıları çeşitli veriler olarak banka içinde hesap bilgilerinize giden yolda, gizli tutulan ara kontrol yazılım katmanlarından geçiyor ve resminiz, imzanız, kimlik numaranız gibi detaylarla ilişkilendiriliyor. Sonuçta tanınıp işlem yapabiliyorsunuz!

Yazının başında da bahsettiğim gibi bir malzemenin elektromanyetik fotoğrafından malzemenin ne olduğuna, oradan içeriğindeki moleküllerin ne olduğuna, oradan da o moleküllerin fiziksel, kimyasal, manyetik alanlarda nasıl davranacaklarını, değişip değişmeyeceklerini bir bilgisayar ağ sisteminde değerlendirebilirsiniz. Bunun nasıl yapılacağını da bu ağ sistemine öğretebilirseniz, ki çalışmalar öğretebileceğiniz yönünde ilerliyor, o kendi kendine yeni moleküller, malzemeler yapar. Sonra ne olur? Sanal dünyada alışveriş yaparken alacağınız ürüne “dokunarak” seçebilirsiniz! Evsafını, kokusunu, dokusunu, yumuşaklığını değerlendirebilirsiniz. Olabilir mi? Bilemedim şimdi…